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)

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

Muestra 1

Muestra 2 b

(1 – 0)

a

(1 – 1)

+

c

(0 – 1)

+

d

(0 – 0)-

-

TECNICA Q

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

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)

QBRy 25

CITR

QBRy 90CORZ

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

Familias de árboles de las yungas argentinas (tres sectores)

Núcleo

Grupo

Grupo

subgrupos

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

¿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 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

Pcord4.lnk

Programa

Análisis de Correspondencia

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

77 especiesribereñas

Presencia - Ausencia

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

PA

RA

PE

NS

AR