Mestrando Em ecologia no Instituto de Biociências, no Laboratório de Ecologia de Floresta Tropical (LabTrop)

A minha pesquisa consiste em analisar qual as características dos indivíduos de uma comunidade vegetal sob um gradiente de estresse. Contato/; renanparmigiani@hotmail.com

Exercício 1

Exercício 4

Exercício 5

Exercício 7.2

Exercício 7b

Exercício 8

Exercício 9

Função arborizar: seleção de árvore mais apropriada para plantio em vias urbanas.

A arborização urbana é uma ação que demanda muito planejamento, começando na escolha de espécie com características que não causem danos a instalações urbanas presentes ao redor. Para um plantio apropriado há guias que especificam quais espécies usar segundo uma série de parâmetros, um deles é o Manual Técnico de Arborização Urbana (disponível no link https://www.sosma.org.br/wp-content/uploads/2015/03/MANUAL-ARBORIZACAO_22-01-15_.pdf), o qual possui a Chave Arborizar (com um funcionamento similar a uma chave de identificação de táxons) com o intuito de avaliar a melhor espécie a ser plantada levando em consideração quais as estruturas urbanas presentes ao redor do local de plantio e as características da árvore (porte, arquitetura, sistema radicular) A minha proposta é elaborar uma função que acompanhe esse manual de modo a automatizar a escolha da espécie mais apropriada para o plantio em uma via urbana. A entrada será um data frame com cada linha representando um lugar onde se deseja plantar uma árvore e as colunas com as seguintes especificações do local: largura da calçada (em metros), presença/ausência de fiação elétrica, fiação é compacta ou convencional, a distância em relação aos seguintes equipamentos e mobiliários urbanos (postes, hidrantes, esquinas, instalações subterrâneas, mobiliário urbano, galerias, caixa de inspeção, acesso de pedestres). A saída da função será a espécie mais apropriada para ser plantada em cada lugar, e a quantidade de mudas necessárias de cada grupo (segundo a divisão das tabelas 5, 6 e 7 do manual, pg 30-37).

Função les: análise da correlação de atributos funcionais

O espectro da economia foliar é uma relação que há entre diversos atributos funcionais das plantas (massa por área, taxa de assimilação fotossintética, % de nitrogênio, % de fósforo, entre outros), sendo que muitos desses parâmetros têm seus valores correlacionados. A minha função tem como objetivo avaliar a variação da correlação entre esses atributos para diferentes comunidades. A entrada será um data.frame com as seguintes colunas: identificação do indivíduo, espécie, local, demais colunas com os atributos funcionais. A resposta da função será: se há diferença para algum atributo entre as comunidades, se há diferença em algum atributo para alguma espécie entre os diferentes lugares, qual a correlação entre os atributos para cada comunidade e se essa correlação varia entre os lugares.

Lendo as suas considerações resolvi melhorar a proposta B, segue a minha proposta reformulada. Busquei mudar algumas coisas para que ela fizesse mais sentido com a economia do espectro foliar.

O espectro da economia foliar é uma relação que há entre diversos atributos funcionais das plantas (massa por área, taxa de assimilação fotossintética, % de nitrogênio, % de fósforo, entre outros), sendo que muitos desses parâmetros têm seus valores correlacionados. O objetivo da minha função é construir o espectro dos atributos funcionais de uma comunidade que varie de 0 a 1 a partir dos valores extremos dos dados de entrada. Os valores próximos a zero representam indivíduos que possuem uma estratégia de rápido retorno energético pelo seu investimento (estratégia r), e os valores próximos a um representam indivíduos que possuem uma estratégia de retorno energético a longo prazo (estratégia K). Ou seja, a minha função irá transformar as regressões significativas em um índice representando o espectro dos atributos.

O índice será calculado atribuindo os valores de 0 e 1, ou 1 a 0 caso aquele atributo esteja relacionado negativamente com um atributo diretamente relacionado a K, para os extremos de cada atributo, o índice total do indivíduo será calculado através da média de cada atributo.

A entrada será um data.frame com as seguintes colunas: identificação do indivíduo, características dos indivíduos que não serão calculados como atributos funcionais (espécie, local, grupo funcional etc) demais colunas com os atributos funcionais. A função terá as seguintes saídas: gráficos mostrando a correlação par a par das características, junto com os coeficientes para cada regressão; o data.frame de entrada com mais uma coluna indicando o valor do índice calculado; uma representação gráfica unidimensional do índice dando destaque para um grupo de indivíduo escolhido pelo usuário (espécie, local, grupo funcional).

Os argumentos da função serão:

x: o data.frame de entrada;

caracteristica: um vetor numérico indicando quais colunas das características dos indivíduos que não serão calculados como atributos funcionais;

atributo: um vetor numérico indicando quais colunas são referentes aos atributos funcionais que serão calculados;

K: nome da coluna do data.frame que possui os valores que serão positivamente relacionados ao índice;

r: nome da coluna do data.frame que possui os valores que serão negativamente relacionados ao índice (só é necessário colocar um dos argumentos r ou K);

destaque: um vetor com o nome da coluna que possui algum fator de interesse a ser destacado na saída gráfica do índice e o(s) nome(s) do(s) fator(es).

##############
####FUNÇÃO####
##############

les<- function (x, atr,K , r, destaque)					#Criando a função
{			
##Fazendo uma análise exploratória nos argumentos				
  if(missing(K) & missing(r))              				#Analisando se o usuário colocou o arg r ou K
  {
    stop("Necessário informar o argumento K ou r")			#Retornando uma msg caso o arg r ou K esteja faltando
  }
  if(missing(x))							#Analisando se o usuário colocou o arg x
  {
    stop("Necessário informar o data.frame de entrada no argumento x")#Retornando uma msg caso o arg x esteja faltando
  }
  if(missing(atr))							#Analisando se o usuário colocou o arg atr
  {
    stop("Necessário informar quais são os atributos a serem analisados no argumento atr") ##Retornando uma msg caso o argumento atr esteja faltando
  }
##Criando objeto que será trabalhado dentro da função
  atr.df<- data.frame(x[atr])                				#Transpondo os atributos do data.frame x para o data.frame atr.df
##Analisando qual será o tamanho da janela gráfica que será necessária para plotar as relações entre os atributos
  tam <- length(atr)                          				#Guardando a quantidade de atributos que o usuário irá anlisar
  lado<- sqrt(tam)                            				#Tirando a raiz da quantidade de atributos para montar a janela gráfica                             
  hor <- ceiling(lado)                        				#A quantidade de gráficos na horizontal sempre será o valor da raiz arredondado para cima
  ver <- round(lado)                          				#A quantidade de gráficos na vertical sempre será o valor da raiz arredondada segundo a regra de arredondamento
  x11()                                       				#Abrindo janela gráfica
  par(mfrow = c(hor,ver), bty = "l")                     		#Essa relação vai ajustar os gráficos da forma mais próximo do ótimo para que eles não fiquem pequenos e ao mesmo tempo não sobrem "janelas vazias" 
##Vendo quais atributos estão correlacionados com o K, e conversão dos valores dos atributos para o índice
  if(!missing(K))                            				#Vendo se o usuário usou o arg K para indicar alguma estratégia
  {
    indice= data.frame(rep(NA,length(atr.df[,1])))			#Criando um data.frame para guardar os valores do índice do ciclo
    for (i in 1:tam)                            			#Iniciando o ciclo que irá fazer os teste entre os atr´s e o atr K
    {
      mod <- lm(K~atr.df[,i])                    			#Criando o modelo 
      suppressWarnings(teste <- anova(mod))				#Testando se o modelo é significativo, coloquei o comando suppressWarnings, pois um dos modelos irá analisar a relação entre a mesma coluna do data.frame de entrada, e nessa situação há a saída de uma warning message que não é necessária 
      nome.y <- colnames(atr.df)[i]					#Criando o nome que será atribuido ao eixo y no plot do modelo
      titulo<- c("Valor do p" , round(teste$`Pr(>F)`, 3))		#Criando o nome que será atribuido ao título no plot do modelo que é o valor de p no teste anova
      plot(atr.df[,i]~K, ylab = as.graphicsAnnot(nome.y),  main = as.graphicsAnnot(titulo))  #Plotando a relação entre os atr´s
      if(teste$`Pr(>F)`[1]<0.05)                			#Vendo se o modelo é significativo
      {
        if(mod$coefficients[2]>0)               			#Vendo se a relação entre os atributos é positiva
        {
          indice[i]= (atr.df[i]-min(atr.df[i]))/(max(atr.df[i])-min(atr.df[i])) #Calculando o indice para os atributos positivamente relacionados ao atr. K
        }
        else               						#Caso a relação entre os atributos seja negativa em relação a K
        {
          indice[i]= abs((atr.df[i]-min(atr.df[i]))/(max(atr.df[i])-min(atr.df[i]))-1) #Calculando o indice para os atributos negativamente relacionados ao atr. K
        }
      }
      else								#Caso a relação entre os atr não seja significativa 
      {
        indice[i]<- rep(NA, length(atr.df[i]))				#Atribuindo NA´s ao data.frame pois a relação não é siginificativa
      }
    }
  }
##Vendo quais atributos estão correlacionados com o r, e conversão dos valores dos atributos para o índice, essa parte é muito parecida com a do K, só invertendo alguns sinais
  else									#Caso o usuário tenha usado o arg. r para indicar alguma estratégia
  {
    indice= data.frame(rep(NA,length(atr.df[,1])))			#Criando um data.frame para guardar os valores do índice do ciclo
    for (i in 1:tam)                					#Iniciando o ciclo que irá fazer os teste entre os atr´s e o atr r            
    {
      mod <- lm(r~atr.df[,i])                    			#Criando o modelo
      suppressWarnings(teste <- anova(mod))				#Testando se o modelo é significativo, coloquei o comando suppressWarnings, pois um dos modelos irá analisar a relação entre a mesma coluna do data.frame de entrada, e nessa situação há a saída de uma warning message que não é necessária
      nome.y <- colnames(atr.df)[i]					#Criando o nome que será atribuido ao eixo y no plot do modelo
      titulo<- c("Valor do p" , round(teste$`Pr(>F)`, 3))		#Criando o nome que será atribuido ao título no plot do modelo que é o valor de p no teste anova
      plot(atr.df[,i]~r, ylab = as.graphicsAnnot(nome.y),  main = as.graphicsAnnot(titulo)) #Plotando a relação entre os atr´s
      if(teste$`Pr(>F)`[1]<0.05)                			#Vendo se o modelo é significativo
      {
        if(mod$coefficients[2]<0)               			#Vendo se a relação entre os atributos é negativa
        {
          indice[i]= (atr.df[i]-min(atr.df[i]))/(max(atr.df[i])-min(atr.df[i])) ##Calculando o indice para os atributos negativamente relacionados ao atr. r
        }
        else               						#Caso a relação entre os atributos seja positiva em relação a r
        {
          indice[i]= abs((atr.df[i]-min(atr.df[i]))/(max(atr.df[i])-min(atr.df[i]))-1) #Calculando o indice para os atributos positivamente relacionados ao atr. r
        }
      }
      else								#Caso a relação entre os atributos não seja significativa
      {
        indice[i]<- rep(NA, length(atr.df[i]))				#Atribuindo NA´s ao data.frame pois a relação não é siginificativa			
      }
    }
  }
##Ajuste do data.frame indice
  indice <- indice[,colSums(is.na(indice))<nrow(indice)]		#Excluindo as colunas com NA´s (que não foram significativa)
  if(class(indice) == "numeric")					#Vendo se houve correlação com pelo menos mais um atributo para a contrução do índice
  {
    stop("O atributo referente a estratégia não se relaciona com nenhum outro, insira outro atributo como referência") #Retornando ao usuário o aviso de falta de correlação
  }
  indice$media<- apply(indice, 1, mean)					#Tirando a média do índice dos atr´s
  x$indice <- indice$media						#atribuindo o valor da média a mais uma coluna do data.frame de entrada
  if(missing(destaque))                                                 #Analisando se o usuário quis destacar os valores do índice para categorias dos indivíduos do data.frame
 {
    return(x)								#Retornando apenas o valor do índice
  }
##Construção do boxplot com os valores do índice por categoria
  as.factor(destaque)							#Convertendo a coluna de destaque em fatores
  x11()									#Abrindo uma janela gráfica para expor ao usuário o valor do índice em relação a característica de destaque
  par(mfrow = c(1,1), bty = "l")					#Alterando os parâmetros gráficos
  boxplot(x$indice~destaque, ylab = "Indice de r a K") #Abrindo janela gráfica
  return(x)								#Retornando ao usuário o data.frame de entrada com a coluna a mais com o valor do ídice
}

les			package: nenhum 			R Documentation

Cálculo de um índice de estratégia de vida para indivíduos utilizando seus atributos funcionais. O índice varia de 0 (para r estrategistas ) a 1 (para K estrategistas). 

Description:
A função les atribui um valor de índice através dos atributos funcionais que indicará se esse indivíduo tende para uma estratégia r ou K.  A construção desse índice é em cima dos próprios atributos funcionais que o usuário coloca. Sendo possível avaliar em que região do índice está determinado grupo de indivíduo através do gráfico boxplot que a função retorna

Usage:

les<- (x, atr,K , r, destaque)
Arguments:
x		data.frame. com os dados dos indivíduos
atr		vetor numérico contendo as colunas com os atributos que serão usados na construção do índice
K		coluna do data.frame x que será usado para indicar qual atributo cresce positivamente relacionada a uma estratégia K.
r		coluna do data.frame x que será usado para indicar qual atributo cresce positivamente relacionada a uma estratégia r.
destaque	coluna do data.frame x que contém alguma variável que separe os indivíduos em categorias para especificar em que posição do índice cada grupo está localizado na saída gráfica

Details:

Segundo Wright et al. (2004) existe uma série de atributos foliares que são correlacionadas, de modo que num extremo são encontradas plantas com estratégias de rápido retorno energético por investimento (r estrategistas) e no outro de retorno mais a longo prazo (K estrategistas). A função les constrói esse espectro através dos seguintes passos:
1.  Análise se os argumentos essenciais estão presentes;
2. Construção de modelos lineares comparando cada coluna dos atributos com o atributo de referência da estratégia K ou r.
3. Teste anova de cada modelo para avaliar a sua significância.
4. Plot da relação entre os atributos e o atributo de referência da estratégia;
5. Análise da correlação positiva ou negativa entre os atributos;
6. Cálculo do índice de cada atributo, através de uma escala em que o maior valor é atribuído o valor 1 e para o menor 0, sendo os intermediários os valores intermediários através de um cálculo de proporção.
6. Cálculo do índice por indivíduo, através da média de cada atributo.
7. Construção do boxplot com os valores do índice por categorias da coluna destaque. 

Value:

A função les possui os seguintes retornos para o usuário:
Um conjunto de gráficos com a relação entre os atributos e o atributo de referência da estratégia, com cada gráfico tendo valor de p do teste anova de cada modelo.
Um coluna a mais no mesmo data.frame de entrada com o valor do índice para cada indivíduo
Um gráfico boxplot com os valores do índice por categorias da coluna destaque.

Warning:

A função é interrompida se o usuário não colocar os argumentos obrigatório (x, atr, r ou K), ou caso o atributo não tenha correlação significativa, segundo o teste anova, com nenhum outro atributo.

Author(s):
	Renan Parmigiani
	renanparmigiani@hotmail.com

References:
Wright I. J., et al.The worldwide leaf economics spectrum.Nature 428, 821-827 (2004).

Examples:


sp<-rep(c("sp1","sp2","sp3","sp4","sp5"),each = 6)
lugar<- c((rep("A", each = 10)),"B","B",rep("A", each = 4),rep("B", each = 12), "A", "A") 
dap<- rnorm(30, 24, 8.3)
LMA<- sort(runif(30, 10, 1000))
Amass<- sort(runif(30, 9, 400), decreasing = TRUE)
Nmass<- sort(runif(30, 1,10),decreasing = TRUE)
alt<-  rnorm(30, 14, 4.3)
LL<- sort(runif(30, 1, 100))

dado= data.frame (sp,lugar, dap, LMA, Amass,Nmass, alt,LL)

les(dado, K = dado$LL, atr = c(3:8), destaque = dado$lugar)
les(dado, r = dado$Nmass, atr = c(3:8), destaque = dado$sp)
les(dado, K = dado$dap, atr = c(3:8), destaque = dado$lugar)

Função les