Biologo formado na Colômbia, estudante de mestrado do Museu de Zoologia da USP (MZUSP), tenho interesse em questiões Sistemáticas e biogeográficas da região Neotropical.

Atualmente, realizo uma revisão taxonômica do arapaçu do Cerrado, Lepidocolaptes angustirostris (Dendrocolaptinae) usando informação da plumagem e morfologia.

http://lattes.cnpq.br/5243462035267816

exec

email contact: bolivarmz@usp.br ou bolivaruis@gmail.com

Objetivo principal da função: Estabelecer corelações entre grupos e/ou individuos usando informação geografica e biologica (caracteristicas dos individuos).

A idea é testar se um individuo(s) é parte de um grupo X ou Y, primeiro baseado em informação geografica, e despois comparando com os resultados dos analisis estatisticos usados para identificar diferencias entre grupos.

A idea pode ser util para taxonomistas que usam informação morfologica e estudam especies hibridas.

Input:

O input 1: Uma tabela com as informações geograficas (coordenadas) e biologicas (medições morfometricas, etc) de cada individuo. O input 2: Uma lista com as coordenadas das localidades padrão.

Paso 1: Distancias grograficas e diferencia de medias.

a. Atribua a cada indivíduo em nosso input 1 un “localidade padrão” especifica, com base na distância geográfica entre o indivíduo e cada ponto padrão (localidade padrão, 'maptools','rgdal').

b. Criar em R os grupos baseados no analisis de distacia geografica (comandos 'data.frame', 'list', 'cbind').

c. Calcular a media e o desvio padrão para os individuos/grupos para cada caracter ou medições (dado, com comandos 'mean' e 'sd').

d. Calcular para cada individuo las diferencias de cada um de seus dados com as medias dos grupos geograficos mais proximos a ele (= media do grupo - valor individual).

e. Criar em R os novos grupos baseados no analisis de diferencias de medias (comandos 'data.frame', 'list', 'cbind').

Paso 2: Resultados, plotear cada um dos grupos ('ggplot2', 'biplot','maptools').

f. Plotear los grupos producidos pelo analisis de distacia geografica.

g. Plotear los grupos producidos nos resultados de diferencias nas medias.

h. Num plot só, comparar a distribuição e a estrutura de cada grupo como resultado dos analisis.

Objetivo principal da função: Calcular a riqueza e abundancia de um set de dados usando metodos GIS em R (pacotes que podem interpretar mapas e informação GIS).

Ideia util para realizar analisis GIS em R, quando R esta instalado em Sistemas Operativos (O.S.) que não tenham muitos programas GIS (caso das distribuições de linux).

Input:

Input 1: Uma tabela com as informações geograficas (coordenadas) e biologicas (medições morfometricas, etc) de cada individuo/grupo.

a. Mapear (plotear) os individuos usando suas distribuições geograficas com o 'maptools'.

b. Usando pacotes de gestão espacial R ('rgdal', 'readOGR'), dividir a area de estudo em quadrantes de diferentes escalas geograficas (similar aos analisis feitos no programa Diva-Gis).

b. Calcular a abundância e riqueza das areas usando a presença/ausência de indivíduos e dos caracteres por quadrante (usando os indices de Shannon e de Riqueza Especifica = numero de especies 'i'/numero total de espececies num quadrante especifico).

c. O resultado é um mapa com as areas com maior abundancia e riqueza ('maptools').

Função geocalInfor: Uma função simples que realiza dois tipos analises principais:

1. Identifica unidad geográfica padrão mais próxima às coordenadas estudadas, calculando as distâncias em Kms entre a base de dados de estudo e as unidades padrão.

2. Usando os valores amostrados de um caracter biologico (uma medição de algum rasgo dos individuos estudados) e as médias para esse caracter (mean) para cada grupo geográfico da analise (1); são calculadas as diferencias das medias desse caracter (media de cada grupo identificado - o valor de cada individuo para esse caracter), e identifica o 'grupo geográfico' que tenha a minima diferencia na média, criando um novo set de grupos.

Finalmente, a função realiza um plot do mapa da area estudada (o shapefile deve ser derfinido pelo usurario) com os pontos de cada grupo identificado nos analises (1) e (2) para sua comparação.

A formula para calcular as distancias geograficas corresponde a Spherical law of cosines (Lei Esférica dos Cossenos).

geocalInfor = function(x,y,rmNA=TRUE,map=TRUE,save.map=FALSE) # inicio da função
{
  if(!exists("loc_pattern")) # pergunta se existe o input de nome: loc_pattern
{
stop("The input loc_pattern is absent") # se não existe o "loc_pattern", produz erro na função
}
  if(rmNA==TRUE) # se existem NA's no dataset
{
data=(na.omit(x)) # omitir os NA's do analise
}
else # se não tem NA's, usar tudos ops dados.
{
data=x # nossos dados X re-nomeados a "data"
}
  
  rownames(data)=data[,1] # os nomes das filas dos dados são os nomes de cada individuo do dataset
  
  data=data[2:4]  # selecciona tudos os datos menos a coluna com os nomes de cada individuo do dataset
  
  R = 6371.009 # radio da terra.
  
  data$longR=data$Longitude*pi/180 # calcula a Longitude geografica do cada individuo em radianos.
  
  data$latR=data$Latitude*pi/180 # calcula a Latitude geografica do cada individuo em radianos
  
  loc_pattern$lon.R=loc_pattern$Longitude*pi/180 # calcula a Longitude geografica do cada ponto padrão em radianos.
  
  loc_pattern$lat.R=loc_pattern$Latitude*pi/180 # calcula a Longitude geografica do cada ponto padrão em radianos.
  
  dist=data.frame(
  acos(sapply(sin(loc_pattern$lat.R),"*",sin(data$latR))+
  sapply(cos(loc_pattern$lat.R),"*",cos(data$latR))*
  cos(sapply(loc_pattern$lon.R,"-",data$longR)*-1))*R) # calcula a distacia geográfica para cada indivíduo com cada um dos pontos padrão.
  
  ID=loc_pattern[,1] # cria um objeto com os nomes dos pontos padrão.
  colnames(dist)=ID # troca o nome das colunas do objeto "dist" com os nomes dos pontos padrão. 
  
  geo.groups=colnames(dist)[apply(dist,1,which.min)] # identifica o ponto padrão (e a coluna do ponto padrão) com a minima distancia ao ponto do cada individuo. 
  
  data=subset(data,select=-c(longR,latR)) # selecciona tudos os datos do objeto "data" menos a coluna com a Longitude e Latitude em radianos.
  
  results1=data.frame(data,geo.groups) # cria um dataframe com o objeto "data" e o resultado do analise (os grupos formados pelo analise de distancias).
  
  write.csv2(results1, file="geo_groups.csv") # exporta um arquivo *csv como uma tabela com los resultados da primeira parte do analise.
  
  
  data1=subset(results1,select=-c(Latitude,Longitude,geo.groups)) # selecciona tudos os datos do resultado da primeira parte, menos a coluna com a Longitude, Latitude, e geo.groups.
  
  r1=matrix(NA,length(unique(results1$geo.groups)),ncol(data1)) # cria uma matriz de NA's.
  
  colnames(r1)="media" # troca os nomes das colunas da matriz
  
  rownames(r1)=LETTERS[(1:length(unique(results1$geo.groups)))]
  
  r1=as.data.frame(r1) # converte a matriz num dataframe.
    for(j in 1:ncol(r1)) 
   r1[j] =tapply(data1[,j],geo.groups,FUN=mean) # função "loop" para calcular a media de cada caracter estudado por cada grupo proposto no resultado da primeira parte.
  
  matriz.diff=data.frame(sapply(r1$media,"-",data1[1])) # calcula as diferencias entre as medições de cada individuo com a media do cada grupo proposto na primeira parte do analise.
  
  colnames(matriz.diff)=rownames(r1)
  
  bio.groups=colnames(matriz.diff)[apply(matriz.diff,1,function(x) which.min(abs(x-0)))] # identifica o ponto padrão (e a coluna do ponto padrão) com o valor mais proximo ao CERO "0" de cada individuo.
  
  results2=data.frame(results1,bio.groups) # cria um dataframe com o objeto "data1" e o resultado do analise (os grupos formados pelo analise de diferencias de medias).
  
  write.csv2(results2, file="geo_bio_groups.csv") # exporta um arquivo *csv como uma tabela com los resultados da segunda parte do analise.
  
  data3=subset(results2,select=c(Latitude,Longitude,geo.groups,bio.groups)) # selecciona aLongitude, Latitude, geo.groups e bio.groups do results2.
  
  list_geo <- split(data3, data3$geo.groups) # cria uma lista de data.frames divididos pelos grupos da analise geografico (geo.groups)
  
  list_bio <- split(data3, data3$bio.groups) # cria uma lista de data.frames divididos pelos grupos das diferencia de medias (bio.groups)
      
      ### in the MAP section, replace into command points()    
      ### the groups (X) that you want plot as follow:
      ###        "list_geo$ X $Longitude" where X is a group to test
      ###        "list_geo$ X $Latitude" where X is a group to test
  
  if(map=="TRUE") # se a opção do mapa é marcada, plotar o mapa
    {
    require(maptools) # carrega o pacote 'maptools'
    
    xlim<-c(min(results2$Longitude),max(results2$Longitude)) # delimita os limites da longitude no mapa 
    
    ylim<-c(min(results2$Latitude),max(results2$Latitude)) # delimita os limites da latitude no mapa
    
    readShapeLines("americas_adm0.shp") -> shape # chama ao R o shalefile do mapa usado.
    
    par(mfrow=c(1,2)) # divide o grafico em duas regiões.
    
    plot(shape, xlim=xlim, ylim=ylim, axes=TRUE, col='light grey') # realiza o plot do grafico.
    
    title(main="geo.groups") # dá um nome ao plot do mapa o nome pode ser trocado segundo o usuario.
    
    box() # cria um box ao redor do plot
    
    par(new=TRUE) # permite que o proximo plot não elimine o anterior
    
    points(list_geo$A$Longitude,list_geo$A$Latitude, pch=21, col="black",bg="red",cex=0.9) # faz o plot dos pontos do grupo criado pela analise de distancias
    
    plot(shape, xlim=xlim, ylim=ylim, axes=TRUE, col='light grey') # realiza o segundo plot do grafico.
    
    par(new=TRUE) # permite que o proximo plot não elimine o anterior
    
    title(main="bio.groups")  #dá um nome ao plot do mapa o nome pode ser trocado segundo o usuario.
    
    box() # cria um box ao redor do plot
    
    points(list_bio$A$Longitude,list_bio$A$Latitude, pch=21, col="black",bg="red",cex=0.9) # faz o plot dos pontos do grupo criado pela analise de diferencia de médias
    
    }
  else # se o mapa não é chamado, não realizar outro função.
    {}
  
  if(save.map=="TRUE") # se a opção de salvar mapa é marcada, salvar o mapa
    { 
    jpeg(filename = "mapa.jpg", width = 480, height = 480, pointsize = 12, quality = 100,bg = "white",  res = NA) # formato da imagem para salvar o plot.
    
    require(maptools) # carrega o pacote 'maptools'
    
    xlim<-c(min(results2$Longitude),max(results2$Longitude)) # delimita os limites da longitude no mapa 
    
    ylim<-c(min(results2$Latitude),max(results2$Latitude)) # delimita os limites da latitude no mapa
    
    readShapeLines("americas_adm0.shp") -> shape # chama ao R o shalefile do mapa usado.
    
    par(mfrow=c(1,2)) # divide o grafico em duas regiões.
    
    plot(shape, xlim=xlim, ylim=ylim, axes=TRUE, col='light grey') # realiza o plot do grafico.
    
    title(main="geo.groups") #dá um nome ao plot do mapa o nome pode ser trocado segundo o usuario.
    
    box() # cria um box ao redor do plot
    
    par(new=TRUE) # permite que o proximo plot não elimine o anterior
    
    points(list_geo$A$Longitude,list_geo$A$Latitude, pch=21, col="black",bg="red",cex=0.9) # faz o plot dos pontos do grupo criado pela analise de distancias
    
    plot(shape, xlim=xlim, ylim=ylim, axes=TRUE, col='light grey') # realiza o segundo plot do grafico.
    
    title(main="geo.groups") #dá um nome ao plot do mapa o nome pode ser trocado segundo o usuario
    
    box() # cria um box ao redor do plot
    
    points(list_bio$A$Longitude,list_bio$A$Latitude, pch=21, col="black",bg="red",cex=0.9) # faz o plot dos pontos do grupo criado pela analise de diferencia de médias
    
    dev.off() # fecha e salva o objeto mapa com o formato da imagem.
    
    }
  else{} # se o mapa não é chamado, não realizar outro função.
  
  return(results2) # retorna o resultado final, uma tabela com o numero (identificação), latitude, longitude grupo geografico e grupo relacionado ao caracter estudado.
  
} # FIM  da função!!!

  geocalInfor		package:nenhum		R Documentation
  
  Geographic distances calculator
  
  Description:
  
  Uma função simples que:
   
   (1). identifica unidad geográfica padrão mais próxima aos de pontos geográficos estudados, calculando as distâncias em Kms entre a base de dados de estudo e as unidades padrão.
   
   (2). Usando o valor de um caracter biologico amostrado (uma medição de algum rasgo dos individuos estudados) e as médias para esse caracter ("mean") para cada 'grupo geografico' da analise (1), são calculadas as diferencias das medias desse caracter (media de cada grupo identificado - o valor de cada individuo para esse caracter), e identifica o 'grupo geográfico' que tenha a minima diferencia na média, criando um novo set de grupos.
   
   (3). realiza um plot do mapa da area estudada (o shapefile deve ser derfinido pelo usurario) com os pontos de cada grupo identificado nos analises (1) e (2) para sua comparação.
   
  Usage:
    
    geocalInfor(x,loc_pattern)
    
    geocalInfor(x,loc_pattern,map=TRUE,save.map=FALSE)
    
  Arguments:
    
    x: objeto contendo uma planilha de três colunas no formato "*csv" ou "*txt".
    loc_pattern: o arquivo com os pontos geográficos pradrão (o nome do objeto deve ser exato!).
    
    map: além da matriz de distâncias gerada na função, plota os pontos (grupos de pontos) num mapa.
    
    save.map: salva o mapa em uma figura *"jpeg".
    
  Details:
    
    O argumento x (o arquivo 1) deve ser uma planilha com coordenadas em grau decimal. A planilha deve ter as distribuições geográficas estudadas, com 4 colunas com conteúdo obrigatório e ordenado: 
        Coluna 1: Nome ou identificação do indivíduo ou ponto. Coluna 2: dados de latitude ("Latitude"). 
        Coluna 2: dados da Longitude ("Longitude").
        Coluna 4: Os valor do caracter biolologico continuo (medição em metros/cms/mm, etc).
   
    Um arquivo 2, de nome "loc_pattern", tem as distribuições geográficas padrão (pré-definido pelo usuário), com três colunas de conteúdo obrigatório e ordenado: 
        Coluna 1: Nome dos pontos geográficos predefinidos (letras!).
        Coluna 2: dados da Latitude ("Latitude").
        Coluna 2: dados da Longitude ("Longitude").
       
    Para utilização do argumento "map" é necessário instalar o pacote maptools: http://cran.r-project.org/web/packages/maptools/index.html.
    
    Também é necessário que o usuário salve no diretório o shapelife (*"shp") que é usado na construção do mapa, nomeando-o dentro do código da função com o mesmo nome que está no diretório.
    
    Para a elaboração dos mapas, o usuario precisa reemplazar o nome da are segundo a área que quera comparar! see message:
    
      ### in the MAP section, replace into command points() the groups thast you want plot! ###. as follow:
      ## "list_geo$ X $Longitude" where X is a group to test ##
      ## "list_geo$ X $Latitude" where X is a group to test ##
    
  Value:
    
    A função retorna uma tabela em formato texto com colunas com os nomes de cada ponto/individuo estudado e os grupos aos quais perteneces segundo os analises:

"geo.groups" para os grupos da analise (1). 		"bio.groups" para a analise (2).
  
    A tabela é automaticamente salva no formato "*csv" no diretório que está sendo utilizado.
  
    Se o comando map=FALSE não é marcado, um mapa com os resultados será ploteado. 
  
    Se save.map=TRUE é marcado, a função também salva uma figura no formato "jpeg".
  
  Warning:
    
    Caso o objeto de entrada 2 não exista, uma mensagem de erro será dada pela função e esta será interrompida.
  
  Note:
  
    As distancias geográficas são calculadas usando a formula da Lei esférica dos cossenos ('Spherical law of cosines') http://en.wikipedia.org/wiki/Spherical_law_of_cosines.
    
    Os shapes para plot dos mapas podem ser baixados aqui: http://www.diva-gis.org/Data
    
  Author(s):
  
    Sergio David Bolívar
    
  References:
  
    http://cran.r-project.org/web/packages/maptools/index.html
    http://www.diva-gis.org/Data
    http://en.wikipedia.org/wiki/Spherical_law_of_cosines
    http://www.r-bloggers.com/great-circle-distance-calculations-in-r/
    
  Examples:
  
    x<read.csv("loc_pontos.csv",header=T,sep="\t",dec=",")
    
    geocalInfor(x,map=FALSE) # Usando distancias geograficas e diferencias de médias; identifica os grupos mais proximos (geograficamente e quantitativamente) aos dados estudados e cria duas tabelas resultados desses analises.
   
    geocalInfor(x) #Cria as tabelas e o mapa(s) com os pontos.
        
    geocalInfor(x,map=TRUE,save.map=TRUE) #Não cria o mapa(s), mas salva no diretório.
    

Arquivos anexos:

function_geocalinfor.r

tutorial_geocalinfor.txt

loc_pattern.csv

loc_pontos.csv