/
prepara_datos_mariposas.Rmd
228 lines (176 loc) · 7.1 KB
/
prepara_datos_mariposas.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
---
title: "Prepara los datos de mariposas"
author: "Antonio J. Pérez-Luque"
date: "2021-12-28"
output: workflowr::wflow_html
editor_options:
chunk_output_type: console
---
## Introduction
En este apartado usamos los datos de contactos de mariposas para su preparación.
```{r setup, include=FALSE}
knitr::opts_chunk$set(
message = FALSE
)
```
```{r pkg, message=FALSE}
library(tidyverse)
library(readxl)
library(janitor)
library(here)
library(lubridate)
library(DT)
library(vegan)
```
## Preparación de datos
- Usamos datos descargados directamente de [linaria.obsnev.es](https://linaria.obsnev.es/). Tenemos dos archivos: conteos y visitas.
- Utilizamos solo fecha de inicio y computamos mes, año y día de cada contacto.
- Filtramos los datos:
- No utilizaremos los años 2008, 2009, 2010, 2011, 2021
- No utilizaremos datos de los meses de marzo, abril, septiembre y octubre
- No usamos los datos: Robledal de Cáñar ni Hoya de la Mora
```{r read-data-count}
rawdata <- read_delim(here::here("data/mariposas_diurnas_contactos_transectos.csv"), delim = ";") %>%
janitor::clean_names() %>%
mutate(year = lubridate::year(fecha_inicio),
month = lubridate::month(fecha_inicio),
day = lubridate::day(fecha_inicio)) %>%
dplyr::select(-fecha_fin, -fecha_inicio)
d <- rawdata %>%
filter(year >= 2011) %>%
filter(year < 2021) %>%
filter(!(month %in% c(3,4,9,10))) %>%
filter(transecto != "Hoya de la Mora") %>%
filter(transecto != "Robledal de Cáñar")
```
- Leer información de transectos: longitud, abreviatura; y creamos una variable llamada *elev* (elevación) que corresponde al promedio entre la altura mínima y máxima del transecto.
```{r read-data-transectos}
metadata_transectos <- read_excel(here::here("data/longitud_transectos.xlsx"),
sheet = "Longitud_transectos") %>%
janitor::clean_names() %>%
mutate(id_transecto = paste0("16_",transectid))
abrev <- read_csv(here::here("data/transect_abrev.csv")) %>% janitor::clean_names() %>%
rename(id_transecto = id_transect)
transectos <- metadata_transectos %>%
inner_join(abrev) %>%
dplyr::select(-transectid, -transect) %>%
rowwise() %>%
mutate(elev = round(((min_altitu+max_altitu)/2),0)) %>%
rename(transecto = name)
```
### Total contactos transecto y año
- Generamos un dataset con el total (número de contactos) por transecto y visita
```{r compute-ntotal-visita}
ntotal_transecto_visita <- d %>%
group_by(id_visita, id_transecto, transecto, year) %>%
summarise(ntotal = sum(total))
```
- Leemos información de las visitas realizadas a los transectos. Genero un dataset de visitas con aquellas visitas sin contactos
```{r read-data-visitas}
rawvisitas <- read_delim(here::here("data/mariposas_diurnas_visitas.csv"),
delim = ";", col_types = cols(Temperatura = col_number())) %>% janitor::clean_names() %>%
mutate(year = lubridate::year(fecha_inicio),
month = lubridate::month(fecha_inicio),
day = lubridate::day(fecha_inicio)) %>%
dplyr::select(-fecha_fin, -fecha_inicio)
visitas <- rawvisitas %>%
filter(year >= 2011) %>%
filter(year < 2021) %>%
filter(transecto_parcela != "Hoya de la Mora") %>%
filter(transecto_parcela != "Robledal de Cáñar") %>%
filter(!(month %in% c(3,4,9,10))) %>%
dplyr::select(id_visita=id, transecto=transecto_parcela, year, month, day)
ntotal_transecto_visitas_cero <- visitas %>%
filter(!(id_visita %in% unique(d$id_visita))) %>%
mutate(ntotal = 0) %>%
dplyr::select(-month, -day) %>%
inner_join((transectos %>% dplyr::select(transecto, id_transecto))) %>%
relocate(id_visita, transecto, id_transecto)
```
- Unimos los dos datasets anteriores y le adjuntamos información de los transectos.
- Filtramos los datos de 2018. Eliminamos todas las visitas de 2018 excepto para los transectos Pitres, Dúrcal, Turbera, Laguna ("16_45","16_46","16_48","16_49")
```{r compute-ntotal}
ntotalraw <- bind_rows(ntotal_transecto_visita, ntotal_transecto_visitas_cero) %>% inner_join(transectos)
ntotal <- ntotalraw %>%
filter(!(year == 2018 & !id_transecto %in% c("16_45","16_46","16_48","16_49")))
```
### Densidad
- Densidad por año
```{r compute-densidad}
densidad_by_year <- ntotal %>%
group_by(id_transecto, transecto, site, elev, year) %>%
summarise(abundancia = sum(ntotal),
long_total = sum(longitud) / 100) %>%
mutate(den = abundancia / long_total)
```
```{r export-densidad}
write_csv(densidad_by_year, here::here("data/densidad_by_year.csv"))
```
```{r view-densidad}
datatable(densidad_by_year)
```
### Diversidad
- ¿Cuantas especies se han contactado?. Observamos que hay registros de taxones identificados a diferentes niveles. Vamos a ver aquellos que estén registrados a nivel al menos específico.
```{r compute-especies}
taxones_anotados <- d %>%
dplyr::select(id_especie, nombre_cientifico) %>% unique() %>%
mutate(w = stringr::str_count(nombre_cientifico, "\\w+"))
especies <- taxones_anotados %>% filter(w>1)
```
```{r compute-diversidad}
m <- d %>%
filter(!(year == 2018 & !id_transecto %in% c("16_45","16_46","16_48","16_49"))) %>%
filter(nombre_cientifico %in% especies$nombre_cientifico) %>%
mutate(sp = stringr::word(nombre_cientifico, start = 1, end = 2)) %>%
mutate(spabrev = stringr::str_replace(sp," ", ".")) %>%
dplyr::select(-sp) %>%
mutate(sp = str_replace(spabrev, " ", ".")) %>%
group_by(transecto, spabrev, year) %>%
summarise(n_ind = sum(total)) %>%
pivot_wider(names_from = year,
values_from=n_ind,
names_prefix = "y", values_fill = 0) %>% as.data.frame()
years <- c("y2012","y2013","y2014","y2015","y2016","y2017","y2018","y2019","y2020")
out_h <- data.frame()
for (y in years){
vars <- c("spabrev", "transecto", y)
aux_diversidad <- m %>%
dplyr::select(all_of(vars)) %>%
pivot_wider(names_from = spabrev, values_from = y, values_fill = 0) %>%
column_to_rownames(var = "transecto")
h <- vegan::diversity(aux_diversidad) %>% as.data.frame()
names(h) <- "diversidad"
h$year <- y
h$transecto <- row.names(h)
out_h <- rbind(out_h, h)
}
# Ojo en el cómputo de diversidad aparecen años y transectos con 0. Creo que es un error. Los dejo con NA
rownames(out_h) <- NULL
diversidad <- out_h %>%
mutate(year = as.numeric(substring(year,2)),
diversidad = na_if(diversidad,0)) %>%
inner_join(transectos)
write_csv(diversidad, here::here("data/diversidad_by_year.csv"))
```
```{r view-diversidad}
datatable(diversidad)
```
### Riqueza
```{r compute-riqueza}
riq <- d %>%
filter(!(year == 2018 & !id_transecto %in% c("16_45","16_46","16_48","16_49"))) %>%
filter(nombre_cientifico %in% especies$nombre_cientifico) %>%
mutate(sp = stringr::word(nombre_cientifico, start = 1, end = 2)) %>%
mutate(spabrev = stringr::str_replace(sp," ", ".")) %>%
dplyr::select(-sp) %>%
group_by(transecto, year) %>%
summarise(sp_unique = unique(spabrev)) %>%
group_by(transecto, year) %>%
count() %>%
rename(riq = n) %>%
inner_join(transectos)
write_csv(riq, here::here("data/riqueza_by_year.csv"))
```
```{r view-riqueza}
datatable(riq)
```