Macroecología
Universidad de Buenos Aires
NOTA: Tienen que cargar el “workspace” (archivo .RData) del ejercicio anterior pues este tiene los objetos que usaremos en este ejercicio.
Cargar los siguientes paquetes:
library(raster)
library(maptools)
library(rgeos)
library(sp)
Cargar las variables ambientales
aet <- raster("UBA_2022/UBA_2022_data/AET.bil")
npp <- raster("UBA_2022/UBA_2022_data/npp2.asc")
#Checar que los rasters estén "proyectados"
projection(npp)
projection(aet)
#Si no estuvieran proyectados, sin tener una referencia geográfica, hay que definir una (la "default", coordenadas geográficas)
proj4string(aet) <- CRS("+proj=longlat +ellps=WGS84 +towgs84=0,0,0,0,0,0,0 +no_defs")
proj4string(npp) <- CRS("+proj=longlat +ellps=WGS84 +towgs84=0,0,0,0,0,0,0 +no_defs")
Cortar los rasters de NPP e AET para el extent del raster de América del Sur (creado antes, de 1º de resolución)
aet_amer <- crop(aet,extent(amer_ras))
npp_amer <- crop(npp,extent(amer_ras))
Agregar los valores de NPP y AET en una resolución mayor
aet_amer1 <- aggregate(aet_amer,2)
npp_amer1 <- aggregate(npp_amer,2)
Los valores de AET en los océanos es de 255, tienen que transformar para NA (este paso es sólo para AET, no para NPP)
aet_amer1_vals <- values(aet_amer1)
aet_amer1_vals <- ifelse(aet_amer1_vals==255,NA,aet_amer1_vals)
aet_amer1_nas <- aet_amer1
values(aet_amer1_nas) <- aet_amer1_vals
Obtener las coordenadas del raster de los carnívoros
carniv_ras_coords <- xyFromCell(carniv_raster, 1:length(values(carniv_raster)))
Obtener los valores de AET en los sitios en donde hay carnívoros. Cambiar NAs por 0s
carniv_ras_aet <- extract(aet_amer1_nas,carniv_ras_coords)
carniv_ras_rich <- values(carniv_raster)
carniv_ras_rich_nonas <- ifelse(is.na(carniv_ras_rich),0,carniv_ras_rich)
carniv_ras_aet_nonas <- ifelse(is.na(carniv_ras_aet),0,carniv_ras_aet)
#Enfoque Correlativo: riqueza ~ ambiente Correlación entre riqueza de carnívoros y AET
cor(carniv_ras_aet_nonas, carniv_ras_rich_nonas)
cor.test(carniv_ras_aet_nonas, carniv_ras_rich_nonas)
#Considerando la autocorrelación espacial
library(SpatialPack)
modified.ttest(carniv_ras_aet_nonas, carniv_ras_rich_nonas, carniv_ras_coords)
Repetir las correlaciones (los pasos anteriores) para los patrones en diferentes escalas que generamos en el ejercicio anterior
¿Cómo se ven? ¿Hay diferencias entre las escalas?