Skip to content

Instantly share code, notes, and snippets.

Embed
What would you like to do?
Source of the talk "Diversidad y Patrón Espacial A Lo Largo De La Sucesión" presented at "Reunion Argentina de Ecología 2012"
# Diversidad y Patrón Espacial A Lo Largo De La Sucesión
<center><font color = "grey"> La Influencia Del Tipo De Dispersión</font></center>
<br/>
<center>Leonardo A. Saravia <font color = "blue", size=4> Universidad Nacional de General Sarmiento</font> - RAE 2012![](figs/Portada.png)
</center>
# Hipótesis
+ El tipo de dispersión es importante para el mantenimiento de la biodiversidad
+ La dispersión de largo alcance genera mayor diversidad (la tercera dimensión)
# ¿Por qué utilizamos modelos?
+ Porque son lindos
+ Para explicar comportamientos sobre todo cuando la experimentación es complicada
+ Para generar nuevas hipótesis y guiar la experimentación
+ La combinación de estudios observacionales y modelos puede ser muy poderosa
# ¿Cómo caracterizamos a las comunidades?
+ El Patrón espacial
- Dimensión fractal de información: Mide la heterogeneidad, no depende de la escala
+ Biodiversidad
- Riqueza específica
- Índice de Shannon: tiene en cuenta la distribución de abundancias
# Modelos Estocásticos Espaciales
+ El espacio está representado como una grilla de sitios
+ Las transiciones entre estados son estocásticas
+ <center>
![](figs/NeutralModel.png)
</center>
# Dos sabores neutrales
+ **Sabor banana neutral**
- Todos los individuos son equivalentes
Las especies tienen todas los mismos parámetros
- Mortalidad (Asumimos crecimiento = 1)
- Inmigración: Existe una metacomunidad con una composición constante.
La frecuencia de especies da la probabilidad de inmigración.
- Tipo de dispersión local
* Uniforme
* Exponencial
* Potencial inversa
- Distancia de dispersión media
+ **Sabor frutilla jerárquica**
- Las especies con menor tasa inmigración reemplazan a las otras
- Todo lo demas igual que el anterior
# Los tipos de dispersión : *Uniforme*
```{r dispUni, echo=FALSE, message=FALSE, dev='png', fig.width=2, fig.height=2, fig.cap="", fig.align='center', cache=TRUE}
plot_model <- function(fname,time)
{
require(lattice)
per <- read.table(fname, skip=2,header=F)
per <-data.matrix(per)
col.l <- colorRampPalette(c('white', 'green', 'purple', 'yellow', 'brown'))(64)
levelplot(per, scales = list(draw = FALSE),xlab =NULL, ylab = NULL,col.regions=col.l,
useRaster=T,colorkey=F,
main=list( time,cex=1))
}
plot_model("anim1.sed",1)
plot_model("animUni-5.sed",5)
plot_model("animUni-7.sed",7)
plot_model("animUni-9.sed",9)
plot_model("animUni-11.sed",11)
plot_model("animUni-13.sed",13)
plot_model("animUni-15.sed",15)
plot_model("animUni-17.sed",17)
plot_model("animUni-19.sed",19)
plot_model("animUni-21.sed",21)
plot_model("animUni-23.sed",23)
plot_model("animUni-25.sed",25)
plot_model("animUni-27.sed",27)
plot_model("animUni-29.sed",29)
```
# Los tipos de dispersión : *Exponencial*
```{r dispExp, echo=FALSE, message=FALSE, dev='png', fig.width=2, fig.height=2, fig.cap="", fig.align='center', cache=TRUE}
plot_model("anim1.sed",1)
plot_model("animExp-5.sed",5)
plot_model("animExp-7.sed",7)
plot_model("animExp-9.sed",9)
plot_model("animExp-11.sed",11)
plot_model("animExp-13.sed",13)
plot_model("animExp-15.sed",15)
plot_model("animExp-17.sed",17)
plot_model("animExp-19.sed",19)
plot_model("animExp-21.sed",21)
plot_model("animExp-23.sed",23)
plot_model("animExp-25.sed",25)
plot_model("animExp-27.sed",27)
plot_model("animExp-29.sed",29)
```
# Los tipos de dispersión : *Potencial Inversa*
```{r dispPower, echo=FALSE, message=FALSE, dev='png', fig.width=2, fig.height=2, fig.cap="", fig.align='center', cache=TRUE}
plot_model("anim1.sed",1)
plot_model("animPow-5.sed",5)
plot_model("animPow-7.sed",7)
plot_model("animPow-9.sed",9)
plot_model("animPow-11.sed",11)
plot_model("animPow-13.sed",13)
plot_model("animPow-15.sed",15)
plot_model("animPow-17.sed",17)
plot_model("animPow-19.sed",19)
plot_model("animPow-21.sed",21)
plot_model("animPow-23.sed",23)
plot_model("animPow-25.sed",25)
plot_model("animPow-27.sed",27)
plot_model("animPow-29.sed",29)
```
# Simulaciones
>* Se utilizaron los siguientes parámetros:
<center>
Parámetro Valores . .
---------------- --------- -------- --------
Mortalidad 0.2
Inmigración 0.001
Distancia media 3 6 12
</center>
* Se utilizó una escala de tiempo con significado ecológico: 100 generaciones.
* La composición de la metacomunidad se tomó de un experimento realizado con
perifiton: [Saravia LA et al. (2012) Oikos](http://doi.wiley.com/10.1111/j.1600-0706.2011.20423.x)
# Vemos que pasa a lo largo de la sucesión: $D_1$
<center>
```{r DqEnTiempo, echo=FALSE, message=FALSE, dev='png', fig.width=7,fig.height=6, fig.cap="", fig.align='center', cache=TRUE }
per <- read.table("per64all.dat", header=TRUE)
per1 <- subset(per, per$Time>7 & per$ColonizationRate==0.001 & per$MortalityRate==0.2 )
FDis <- factor(per1$DispersalDistance, labels=c('Dispersión=3','Dispersión=6','Dispersión=12'))
FMod <- factor(per1$Model, labels=c('Jerárquico','Neutral'))
xyplot(DqOrd~Time|FDis*FMod , data =per1, groups=DispFun,
type=c("p", "smooth"),
auto.key=list(x=.8,y=.2,cex=.8,cex.title=.8, title="Tipo dispersión", points=TRUE),
scales=list(tck=-1),xlab=list(font=3),ylab=list(expression(italic(D[1])),font=3),
main="Dimensión de información")
```
</center>
* La tendencia es hacia un patron más uniforme
* El patrón espacial es similar entre los tipos de dispersión *Exponencial* y *Uniforme*
* El patrón es más heterogéneo para dispersión *Potencial*
* Puede haber oscilaciones en el modelo Jerárquico
# Vemos que pasa a lo largo de la sucesión: $S$
<center>
```{r SEnTiempo, echo=FALSE, message=FALSE, dev='png', fig.width=7,fig.height=6, fig.cap="", fig.align='center', cache=TRUE }
xyplot(Richness~Time|FDis*FMod , data =per1, groups=DispFun,
type=c("p", "smooth"),
auto.key=list(x=.85,y=.35,cex=.8,cex.title=.8, title="Tipo dispersión", points=TRUE),
scales=list(tck=-1),xlab=list("Tiempo",font=3),ylab=list(expression(italic(S)),font=3),
main="Nro. de especies")
```
</center>
# Vemos que pasa a lo largo de la sucesión: $H$
<center>
```{r HEnTiempo, echo=FALSE, message=FALSE, dev='png', fig.width=7,fig.height=6, fig.cap="", cache=TRUE }
xyplot(H~Time|FDis*FMod , data =per1, groups=DispFun,
type=c("p", "smooth"),
auto.key=list(x=.8,y=.35,cex=.8,cex.title=.8, title="Tipo dispersión", points=TRUE),
scales=list(tck=-1),xlab=list("Tiempo",font=3),ylab=list(expression(italic(H)),font=3),
main="Indice de Shannon")
```
</center>
* Las tendencias de $H$ y $S$ son similares
* En el modelo *neutral* no se observan diferencias entre tipos ni distancias de dispersión
* En el model *jerárquico* hay diferencias de la dispersión *Potencial*
<font color = "blue">
* En el modelo *Neutral* el patrón espacial da diferencias significativas pero no hay diferencias entre $H$ y $S$
* En el modelo *Jerarquico* hay diferencias en patrón y en $H$ y $S$
</font>
# ¿Cómo es el tipo de dispersión con respecto a otros factores?
<center>
```{r comparacionTime98, echo=FALSE, message=FALSE, dev='png', fig.width=9,fig.height=4, fig.cap="", cache=TRUE }
per1 <- subset(per, per$Time==98 & per$ColonizationRate==0.001 & per$MortalityRate==0.2 & per$Model=="Neu")
with(per1,{
par(mfrow=c(1,3))
Distancia=as.factor(DispersalDistance)
TipoDisper=as.factor(DispFun)
plot.design(DqOrd~TipoDisper * Distancia, fun=median,xlab="",ylab=expression(italic(D[1])),cex.axis=0.8,main="Modelo Neutral")
plot.design(Richness~TipoDisper * Distancia, fun=median,xlab="",ylab=expression(italic(S)),cex.axis=0.8,main="")
plot.design(H~TipoDisper * Distancia, fun=median,xlab="",ylab=expression(italic(H)),cex.axis=0.8,main="")
})
per1 <- subset(per, per$Time==98 & per$ColonizationRate==0.001 & per$MortalityRate==0.2 & per$Model=="Jer")
par(mfrow=c(1,3))
with(per1,{
Distancia=as.factor(DispersalDistance)
TipoDisper=as.factor(DispFun)
plot.design(DqOrd~TipoDisper * Distancia, fun=median,xlab="",ylab=expression(italic(D[1])),cex.axis=0.8,main="Modelo Jerárquico")
plot.design(Richness~TipoDisper * Distancia, fun=median,xlab="",ylab=expression(italic(S)),cex.axis=0.8,main="")
plot.design(H~TipoDisper * Distancia, fun=median,xlab="",ylab=expression(italic(H)),cex.axis=0.8,main="")
})
```
</center>
* En general es más importante la distancia media de dispersión que el tipo de dispersión
* Esto se mantiene para los dos modelos explorados (con competencia y sin competencia) lo cual le da robustez al resultado.
* En la naturaleza la distancia y el tipo de dispersión pueden estar relacionados.
* Potencial --> Dispersión por animales
* Exponencial --> Dispersión por viento
* Uniforme --> No es realista, pero termina siendo parecida a exponencial.
# ¿Cuál es la relación entre patron espacial y diversidad?
<center>
```{r PatternDiversityTime98, echo=FALSE, message=FALSE, dev='png', fig.width=8,fig.height=4, fig.cap="", cache=TRUE}
per1 <- subset(per, per$Time==98 & per$ColonizationRate==0.001 & per$MortalityRate==0.2)
#per1 <- subset(per, per$Time>7 & per$ColonizationRate==0.001 & per$MortalityRate==0.2)
x1 <-xyplot(DqOrd~H|DispersalDistance , data =per1, groups=Model, layout = c(3,1),
type = c("g", "p", "r"),
auto.key=list(x=.8,y=.35,cex=.8,cex.title=.8, title="Model", points=TRUE),
scales=list(tck=-1),xlab=list("Shannon",font=3),ylab=list(expression(italic(D[1])),font=3),
main="")
x2 <- xyplot(DqOrd~Richness|DispersalDistance , data =per1, groups=Model, layout = c(3,1),
type = c("g", "p", "r"),
auto.key=list(x=.8,y=.35,cex=.8,cex.title=.8, title="Model", points=TRUE),
scales=list(tck=-1),xlab=list("Riqueza",font=3),ylab=list(expression(italic(D[1])),font=3),
main="")
grid.arrange(x1,x2, ncol=2)
```
</center>
* lo que se observa es que a mayor heterogeneidad en la distribucion espacial de las especies (menor $D_1$) son mayores la riqueza y el Shannon.
* La dimension fractal de informacion $D_1$ podría utilizarse como un indice de
diversidad
# Entonces?¿?¿?¿?¿?¿?¿
* El tipo de dispersión parece es menos influyente que la distancia de dispersión con respecto a la diversidad ($S$ y $H$)
* El patrón espacial medido con la dimensión de información tiene una relación directa con la diversidad.
* En general la dispersión Potencial produce mayor diversidad en el modelo Neutral y menor diversidad en el modelo Jerárquico.
# Gracias!
<center>
![](figs/meDuermo.jpg)
</center>
Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment
You can’t perform that action at this time.