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

Un gradiente y una especie

Un gradiente y varias especies

Se diferencian las comunidades?

1. “Escuela organísmica" (Clements, 1916 y Tansley) superorganismo", “cuasiorganismo” con límites discretos organización cerrada.

2. “Concepto individualista (Gleason & Whittaker) organización abierta.

Visión individualista (Gleason)

Enfoque organísmico (Clement)

La comunidad como agregado de organismos. Sps conviven en un mismo lugar y momento. Sin cohesión, independientes entre sí

La comunidad como un superorganismo. Sistema viviente distintivo con su propia organización y estructura, relaciones, desarrollo y función. Sistema coordinado y autorregulado.

ANALISIS DE COMUNIDADES: COMUNIDADES

CUALITATIVOS: +/ TIPOS DE DATOS CUANTITATIVOS: numéricos

HIPERESPACIO

EJEMPLO

TIPO DE DATOS

PRESENCIA AUSENCIA

CARACTER

ESTADOS

BANDAS DE COLOR EN INSECTOS

PRESENCIA

AUSENCIA

DOBLE ESTADO

TERMINAL ESTADOS EXCLUYENTES

POSICION DE LA INFLORESCENCIA AXILAR

MARGEN DE LA HOJA SIN SECUENCIA LÓGICA

ASERRADO LOBULADO ENTERO

CUALITATIVOS MULTIESTADO

CON SECUENCIA LÓGICA

Pubescencia

CONTÍNUOS

LONGITUD ABDOMEN

DISCONTÍNUOS

NUMERO DE FLORES DE LA INFLORESENCIA

CUANTITATIVOS

METODOS 1- METODOS DE CLASIFICACIÓN o CLUSTER ANALYSIS

2- MÉTODOS DE ORDENAMIENTO o A.C.P

OTU: COMUNIDAD, ESPECIE, UNIDAD DE MUESTRA QUE SE CLASIFICA U ORDENA

Clasificación Agrupamiento de casos con propiedades en común. Se basa en índices de similitud. Análisis de Cluster

Ordenamiento Disposición de casos a lo largo de ejes de variación contínua. Estudia los gradientes ambientales. ACP, NMDS, CA. CCA, RDA

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 – DISTANCIA DOBLE ESTADO: ASOCIACIÓN

COEFICIENTES DE ASOCIACIÓN 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:

ESPECIES COMUNIDADES HAY DOS TIPOS DE ANALISIS: TECNICA R TECNICA Q

TECNICA R ESPECIE A

ESPECIE B

+ +

-

-

a (1 – 1)

b (1 – 0)

c (0 – 1)

d (0 – 0)

a: caracteres presentes en las especies A y B d: caracteres ausentes en ambas especies

TECNICA Q Muestra 1

Muestra 2

+ +

-

-

a (1 – 1)

b (1 – 0)

c (0 – 1)

d (0 – 0)

COEFICIENTES DE ASOCIACIÓN COEF. DE JACCARD:

a/a+b+c no contempla ausencias conjuntas

__________________________________ COEF. DE SORENSEN:

2 a / 2a + b + c Enfatiza coincidencias

HASTA ESTE PASO: SE OBTUVO UNA MATRIZ DE SIMILITUD.

¿ Es suficiente para expresar relaciones entre la totalidad de las OTU ?

NO ¡¡¡¡ POR QUE EXPONE SIMILITUDES ENTRE PARES DE OTU

Análisis de Matrices de Similitud Análisis de Agrupamientos

VALORES Q.B.R.y por puntos de muestreo

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)

Presencia - Ausencia

International Plant Names Index - I.P.N.I.(2012) - Zuloaga & Morrone (2012)

CITR QBRy 25

CORZ

QBRy 90

elementos para el diagnóstico (Indice)

Construcción Construcciónde de tomas tomasde deagua agua

canalización canalizacióndel del canal canaldel delrío río

Zonas Zonas agrícolas agrícolas adyacentes adyacentes Ganado Ganado

factores factoresde de presión presiónen enelel área árearibereña ribereña

urbanizaciones urbanizaciones

construcción construcciónde de caminos caminos

entrada entradade deefluentes efluentes industriales industriales- residuos residuossólidos sólidos urbanos urbanos

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.

Probability Density Function

Probability Distribution Function

y=logis(x|0|1)

p=ilogis(x|0|1)

0,60

1,0

0,8 0,45

PROGRAMA

0,6 0,30 0,4

STATISTICA 0,15

0,2

0,00

-4

Bivariate Histogram (Distance Matrix.STA 5v*9c)

-2

0

2

4

0,0

-4

-2

0

2

4

M1

MUESTRA1 MUESTRA2 NUESTRA3 MUESTRA4 MUESTRA5 Means Std.Dev. No.Cases Matrix

0 4,242640495 4,690415859 5,099019527 5,19615221 0,489361701 0,505291155 47 3

M2

4,242640495 0 3,741657495 4,472136021 4,79583168 0,404255321 0,496052877

M3

4,690415859 3,741657495 0 4,472136021 5 0,531914896 0,504374941

M4

5,099019527 4,472136021 4,472136021 0 3,872983456 0,40425532 0,496052877

M5

5,19615221 4,79583168 5 3,872983456 0 0,29787234 0,462267268

Tree Diagram for 5 Variables Single Linkage Euclidean distances

MUESTRA1 MUESTRA2 NUESTRA3 MUESTRA4 MUESTRA5

3,6

3,7

3,8

3,9

4,0

Linkage Distance

4,1

4,2

4,3

4,4

4,5

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) muestra

Acaci a macra cant

Allophylu s ed

Acacia praecox Griseb.

Anadena nthera colub

……

………

………

…………. .

……….

……..

Celtis iguan

JMRO

0

0

0

0

0

0

0

0

0

0

0

MAT

0

0

0

0

1

0

0

0

0

0

0

EFCI

1

0

0

0

0

1

0

1

0

0

0

VILL

1

1

0

0

0

0

0

1

0

0

1

TOME

0

0

0

1

0

0

0

1

0

1

1

SAUC

1

1

1

0

0

0

0

1

0

1

1

TONU

1

0

1

0

0

0

1

1

0

1

1

CORZ

1

1

1

0

0

0

1

1

1

1

1

CITR

0

0

0

0

1

1

0

0

0

0

0

GACI

0

0

1

1

1

1

0

0

0

0

1

ATUS

1

0

0

0

0

1

0

0

0

0

0

VCOL

1

0

1

0

0

1

0

0

0

1

0

CEDR

1

0

1

0

0

0

1

1

0

1

1

LAUR

0

0

1

0

0

0

0

1

0

0

1

FAG

0

0

0

0

0

0

0

1

0

1

1

SACÑ

1

0

1

0

0

0

0

1

0

0

1

Matriz de similitud según índice de Jaccard (matriz intermedia) = fila X fila (sitio X sitio) JMRO

CITR

SAUC

TONU

0

0.57

0.64

0.81

0.85

0.87

0.92

0.88

0.83

0.38

0.56

0.86

0.62

0.93

0.91

0.89

CITR

0.57

0

0.78

0.8

0.84

0.92

0.93

0.89

0.84

0.45

0.68

0.88

0.58

0.92

0.87

0.88

GACI

0.64

0.78

0

0.7

0.69

0.78

0.78

0.78

0.76

0.69

0.75

0.75

0.76

0.76

0.74

0.81

ATUS

0.81

0.8

0.7

0

0.68

0.8

0.77

0.74

0.85

0.85

0.67

0.74

0.85

0.69

0.73

0.8

0.85

0.84

0.69

0.68

0

0.7

0.72

0.82

0.74

0.86

0.79

0.76

0.88

0.71

0.65

0.73

0.87

0.92

0.78

0.8

0.7

0

0.55

0.5

0.53

0.84

0.79

0.69

0.76

0.64

0.46

0.53

0.92

0.93

0.78

0.77

0.72

0.55

0

0.62

0.6

0.86

0.86

0.75

0.76

0.5

0.41

0.45

0.88

0.89

0.78

0.74

0.82

0.5

0.62

0

0.59

0.85

0.79

0.72

0.69

0.55

0.64

0.54

0.83

0.84

0.76

0.85

0.74

0.53

0.6

0.59

0

0.78

0.8

0.74

0.78

0.53

0.54

0.53

0.38

0.45

0.69

0.85

0.86

0.84

0.86

0.85

0.78

0

0.66

0.86

0.45

0.86

0.81

0.76

0.56

0.68

0.75

0.67

0.79

0.79

0.86

0.79

0.8

0.66

0

0.79

0.58

0.8

0.83

0.81

0.86

0.88

0.75

0.74

0.76

0.69

0.75

0.72

0.74

0.86

0.79

0

0.73

0.7

0.67

0.69

0.62

0.58

0.76

0.85

0.88

0.76

0.76

0.69

0.78

0.45

0.58

0.73

0

0.78

0.75

0.7

0.93

0.92

0.76

0.69

0.71

0.64

0.5

0.55

0.53

0.86

0.8

0.7

0.78

0

0.5

0.39

TONU

0.91

0.87

0.74

0.73

0.65

0.46

0.41

0.64

0.54

0.81

0.83

0.67

0.75

0.5

0

0.36

CORZ

0.89

0.88

0.81

0.8

0.73

0.53

0.45

0.54

0.53

0.76

0.81

0.69

0.7

0.39

0.36

0

JMRO

TOME

CORZ

Potrero baja cobertura

Potrero alta cobertura

B. ribera

Charrales áreas de descanso después de cultivos

Bosque secundario

Comparación de diferentes tipos de hábitat Nicaragua Sánchez et al (2005).

Núcleo Grupo

Grupo

subgrupos

Familias de árboles de las yungas argentinas (tres sectores)

METODOS DE ORDENAMIENTO. Técnica por la que se obtienen SECUENCIAS O GRADIENTES al 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

Técnicas de ordenamiento para análisis de gradientes 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”.

Análisis directo de gradiente En 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 gradiente Los 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

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 disuelto Conductividad pH Caudal

¿Qué son los macroinvertebrados?

Bioindicadores de la calidad del agua

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

Muestreo de organismos bentónicos

Muestreo de organismos bentónicos

Caudal

Toma de muestras de agua y determinación de variables físico-químicas

Muestras de macroinvertebrados

Conteo e identificación de organismos

Muestras de agua

Determinación de variables físico-químicas

Matriz de Especies Sitios M1 9/05 M2 9/05 LJ1 9/05 LJ2 9/05 Y1 9/05 Y2 9/05 X1 9/05 X2 9/05 P1 9/05 P2 9/05 T1 9/05 T2 9/06 S1 9/06 S2 9/06 N1 9/06 N2 9/06 G1 9/06 G2 9/06 Ta1 9/06 Ta2 9/06

An 72 29 14 11 1 55 35 86 38 6 0 2 8 5 0 15 9 10 5 2

Aul Bah 32 31 1083 281 1740 394 1479 325 68 537 785 386 190 566 190 270 47 975 5 2316 340 71 305 31 19 23 8 21 9 17 284 795 170 271 876 47 85 18 18 274

Ba 1 0 1 1 0 4 1 30 42 92 2 7 0 4 3 100 146 3 0 0

Chi Cory Cyl 0 1 3 0 1 0 0 2 1 0 1 0 2 0 0 0 3 2 0 3 0 0 0 0 0 3 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 1 0 0 2 0 0 1 0 0 1 0

Dar 1 0 0 0 0 0 0 0 0 2 0 0 0 0 0 6 0 0 0 0

Do 1 0 0 9 24 1 0 8 5 19 32 1 0 2 7 0 0 44 79 0

Hel 71 13 97 2 13 4 0 0 1 0 0 19 0 32 0 0 6 18 0 1

Lep Macl Mar Mes 18 247 0 0 3 17 0 0 13 11 0 0 27 8 0 0 603 4 0 0 19 49 0 0 2 3 0 0 133 25 0 0 71 10 0 0 99 58 6 0 2 1 6 0 21 0 11 0 8 11 0 1 1 7 1 3 9 1 1 0 4 2 22 17 9 6 0 0 17 0 0 1 18 2 0 0 277 1 1 1

Met M 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Matriz de Variables Sitios M1 9/05 M2 9/05 LJ1 9/05 LJ2 9/05 Y1 9/05 Y2 9/05 X1 9/05 X2 9/05 P1 9/05 P2 9/05 T1 9/05 T2 9/06 S1 9/06 S2 9/06 N1 9/06 N2 9/06 G1 9/06 G2 9/06 Ta1 9/06 Ta2 9/06

BC 119 65,16 92,31 70,59 144 52,1 53,21 39,1 43,44 49,05 103 119 65,16 92,31 70,59 144 52,1 53,21 39,1 43,44

CO 0,75 10,68 0,75 21,36 8,54 0,75 1,07 0,75 0,75 0,75 0,75 0,75 10,68 0,75 21,36 8,54 0,75 1,07 0,75 0,75

SO4 10 10 10 60 82 10 10 10 10 10 27 10 10 10 60 82 10 10 10 10

Cl 3,72 5,21 3,72 37,23 44,68 3,72 2,98 2,23 2,23 2,98 52,12 3,72 5,21 3,72 37,23 44,68 3,72 2,98 2,23 2,23

Ca 17,88 11,17 13,41 26,82 44,69 6,89 9,4 3,76 4,8 5,85 32,62 17,88 11,17 13,41 26,82 44,69 6,89 9,4 3,76 4,8

Mg 8,15 3,4 2,38 7,47 5,43 1,14 1,9 0,89 1,01 1,26 3,74 8,15 3,4 2,38 7,47 5,43 1,14 1,9 0,89 1,01

DO 9 9 9 8,9 8,28 9 9 8,7 9 8,6 8,28 9 9 9 8,9 8,28 9 9 8,7 9

Na 17,17 16,54 17,89 42,71 60,67 11,75 9,06 9,96 10,26 11,31 35,23 17,17 16,54 17,89 42,71 60,67 11,75 9,06 9,96 10,26

PH 8 9 8 9 9 8 8 8 8 8 8 6 7 6 8 8 6 7 6 6

K 4,49 3,43 2,44 6,52 9,34 3,44 2,72 3,28 3,14 3,5 5,96 4,49 3,43 2,44 6,52 9,34 3,44 2,72 3,28 3,14

NO 2,1 3,4 3 3,6 4 2,3 2,8 2,9 2 2,6 2,2 2,1 3,4 3 3,6 4 2,3 2,8 2,9 2

Q 0,08 0,04 0,03 0,29 0,04 0,42 0,00 0,20 0,43 0,87 0,97 0,06 0,04 0,03 0,17 0,04 0,89 0,01 0,50 0,49

C

1 1 11

¿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 Especies Sitios M1 9/05 M2 9/05 LJ1 9/05 LJ2 9/05 Y1 9/05 Y2 9/05 X1 9/05 X2 9/05 P1 9/05 P2 9/05 T1 9/05 T2 9/06 S1 9/06 S2 9/06 N1 9/06 N2 9/06 G1 9/06 G2 9/06 Ta1 9/06 Ta2 9/06

An 72 29 14 11 1 55 35 86 38 6 0 2 8 5 0 15 9 10 5 2

Aul Bah 32 31 1083 281 1740 394 1479 325 68 537 785 386 190 566 190 270 47 975 5 2316 340 71 305 31 19 23 8 21 9 17 284 795 170 271 876 47 85 18 18 274

Ba 1 0 1 1 0 4 1 30 42 92 2 7 0 4 3 100 146 3 0 0

Chi Cory Cyl 0 1 3 0 1 0 0 2 1 0 1 0 2 0 0 0 3 2 0 3 0 0 0 0 0 3 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 1 0 0 2 0 0 1 0 0 1 0

Dar 1 0 0 0 0 0 0 0 0 2 0 0 0 0 0 6 0 0 0 0

Do 1 0 0 9 24 1 0 8 5 19 32 1 0 2 7 0 0 44 79 0

Hel 71 13 97 2 13 4 0 0 1 0 0 19 0 32 0 0 6 18 0 1

Lep Macl Mar Mes 18 247 0 0 3 17 0 0 13 11 0 0 27 8 0 0 603 4 0 0 19 49 0 0 2 3 0 0 133 25 0 0 71 10 0 0 99 58 6 0 2 1 6 0 21 0 11 0 8 11 0 1 1 7 1 3 9 1 1 0 4 2 22 17 9 6 0 0 17 0 0 1 18 2 0 0 277 1 1 1

Met M 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Análisis de Correspondencia

Programa

Pcord4.lnk

Axis 2

Sitios antes del vertido R3 9/05

Sitios después del vertido

R1 9/05

Sitios de referencia

R2 9/05 M1 9/05 M2 9/05

G1 9/05

G2 9/05 U1 9/05 Y1 9/05

U2 9/05

Y2 9/05

Axis 1 F1 9/05

F2 9/05

Axis 2

Sitios antes del vertido

Sp8

Sp7

Sitios después del vertido

Sp9

Sitios de referencia Sp1

Sp2

Sp6

Sp5

Axis 1

Sp3

Sp4

Análisis de Correspondencia: Matriz de especies x sitios

77 especies ribereñas

Presencia - Ausencia

Análisis de correspondencia: los tres primeros ejes: 42% de varianza acumulada

Cuales especies determinan la “calidad” 1.2

2.5

VCOL

ATUS

0.8

+2

D im e n s io n 2 ; E ig e n v a lu e : .2 4 5 6 4 (1 3 .2 5 % o f In e rtia )

D im e n s io n 2 ; E ig e n v a lu e : .2 4 5 6 4 (1 3 .2 5 % o f In e rtia )

1.0

EFCI

0.6

GACI

0.4 0.2 0.0

VILL

-1

-0.2

SAUC FAG TONU CEDR TOME LAUR

CORZ

SACÑ

-0.4 -0.6 -0.8

CITR JMR

- 1altitud > MAT

-2 < altitud + 1

-1.0 -1.2 -1.0

-0.5

0.0

0.5

1.0

Dimension 1; Eigenvalue: .33598 (18.12% of Inertia)

1.5

2.0

2.0

PIN

1.5 1.0 0.5 0.0 -0.5

PSI

VSQ PAM EUL

BAM EUC

BAS

HEP CES MYR LIG VES CUV PEX LYC LAN JAM AMC ACO MLA PCA PHI VFU ACP SEP AED CIP TEC MAG SOR JUA PRU CED CEL MOA PIA RUI ENC CEP PTU CHA BLE PIS BOE SAP ZAF GLE UCA SHU PHE CAQ TIP

RIC ADO

-1.0 ERI TRE

-1.5 -2.0 -2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

2.5

Dimension 1; Eigenvalue: .33598 (18.12% of Inertia)

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 especies Las especies indicadas en círculos rojos son exóticas y en azul nativas.

3.0

2.0

1.0

+3

Eje 1 x eje 3 se han considerado solo los ejes que explican más del 10% de la variabilidad

EFCI 0.6

VCOL

0.4

SACÑ CEDR

0.2 0.0 -0.2

JMR

ATUS

1.5 Dimension 3; Eigenvalue: .19241 (10.38% of Inertia)

D im e n s io n 3 ; E ig e n v a lu e : .1 9 2 4 1 (1 0 .3 8 % o f In e rtia )

0.8

MAT

FAG TONU SAUC LAUR CORZ

CITR

VILL TOME

-0.4 -0.6 -0.8 -1.0

GACI

-3

-1.2 -1.4 -1.0

-0.5

0.0

0.5

1.0

VES PIN PSI MYR TIP PCA GLE PTU VSQ CES MOA PHE SHU AMC JUA LIG ENC PIS CEP CHA TEC BAS JAM BLE CED MLA LYC VFU PRU BOE AEDCIP EULSOR LAN PIA RUI PEXSEP UCA PAM CAQ ZAF PHI CEL CUV MAG SAP ACP

1.0 0.5 0.0 -0.5

JMR

0.6

VCOL

0.4

ATUS

SACÑ CEDR

MAT

+2 +3

0.2 LAUR TONU SAUC FAG

CITR

0.0

CORZ

-0.2

VILL

TOME

-0.4 -0.6 -0.8 -1.0

GACI -1.2 -1.4 -1.2

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

Dimension 2; Eigenvalue: .24564 (13.25% of Inertia)

Eje 2 x eje 3

+2 -3

0.8

1.0

1.2

D im e n s io n 3 ; E ig e n v a lu e : .1 9 2 4 1 (1 0 .3 8 % o f In e rtia )

D im e n s io n 3 ; E ig e n v a lu e : .1 9 2 4 1 (1 0 .3 8 % o f In e rtia )

EFCI

1.5 1.0

-2.0 BAM EUC

-2.5 -3.0

1.5

-3.5 -2.0

2.0

-1.5

-1.0

0.5 0.0 -0.5

VES

0.0

0.5

1.0

1.5

2.0

2.5

3.0

las especies

PIN PSI

MYR PCA VSQ GLESHU PTU MOA TEC AMC CES LIG BAS RUICHA MLA EUL PHECEP ENC VFU JAMLYC BLE JUACED LAN AED PIS ADO BOE PAM PEX PIA RIC UCA CIPSEPSOR CUV CEL CAQ PRU ACP PHI SAP ZAF MAG

caracterizan los sitios,

TIP

el resto del

-1.0 -1.5

ACO

ordenamiento de los

HEP

-2.0

sitios, se debería a

BAM EUC

-2.5 -3.0 -3.5 -2.0

-0.5

Dimension 1; Eigenvalue: .33598 (18.12% of Inertia)

ERI TRE

ADO RIC

HEP ACO

-1.5

2.0

0.8

TRE

-1.0

Dimension 1; Eigenvalue: .33598 (18.12% of Inertia)

1.0

ERI

variables de tipo -1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

Dimension 2; Eigenvalue: .24564 (13.25% of Inertia)

2.0

2.5

ambiental: NMDS

MÉTODOS DE MEDICIÓN AL NIVEL DE ESPECIES 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).

Sp20

Sp21

Sp12

Sp11

COMUNIDAD C

Sp10

COMUNIDAD e

Sp9

Sp18

Sp8

Sp22

Sp19 Sp1

Sp7

Sp5

COMUNIDAD B

Sp4

Sp5

Sp18

Sp16

β Sp1

Sp17

Sp14

Sp13

COMUNIDAD D

Sp2

α COMUNIDAD A

Sp3

Sp15

Sp19

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 Sorensen 0= no comunes 1= similares

PARA PENSAR