====== Proposta 2 ======

====Inferindo estados comportamentais a partir da descrição de padrões de movimentação====

==Contextualização==

O movimento de um organismo é definido como uma mudança na localização espacial do indivíduo no tempo, impulsionado por processos que atuam em múltiplas escalas espaciais e temporais. Os animais se movem motivados pela necessidade de executar atividades em diferentes tipos de habitat em um determinado intervalo de tempo. 
Um passo fundamental na Ecologia do Movimento é a descrição dos padrões de movimentação e a identificação de seus impulsores proximais e distais, a partir de dados de telemetria. 
Com o cálculo do ângulo de giro médio e a auto-correlação de velocidade e direção podemos fazer inferências sobre os estados comportamentais. Movimentos altamente direcionais possuem ângulos de giro próximos a 0 ° e são consistentes a longas distâncias, provavelmente representando trânsitos através de habitat ou entre habitats distintos, ou seja, movimentos de trânsito. Movimentos localizados, mais variáveis e com uma taxa mais alta de ângulos de virada agudos, próximos a 180°, representam um comportamento de busca e exploração, consistindo em movimentos mais convolutos.

{{ :bie5782:01_curso_atual:alunos:trabalho_final:annelandine:images.png?300 |}}
**Legenda da imagem:** ''a'' -> movimentos direcionais; ''b'' -> movimentos localizados



Essa função visa, a partir de dados de localização, estabelecer estados comportamentais para cada trajetória de diferentes indivíduos e associá-los ao gênero dos animais marcados com transmissores. Testando, a hipótese que propõe diferenças nos padrões de movimentação ou atividade entre machos e fêmeas. 

==== Planejamento da função ====

estcomp (''dados'',''coord'', ''date'', ''id'',''gen'', ''sistcoord''= CRS()).
  * ''dados'' -> data frame com os dados
  * ''coord'' -> coluna com coordenadas de localização (latitude e longitude).
  * ''date'' -> coluna com informações de dia e horário de cada localização #já que dados de telemetria as  localizações obtidas são tipicamente dependentes da localização anterior e por isso espacial e temporalmente autocorrelacionadas.
  * ''id'' -> identificação de cada animal.
  * ''gen'' -> coluna com os gêneros dos animais.
  * ''sistcoord'' -> sistema de coordenadas

==== Pseudo-código ====
== Pressupostos ==

  * class(''coord'') == "numeric".
  * class(''gen'') == "character". 
  * length(''coord'')  ==  length(''gen'').
  * Verificar a presença de NAs em alguma das colunas -> retirá-los (''na.omit'') e colocar um ''warning''
  * class(''date'') == ''POSIXct''
  * require(adehabitatLT) -> requer pacote adehabitatLT

 
==Cálculos==
  * ''traj'' <- as.ltraj(xy = ''coord'', date= ''date'', id= ''id'', burst= ''id'') # transformando em trajeto.
  * plot(''traj'') #plotar a trajetória. 
  * ''traj.df'' <- ld(''traj'') # a função "ld" converte ltraj em dataframe para melhor manejo dos pontos.
  * A função ltraj retorna os valores (entre outros): 
  * ''dist'' = distancia de cada passo. 
  * ''rel.angle'' = angulo relativo (radianos), angulo entre um passo e outro (mudança de direção).
  * ''dt'' = tempo entre localizações sucessivas (em segundos).
  * ''traj.df''$''vel'' <- (dist/dt)*3.6 #Calcular a ''velocidade'' entre um ponto e outro.
  * Calcular a ''média'' de ''velocidade'' das fêmeas e a média de ''velocidade'' dos machos.
  * Calcular a ''média'' dos ''ângulos'' de machos e fêmeas.
  * Cálculo do ''"p-valor"''

==Retornar==
    - plot da trajetória
    - data frame contendo os valores de velocidade, distância do passo, ângulo
    - p-valor: probabilidade de machos e fêmeas se movimentarem com padrões diferentes.

  
<box 100% blue| Comentários Pamela Santana >

Sobre sua proposta 2: ela tá bem bacana também! Tem alguns pontos pra pensarmos:

i) No pseudo-código o que são os seus ''dados''? ''coord'' é um vetor? ''date'' é um vetor também? E a entrada de dados das coordenadas, será em minuto e segundo?

ii) Você faz alguns testes lógicos (''class(coord) == “numeric”'') e se a resposta for FALSE?

iii) Ao plotar a trajetória, você faz isso para vários indivíduos? Essa função seria para testar sempre a variação intra-específica? A inter-específica não?

iv) Para retornar o dataframe com os valores de velocidade, distância do passo, ângulo, você precisa criar este dataframe. Você cria ''traj.df'', mas este //objeto// não tem a distancia de cada passo e o ângulo.

v) Como você vai calcular o seu p-valor?

Ambas as suas propostas estão legais! Tem pequenos pontos em que tem uma divergência entre o que se obtém e o objetivo da função ou o que se calcula na função, mas tudo são coisas que podem ser alinhadas rapidinho. Mas é importante inserirmos controle de fluxo nas suas propostas. Eu seguiria com o plano A.

Qualquer dúvida que você tenha, me escreva (//pcsantana@ib.usp.br//).

Um abraço!

</box>