competition() package:nenhum R Documentation Neighborhood Crowding Effect Computation Description: A função computa e retorna um data frame com o a magnitude do efeito de competição (neighborhood crowding effect) sobre cada indivíduo de uma comunidade arbórea em função da identidade, tamanho e distância dos seus vizinhos[1]. Também retorna um gráfico do tipo bubble plot expressando os valores do índice e a localização dos indivíduos. Usage: competition(data, coef, graphic=TRUE, NArm=TRUE, table=TRUE) Arguments: data: um data frame contendo as observações (indivíduos) e as variáveis necessárias para a computação do índice: código do indivíduo, espécie, tamanho, coordenada x, coordenada y. Ver Details. coef: uma matriz contendo os coeficientes de escala espacial de efeito para todos os pares de espécies. Ver Details graphic: se graphic = TRUE retorna um gráfico dos valores do índice e das coordenadas espaciais dos indivíduos. NArm: argumento que manipula o data frame para omitir valor faltantes durante os cálculos do índice. Se NArm = TRUE, os NA’s serão omitidos. table: se table = TRUE exporta um arquivo com os valores do índice de competição por indivíduo para o diretório de trabalho. Details: 'competition' é uma função que computa e retorna um índice (Wij) que expressa a magnitude do efeito de competição sofrido por um indivíduo arbóreo i da espécie j de acordo com a sua vizinhança. O índice também é conhecido na literatura como neighborhood crowding effect [2,3]. A intensidade do efeito é uma função da identidade, do tamanho e da distância dos vizinhos do indivíduo focal i. E o valor será diretamente proporcional ao tamanho dos seus vizinhos, mas inversamente proporcional à distância deles. Ou seja, quanto maior ou mais próximo o vizinho, maior o efeito de competição. Para a computação dos valores, o usuário deve fornecer dois objetos: 1.Data frame com as seguintes variáveis: #coluna1: variável indicando um código único para cada indivíduo; #coluna2: variável indicando o nome ou o código referente à espécie do indivíduo; #coluna3: variável indicando o tamanho (DAP: diâmetro à altura do peito) do indivíduo; #coluna4: coordenada cartesiana do indivíduo no eixo horizontal (x); #coluna5: coordenada cartesiana do indivíduo no eixo vertical (y). 2.Matriz de escala espacial de efeito (αjm): Informa a escala espacial dentro da qual vizinhos de uma espécie m exercem efeitos sobre as taxas vitais de vizinhos da espécie j (calculado previamente a partir de modelos de regressão). É importante ressaltar que não necessariamente αjm = αmj, exceto nos casos de indivíduos da mesma espécie (onde m = j). As espécies que exercem os efeitos (m) devem estar nas linhas e as espécies que recebem o efeito (j) devem estar nas colunas. Value: 'competition' retorna um gráfico expressando os valores do índice e a localização dos indivíduos. Também retorna um objeto da classe data frame contendo as seguintes variáveis: Individuals: código do indivíduo focal Wij: valor do efeito competitivo sofrido pelo indivíduo focal Notes: A distância calculada entre os indivíduos é a distância euclidiana. Author: Nathalia Monalisa Francisco <nathaliamonalisa@gmail.com> References: ¹Adler, P. B., Ellner, S. P., & Levine, J. M. (2010). Coexistence of perennial plants: An embarrassment of niches. Ecology Letters, 13(8), 1019–1029. doi:10.1111/j.1461-0248.2010.01496.x ²Chu, C., & Adler, P. B. (2015). Large niche differences emerge at the recruitment stage to stabilize grassland coexistence. Ecological Monographs, 85(3), 373–392. doi:10.1890/14-1741.1 ³Uriarte, M. et al.(2010). Trait similarity, shared ancestry and the structure of neighbourhood interactions in a subtropical wet forest: Implications for community assembly. Ecology Letters, 13(12), 1503–1514. doi:10.1111/j.1461-0248.2010.01541.x See Also: 'plot_ly' do pacote plotly para elaboração do gráfico de pontos (bubble plot). 'dist' do pacote stats para computar a matriz de distância de forma automatizada. Examples: require(plotly) #1.Criando data frame individuo = seq(1,300) #comunidade hipotética formada por 300 indivíduos especies = rep(seq(1001,1050),each=6) #código fictício para nome das espécies. Riqueza = 50spp. tamanho = rnorm(300,15,7) #distribuição de tamanhos coordx = rpois(300,7) #coordenada x: criando valores coordx = seq(1,10)*coordx #coordx: "bagunçando" os valores coordy = rpois(300,7)#coordenada y: criando valores coordy = seq(1,10)*coordy #coordy: "bagunçando" os valores df.teste = data.frame(individuo,especies,tamanho,coordx,coordy) #juntando os vetores em um dataframe df.teste = rbind(df.teste,rep(NA,5)) #acrescentando observações faltantes #2.Criando matriz de escala espacial matriz = matrix(abs(rnorm(250,0.5,0.5)),ncol=50,nrow=50,byrow=TRUE) # distribuição dos coeficientes colnames(matriz) = seq(1001,1050) #nome das colunas rownames(matriz) = colnames(matriz) #nome das linhas #Função competition(df.teste,matriz,NArm=TRUE,graphic=TRUE,table=TRUE)