|
% Diversidad y Patrón Espacial A Lo Largo De La Sucesión: |
|
La influencia del tipo de dispersión |
|
% Leonardo A. Saravia UNGS - RAE 2012 |
|
% \centerline{\includegraphics[height=2in]{figs/Portada.png}} |
|
|
|
|
|
# Hipótesis |
|
|
|
+ El tipo de dispersión es importante para el mantenimiento de la biodiversidad |
|
|
|
+ La dispersión de largo alcance genera mayor diversidad (la tercera dimensión) |
|
|
|
|
|
# ¿Por qué utilizamos modelos? |
|
|
|
+ Porque son lindos |
|
|
|
+ Para explicar comportamientos sobre todo cuando la experimentación es complicada |
|
|
|
+ Para generar nuevas hipótesis y guiar la experimentación |
|
|
|
+ La combinación de estudios observacionales y modelos puede ser muy poderosa |
|
|
|
|
|
# ¿Cómo caracterizamos a las comunidades? |
|
|
|
+ El Patrón espacial |
|
|
|
- Dimensión fractal de información: Mide la heterogeneidad, no depende de la escala |
|
|
|
+ Biodiversidad |
|
|
|
- Riqueza específica |
|
|
|
- Índice de Shannon: tiene en cuenta la distribución de abundancias |
|
|
|
# Modelos Estocásticos Espaciales |
|
|
|
+ El espacio está representado como una grilla de sitios |
|
|
|
+ Las transiciones entre estados son estocásticas |
|
|
|
\centerline{\includegraphics[height=1.5in]{figs/NeutralModel.png}} |
|
|
|
|
|
# Dos sabores neutrales |
|
|
|
+ **Sabor banana neutral** |
|
|
|
- Todos los individuos son equivalentes |
|
Las especies tienen todas los mismos parámetros |
|
|
|
- Mortalidad (Asumimos crecimiento = 1) |
|
|
|
- Inmigración: Existe una metacomunidad con una composición constante. |
|
La frecuencia de especies da la probabilidad de inmigración. |
|
|
|
- Tipo de dispersión local |
|
* Uniforme |
|
* Exponencial |
|
* Potencial inversa |
|
- Distancia de dispersión media |
|
|
|
+ **Sabor frutilla jerárquica** |
|
- Las especies con menor tasa inmigración reemplazan a las otras |
|
- Todo lo demas igual que el anterior |
|
|
|
# Los tipos de dispersión : *Uniforme* |
|
```{r dispUni, echo=FALSE, message=FALSE, dev='pdf', fig.width=4.5, fig.height=2.5, fig.cap="", fig.align='center', cache=TRUE} |
|
|
|
plot_model <- function(fname,time) |
|
{ |
|
require(lattice) |
|
per <- read.table(fname, skip=2,header=F) |
|
per <-data.matrix(per) |
|
col.l <- colorRampPalette(c('white', 'green', 'purple', 'yellow', 'brown'))(64) |
|
return( levelplot(per, scales = list(draw = FALSE),xlab =NULL, ylab = NULL,col.regions=col.l, |
|
useRaster=T,colorkey=F, |
|
#main=list( time,cex=1) |
|
)) |
|
} |
|
x1 <-plot_model("anim1.sed",1) |
|
x2 <-plot_model("animUni-5.sed",5) |
|
x3 <-plot_model("animUni-7.sed",7) |
|
x4 <-plot_model("animUni-9.sed",9) |
|
x5 <-plot_model("animUni-11.sed",11) |
|
x6 <-plot_model("animUni-13.sed",13) |
|
x7 <-plot_model("animUni-15.sed",15) |
|
x8 <-plot_model("animUni-17.sed",17) |
|
x9 <-plot_model("animUni-19.sed",19) |
|
x10 <-plot_model("animUni-21.sed",21) |
|
x11 <-plot_model("animUni-23.sed",23) |
|
x12 <-plot_model("animUni-25.sed",25) |
|
x13 <-plot_model("animUni-27.sed",27) |
|
x14 <-plot_model("animUni-29.sed",29) |
|
grid.arrange(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14, ncol=5) |
|
|
|
``` |
|
# Los tipos de dispersión : *Exponencial* |
|
|
|
```{r dispExp, echo=FALSE, message=FALSE, dev='pdf', fig.width=4.5, fig.height=2.5, fig.cap="", fig.align='center', cache=TRUE} |
|
|
|
x1 <-plot_model("anim1.sed",1) |
|
x2 <-plot_model("animExp-5.sed",5) |
|
x3 <-plot_model("animExp-7.sed",7) |
|
x4 <-plot_model("animExp-9.sed",9) |
|
x5 <-plot_model("animExp-11.sed",11) |
|
x6 <-plot_model("animExp-13.sed",13) |
|
x7 <-plot_model("animExp-15.sed",15) |
|
x8 <-plot_model("animExp-17.sed",17) |
|
x9 <-plot_model("animExp-19.sed",19) |
|
x10 <-plot_model("animExp-21.sed",21) |
|
x11 <-plot_model("animExp-23.sed",23) |
|
x12 <-plot_model("animExp-25.sed",25) |
|
x13 <-plot_model("animExp-27.sed",27) |
|
x14 <-plot_model("animExp-29.sed",29) |
|
grid.arrange(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14, ncol=5) |
|
|
|
``` |
|
|
|
|
|
# Los tipos de dispersión : *Potencial Inversa* |
|
|
|
```{r dispPower, echo=FALSE, message=FALSE, dev='pdf', fig.width=4.5, fig.height=2.5, fig.cap="", fig.align='center', cache=TRUE} |
|
|
|
x1 <-plot_model("anim1.sed",1) |
|
x2 <-plot_model("animPow-5.sed",5) |
|
x3 <-plot_model("animPow-7.sed",7) |
|
x4 <-plot_model("animPow-9.sed",9) |
|
x5 <-plot_model("animPow-11.sed",11) |
|
x6 <-plot_model("animPow-13.sed",13) |
|
x7 <-plot_model("animPow-15.sed",15) |
|
x8 <-plot_model("animPow-17.sed",17) |
|
x9 <-plot_model("animPow-19.sed",19) |
|
x10 <-plot_model("animPow-21.sed",21) |
|
x11 <-plot_model("animPow-23.sed",23) |
|
x12 <-plot_model("animPow-25.sed",25) |
|
x13 <-plot_model("animPow-27.sed",27) |
|
x14 <-plot_model("animPow-29.sed",29) |
|
grid.arrange(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14, ncol=5) |
|
``` |
|
|
|
# Simulaciones |
|
|
|
>* Se utilizaron los siguientes parámetros: |
|
<center> |
|
Parámetro Valores . . |
|
---------------- --------- -------- -------- |
|
Mortalidad 0.2 |
|
Inmigración 0.001 |
|
Distancia media 3 6 12 |
|
|
|
</center> |
|
|
|
* Se utilizó una escala de tiempo con significado ecológico: 100 generaciones. |
|
|
|
* La composición de la metacomunidad se tomó de un experimento realizado con |
|
perifiton: [Saravia LA et al. (2012) Oikos](http://doi.wiley.com/10.1111/j.1600-0706.2011.20423.x) |
|
|
|
# Vemos que pasa a lo largo de la sucesión: $D_1$ |
|
|
|
<center> |
|
```{r DqEnTiempo, echo=FALSE, message=FALSE, dev='pdf', fig.width=7,fig.height=6, fig.cap="", fig.align='center', cache=TRUE, out.width="5in" } |
|
|
|
per <- read.table("per64all.dat", header=TRUE) |
|
|
|
per1 <- subset(per, per$Time>7 & per$ColonizationRate==0.001 & per$MortalityRate==0.2 ) |
|
FDis <- factor(per1$DispersalDistance, labels=c('Dispersión=3','Dispersión=6','Dispersión=12')) |
|
FMod <- factor(per1$Model, labels=c('Jerárquico','Neutral')) |
|
xyplot(DqOrd~Time|FDis*FMod , data =per1, groups=DispFun, |
|
type=c("p", "smooth"), |
|
auto.key=list(x=.8,y=.2,cex=.8,cex.title=.8, title="Tipo dispersión", points=TRUE), |
|
scales=list(tck=-1),xlab=list(font=3),ylab=list(expression(italic(D[1])),font=3), |
|
main="Dimensión de información") |
|
|
|
``` |
|
</center> |
|
|
|
* La tendencia es hacia un patron más uniforme |
|
|
|
* El patrón espacial es similar entre los tipos de dispersión *Exponencial* y *Uniforme* |
|
|
|
* El patrón es más heterogéneo para dispersión *Potencial* |
|
|
|
* Puede haber oscilaciones en el modelo Jerárquico |
|
|
|
|
|
# Vemos que pasa a lo largo de la sucesión: $S$ |
|
|
|
<center> |
|
```{r SEnTiempo, echo=FALSE, message=FALSE, dev='pdf', fig.width=7,fig.height=6, fig.cap="", fig.align='center', cache=TRUE } |
|
|
|
|
|
xyplot(Richness~Time|FDis*FMod , data =per1, groups=DispFun, |
|
type=c("p", "smooth"), |
|
auto.key=list(x=.85,y=.35,cex=.8,cex.title=.8, title="Tipo dispersión", points=TRUE), |
|
scales=list(tck=-1),xlab=list("Tiempo",font=3),ylab=list(expression(italic(S)),font=3), |
|
main="Nro. de especies") |
|
|
|
``` |
|
</center> |
|
# Vemos que pasa a lo largo de la sucesión: $H$ |
|
|
|
<center> |
|
```{r HEnTiempo, echo=FALSE, message=FALSE, dev='pdf', fig.width=7,fig.height=6, fig.cap="", cache=TRUE } |
|
|
|
|
|
xyplot(H~Time|FDis*FMod , data =per1, groups=DispFun, |
|
type=c("p", "smooth"), |
|
auto.key=list(x=.8,y=.35,cex=.8,cex.title=.8, title="Tipo dispersión", points=TRUE), |
|
scales=list(tck=-1),xlab=list("Tiempo",font=3),ylab=list(expression(italic(H)),font=3), |
|
main="Indice de Shannon") |
|
|
|
``` |
|
</center> |
|
|
|
* Las tendencias de $H$ y $S$ son similares |
|
|
|
* En el modelo *neutral* no se observan diferencias entre tipos ni distancias de dispersión |
|
|
|
* En el model *jerárquico* hay diferencias de la dispersión *Potencial* |
|
|
|
<font color = "blue"> |
|
|
|
* En el modelo *Neutral* el patrón espacial da diferencias significativas pero no hay diferencias entre $H$ y $S$ |
|
|
|
* En el modelo *Jerarquico* hay diferencias en patrón y en $H$ y $S$ |
|
|
|
</font> |
|
|
|
|
|
# ¿Cómo es el tipo de dispersión con respecto a otros factores? |
|
<center> |
|
```{r comparacionTime98, echo=FALSE, message=FALSE, dev='pdf', fig.width=9,fig.height=4, fig.cap="", cache=TRUE } |
|
per1 <- subset(per, per$Time==98 & per$ColonizationRate==0.001 & per$MortalityRate==0.2 & per$Model=="Neu") |
|
|
|
with(per1,{ |
|
par(mfrow=c(1,3)) |
|
Distancia=as.factor(DispersalDistance) |
|
TipoDisper=as.factor(DispFun) |
|
plot.design(DqOrd~TipoDisper * Distancia, fun=median,xlab="",ylab=expression(italic(D[1])),cex.axis=0.8,main="Modelo Neutral") |
|
plot.design(Richness~TipoDisper * Distancia, fun=median,xlab="",ylab=expression(italic(S)),cex.axis=0.8,main="") |
|
plot.design(H~TipoDisper * Distancia, fun=median,xlab="",ylab=expression(italic(H)),cex.axis=0.8,main="") |
|
}) |
|
|
|
per1 <- subset(per, per$Time==98 & per$ColonizationRate==0.001 & per$MortalityRate==0.2 & per$Model=="Jer") |
|
par(mfrow=c(1,3)) |
|
with(per1,{ |
|
Distancia=as.factor(DispersalDistance) |
|
TipoDisper=as.factor(DispFun) |
|
plot.design(DqOrd~TipoDisper * Distancia, fun=median,xlab="",ylab=expression(italic(D[1])),cex.axis=0.8,main="Modelo Jerárquico") |
|
plot.design(Richness~TipoDisper * Distancia, fun=median,xlab="",ylab=expression(italic(S)),cex.axis=0.8,main="") |
|
plot.design(H~TipoDisper * Distancia, fun=median,xlab="",ylab=expression(italic(H)),cex.axis=0.8,main="") |
|
}) |
|
|
|
|
|
``` |
|
</center> |
|
|
|
* En general es más importante la distancia media de dispersión que el tipo de dispersión |
|
|
|
* Esto se mantiene para los dos modelos explorados (con competencia y sin competencia) lo cual le da robustez al resultado. |
|
|
|
* En la naturaleza la distancia y el tipo de dispersión pueden estar relacionados. |
|
|
|
* Potencial --> Dispersión por animales |
|
|
|
* Exponencial --> Dispersión por viento |
|
|
|
* Uniforme --> No es realista, pero termina siendo parecida a exponencial. |
|
|
|
# ¿Cuál es la relación entre patron espacial y diversidad? |
|
<center> |
|
```{r PatternDiversityTime98, echo=FALSE, message=FALSE, dev='pdf', fig.width=8,fig.height=4, fig.cap="", cache=TRUE} |
|
require(gridExtra) |
|
per1 <- subset(per, per$Time==98 & per$ColonizationRate==0.001 & per$MortalityRate==0.2) |
|
#per1 <- subset(per, per$Time>7 & per$ColonizationRate==0.001 & per$MortalityRate==0.2) |
|
|
|
x1 <-xyplot(DqOrd~H|DispersalDistance , data =per1, groups=Model, layout = c(3,1), |
|
type = c("g", "p", "r"), |
|
auto.key=list(x=.8,y=.35,cex=.8,cex.title=.8, title="Model", points=TRUE), |
|
scales=list(tck=-1),xlab=list("Shannon",font=3),ylab=list(expression(italic(D[1])),font=3), |
|
main="") |
|
|
|
x2 <- xyplot(DqOrd~Richness|DispersalDistance , data =per1, groups=Model, layout = c(3,1), |
|
type = c("g", "p", "r"), |
|
auto.key=list(x=.8,y=.35,cex=.8,cex.title=.8, title="Model", points=TRUE), |
|
scales=list(tck=-1),xlab=list("Riqueza",font=3),ylab=list(expression(italic(D[1])),font=3), |
|
main="") |
|
|
|
grid.arrange(x1,x2, ncol=2) |
|
``` |
|
</center> |
|
* lo que se observa es que a mayor heterogeneidad en la distribucion espacial de las especies (menor $D_1$) son mayores la riqueza y el Shannon. |
|
|
|
* La dimension fractal de informacion $D_1$ podría utilizarse como un indice de |
|
diversidad |
|
|
|
|
|
# Entonces?¿?¿?¿?¿?¿?¿ |
|
|
|
* El tipo de dispersión parece es menos influyente que la distancia de dispersión con respecto a la diversidad ($S$ y $H$) |
|
|
|
* El patrón espacial medido con la dimensión de información tiene una relación directa con la diversidad. |
|
|
|
* En general la dispersión Potencial produce mayor diversidad en el modelo Neutral y menor diversidad en el modelo Jerárquico. |
|
|
|
# Gracias! |
|
<center> |
|
 |
|
</center> |
