Post on 03-Nov-2018
COMPARACIÓN DE COMUNIDADES
Objetivos:
Intuir lo difícil y complejo que resulta comparar comunidades biológicas
Aprender a ordenar datos en matrices primarias y de similitud
Aplicar índices de asociación de especies
Aplicar índices de correlación, distancia y semejanza en comunidades
Confeccionar e interpretar un fenograma
Se diferencian las comunidades?
1. “Escuela organísmica" (Clements, 1916 y Tansley) superorganismo", “cuasiorganismo” con límites discretos
organización cerrada.
Visión individualista (Gleason)
La comunidad como agregado de organismos. Sps conviven en un mismo lugar y momento. Sin cohesión, independientes entre sí
Enfoque organísmico(Clement)
La comunidad como un superorganismo. Sistema viviente distintivo con su propia organización y estructura, relaciones, desarrollo y función. Sistema coordinado y autorregulado.
ANALISIS DE COMUNIDADESANALISIS DE COMUNIDADES:
CUALITATIVOS: +/ -
TIPOS DE DATOSCUANTITATIVOS: numéricos
HIPERESPACIO
TIPO DE DATOSEJEMPLO
CARACTER ESTADOS
DOBLEESTADO
PRESENCIA AUSENCIA BANDAS DE COLOR
EN INSECTOS
PRESENCIA
AUSENCIA
ESTADOS EXCLUYENTES POSICION DE LA INFLORESCENCIA
TERMINAL
AXILAR
MULTIESTADO
CUALITATIVOS
SIN SECUENCIA LÓGICA
MARGEN DE LA HOJA
ASERRADOLOBULADOENTERO
CON SECUENCIA LÓGICA
CUANTITATIVOS
CONTÍNUOS LONGITUD ABDOMEN
DISCONTÍNUOS NUMERO DE FLORES DE LA INFLORESENCIA
Pubescencia
METODOSMETODOS
11-- METODOS DE CLASIFICACIÓN o CLUSTER ANALYSIS
22-- MÉTODOS DE ORDENAMIENTO o A.C.P
OTU:OTU: COMUNIDAD, ESPECIE, UNIDAD DE MUESTRACOMUNIDAD, ESPECIE, UNIDAD DE MUESTRA
QUE SE CLASIFICA U ORDENAQUE SE CLASIFICA U ORDENA
Ordenamiento
Disposición de casos a lo largo de ejes de variación contínua. Estudia los gradientes ambientales. ACP, NMDS, CA. CCA, RDA
Clasificación
Agrupamiento de
casos con
propiedades en
común. Se basa en
índices de similitud.
Análisis de Cluster
METODOS DE CLASIFICACIÓN o CLUSTER ANALYSIS
Intentan formar grupos homogéneos de muestras, que se asocian por su grado de similitud. Permiten establecer clases discretas
Asume que las comunidades son DISCRETAS
CONSISTE EN DIVIDIR EL SISTEMA MULTIDIMENSIONAL
EN COMPARTIMENTOS, EN CADA UNO DE LOS CUALES
SE UBICAN QUIENES PRESENTAN MAYOR SIMILITUD
ENTRE SÍ.
¿ PUEDE EXPRESARSE DE FORMA
CUANTITATIVA
EL PARECIDO ENTRE DOS M ?
EL PARECIDO ES CUANTIFICABLE
APLICANDO
UN COEFICIENTE DE SIMILITUD
COEFICIENTES DE SIMILITUD.
P/calcular similitudes o diferencias respecto a CADA PAR DE OTUS
COEFICIENTES DE DISTANCIA:Para matrices con datos: doble estado – multiestado o datos mixtos.La similitud entre OTUS se cuantifica por la distancia a la que se encentran unas de otras. Mayor distancia - menor similitud.
COEFICIENTES DE CORRELACIÓN: Cuantifica similitud midiendo separación angular formada por dos líneas que parten del origen de las coordenadas y pasan por las otus.
COEFICIENTES DE ASOCIACIÓN: SOLO PARA DATOS DOBLE ESTADO. TÉCNICA R – TÉCNICA Q
LA SELECCIÓN DEL COEFICIENTE DE SIMILITUD
ESTA SUPEDITADA AL TIPO DE DATOS
CON LOS QUE SE TRABAJA.
DEPENDE DE LA MATRIZ BASICA DE DATOS
CUANTITATIVOS: CORRELACION CUANTITATIVOS: CORRELACION –– DISTANCIADISTANCIA
DOBLE ESTADO: ASOCIACIDOBLE ESTADO: ASOCIACIÓÓNN
COEFICIENTES DE ASOCIACICOEFICIENTES DE ASOCIACIÓÓNN
MIDEN COINCIDENCIAS Y DIFERENCIAS EN LOS ESTADOS DE CARACTERES ENTRE 2 OTUS.
SE BASAN EN MATRIZ 2 x 2; TABLAS DE CONTINGENCIA.
PERMITEN INFERIR SIMILITUD ENTRE:
ESPECIESESPECIES
COMUNIDADESCOMUNIDADESHAY DOS TIPOS DE ANALISIS:
TECNICA RTECNICA R
TECNICA QTECNICA Q
b
(1 – 0)
a
(1 – 1)
+
c
(0 – 1)
+
d
(0 – 0)-
-
ESPECIE AESPECIE B
a: caracteres presentes en las especies A y Bd: caracteres ausentes en ambas especies
TECNICA R
COEFICIENTES DE ASOCIACIÓN
COEF. DE JACCARD:
a / a + b + c no contempla ausencias conjuntas
__________________________________
COEF. DE SORENSEN:
2 a / 2a + b + cEnfatiza coincidencias
HASTA ESTE PASO:
SE OBTUVO UNA MATRIZ DE SIMILITUD.
¿ Es suficiente para expresar relaciones entre la totalidadde las OTU ?
NO ¡¡¡¡
POR QUE EXPONE SIMILITUDES ENTRE PARES DE OTU
Análisis de Matrices de Similitud
Análisis de Agrupamientos
Definicion
• Generalmente, un paisaje (o zona geográfica concreta) consta de varias comunidades vegetales que se distribuyen en el territorio en función de los parámetros ecológicos, usos del suelo por parte del hombre, u otros factores (áreas incendiadas, etc)
Construcción de tomas de agua
Construcción de tomas de agua
canalización del canal del río
canalización del canal del río
urbanizacionesurbanizacionesentrada de efluentes
industriales -residuos sólidos
urbanos
entrada de efluentes industriales -
residuos sólidos urbanos
construcción de caminos
construcción de caminos
Ganado Ganado
Zonasagrícolas
adyacentes
Zonasagrícolas
adyacentes
factores de presión en el área ribereña
factores de presión en el área ribereña
elementos para el diagnóstico (Indice)
medio
acuático
Estadística Multivariada
• Todos los problemas multivariados pueden ser representados por una matriz de datos de doble entrada en la cual las filas representan los objetos a ordenar o agrupar y las columnas representan las variables en base a las cuales se ordenó o agruparon los objetos.
• Todos los problemas multivariados pueden ser geométricamente conceptualizados como una nube de datos en un espacio P dimensional, donde las dimensiones (o ejes) son definidos por las p variables de interés donde se grafican las unidades de interés.
PROGRAMA
Bivariate Histogram (Distance Matrix.STA 5v*9c)
Probability Density Function
y=logis(x|0|1)
0,00
0,15
0,30
0,45
0,60
-4 -2 0 2 4
Probability Distribution Function
p=ilogis(x|0|1)
0,0
0,2
0,4
0,6
0,8
1,0
-4 -2 0 2 4
STATISTICA
MUESTRA1 0 4,242640495 4,690415859 5,099019527 5,19615221MUESTRA2 4,242640495 0 3,741657495 4,472136021 4,79583168NUESTRA3 4,690415859 3,741657495 0 4,472136021 5MUESTRA4 5,099019527 4,472136021 4,472136021 0 3,872983456MUESTRA5 5,19615221 4,79583168 5 3,872983456 0
Means 0,489361701 0,404255321 0,531914896 0,40425532 0,29787234Std.Dev. 0,505291155 0,496052877 0,504374941 0,496052877 0,462267268No.Cases 47
Matrix 3
M1 M 2 M 3 M 4 M 5
Tree Diagram for 5 Variables
Single Linkage
Euclidean distances
Linkage Distance
MUESTRA5
MUESTRA4
NUESTRA3
MUESTRA2
MUESTRA1
3,6 3,7 3,8 3,9 4,0 4,1 4,2 4,3 4,4 4,5
10010000101SACÑ
11010000000FAG
10010000100LAUR
11011000101CEDR
01000100101VCOL
00000100001ATUS
10000111100GACI
00000110000CITR
11111000111CORZ
11011000101TONU
11010000111SAUC
11010001000TOME
10010000011VILL
00010100001EFCI
00000010000MAT
00000000000JMRO
Celtis
iguan
……..……….………….
.
……………………Anadena
nthera
colub
Allophylu
s edAcacia
praecox
Griseb.
Acaci
a
macra
cant
muestra
Matríz básica de datos de arroyo Las Cañitas y arroyo Tafí
Matriz (N X M)
N = filas = sitios
M= columnas = variables = especies
Celda = dato cualitativo = 0 (ausencia); 1(presencia)
Matriz de similitud según índice de Jaccard (matriz intermedia) = fila X fila (sitio X sitio)
00.360.390.70.690.810.760.530.540.450.530.730.80.810.880.89CORZ
0.3600.50.750.670.830.810.540.640.410.460.650.730.740.870.91TONU
0.390.500.780.70.80.860.530.550.50.640.710.690.760.920.93
0.70.750.7800.730.580.450.780.690.760.760.880.850.760.580.62
0.690.670.70.7300.790.860.740.720.750.690.760.740.750.880.86
0.810.830.80.580.7900.660.80.790.860.790.790.670.750.680.56
0.760.810.860.450.860.6600.780.850.860.840.860.850.690.450.38
0.530.540.530.780.740.80.7800.590.60.530.740.850.760.840.83
0.540.640.550.690.720.790.850.5900.620.50.820.740.780.890.88
0.450.410.50.760.750.860.860.60.6200.550.720.770.780.930.92
0.530.460.640.760.690.790.840.530.50.5500.70.80.780.920.87
0.730.650.710.880.760.790.860.740.820.720.700.680.690.840.85
0.80.730.690.850.740.670.850.850.740.770.80.6800.70.80.81ATUS
0.810.740.760.760.750.750.690.760.780.780.780.690.700.780.64GACI
0.880.870.920.580.880.680.450.840.890.930.920.840.80.7800.57CITR
0.890.910.930.620.860.560.380.830.880.920.870.850.810.640.570JMRO
CORZTONUSAUCTOMECITRJMRO
Comparación de diferentes tipos de hábitat Nicaragua Sánchez et al (2005).
Bosque secundario
Charralesáreas de descanso después
de cultivos
B. ribera
Potrero alta cobertura
Potrero baja cobertura
METODOS DE ORDENAMIENTO.METODOS DE ORDENAMIENTO.
Técnica por la que se obtienen SECUENCIAS O GRADIENTESal disponer las muestras (individuos, atributos) a lo largo de ejes de variación continua.
Se trata de reducir el número de ejes de variación, simplificando el espacio multidimensional hasta obtener un sistema con el menor número de ejes que contengan la mayor parte de la variación.
INTERESA LA ORDENACION ECOLOGICA
ENCONTRAR VARIACIONES EN LA FLORA – FAUNA RESPECTO A GRADIENTES AMBIENTALES
Análisis directo de gradienteEn gral, se analiza si hay asociación entre una matriz de sitios X especies con una matriz de sitios X factores ambientales: ACC, RDA.
Análisis indirecto de gradienteLos gradientes ambientales no son estudiados directamente sino que se infieren a partir de la identificación de gradientes de variación en la composición de la vegetación o fauna, matriz sitiosXespecies: ACP, AC, NMDS
Ordenan los muestreos en relación a unas pocas y nuevas variables (ejes o dimensiones), que son combinaciones de las variables originales. Se buscan las variables que más discriminen o separen los grupos, que posean “mayor peso”.
Técnicas de ordenamiento para análisis de gradientes
Cuando un investigador observa o
intenta explicar los eventos que
ocurren en la naturaleza, comienza por
registrar ciertas características o
variables que él supone que se
encuentran asociadas con el fenómeno
de interés.
• Cada unidad de observación (objeto
de estudio) posee un sinnúmero de
variables, pero el investigador sólo
toma o mide las que serán útiles a
sus objetivos.
Ejemplo:Problema: “Vertido de efluentes industriales al
río Salí: efecto sobre los macroinvertebrados”
Unidades de observación: macroinvertebrados
Variables:Sólidos totales disueltos y en suspensión, Oxígeno disueltoConductividadpHCaudal
1º Paso para resolver el problema
a) Selección de sitios de muestreo
Ríos aledaños a industrias
Muestras de macroinvertebrados
(sitios antes del vertido y después del vertido y sitios de referencia)
Muestras de agua
Medición de variables
Muestras de macroinvertebrados
Conteo e identificación de organismos
Muestras de agua
Determinación de variables físico-químicas
Matriz de EspeciesSitios An Aul Bah Ba Chi Cory Cyl Dar Do Hel Lep Macl Mar Mes Met MM1 9/05 72 32 31 1 0 1 3 1 1 71 18 247 0 0 0
M2 9/05 29 1083 281 0 0 1 0 0 0 13 3 17 0 0 4
LJ1 9/05 14 1740 394 1 0 2 1 0 0 97 13 11 0 0 0
LJ2 9/05 11 1479 325 1 0 1 0 0 9 2 27 8 0 0 0
Y1 9/05 1 68 537 0 2 0 0 0 24 13 603 4 0 0 0
Y2 9/05 55 785 386 4 0 3 2 0 1 4 19 49 0 0 0
X1 9/05 35 190 566 1 0 3 0 0 0 0 2 3 0 0 0
X2 9/05 86 190 270 30 0 0 0 0 8 0 133 25 0 0 0
P1 9/05 38 47 975 42 0 3 1 0 5 1 71 10 0 0 0
P2 9/05 6 5 2316 92 0 0 0 2 19 0 99 58 6 0 0
T1 9/05 0 340 71 2 0 0 0 0 32 0 2 1 6 0 0
T2 9/06 2 305 31 7 0 0 0 0 1 19 21 0 11 0 0
S1 9/06 8 19 23 0 0 0 0 0 0 0 8 11 0 1 0
S2 9/06 5 8 21 4 0 0 0 0 2 32 1 7 1 3 0
N1 9/06 0 9 17 3 0 0 0 0 7 0 9 1 1 0 0
N2 9/06 15 284 795 100 0 2 0 6 0 0 4 2 22 17 0
G1 9/06 9 170 271 146 0 1 0 0 0 6 9 6 0 0 0
G2 9/06 10 876 47 3 0 2 0 0 44 18 17 0 0 1 0
Ta1 9/06 5 85 18 0 0 1 0 0 79 0 18 2 0 0 0
Ta2 9/06 2 18 274 0 0 1 0 0 0 1 277 1 1 1 0
Matriz de VariablesSitios BC CO SO4 Cl Ca Mg DO Na PH K NO Q C
M1 9/05 119 0,75 10 3,72 17,88 8,15 9 17,17 8 4,49 2,1 0,08M2 9/05 65,16 10,68 10 5,21 11,17 3,4 9 16,54 9 3,43 3,4 0,04LJ1 9/05 92,31 0,75 10 3,72 13,41 2,38 9 17,89 8 2,44 3 0,03LJ2 9/05 70,59 21,36 60 37,23 26,82 7,47 8,9 42,71 9 6,52 3,6 0,29Y1 9/05 144 8,54 82 44,68 44,69 5,43 8,28 60,67 9 9,34 4 0,04Y2 9/05 52,1 0,75 10 3,72 6,89 1,14 9 11,75 8 3,44 2,3 0,42X1 9/05 53,21 1,07 10 2,98 9,4 1,9 9 9,06 8 2,72 2,8 0,00X2 9/05 39,1 0,75 10 2,23 3,76 0,89 8,7 9,96 8 3,28 2,9 0,20P1 9/05 43,44 0,75 10 2,23 4,8 1,01 9 10,26 8 3,14 2 0,43P2 9/05 49,05 0,75 10 2,98 5,85 1,26 8,6 11,31 8 3,5 2,6 0,87T1 9/05 103 0,75 27 52,12 32,62 3,74 8,28 35,23 8 5,96 2,2 0,97T2 9/06 119 0,75 10 3,72 17,88 8,15 9 17,17 6 4,49 2,1 0,06S1 9/06 65,16 10,68 10 5,21 11,17 3,4 9 16,54 7 3,43 3,4 0,04S2 9/06 92,31 0,75 10 3,72 13,41 2,38 9 17,89 6 2,44 3 0,03N1 9/06 70,59 21,36 60 37,23 26,82 7,47 8,9 42,71 8 6,52 3,6 0,17N2 9/06 144 8,54 82 44,68 44,69 5,43 8,28 60,67 8 9,34 4 0,04G1 9/06 52,1 0,75 10 3,72 6,89 1,14 9 11,75 6 3,44 2,3 0,89 1G2 9/06 53,21 1,07 10 2,98 9,4 1,9 9 9,06 7 2,72 2,8 0,01 1
Ta1 9/06 39,1 0,75 10 2,23 3,76 0,89 8,7 9,96 6 3,28 2,9 0,50 11Ta2 9/06 43,44 0,75 10 2,23 4,8 1,01 9 10,26 6 3,14 2 0,49
¿Cómo analizamos las matrices?
• Debido a la gran cantidad de variables, las técnicas de ordenación = Análisis Multivariados son las más adecuadas para el análisis de los datos.
¿Porqué usar éste tipo análisis?
El análisis de ordenación nos permite:
• resumir una cantidad grande de datos,
• seleccionar los factores más importantes que están influyendo en nuestro sistema
• revelar patrones y procesos no previstos.
Describir en forma matemática una situación ambiental para que pueda ser publicada en
revistas científicas y pueda ser evaluada por los tomadores de decisiones
Las dos técnicas de Ordenación más populares que se utilizan para
explorar los datos de una matriz son:
• Análisis de Correspondencia (AC).
• Análisis de Componentes Principales (ACP).
Según la forma que tienen los datos ha de emplearse el análisis
correspondiente:
• Análisis de Correspondencia: Matriz especies x sitios,
• Análisis de Componentes Principales: Matriz de variables fco-qcas x sitios.
Base para interpretar un diagrama de ordenación:
• Los sitios que se encuentran más cercanos en el diagrama son similares en composición de especies/variables físico químicas, es decir, poseen características en común las cuales que permiten agruparlos.
Ejemplo:
Problema: “Vertido de efluentes industriales al río Salí: efecto sobre los
macroinvertebrados”
Matriz de EspeciesSitios An Aul Bah Ba Chi Cory Cyl Dar Do Hel Lep Macl Mar Mes Met MM1 9/05 72 32 31 1 0 1 3 1 1 71 18 247 0 0 0
M2 9/05 29 1083 281 0 0 1 0 0 0 13 3 17 0 0 4
LJ1 9/05 14 1740 394 1 0 2 1 0 0 97 13 11 0 0 0
LJ2 9/05 11 1479 325 1 0 1 0 0 9 2 27 8 0 0 0
Y1 9/05 1 68 537 0 2 0 0 0 24 13 603 4 0 0 0
Y2 9/05 55 785 386 4 0 3 2 0 1 4 19 49 0 0 0
X1 9/05 35 190 566 1 0 3 0 0 0 0 2 3 0 0 0
X2 9/05 86 190 270 30 0 0 0 0 8 0 133 25 0 0 0
P1 9/05 38 47 975 42 0 3 1 0 5 1 71 10 0 0 0
P2 9/05 6 5 2316 92 0 0 0 2 19 0 99 58 6 0 0
T1 9/05 0 340 71 2 0 0 0 0 32 0 2 1 6 0 0
T2 9/06 2 305 31 7 0 0 0 0 1 19 21 0 11 0 0
S1 9/06 8 19 23 0 0 0 0 0 0 0 8 11 0 1 0
S2 9/06 5 8 21 4 0 0 0 0 2 32 1 7 1 3 0
N1 9/06 0 9 17 3 0 0 0 0 7 0 9 1 1 0 0
N2 9/06 15 284 795 100 0 2 0 6 0 0 4 2 22 17 0
G1 9/06 9 170 271 146 0 1 0 0 0 6 9 6 0 0 0
G2 9/06 10 876 47 3 0 2 0 0 44 18 17 0 0 1 0
Ta1 9/06 5 85 18 0 0 1 0 0 79 0 18 2 0 0 0
Ta2 9/06 2 18 274 0 0 1 0 0 0 1 277 1 1 1 0
Axis 1
Sitios antes del vertido
Sitios después del vertido
Sitios de referencia
Axi
s 2
M1 9/05
M2 9/05G1 9/05
G2 9/05
Y1 9/05 Y2 9/05
R1 9/05
R2 9/05
R3 9/05
F1 9/05F2 9/05
U1 9/05
U2 9/05
Axis 1
Sitios antes del vertido
Sitios después del vertido
Sitios de referencia
Axi
s 2
Sp5
Sp4
Sp1 Sp2
Sp3
Axis 1
Sitios antes del vertido
Sitios después del vertido
Sitios de referencia
Axi
s 2
Sp6
Sp8
Sp9
Sp7
Sp5
Sp4
Sp1 Sp2
Sp3
Análisis de Correspondencia: Matriz de especies x sitios
El eje 1 separa los sitios de muestreo según altitud. Explica la mayor parte de la variabilidad; explicación que va disminuyendo en los restantes ejes.
Ejes 2 y 3: separan a los sitios por su particularidad en la composición de especiesLas especies indicadas en círculos rojos son exóticas y en azul nativas.
- 1
JMR
MAT
EFCI
VILL
TOME
SAUC
TONU
CORZ
CITR
GACI
ATUSVCOL
CEDRLAUR
FAG
SACÑ
-1.0 -0.5 0.0 0.5 1.0 1.5 2.0
Dimension 1; Eigenvalue: .33598 (18.12% of Inertia)
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
Dim
en
sio
n 2
; Eig
en
valu
e: .
24
56
4 (
13
.25
% o
f In
ert
ia)
JMR
MAT
EFCI
VILL
TOME
SAUC
TONU
CORZ
CITR
GACI
ATUSVCOL
CEDRLAUR
FAG
SACÑ
AMC
ACP AED
ACO
ADO
BAS
BLE BOE
CAQ
CED CELCEP
CES
CHA
CIP
CUV
ENC
ERI
EUCEUL
GLE
BAM
HEP
JAM
JUA
LANLIG
LYC
MAG
MOA
MYR
MLA
PEX
PAM
PHE
PIN
PHI
PTUPIA
PIS
PRU
PSI
PCA
RIC
RUI
SHUSAP
SEPSOR
TEC
TIP
TRE
UCA
VES
VFU
VSQ
ZAF
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0
Dimension 1; Eigenvalue: .33598 (18.12% of Inertia)
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
2.5
Dim
en
sio
n 2
; Eig
en
valu
e: .
24
56
4 (
13
.25
% o
f In
ert
ia)
AMC
ACP AED
ACO
ADO
BAS
BLE BOE
CAQ
CED CELCEP
CES
CHA
CIP
CUV
ENC
ERI
EUCEUL
GLE
BAM
HEP
JAM
JUA
LANLIG
LYC
MAG
MOA
MYR
MLA
PEX
PAM
PHE
PIN
PHI
PTUPIA
PIS
PRU
PSI
PCA
RIC
RUI
SHUSAP
SEPSOR
TEC
TIP
TRE
UCA
VES
VFU
VSQ
ZAF
< altitud + 1
> altitud
+ 2
Análisis de correspondencia: los tres primeros ejes: 42% de varianza acumulada
- 1
- 2
Cuales especies determinan la “calidad”
Eje 1 x eje 3se han considerado solo los ejes que explican más del 10% de la variabilidad
JMR
MAT
EFCI
VILLTOME
SAUCTONU
CORZ
CITR
GACI
ATUS
VCOL
CEDR
LAUR
FAG
SACÑ
-1.0 -0.5 0.0 0.5 1.0 1.5 2.0
Dimension 1; Eigenvalue: .33598 (18.12% of Inertia)
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
Dim
en
sio
n 3
; E
ige
nva
lue:
.19
24
1 (
10
.38
% o
f In
ert
ia)
JMR
MAT
EFCI
VILLTOME
SAUCTONU
CORZ
CITR
GACI
ATUS
VCOL
CEDR
LAUR
FAG
SACÑ AMC
ACP
AED
ACO
ADO
BASBLE
BOE
CAQ
CED
CEL
CEPCES
CHA
CIP
CUV
ENC
ERI
EUC
EUL
GLE
BAM
HEP
JAM
JUA
LAN
LIGLYC
MAG
MOA
MYR
MLA
PEX PAM
PHE
PIN
PHI
PTU
PIA
PIS
PRU
PSI
PCA
RICRUI
SHU
SAP
SEPSOR
TEC
TIPTRE
UCA
VES
VFU
VSQ
ZAF
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0
Dimension 1; Eigenvalue: .33598 (18.12% of Inertia)
-3.5
-3.0
-2.5
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
Dim
ensi
on 3
; E
igen
valu
e: .
1924
1 (1
0.38
% o
f In
ertia
)
AMC
ACP
AED
ACO
ADO
BASBLE
BOE
CAQ
CED
CEL
CEPCES
CHA
CIP
CUV
ENC
ERI
EUC
EUL
GLE
BAM
HEP
JAM
JUA
LAN
LIGLYC
MAG
MOA
MYR
MLA
PEX PAM
PHE
PIN
PHI
PTU
PIA
PIS
PRU
PSI
PCA
RICRUI
SHU
SAP
SEPSOR
TEC
TIPTRE
UCA
VES
VFU
VSQ
ZAF
+ 3
- 3
Eje 2 x eje 3
las especies
caracterizan los sitios,
el resto del
ordenamiento de los
sitios, se debería a
variables de tipo
ambiental: NMDS
JMR
MAT
EFCI
VILLTOME
SAUCTONU
CORZ
CITR
GACI
ATUS
VCOL
CEDR
LAUR
FAG
SACÑ
-1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
Dimension 2; Eigenvalue: .24564 (13.25% of Inertia)
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
Dim
en
sio
n 3
; Eig
en
valu
e: .
19
24
1 (
10
.38
% o
f In
ert
ia)
JMR
MAT
EFCI
VILLTOME
SAUCTONU
CORZ
CITR
GACI
ATUS
VCOL
CEDR
LAUR
FAG
SACÑ AMC
ACP
AED
ACO
ADO
BASBLE
BOE
CAQ
CED
CEL
CEPCES
CHA
CIP CUV
ENC
ERI
EUC
EUL
GLE
BAM
HEP
JAMJUA LAN
LIGLYC
MAG
MOA
MYR
MLA
PEX PAM
PHE
PIN
PHI
PTU
PIAPIS
PRU
PSI
PCA
RIC
RUI
SHU
SAP
SEPSOR
TEC
TIPTRE
UCA
VES
VFU
VSQ
ZAF
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5
Dimension 2; Eigenvalue: .24564 (13.25% of Inertia)
-3.5
-3.0
-2.5
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
Dim
en
sio
n 3
; Eig
en
valu
e: .
19
24
1 (
10
.38
% o
f In
ert
ia)
AMC
ACP
AED
ACO
ADO
BASBLE
BOE
CAQ
CED
CEL
CEPCES
CHA
CIP CUV
ENC
ERI
EUC
EUL
GLE
BAM
HEP
JAMJUA LAN
LIGLYC
MAG
MOA
MYR
MLA
PEX PAM
PHE
PIN
PHI
PTU
PIAPIS
PRU
PSI
PCA
RIC
RUI
SHU
SAP
SEPSOR
TEC
TIPTRE
UCA
VES
VFU
VSQ
ZAF
+2+3
+2-3
La diversidad alfa es la riqueza de especies de una comunidad particular a la que consideramos homogénea,
La diversidad beta es el grado de cambio o reemplazo en la composición de especies entre diferentes comunidades en un paisaje, y
la diversidad gamma es la riqueza de especies del conjunto de comunidades que integran un paisaje, resultante tanto de las diversidades alfa como de las diversidades beta (Whittaker, 1972).
MÉTODOS DE MEDICIÓN AL NIVEL DE ESPECIES
COMUNIDAD A
COMUNIDAD B
COMUNIDAD C
COMUNIDAD D
COMUNIDAD e
Sp1 Sp2
Sp3
Sp5
Sp7 Sp5
Sp4Sp18
Sp15Sp19
Sp16
Sp13
Sp10 Sp8
Sp12Sp11
Sp9
Sp17Sp14
Sp20Sp21
Sp19
Sp22
Sp18
Sp1
β
α
β DIVERSIDAD• Entre dos comunidades vegetales
distintas geográficamente contiguas en el territorio, existirán especies diferentes y muy probablemente especies comunes.
• La beta-diversidad es la tasa de cambio en especies de dos comunidades vegetales adyacentes.
• Refleja por lo tanto la diferencia de composición de las dos comunidades y en última instancia la heterogeneidad del paisaje.
Representación gráfica de la alfa-, beta y gamma-diversidad de un paisaje montañoso, en el que las comunidades vegetales se distribuyen según un gradiente altitudinal
UTILIDAD DE LOS ESTUDIOS
• REALIZAR PROPUESTAS DE MANEJO
• REALIZAR PROPUESTAS DE GESTION AMBIENTAL
• EJ. ENTRE EL NUMERO TOTAL DE ESPECIES VEGETALES,
SELECCIONAR UN GRUPO REPRESENTATIVO PARA INICIAR
UN PROCESO DE RESTAURACION EN UN AMBIENTE
RIBEREÑO
APLICACIONES DE LA β diversidad
Se emplea generalmente para estudiar la heterogeneridad del paisaje.
evaluar el efecto de añadir una comunidad diferente a un Area Protegida
para aumentar la superficie de un área protegida
para evaluar la tasa de cambio de las comunidades vegetales en la sucesión ecológica (escala temporal) ej. Figura A
Sorensen0= no comunes1= similares