Aqui você vê as diferenças entre duas revisões dessa página.
Ambos lados da revisão anterior Revisão anterior Próxima revisão | Revisão anterior Próxima revisão Ambos lados da revisão seguinte | ||
ecovirt:roteiro:pad_spat [2021/09/20 11:23] adalardo [Contexto] |
ecovirt:roteiro:pad_spat [2021/09/20 12:20] adalardo [K de Ripley] |
||
---|---|---|---|
Linha 14: | Linha 14: | ||
<WRAP center round box 60%> | <WRAP center round box 60%> | ||
//**__Padrões Espaciais__**// | //**__Padrões Espaciais__**// | ||
- | * aleatório: a distribuição dos indivíduos não é diferente do que seria esperado por uma distribuição ao acaso; | + | * ''aleatório'': a distribuição dos indivíduos não é diferente do que seria esperado por uma distribuição ao acaso; |
- | * regular ou homogêneo: os indivíduos estão regularmente espaçados. É chamado também de padrão disperso, pois é o maior distanciamento médio possível entre indivíduos; | + | * ''regular'' ou ''homogêneo'': os indivíduos estão regularmente espaçados. É chamado também de padrão disperso, pois está relacionado ao maior distanciamento possível entre indivíduos; |
- | * agregado: os indivíduos estão mais próximos do que esperado por um padrão aleatório. | + | * ''agregado'': os indivíduos estão mais próximos do que esperado por um padrão aleatório, formando agrupamentos. |
</WRAP> | </WRAP> | ||
Linha 23: | Linha 23: | ||
Detectar um padrão espacial pode ser importante tanto para entender os mecanismos que geram o padrão, como para decidir o método e a escala de amostragem e planejar o manejo de uma população. Algumas propriedades desejáveis de uma medida do padrão espacial são: | Detectar um padrão espacial pode ser importante tanto para entender os mecanismos que geram o padrão, como para decidir o método e a escala de amostragem e planejar o manejo de uma população. Algumas propriedades desejáveis de uma medida do padrão espacial são: | ||
- | * diferenciar claramente o padrão: desde a total uniformidade até a aleatoriedade e a agregação; | + | * diferenciar claramente o padrão; |
- | * não ser afetada por: tamanho da amostra, densidade populacional ou pela variação no tamanho e na forma da parcela; | + | * não ser afetada por: tamanho da amostra, densidade populacional ou pela variação no tamanho e na forma da amostra; |
- | * ser estatisticamente tratável: possível calcular um intervalo de confiança e testar a diferença entre amostras. | + | * ser estatisticamente tratável: passível de calcular a incerteza do valor e testar a diferenças entre amostras. |
- | Para essa prática usaremos uma estimativa de aleatoriedade de pontos chamada K-Ripley. Primeiro iremos utilizar dados de distribuição de pontos simulados com diferentes padrões e em seguida utilizar a mesma técnica para detectar o padrão espacial em uma população natural. | + | Para essa prática usaremos uma estimativa de aleatoriedade de pontos chamada K-Ripley. Primeiro iremos utilizar dados de distribuição simulados com diferentes padrões e em seguida utilizar a mesma técnica para detectar o padrão espacial em uma população natural. |
<WRAP round box center leftalign 100% > | <WRAP round box center leftalign 100% > | ||
//**__Roteiro__**// | //**__Roteiro__**// | ||
Linha 50: | Linha 50: | ||
O roteiro de [[ep1|índice de dispersão]]((podem rodá-lo em outro momento!)) demonstra como o padrão de distribuição pode ser afetado pelo tamanho da parcela usada. Isso significa que o padrão espacial pode ser **dependente de escala**. | O roteiro de [[ep1|índice de dispersão]]((podem rodá-lo em outro momento!)) demonstra como o padrão de distribuição pode ser afetado pelo tamanho da parcela usada. Isso significa que o padrão espacial pode ser **dependente de escala**. | ||
*/ | */ | ||
- | Nesta prática vamos quantificar o padrão espacial usando um método multiescala. Os métodos de multiescala permitem, com uma única métrica, avaliar como o padrão espacial varia com a escala. Ao invés de trabalhar com amostras de uma população de interesse iremos descrever o padrão espacial para o conjunto total de indivíduos em uma população. Neste caso, temos um censo da população numa área delimitada e iremos ver o que acontece com as medidas de agregação desde a escala de indivíduos vizinhos até a escala mais ampla da população. | + | Nesta prática vamos quantificar o padrão espacial usando um método multiescala. Os métodos de multiescala permitem, com uma única métrica, avaliar como o padrão espacial varia com a escala. Iremos descrever o padrão espacial para o conjunto total de indivíduos em uma população em uma área delimitada e iremos avaliar o padrão desde a escala da vizinhança dos indivíduos até a escala mais ampla da população. |
<WRAP right round box 25%> | <WRAP right round box 25%> | ||
{{ :ecovirt:roteiro:mandelbrot-fractals-o.gif?|}} | {{ :ecovirt:roteiro:mandelbrot-fractals-o.gif?|}} | ||
Linha 56: | Linha 56: | ||
- | Para a prática vamos utilizar um programinha chamado [[https://www.ufz.de/index.php?en=41413|Programita]], feito pelo pesquisador Thorsten Wiegand para quantificar o padrões espaciais usando medidas multiescala baseadas em distância entre pontos. Para baixar o manual do **Programita** clique {{:ecovirt:roteiro:manualprogramita2004b.pdf|aqui}}. | + | Para a prática vamos utilizar um programinha chamado [[https://www.ufz.de/index.php?en=41413|Programita]], feito pelo pesquisador Thorsten Wiegand para quantificar o padrões espaciais usando medidas multiescala baseadas em distância entre pontos. Para baixar o manual do **Programita** clique |
- | No **Programita** existem várias medidas que podem ser usadas para calcular agregação, vamos usar duas delas: o **O-ring** e o **L de Ripley**. | + | {{:ecovirt:roteiro:manualprogramita2004b.pdf|aqui}}. |
- | Ambas são abordagens baseadas em pontos, que utilizam o cálculo de distâncias ponto a ponto dentro de uma área delimitada. Essas medidas podem ser usadas para análises univariadas, ou seja, identificando o padrão para uma única classe de pontos, ou para análises bivariadas, que identifica o padrão entre dois tipos de pontos. As análises bivariadas podem ser usadas no contexto de populações para verificar se indivíduos de um dado estágio estão espacialmente associados a outro, ou no contexto de estruturação de comunidades para analisar a agregação de uma espécie ao redor de outra. | + | No **Programita** existem várias medidas que podem ser usadas para calcular o padrão espacial, vamos usar duas delas: o **L de Ripley** e o **O-ring**. |
- | ==== L de Ripley (L(r)) ==== | + | Ambas são abordagens baseadas em pontos, que utilizam o cálculo de distâncias ponto a ponto dentro de uma área delimitada. Essas medidas podem ser usadas para análises univariadas, ou seja, identificando o padrão para uma única classe de pontos, ou para análises bivariadas, que identifica o padrão entre dois tipos de pontos. As análises bivariadas podem ser usadas no contexto de populações para verificar se indivíduos de um dado estágio estão espacialmente associados a outro, ou no contexto de estruturação de comunidades para analisar se há atração ou repulsão na ocorrência de uma espécie em relação a outra. |
+ | |||
+ | ==== K de Ripley ==== | ||
{{:ecovirt:roteiro:ripleys_game.jpg?100 |}} | {{:ecovirt:roteiro:ripleys_game.jpg?100 |}} | ||
- | O L de Ripley é uma medida da densidade média ao redor de cada ponto. Para cada ponto na área de estudo é calculada a densidade no interior de um círculo de raio r centrado no ponto (área cinza da figura). Em seguida, calcula-se uma média desses valores obtidos para todos os pontos. | + | O K de Ripley é uma medida da densidade média ao redor de cada ponto. Para cada ponto na área de estudo é calculada a densidade no interior de um círculo de raio r centrado no ponto (área cinza da figura). Em seguida, calcula-se uma média desses valores obtidos para todos os pontos. |
- | + | ||
- | A operação é repetida para diferentes valores de $r$. O $L(r)$ é uma medida derivada dessa densidade média ao redor dos pontos em função do raio de influência $(r)$, que permite avaliar de maneira contínua a agregação dos indivíduos. | + | |
+ | <WRAP center round box 80%> | ||
{{ :ecovirt:roteiro:lripley.jpg?200 |}} | {{ :ecovirt:roteiro:lripley.jpg?200 |}} | ||
- | Figura: Implementação da estatística L de Ripley: contagem do número de pontos distantes de $i$ no interior do círculo de raio $r$. Extraído de Wiegand & Moloney (2004). | + | Figura: Implementação da estatística L de Ripley: contagem do número de pontos distantes de ''i'' no interior do círculo de raio ''r''. Extraído de Wiegand & Moloney (2004). |
+ | |||
+ | </WRAP> | ||
+ | |||
+ | |||
+ | A operação é repetida para diferentes valores de ''r'', que permite avaliar de maneira contínua o valor de ''K'' para diferentes escalas. | ||
- | O $L_{(r)}$ é baseado na função K de Ripley, que é a densidade média de pontos a uma dada distância $r$ de cada ponto, dividida pela intensidade ($\lambda$) dos pontos na área de estudo((intensidade, nesse caso, é a densidade total; número de pontos médio por unidade de área)): | ||
$$ K_{(r)} = \frac{\sum_{i\neq{j}}^{i}I({d_{ij}<r})}{n}\frac{1}{\lambda}$$ | $$ K_{(r)} = \frac{\sum_{i\neq{j}}^{i}I({d_{ij}<r})}{n}\frac{1}{\lambda}$$ | ||
Linha 82: | Linha 87: | ||
* $n$ é o número de pontos total. | * $n$ é o número de pontos total. | ||
- | A interpretação visual do $K_{(r)}$ não é muito intuitiva por ser uma função cumulativa. Por isso foi criado o L de Ripley, $L_{(r)}$, que é a transformação: | + | A interpretação visual do ''K'' não é muito intuitiva por ser uma função cumulativa associada à área do círculo relativo a ''r''. O L de Ripley, por sua vez, é a padronização deste valor: |
$$ L_{(r)}= (\sqrt{\frac{K_{(r)}}{\pi}}-r) $$ | $$ L_{(r)}= (\sqrt{\frac{K_{(r)}}{\pi}}-r) $$ | ||
+ | |||
+ | Esta transformação faz com que o valor de ''L(r)'' para uma distribuição completamente aleatória seja sempre ''0'' e ''L(r)>0'' indica agregação, enquanto ''L(r)<0'' indica padrão homogêneo. | ||
- | que tem uma interpretação mais simples: $L(r)>0$ indica agregação, enquanto $L(r)<0$ indica padrão homogêneo. | ||
| |