Doutorando da Ecologia Aplicada da ESALQ/CENA (USP), sob a orientação do Prof. Dr. Adriano G. Chiarello. Em minha tese vou investigar o efeito do ciclo das culturas agrícolas do nordeste paulista nos padrões espaciais de ocorrência da lebre europeia, espécie exótica e potencialmente invasora, assim como sua coocorrência com o único lagomorfo nativo que ocorre no Brasil, o tapiti.

Aqui você pode acessar meus Exercícios Resolvidos.

Distúrbios antropogênicos podem causar mudanças de comportamento em espécies silvestres. Recentemente, há um crescente número de estudos (Gaynor et al. 2018) investigando se as espécies estão aumentando sua noturnalidade em ambientes intensamente modificados pelo homem e, portanto, evitando estarem ativas quando a maior parte da população humana também está. Todavia, investigar essa pergunta pressupões um tratamento apropriado dos registros de atividade das espécies, classificando os em diurnos, noturnos e crepusculares em função da localização geográfica e data e hora dos registros. Isso se faz necessário já que a posição do sol vista de um planeta qualquer depende, essencialmente, da posição do observador em determinado tempo, assim como de variáveis astronômicas intrínsecas do planeta em questão (e.g., velocidade de deslocamento em sua órbita em torno do Sol, ângulo entre o eixo de rotação e plano de órbita, etc.).

Frente a esse contexto, a proposta de função aqui apresentada terá como objetivo classificar os registros de atividade de uma determinada espécie foco em diurnos, noturnos ou crepusculares para qualquer localização geográfica do globo terrestre. Para isso, será utilizado como dado de entrada um data.frame contendo necessariamente colunas com a data e hora do registro, latitude, longitude e nome da espécie. Neste data.frame, cada linha corresponderá a um registro diferente (i.e., uma data e hora diferente) das espécies, podendo certamente haver mais de um registro da mesma espécie. A função retornará, para a espécie de interesse, uma lista contendo dois objetos. Na primeira posição haverá um data.frame com todos os dados de entrada mais uma coluna nova contendo a classificação dos registros em quatro níveis (diurno, noturno, crepuscular matutino e crepuscular vespertino). Na segunda posição, por sua vez, haverá outro data.frame contendo as variáveis astronômicas calculadas (colunas) para cada registro (linhas) e necessárias para a essa classificação, caso o usuário necessite consultá-las.

Entrada: dayNightR (dados, especie, fuso)

• dados: data.frame contendo pelo menos quatro colunas:
  • time: data, hora e fuso de cada registro em um único objeto (classe: POSIX.ct).
  • lat: latitude de cada registro em graus decimais (classe: numeric).
  • lon: longitude de cada registro em graus decimais (classe: numeric).
  • especie: nome da espécie foco de cada registro com uma categoria (classe: character)
• fuso: vetor contendo o nome do fuso horário (time zone) de onde os registros foram coletados (classe: character).

Verificando os parâmetros:

• O objeto dados é um data.frame? Senão, retorne a mensagem: “O objeto dados precisa ser um data.frame)”.
• O objeto dados contém as colunas data e hora dos registros (time), latitude (lat), longitude (lon) e espécie (especie)? Senão, retorne a mensagem: “O objeto dados deve conter, no mínimo, as colunas time, lat, lon e especie)”.
• A coluna time é da classe POSIXct? Senão, retorne a mensagem: “O objeto time deve ser da classe POSIXct”.
• A coluna lat é um vetor numérico? Senão, retorne a mensagem: “O objeto lat deve ser da classe numeric”.
• A coluna lon é um vetor numérico? Senão, retorne a mensagem: “O objeto lon deve ser da classe numeric”.
• A coluna especie é um vetor de caracteres? Senão, retorne a mensagem: “O objeto especie deve ser da classe character”.

Pseudocódigo:

1. Checa se o pacote suncalc está instalado. Se sim, carrega o pacote. Do contrário, para a função e retorna a mensagem de erro “pacote suncalc não encontrado, favor instalar”.
2. Cria o objeto dados.sp após restringir o objeto dados em função da espécie de interesse.
3. Cria a coluna date (classe Date) no objeto dados.sp a partir da coluna time.
4. Cria o data.frame sunNighTimes, por meio da função getSunlightTimes do pacote suncalc, utilizando as colunas date, lat e lon do objeto dados.sp.
   1. A função getSunlightTimes calculará, para cada registro do objeto dados.sp, as variáveis astronômicas:
      • sunriseEnd (horário em que o sol terminou de nascer em determinado dia e local; fim do crepúsculo matutino e início do dia).
      • sunset (horário em que o sol não pode mais ser visto no horizonte em determinado dia e local; fim do dia e início do crepúsculo vespertino).
      • night (horário em que está escuro suficiente para observações astronômicas ao ar livre em determinado dia e local; fim do crepúsculo vespertino e início da noite).
      • nightEnd (horário em que não mais está escuro suficiente para observações astronômicas ao ar livre em determinado dia e local; fim da noite e início do crepúsculo matutino).
   2. O data.frame sunNighTimes terá, portanto, além das colunas date, lat e lon, colunas contendo as variáveis astronômicas acima descritas e necessárias para classificar os registro do objeto dados.sp.
5. Cria o vetor dayNightTwil contendo, em cada posição, a classificação de cada registro do objeto dados.sp em noturno, diurno, crepuscular vespertino ou crepuscular matutino. Para isso:
   1. Se o valor da coluna times do objeto dados.sp (data e hora do registro da espécie) é maior ou igual nightEnd e menor que sunriseEnd, classifica o registro como crepúsculo matutino;
   2. Se o valor da coluna times do objeto dados.sp (data e hora do registro da espécie) é maior ou igual sunriseEnd e menor que sunset, classifica o registro como diurno;
   3. Se o valor da coluna times do objeto dados.sp (data e hora do registro da espécie) é maior ou igual sunset e menor que night, classifica o registro como crepúsculo vespertino;
   4. Do contrário, classifica cada um dos demais registros como noturno.
6. Armazena esse vetor como uma nova coluna do objeto dados.sp.

Saída:

• Uma lista com duas posições:
  • data.frame= dados de entrada com a coluna nova de classificação dos registros.
  • data.frame= variáveis utilizadas para a classificação dos registros.

Referências:

• Gaynor, K. M., Hojnowski, C. E., Carter, N. H. & Brashares, J. S. The influence of human disturbance on wildlife nocturnality. Science 360, 1232–1235 (2018).

Planejamento de ações de conservação e manejo de vida silvestre tem maior chance de sucesso quando se conhece, dentre muitos outros aspectos, os requerimentos mínimos de habitat de cada espécie foco. Modelos de habitat são frequentemente utilizados para investigar tais requisitos, estimando a força de associação entre abundância e/ou ocorrência de determinada espécie com variáveis preditoras ambientais. Estudos prévios sugerem que a quantificação dessas preditoras em escalas espaciais apropriadas (i.e., escala de efeito; escala cuja força de associação entre variável preditora e resposta é maior) é determinante para se obter estimativas realistas e confiáveis (Jackson and Fahrig 2015; Miguet et al. 2016).

Fonte: Miguet et al. 2016.

Assim, o objetivo da proposta de função aqui apresentada é criar variáveis preditoras para análises de escala de efeito. As escalas espaciais serão representadas aqui por círculos concêntricos (i.e., polígonos circulares de diferentes raios), gerados ao redor de cada unidade amostral (centro dos círculos). Para isso, será utilizado como dado de entrada 1) mapa vetorial de cobertura do solo, georreferenciado, contendo a identificação de cada polígono em relação a uma das classes de cobertura (mapa vetorial de polígono; SpatialPolygonsDataFrame); 2) mapa vetorial, georreferenciado no mesmo sistema de referência do mapa de cobertura, contendo a localização geográfica e o nome das unidades amostrais (mapa vetorial de ponto; SpatialPointsDataFrame). O usuário definirá o tamanho, dado pelo raio (i.e., 309 m e 798 m), e o nome (i.e., 30 ha e 200 ha) das escalas espaciais de interesse. Para cada raio diferente será gerado um SpatialPolygonsDataFrame diferente referente a cada escala espacial. Assim, em cada SpatialPolygonsDataFrame de cada escala haverá polígonos circulares de mesma área. Após a intersecção do mapa de cobertura do solo com cada SpatialPolygonsDataFrame, gerados pelos diferentes raios, será calculada a área ocupada por cada classe de cobertura do solo em relação a cada unidade amostral. A função deve retornar um data.frame contendo, para cada unidade amostral (linhas), a quantidade de área ocupada, em hectares, por cada classe de cobertura do solo de interesse, em cada escala espacial de interesse (colunas).

Entrada: multQuantR (map, amost, raio.esc, nome.esc, classe.uso)

• map: um mapa de uso e cobertura do solo, georreferenciado, contendo polígonos com suas respectivas classes de cobertura (classe: SpatialPolygonsDataFrame).
  • Classe: coluna do data.frame do objeto map contendo o nome da classe de cobertura do solo de cada polígono (classe: character).
• amost: mapa vetorial de ponto, georreferenciado, contendo a localização das unidades amostrais e seus respectivos nomes (classe: SpatialPointsDataFrame).
  • Amostra: coluna do data.frame do objeto amost contendo o nome de cada unidade amostral (classe: character).
• raio.esc: raios das diferentes escalas espaciais de interesse (classe: numeric).
• nome.esc: nome das escalas espaciais de interesse, apresentados na mesma ordem em que os raios foram colocados no argumento raio.esc (classe: character).
• classe.uso: nome das classes de cobertura do solo de interesse (classe: character).

Verificando os parâmetros:

• O objeto map é um SpatialPolygonsDataFrame? Senão, retorne a mensagem: “O objeto map precisa ser um SpatialPolygonsDataFrame”.
• O data.frame do objeto map contém uma coluna com o nome Classe? Senão, retorne a mensagem: “O data.frame do objeto map precisa ter uma coluna Classe”.
• A coluna Classe do data.frame do objeto “map” pertence à classe character? Senão, retorne a mensagem: “O objeto map precisa ter uma coluna Classe da classe character”.
• O objeto amost é um SpatialPointsDataFrame? Senão, retorne a mensagem: “O objeto map precisa ser um SpatialPointsDataFrame”.
• O data.frame do objeto amost tem uma coluna com o nome Amostra? Senão, retorne a mensagem: “O data.frame do objeto amost precisa ter uma coluna Amostra”.
• A coluna Amostra do data.frame do objeto “amost” pertence à classe character? Senão, retorne a mensagem: “O objeto amost precisa ter uma coluna Amostra da classe character”.
• Os sistemas de coordenadas dos objetos map e amost são os mesmos? Senão, retorne a mensagem: “Os sistemas de coordenadas devem ser idênticos”.
• O objeto raio.esc é da classe numeric? Senão, retorne a mensagem: “O objeto raio.esc precisa ser da classe numeric”.
• O objeto nome.esc é da classe character? Senão, retorne a mensagem: “O objeto nome.esc precisa ser da classe character”.
• O objeto classe.uso é da classe character? Senão, retorne a mensagem: “O objeto classe.uso precisa ser da classe character”.

Pseudocódigo:

1. Checa se o pacote rgdal está instalado. Se sim, carrega o pacote. Do contrário, para a função e retorna a mensagem de erro “pacote rgdal não encontrado, favor instalar”.
2. Checa se o pacote rgeos está instalado. Se sim, carrega o pacote. Do contrário, para a função e retorna a mensagem de erro “pacote rgeos não encontrado, favor instalar”.
3. Checa se o pacote raster está instalado. Se sim, carrega o pacote. Do contrário, para a função e retorna a mensagem de erro “pacote raster não encontrado, favor instalar”.
4. Checa se o pacote reshape está instalado. Se sim, carrega o pacote. Do contrário, para a função e retorna a mensagem de erro “pacote reshape não encontrado, favor instalar”.
5. Seleciona do objeto map apenas os polígonos das classes de cobertura de interesse definidas pelo argumento classe.uso.
6. Cria o objeto lista, da classe list, vazio.
7. Executa dentro de um for (inicia em 1 e vai até o comprimento de raio.esc):
   1. Cria, em cada ciclo, um objeto buf (SpatialPolygonsDataFrame) para cada valor de raio definido no argumento raio.esc. Cada objeto buf contém polígonos circulares de mesma área criados em torno das unidades amostrais.
   2. Cria o objeto inters (SpatialPolygonsDataFrame) contendo a intersecção do mapa de cobertura com o objeto buf.
   3. Cria a coluna Area_ha no objeto inters, contendo o cálculo da área em hectares de cada polígono.
   4. Cria o data.frame sum.area agregando por soma a área dos polígonos (coluna Area_ha) em função das unidades amostrais (coluna Amostra) e das classes de cobertura do solo (coluna Classe).
   5. Utiliza as funções melt e cast do pacote reshape para criar o data.frame df.cast que terá, para cada unidade amostral (coluna Amostra) a área ocupada pelos polígonos de cada classe de cobertura do solo (colunas com os respectivos nomes das classes).
   6. Reomeia as colunas do objeto df.cast para que incluam, junto ao nome das classes de cobertura (e.g. cerrado), o nome da escala espacial quantificada (e.g. 10ha), facilitando a organização dos dados (e.g. cerrado_10ha).
   7. Guarda cada df.cast de cada ciclo (i.e., gerado para cada raio e respectivo nome de escala) no objeto lista.
   8. Fecha o for.
8. Adiciona um data.frame ao objeto lista contendo apenas o nome de todas as unidades amostrais (coluna Amostra).
9. Cria o objeto df.merg, por meio da função merge_recurse, contendo a fusão de todos os data.frames do objeto lista. Como todos eles possuem a coluna Amostra, a fusão será feita com base nessa coluna.
10. Cria o data.frame df.merg.lin.ord reordenando alfabeticamente as linhas do objeto df.merg com base na coluna Amostra.
11. Cria o data.frame df.merg.col.sort reordenando alfabeticamente as colunas do objeto df.merg.lin.ord, mas mantendo a coluna Amostra na primeira posição.
12. Substitui os valores NA do objeto df.merg.col.sort por zero (0).

Saída:

• Retorna um data.frame contendo, na primeira coluna, o nome das amostras e, nas demais, a área ocupada, em hectares, por cada classe de cobertura de interesse, em cada escala espacial de interesse.

Referências:

• Jackson, H. B. & Fahrig, L. Are ecologists conducting research at the optimal scale? Glob. Ecol. Biogeogr. 24, 52–63 (2015).
• Miguet, P., Jackson, H. B., Jackson, N. D., Martin, A. E. & Fahrig, L. What determines the spatial extent of landscape effects on species? Landsc. Ecol. 31, 1177–1194 (2016).

Para o trabalho final escolhi desenvolver o Plano B (Métricas de paisagem em múltiplas escalas espaciais) criando a função multQuantR. A função, como já mencionado, realiza a quantificação da área (em hectares) ocupada por classe de cobertura do solo de interesse em múltiplas escalas espaciais circulares de diferentes tamanhos (raios).

• Link para a acessar o código da minha função: multQuantR
• Link para a acessar o help da minha função: Help