====== Nicho Sucessional ======
{{:mod1:mat_apoio:nichoattack.jpeg?200 |}}
Nossos modelos anteriores pressupunham que a competição entre as espécies era uma resposta tudo ou nada (acontece ou não acontece) instantânea. Entretanto, observando a natureza perceberemos que plantas com alta capacidade de colonização geralmente apresentam altas taxas metabólicas (respiração, fotossíntese e alocação de tecido reprodutivo). Essas altas taxas possibilitam que as plantas cresçam e se reproduzam mais rapidamente, o que pode conferir a elas uma vantagem adicional na interação competitiva. Imagine uma floresta, onde uma clareira foi aberta por uma árvore caída e que ambas espécies, a melhor competidora e a melhor dispersora, cheguem ao mesmo tempo. Nessa situação, imaginar que a melhor competidora irá excluir a outra imediatamente não parece muito razoável, simplesmente porque precisa haver antes a restrição de recurso. Por outro lado, a espécie que tiver maior taxa de crescimento poderá se reproduzir antes que a limitação de recurso ocorra e ela seja excluída por competição.
===== Modelo de Pacala e Rees =====
Esse período, antes da redução de recurso no ambiente, cria um nicho efêmero que foi chamado por Pacala e Rees (1998) de nicho de sucessão. Esses autores desenvolveram um modelo simples para testar suas ideias. Para começar eles estabeleceram cinco estados possíveis no sistema:
- Vago: nenhuma das espécies
- Inicial: ocupado apenas pelas espécies da sucessão inicial
- Sensível: ocupado pela espécie tardia, mas suscetível a invasão da inicial pois o recurso ainda é abundante
- Misto: ocupado por ambas espécies, a caminho da exclusão competitiva
- Resistente: ocupado apenas pela tardia e resistente a invasão
Dado esses estados o processo de sucessão teria algumas possibilidades de trajetórias:
* VAGO -> INICIAL -> MISTO -> RESISTENTE
* VAGO -> SENSÍVEL -> MISTO -> RESISTENTE
* VAGO -> SENSÍVEL -> RESISTENTE
Vamos criar nosso modelo. Para simplificar, ao invez de modelarmos cada uma das espécies, vamos modelar o estado e suas transições de uma forma similar que modelamos os estados dos indivíduos em uma população: lembra dos modelos matricias de Leslei e Leftockvich da primeira aula?! Veja o esquema abaixo para entender as transições de estado:
{{:mod1:mat_apoio:regnichfig.png?500 |}}
Nesse modelo temos quatro parâmetros //b//, α, //m//, γ :
* //c//: taxa de colonização base
* α (//a//): taxa colonização relativa à espécie de sucessão inicial
* //m//: taxa de mortalidade ou distúrbio
* γ (//g//) : taxa de exclusão competitiva
Com esses quatro parâmetros é possível modelar a variação da proporção de estados ao longo do tempo, com a expressão que aparecem na transição da figura. Linhas cheias indicam expressão de aumento na proporção e linhas interrompidas diminuições. Por exemplo, a variação no estado SENSÍVEL é dada por:
$$ (dS)/dt = [c(S + R + M)]V - [αc(M+E)]S - gS - mS $$
Vamos agora criar uma função para a dinâmica de sucessão desse modelo. Copie o código abaixo para o R!
{{:mod1:mat_apoio:nichocode.jpeg?200 |}}
reg.nicho=function(tf=100, linhas=100, colunas=100, a2, c1,c2, ec, m, I=0.08, S=0.02, M=0, R=0)
{
N=colunas*linhas
V=1-I-S-M-R
cena=array(NA,dim=c(linhas,colunas,tf))
cena[,,1]<-sample(c(0:4), N, prob=c(V,I,S,M, R), replace=TRUE)
resulta=matrix(0, ncol=5, nrow = tf)
conta=table(cena[,,1])/N
resulta[1,(as.numeric(names(conta))+1)]<-conta
for (t in 2:tf)
{
Vvf<-cena[,,t-1]==0
nV=sum(Vvf)
Ivf<-cena[,,t-1]==1
nI=sum(Ivf)
Svf<-cena[,,t-1]==2
nS=sum(Svf)
Mvf<-cena[,,t-1]==3
nM=sum(Mvf)
Rvf<-cena[,,t-1]==4
nR=sum(Rvf)
p.col1=c1*(nS+nM+nR)/N
p.col2=c2*(nI+nM)/N
p.ncol=1-p.col1- p.col2
p.permI = 1- (m + p.col1)
p.permS = 1- (m + p.col2 + ec)
p.permM = 1 - (m + ec)
if(p.ncol<0){p.ncol=0}
if(p.permI<0){p.permI=0}
if(p.permS<0){p.permS=0}
if(p.permM<0){p.permM=0}
cena[,,t][Vvf]<-sample(c(0,1,2),nV, replace=TRUE, prob=c(p.ncol,p.col2,p.col1))
cena[,,t][Ivf]<-sample(c(0,1,3), nI, replace=TRUE, prob=c(m,p.permI , p.col1))
cena[,,t][Svf]<-sample(c(0,2,3,4), nS, replace=TRUE, prob=c(m,p.permS, p.col2, ec))
cena[,,t][Mvf]<-sample(c(0,3,4), nM, replace=TRUE, prob=c(m,p.permM, ec))
cena[,,t][Rvf]<-sample(c(0,4), nR, replace=TRUE, prob=c(m,1 - m))
conta=table(cena[,,t])/N
resulta[t,(as.numeric(names(conta))+1)]<-conta
}
x11()
matplot( 1:tf,resulta[,2:5], type="l", xlab="tempo", ylab="proporção de estados", lty=2:5, col=2:5)
legend("topright", c("Inicial", "Sensivel", "Medio", "Resistente"), bty="n", lty=2:5, col=2:5, cex=0.7)
invisible(cena)
}
Copie também a função abaixo para podermos vizualizar as simulações em quadros:
anima.cena=function(dados)
{
nt=dim(dados)[3]
x11()
op=par(mfrow=c(5,5), mar=c(0.1,0.1,0.1,0.1))
for(i in 1:nt)
{
image(dados[,,i], main="", bty="n",xaxt='n',yaxt='n', col=c("white", "yellow", "orange", "blue", "green"))
grid(dim(dados)[2],dim(dados)[1])
}
x11()
par(mfrow=c(2,2))
image(dados[,,1], main= paste("Ocupação de manchas\n \ttempo=", 1 ), bty="n",xaxt='n',yaxt='n',col=c("white", "yellow", "orange", "blue", "green"))
grid(dim(dados)[2],dim(dados)[1])
image(dados[,,round(nt/3)], main= paste("Ocupação de manchas\n \ttempo=", round(nt/3) ), bty="n",xaxt='n',yaxt='n',col=c("white", "yellow", "orange", "blue", "green"))
grid(dim(dados)[2],dim(dados)[1])
image(dados[,,round(2*nt/3)], main= paste("Ocupação de manchas\n \ttempo=", round(2*nt/3) ), bty="n",xaxt='n',yaxt='n',col=c("white", "yellow", "orange", "blue", "green"))
grid(dim(dados)[2],dim(dados)[1])
image(dados[,,nt], main= paste("Ocupação de manchas\n \ttempo=", nt ), bty="n",xaxt='n',yaxt='n',col=c("white", "yellow", "orange", "blue", "green"))
grid(dim(dados)[2],dim(dados)[1])
par(op)
}
Testando com uma taxa de exclusão competitiva alta e baixa mortalidade.
test1=reg.nicho(tf=50, linhas=100, colunas=100, c1=0.2, c2=0.8, ec=0.5, m=0.04, I=0.08, S=0.02, M=0, R=0)
anima.cena(test1)
Vamos agora simular alguns cenários. Apenas copia as duas linha de comando acima e mude os parâmetros solicitados:
- diminuição da exclusão competitiva para 10% (mude o **test1** para **test2** e **ec=0.7** para **ec=0.1**,
- mantenha a **ec** em 0.1 e aumente o distúrbio para 10% (m=0.1)
- agora coloque ambas as espécies com mesma taxa de colonização máxima (c1=0.4, c2=0.4),
Interprete os cenários acima associando a trajetória do sistema a:
* sucessão ecológica
* nicho sucessional
* distúrbio intermediário
* competição
{{:mod1:mat_apoio:nicheinspector.jpeg?200 |}}
===== Perguntas =====
- Produza um texto curto interpretando os cenários acima de modo integrado (não há necessidade de explicar separadamente cada um), associando suas trajetórias a:
* sucessão ecológica
* nicho sucessional
* distúrbio intermediário
* competição
- Modifique os argumentos dessa função de forma a produzir um cenários que contenha apenas a demanda conflitante (tradeoff) competição x colonização. Explique.
- A coexistência é possível se consideramos apenas o efeito do nicho sucessional? Use uma simulação para justificar sua resposta.
===== Referência Bibliográfica =====
* {{:mod1:mat_apoio:pacala_rees1998.pdf|Pacala, S. & M. Rees}}. 1998. Models suggesting field experiments to test two hypotheses explaining successional diversity. The American Naturalist 152(2): 729:737.
* Stevens, M.H.H. (2009) A primer in ecology with R. New York, Springer. {{:mod1:mat_apoio:stevens_cap9.pdf|capítulo 9}}