Doutoranda em Biologia Vegetal na Universidade Estadual de Campinas (UNICAMP), orientada pelo Prof. Ricardo Ribeiro Rodrigues.

Tese “REMANESCENTES FLORESTAIS DE PAISAGENS INTENSAMENTE FRAGMENTADAS: PAPEL NA CONSERVAÇÃO DA DIVERSIDADE FLORÍSTICA E FUNCIONAL E IMPLICAÇÕES PARA O MANEJO ADAPTATIVO”

exec

Reamostragem e simulação - exe8.1_8.2.r Regressão linear múltipla - exe7b.r Regressão linear simples e análise de covariância - exe107.2_ajuste_e_diag_regressao.r Tutorial testes de significância - tutorial6_testessign.r ANOVA - exe106.2.r

INDICE DE INTEGRIDADE FLORESTAL BASEADO EM AVALIAÇÃO ECOLÓGICA RÁPIDA: UMA FERRAMENTA PARA GUIAR AÇÕES DE MANEJO EM FRAGMENTOS FLORESTAIS (FLORESTA ESTACIONAL SEMIDECIDUAL - BRASIL)

A Restauração Ecológica no Brasil tem dedicado pouca – ou quase nenhuma – atenção à restauração de fragmentos florestais degradados. Grande ênfase tem sido dada ao restabelecimento de comunidades vegetais nativas em áreas já convertidas para uso alternativo do solo. Em algumas paisagens intensamente perturbadas, as florestas secundárias constituem os únicos habitats florestais, garantindo a provisão de serviços ecossistêmicos como a atividade de polinização nas lavouras, controle de pragas, proteção dos cursos d’agua e armazenamento de carbono, além de serem fontes de propágulos e de indivíduos para fragmentos do entorno e para áreas em processo de restauração. Frente ao atual cenário de degradação ambiental, torna-se iminente a elaboração de protocolos para a avaliação e diagnóstico de remanescentes florestais, com a finalidade de guiar ações de manejo. É necessário que os fragmentos degradados sejam manejados adequadamente, visando à conservação da biodiversidade e à manutenção dos processos ecológicos que garantam a provisão de serviços ecossistêmicos, especialmente em paisagens extremamente alteradas pelas atividades humanas.

Partindo disso, a minha proposta é criar um índice de integridade florestal (IIF) com base em variáveis coletadas em campo por meio de avaliação ecológica rápida (AER) de fragmentos florestais. Restringi o índice para a fisionomia vegetal Floresta Estacional Semidecidual (FES), por ser bastante estudada, abranger grandes áreas no interior do país muito alteradas principalmente em função de práticas agrícolas, e também por já conter inúmeras iniciativas de restauração ecológica.

Com base na literatura, selecionei 10 variáveis relacionadas a estrutura e composição vegetal de fragmentos de FES, que seriam indicadoras da “integridade florestal” e que são coletadas de maneira mais rápida em comparação com os levantamentos fitossociológicos. As variáveis são quantitativas (discretas – contagens) ou qualitativas. Irei explicar a escolha de cada variável mais detalhadamente no help da função.

As variáveis são: árvores mortas em pé, emaranhados de trepadeiras, presença de epífitas vasculares, presença de figueiras (Ficus spp), presença de palmito (Euterpe edulis), eco-unidades, qualidade da regeneração, riqueza de espécies arbustivas e arbóreas nativas, riqueza de espécies exóticas (exceto gramíneas), densidade total de espécies arbustivas e arbóreas nativas (estrato adulto).

Todas as variáveis são fatores com 5 níveis. Para cada nível é atribuído um valor numérico em campo, sendo que o valor 1 se refere ao pior cenário para a variável, e o valor 5 se refere ao melhor cenário para a variável avaliada. Por exemplo: variável “emaranhados de trepadeiras (número de ocorrências):

Nível 5: 0 a 2 emaranhados (recebe valor 5)

Nível 4: 3 a 5 (recebe valor 4)

Nível 3: 6 a 8 (recebe valor 3)

Nível 2: 9 ou 10 (recebe valor 2)

Nível 1: > 10 (recebe valor 1)

Os dados de entrada para a função devem estar em um data frame que tenha as avaliações ecológicas rápidas (AER) nas linhas (observações), e as variáveis nas colunas. O usuário também deve especificar em uma coluna a localidade onde foi feita a AER. É nesta coluna que deve ser especificado qual fragmento será sua área referência (ref). O data frame também deve ter outra coluna especificando a unidade amostral que o usuário irá utilizar (várias observações dentro do mesmo fragmento ou comparando fragmentos.

O protocolo para a avaliação ecológica rápida vai indicar a área de cada transecto para ser feita cada avaliação (10 transectos de 100 m2 (4m x 25m) em cada fragmento florestal, totalizando 0,01 ha por fragmento). Portanto, se o usuário tiver 10 avaliações em um mesmo fragmento, deverá preencher a coluna “unidade amostral” com “1 a 10”. Se o usuário tem somente uma observação por fragmento, deverá repetir os valores de cada variável nas 10 avaliações, e na coluna “unidade amostral” deverá especificar “1”. Exemplo abaixo.

Várias observações por fragmento: Ou somente uma observação por fragmento: O índice de integridade para cada observação é calculado com base na somatória por linha (somatória dos valores obtidos para todas as variáveis na aer). Em seguida é feita a média da coluna de somatórias para obtermos o valor do índice de integridade para o fragmento. Neste ponto a função retornará uma nova coluna no data frame com a somatória das variáveis por linha (AER.soma), uma coluna com o valor do IIF correspondente (IIF.soma), uma coluna com a média da AER para o fragmento (AER.media) e uma coluna o valor do IIF médio (IIF.media), conforme exemplificado abaixo.

O valor da AER pode variar de 10 a 50 (considerando 10 variáveis com 5 níveis cada). E para os intervalos de somatória dos valores de AER teremos as seguintes classes do índice (IIF):

AER.soma: 43 a 50 –> IIF 5 = excelente

AER.soma: 35 a 42 –> IIF 4 = bom

AER.soma: 27 a 34 –> IIF 3 = regular

AER.soma: 19 a 26 –> IIF 2 = ruim

AER.soma: 10 a 18 –> IIF 1 = muito ruim

Exemplo de saída da função de acordo com opções do data frame: Quando há várias observações no fragmento:

Quando há somente um valor para o fragmento:

Nesta parte da função, se o usuário tiver várias observações por fragmento (unidades 1 a 10) será possível gerar um gráfico comparando o valor observado da variável em cada observação (por exemplo: variável trepadeiras » 4, 4, 3, 2, 2, 4, 4, 3, 4 e 4) com a média daquela variável para a área referência (representada por uma unidade de conservação da mesma fisionomia ou fragmento referência da região; exemplo: 4.2 neste caso). Teremos então um gráfico de dispersão com os valores obtidos para a variável na AER no fragmento analisado (4, 4, 3, 2, 2, 4, 4, 3, 4 e 4) com as barras de desvio padrão, e a linha com o valor médio daquela variável para a área referência (4.2). Como temos 10 variáveis, o painel vai mostrar 10 gráficos por fragmento. Além dos gráficos, a função apresenta um quadro de resumo POR ÁREA contendo valor máximo, mínimo, média, mediana, desvio padrão e variância PARA CADA VARIÁVEL.

Se o usuário tiver 10 fragmentos ou mais, também poderá obter a comparação da AER.media de cada fragmento com a AER.media para a área referência. Teremos então um gráfico de dispersão com os valores AER.media dos fragmentos (exemplo: 32, 41, 37, 49, 23, 29, 40, 28, 44 e 33) com as barras de desvio padrão, e a linha com o valor AER.media da referência (exemplo: 45). Além dos gráficos, a função apresenta um resumo PARA O CONJUNTO DE FRAGMENTOS (valor máximo da AER.media, mínimo, média, mediana, desvio padrão e variância).

Haverá, portanto, um argumento na função para identificar qual é o nível de observação do usuário (se existem várias observações em um mesmo fragmento (coluna unidade de 1 a 10) ou se existe somente uma observação por fragmento (coluna unidade somente com valores 1)).

O índice de integridade florestal proposto não irá substituir os levantamentos fitossociológicos, que são mais criteriosos e que demandam maior experiência botânica do avaliador. Mas penso em sua utilização como ferramenta exploratória, como um primeiro passo na tomada de decisão em relação às ações de manejo em fragmentos florestais degradados da Floresta Estacional Semidecidual.

COMPLICANDO UM POUCO, MINHA DÚVIDA (ainda não tive resposta/análise sobre este ponto): Até agora a minha função só executa se eu tiver um fragmento referência para comparar com os valores das variáveis ou de outros fragmentos. Com base na literatura e na proposta do índice, eu sei que os fragmentos mais “conservados” terão IIF máximo (“excelente”) com a AER.media variando entre 43 e 50. Para locais em que não há dados disponíveis de uma referência (por ausência de unidade de conservação na região por exemplo), pensei em fazer simulações ou reamostragem com reposição para a criação de um cenário “excelente” para comparar com os valores do fragmento que está sendo analisado. Sei que isso é factível, mas não sei se é pertinente ou se somente irá complicar a proposta de forma desnecessária. Vou precisar da opinião/ajuda dos monitores aqui.

QUANTIFICAÇÃO DE BIOMASSA E ESTIMATIVA DE ESTOQUE DE CARBONO EM ÁREAS EM PROCESSO DE RESTAURAÇÃO

O objetivo é criar uma função para quantificar a biomassa acima do solo (do fuste, método indireto) e estimar estoque de carbono a partir de um data frame que tem as variáveis na coluna (altura, dap, grupo (pioneiras/não-pioneiras)) e as observações (espécies) nas linhas. Serão utilizadas duas equações alométricas, que consideram ritmos diferentes de crescimento das espécies (pioneiras e não-pioneiras). A função retorna uma coluna no data frame com a quantificação da biomassa, e uma com a estimativa de carbono. Também é mostrado um summary com a biomassa por grupo (pioneiras e não-pioneiras) e gerado um gráfico boxplot comparando os grupos para a área (um boxplot comparando biomassa e outro comparando estimativa de carbono). A função também irá gerar um boxplot comparando os valores observados para os grupos com valores de biomassa e estimativa de carbono obtidas em áreas de regeneração natural (que não tiveram plantio de mudas) de mesma idade (dados obtidos da literatura). Esses dados serão coletados para diferentes idades de regeneração, para servir como base para o monitoramento de áreas em processo de restauração.

###########################################################################################################

 
R Documentation

i.i.florestal      
                                      
package: nenhum		                

Índice de Integridade Florestal e Análise Exploratória de Dados Biológicos de Fragmentos Florestais

Description:

Função que calcula o Índice de Integridade Florestal (IIF) a partir de dados coletados em fragmentos florestais por meio de Avaliações Ecológicas Rápidas (AER) e faz uma análise exploratória comparativa dos locais e/ou amostras e das variáveis coletadas em campo. Os produtos da função são data frames e gráficos. 

Usage:

ii.florestal <- function(data, leveldata=1, scatter.plot=FALSE)

Arguments:

x			Um data frame contendo os valores das variáveis nas colunas e as observações (Avaliações Ecológicas Rápidas (AER)) nas linhas. As duas primeiras colunas devem conter o nível da análise (local e amostras por local) e as demais colunas devem ter os valores das 10 variáveis (somente dados numéricos).

leveldata		Valor 1 ou 2. Indica se o data frame de entrada apresenta 1 ou mais níveis de observação. Quando leveldata==1 (valor do default) o data frame apresenta mais de um nível de observação; quando leveldata==2 o data frame apresenta somente um nível de observação. Este argumento define produtos diferentes para a função. 

scatter.plot		Argumento condicionado ao argumento leveldata==2, que plota um scatter.plot das variáveis analisadas.


Details:
Com base na literatura foram selecionadas 10 variáveis relacionadas a estrutura e composição vegetal de fragmentos de Floresta Estacional Semidecidual, que seriam indicadoras da integridade florestal e que podem ser coletadas em avaliações ecológicas rápidas. 
As variáveis são quantitativas (discretas – contagens) ou qualitativas, e são escritas na forma de um fator com 5 níveis (esses são os dados de entrada no data frame). O valor 1 se refere ao pior cenário para a variável, e o valor 5 se refere ao melhor cenário para a variável avaliada. Para cada amostra ou área a função traz a categoria do índice de integridade (muito ruim, ruim, regular, bom, excelente).  
As variáveis não são fixas (podem se alterar contanto que mantenham o formato de fator com 5 níveis de mesma amplitude), o que permite flexibilidade na utilização da função. Para esta função foi fixado o número de 10 variáveis.
A função não é executada se houver valores faltantes (NAs) no data frame. 
Value:

Se leveldata==1, a função retorna uma lista contendo dois data frames com dados resumo. O primeiro traz o valor da AER.soma e a categoria do ii.florestal para cada amostra; o segundo traz dados resumo para os locais. Também é gerado um gráfico com o valor médio da AER para cada local cuja abline indica a média de AER para o grupo. Este argumento também retorna uma janela gráfica que contém 10 gráficos (1 para cada variável) que permite fazer a análise do comportamento das variáveis nos locais. 

Se leveldata==2, a função retorna um data frame com dados resumo para os locais e um gráfico com o valor médio da AER para cada área cuja abline indica a média de AER para o conjunto de locais.

Se scatter.plot==TRUE, a função plota um gráfico scatterplot juntamente com um data frame que contém dados resumo para os locais (idem descrito no argumento acima).

Warning:

Caso o leveldata seja um número diferente de 1 e 2, a função retorna uma mensagem de erro e não executa.

Caso seja indicado leveldata==1 e scatter.plot==TRUE, a função retorna uma mensagem de erro dizendo que só é possível obter o scatterplot com leveldata==2.
  
Author(s):

Ana Paula Liboni
apliboni@yahoo.com.br

References:

Variáveis selecionadas para testar a função:(1)árvores mortas em pé, (2)emaranhados de trepadeiras, (3)presença de epífitas vasculares, (4)presença de figueiras (Ficus spp), (5)presença de palmito (Euterpe edulis), (6)eco-unidades, (7)qualidade da regeneração, (8)riqueza de espécies arbustivas e arbóreas nativas, (9)riqueza de espécies exóticas (exceto gramíneas), (10)densidade total de espécies arbustivas e arbóreas nativas (estrato adulto). 
Medeiros & Torezan (2013). Evaluating the ecological integrity of Atlantic forest remnants by using rapid ecological assessment. Environmental monitoring and assessment, 185(5), p. 4373-82.
DOI 10.1007/s10661-012-2875-7

Examples:

Simulação de dados para testar função
vetor.v1 = (rep(c(1:5),30))
vetor.v2 = (rep(c(1:5),30))
vetor.v3 = (rep(c(1:5),30))
vetor.v4 = (rep(c(1:5),30))
vetor.v5 = (rep(c(1:5),30))
vetor.v6 = (rep(c(1:5),30))
vetor.v7 = (rep(c(1:5),30))
vetor.v8 = (rep(c(1:5),30))
vetor.v9 = (rep(c(1:5),30))
vetor.v10 = (rep(c(1:5),30))

v1 = sample(vetor.v1, replace=T)
v2 = sample(vetor.v2, replace=T)
v3 = sample(vetor.v3, replace=T)
v4 = sample(vetor.v4, replace=T)
v5 = sample(vetor.v5, replace=T)
v6 = sample(vetor.v6, replace=T)
v7 = sample(vetor.v7, replace=T)
v8 = sample(vetor.v8, replace=T)
v9 = sample(vetor.v9, replace=T)
v10 = sample(vetor.v10, replace=T)

amostras = rep(c(1:10),15) 
local = rep(c(1:15), each=10) 

aer <- data.frame(local,amostras,v1,v2,v3,v4,v5,v6,v7,v8,v9,v10)

##############################################################################################################

ii.florestal <- function(data, leveldata=1, scatter.plot=FALSE)
{
  if(!leveldata==1 & !leveldata==2) #a função não aceita valores de leveldata diferentes de 1 e 2 e exibe mensagem no console
    {
      stop("Unexpected value for LEVELDATA. Only values 1 or 2 are accepted")
  }
  else{}
  
  #data frame 1: retorna valores AER.soma e as classes do índice de integridade (iif.soma) correspondentes
  aer <- data
  dataf.1 <- aer
  dataf.1$AER.soma <- apply(aer[,3:ncol(aer)], MARGIN=1 ,FUN=sum) #soma dos valores das variáveis por observação, acrescenta uma nova coluna no data frame (AER.soma)
  dataf.1$iif.soma <- rep(NA, times=length(dataf.1$amostras)) #insere uma coluna vazia no data frame para ser preenchida com os valores de iif
  #inserindo classes do índice de integridade para cada amostra (coluna iif.soma) conforme os intervalos abaixo
  dataf.1[dataf.1$AER.soma > 42 & dataf.1$AER.soma <= 50,14] <- "excelente"
  dataf.1[dataf.1$AER.soma > 34 & dataf.1$AER.soma <= 42,14] <- "bom"
  dataf.1[dataf.1$AER.soma > 26 & dataf.1$AER.soma <= 34,14] <- "regular" 
  dataf.1[dataf.1$AER.soma > 18 & dataf.1$AER.soma <= 26,14] <- "ruim"
  dataf.1[dataf.1$AER.soma <= 18,14] <- "muito ruim"
  
  if(leveldata==1)
  {
    if(scatter.plot==TRUE) #a função não gera um scatter.plot quando leveldata=1 e exibe mensagem no console
      {
        stop("Unexpected leveldata value. Only leveldata==2 returns scatter.plot")
    }
    else{}
    #data frame 2: resumo das AER por local 
    dataf.1$local <- as.factor(dataf.1$local) #tranformação da coluna local para fator
    dataf.2 <- data.frame(levels(dataf.1$local)) #criando um data frame com uma coluna com o mesmo número de níveis de "local"
    colnames(dataf.2) <- "local" #mudando o nome da coluna criada
    dataf.2$aer.min <- tapply(dataf.1$AER.soma, dataf.1$local, min) #coluna criada com os valores mínimos de AER.soma por local
    dataf.2$aer.max <- tapply(dataf.1$AER.soma, dataf.1$local, max) #coluna criada com os valores máximos de AER.soma por local
    dataf.2$aer.media <- round(tapply(dataf.1$AER.soma, dataf.1$local, mean), digits=2) #média da AER.soma por local arredondada
    dataf.2$aer.mediana <- round(tapply(dataf.1$AER.soma, dataf.1$local, median), digits=2) #mediana de AER.soma por local arredondada
    dataf.2$aer.desvio <- round(tapply(dataf.1$AER.soma, dataf.1$local, sd), digits=2) #desvio padrão de AER.soma por local arredondado
    dataf.2$aer.var <- round(tapply(dataf.1$AER.soma, dataf.1$local, var), digits=2) #variancia de AER.soma por local arredondada
    dataf.2$iif.medio <- rep(NA, times=length(levels(dataf.1$local))) #criando coluna vazia no data frame com o mesmo comprimento de "local" para iif.medio
    #iserindo classe de iif.medio para locais
    dataf.2[dataf.2$aer.media > 42 & dataf.2$aer.media <= 50,8] <- "excelente"
    dataf.2[dataf.2$aer.media > 34 & dataf.2$aer.media <= 42,8] <- "bom"
    dataf.2[dataf.2$aer.media > 26 & dataf.2$aer.media <= 34,8] <- "regular"
    dataf.2[dataf.2$aer.media > 18 & dataf.2$aer.media <= 26,8] <- "ruim"
    dataf.2[dataf.2$aer.media <= 18,8] <- "muito ruim"
    
    plot(dataf.2$aer.media, ylim= c(0,60), pch= 16, main= "Avaliação Comparativa da Integridade Florestal", ylab="AER média", xlab= "Local")
    media.geral.aer <- mean(dataf.2$aer.media)
    aer.media.por.local <- dataf.2$aer.media
    abline(h=media.geral.aer, col="red")
    #grafico 1: compara valores médios de AER com a média de AER para o conjunto de locais (abline)
    #este gráfico também é plotado quando o usuário utiliza um data frame com somente com 1 amostra por local (pessupõe-se que sejam os valores médios das observações)
    
    #calculando médias para cada variável por local para plotar (quando leveldata==1 e,portanto, existe mais de uma amostra por local)
    medias.v1 <- tapply(aer[,3], aer$local, mean)
    medias.v2 <- tapply(aer[,4], aer$local, mean)
    medias.v3 <- tapply(aer[,5], aer$local, mean)
    medias.v4 <- tapply(aer[,6], aer$local, mean)
    medias.v5 <- tapply(aer[,7], aer$local, mean)
    medias.v6 <- tapply(aer[,8], aer$local, mean)
    medias.v7 <- tapply(aer[,9], aer$local, mean)
    medias.v8 <- tapply(aer[,10], aer$local, mean)
    medias.v9 <- tapply(aer[,11], aer$local, mean)
    medias.v10 <- tapply(aer[,12], aer$local, mean)
    #criando data frame com as médias das variáveis por local
    medias.var.local <- round(data.frame(medias.v1, medias.v2, medias.v3, medias.v4, medias.v5, medias.v6, medias.v7, medias.v8, medias.v9, medias.v10), digits = 2)
    #inserindo coluna "local" no data frame 
    medias.var.local$local <- seq(from=1, to=length(levels(dataf.1$local)))
    
    #calculando média geral para cada variável para plotar
    media.g.v1 <- apply(aer[3], MARGIN=2 ,FUN=mean)
    media.g.v2 <- apply(aer[4], MARGIN=2 ,FUN=mean)
    media.g.v3 <- apply(aer[5], MARGIN=2 ,FUN=mean)
    media.g.v4 <- apply(aer[6], MARGIN=2 ,FUN=mean)
    media.g.v5 <- apply(aer[7], MARGIN=2 ,FUN=mean)
    media.g.v6 <- apply(aer[8], MARGIN=2 ,FUN=mean)
    media.g.v7 <- apply(aer[9], MARGIN=2 ,FUN=mean)
    media.g.v8 <- apply(aer[10], MARGIN=2 ,FUN=mean)
    media.g.v9 <- apply(aer[11], MARGIN=2 ,FUN=mean)
    media.g.v10 <- apply(aer[12], MARGIN=2 ,FUN=mean)
    
    x11()
    par(mfrow=c(2,5)) #cria quadro de 10 gráficos, 2 linhas com 5 gráficos cada
    plot(medias.v1, ylim=c(0,5), pch=16, ylab= "Médias variável 1", xlab= "Local")
    abline(h=media.g.v1, col="red")
    
    
    plot(medias.v2, ylim=c(0,5), pch=16, ylab= "Médias variável 2", xlab= "Local")
    abline(h=media.g.v2, col="red")
    
    
    plot(medias.v3, ylim=c(0,5), pch=16, ylab= "Médias variável 3", xlab= "Local")
    abline(h=media.g.v3, col="red")
    
    
    plot(medias.v4, ylim=c(0,5), pch=16, ylab= "Médias variável 4", xlab= "Local")
    abline(h=media.g.v4, col="red")
    
    
    plot(medias.v5, ylim=c(0,5), pch=16, ylab= "Médias variável 5", xlab= "Local")
    abline(h=media.g.v5, col="red")
    
    
    plot(medias.v6, ylim=c(0,5), pch=16, ylab= "Médias variável 6", xlab= "Local")
    abline(h=media.g.v6, col="red")
    
    
    plot(medias.v7, ylim=c(0,5), pch=16, ylab= "Médias variável 7", xlab= "Local")
    abline(h=media.g.v7, col="red")
    
    
    plot(medias.v8, ylim=c(0,5), pch=16, ylab= "Médias variável 8", xlab= "Local")
    abline(h=media.g.v8, col="red")
    
    
    plot(medias.v9, ylim=c(0,5), pch=16, ylab= "Médias variável 9", xlab= "Local")
    abline(h=media.g.v9, col="red")
    
    
    plot(medias.v10, ylim=c(0,5), pch=16, ylab= "Médias variável 10", xlab= "Local")
    abline(h=media.g.v10, col="red")
    #gráficos mostram as médias das variáveis por local para comparação com a média da variável referente ao conjunto de locais (abline)
    lista1 <- list(dataf.1, dataf.2) #retorno quando leveldata==1
    return(lista1)
  }
  if(leveldata==2) #quando leveldata==2 o data frame de entrada só possui uma amostra por local
  {
    #data frame 2 (igual no passo anterior)
    dataf.1$local <- as.factor(dataf.1$local) 
    dataf.2 <- data.frame(levels(dataf.1$local))  
    colnames(dataf.2) <- "local"
    dataf.2$aer.min <- tapply(dataf.1$AER.soma, dataf.1$local, min)
    dataf.2$aer.max <- tapply(dataf.1$AER.soma, dataf.1$local, max)
    dataf.2$aer.media <- round(tapply(dataf.1$AER.soma, dataf.1$local, mean), digits=2)
    dataf.2$aer.mediana <- round(tapply(dataf.1$AER.soma, dataf.1$local, median), digits=2)
    dataf.2$aer.desvio <- round(tapply(dataf.1$AER.soma, dataf.1$local, sd), digits=2)
    dataf.2$aer.var <- round(tapply(dataf.1$AER.soma, dataf.1$local, var), digits=2)
    dataf.2$iif.medio <- rep(NA, times=length(levels(dataf.1$local)))
    #iserindo classe de iif.medio para locais
    dataf.2[dataf.2$aer.media > 42 & dataf.2$aer.media <= 50,8] <- "excelente"
    dataf.2[dataf.2$aer.media > 34 & dataf.2$aer.media <= 42,8] <- "bom"
    dataf.2[dataf.2$aer.media > 26 & dataf.2$aer.media <= 34,8] <- "regular"
    dataf.2[dataf.2$aer.media > 18 & dataf.2$aer.media <= 26,8] <- "ruim"
    dataf.2[dataf.2$aer.media <= 18,8] <- "muito ruim"    
    
    if(scatter.plot==TRUE) #se levaldata==2 e scatter.plot=TRUE a função retorna um scatter.plot
    {
      #médias para cada variável por local (se houver somente uma amostra, este é repetido)
      medias.v1 <- tapply(aer[,3], aer$local, mean)
      medias.v2 <- tapply(aer[,4], aer$local, mean)
      medias.v3 <- tapply(aer[,5], aer$local, mean)
      medias.v4 <- tapply(aer[,6], aer$local, mean)
      medias.v5 <- tapply(aer[,7], aer$local, mean)
      medias.v6 <- tapply(aer[,8], aer$local, mean)
      medias.v7 <- tapply(aer[,9], aer$local, mean)
      medias.v8 <- tapply(aer[,10], aer$local, mean)
      medias.v9 <- tapply(aer[,11], aer$local, mean)
      medias.v10 <- tapply(aer[,12], aer$local, mean)
      #criando data frame para as médias das variáveis por local
      medias.var.local <- round(data.frame(medias.v1, medias.v2, medias.v3, medias.v4, medias.v5, medias.v6, medias.v7, medias.v8, medias.v9, medias.v10), digits = 2)
      #criando uma coluna para local 
      medias.var.local$local <- seq(from=1, to=length(levels(dataf.1$local)))
      #padronizando o eixo y (dividi os valores das médias das variáveis pelo valor máximo possível = 5)
      medias.var.padron <- medias.var.local[,1:10]/5 
      #criei vetor com as médias para as variáveis 
      scatter.vetor <- c(medias.var.padron$medias.v1, medias.var.padron$medias.v2, medias.var.padron$medias.v3, medias.var.padron$medias.v4, medias.var.padron$medias.v5, medias.var.padron$medias.v6, medias.var.padron$medias.v7, medias.var.padron$medias.v8, medias.var.padron$medias.v9, medias.var.padron$medias.v10)
      plot(scatter.vetor~rep(medias.var.local$local,10), pch=1, ylim= c(0,1), main= "Avaliação das Variáveis", xlab="Local", ylab="Escala padronizada AER")
      #scatter plot com valores médios das variáves por local. número de variáveis é fixo na função (sempre 10).
    }
    else #quando o usuário opta por não ter o scatter.plot, a função retorna o gráfico com valores de AER.média para os locais e mostra abline que é a média geral do conjunto de locais
    {
      plot(dataf.2$aer.media, ylim= c(0,60), pch= 16, main= "Avaliação Comparativa da Integridade Florestal", ylab="AER média", xlab= "Local")
      media.geral.aer <- mean(dataf.2$aer.media)
      aer.media.por.local <- dataf.2$aer.media
      abline(h=media.geral.aer, col="red")
    }
    return(dataf.2) #e também retorna o data frame 2 (quadro de resumo por local)
  }
  else{}
}

###############################################################

aer_teste1.txt

aer_teste2.txt