-
Notifications
You must be signed in to change notification settings - Fork 1
/
07_datos.Rmd
466 lines (379 loc) · 14 KB
/
07_datos.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
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
# (APPENDIX) Appéndice {-}
# Datos sintéticos
Este apéndice muestra el código usado para obtener los datos sintéticos del curso y el manual de evaluación. Primero, debemos definir una serie de variables que contengan los valores predeterminados o rangos de valores que cada variable puede tomar. Para los propósitos del curso, generaremos únicamente información biológica y económica de peces.
```{r cargar-pkts, echo = T}
# Cargamos los paquetes que necesitamos
suppressPackageStartupMessages({
library(magrittr)
library(tidyverse)
})
```
```{r crear-predeterminados, eval = F, echo = T}
######################################
# Generar variables predeterminadas
######################################
# Las fechas estaran centradas en el dia 1 de cada mes
dia <- 1
# Los muestreos ocurren aleatoriamente entre abril y junio
mes <- 4:6
# Generaremos datos del 200 al 2018
ano <- 2000:2018
# El estado va a ser NA
estado <- NA
# La comunidad imaginaria va a ser Las Positas
comunidad <- "Las Positas"
# En Las Positas hay 4 sitios, dos reservas y dos controles
# el tipo de sitio se define mas adelante
sitio <- c("Las cruces",
"Cerro prieto",
"Calencho",
"Popotla")
# No es necesario definir el habitat
habitat <- NA
# La zona es determinada con esta funcion
zona <- function(sitio){
ifelse(sitio %in% c("Las cruces",
"Cerro prieto"),
"Reserva",
"Control")
}
# Tipo de proteccion es NA
tipo_proteccion <- NA
# ANP es NA
ANP <- NA
# Lista de posibles buzos monitores
# (http://www.laff.bren.ucsb.edu/laff-network/alumni)
buzo_monitor <- c("Caio Faro",
"Alexandra Smith",
"Diana Flores",
"Ignacia Rivera",
"Wagner Quiros",
"Gonzalo Banda",
"Camila Vargas",
"Diego Undurraga",
"Denise Garcia",
"Cristobal Libertad",
"Catalina Milagros")
# Horas iniciales arbitrarias
hora_inicial <- c("6:50",
"8:40",
"10:20",
"12:15",
"13:40",
"14:45",
"15:20")
# Rango de profundidades iniciales posibles
profundidad_inicial <- 5:27
# Esta funcion inventa una profundidad final
# segun la profundidad inicial
profundidad_final <- function(profundidad_inicial){
round(profundidad_inicial + rnorm(n = 1, mean = 0, sd = 1),
digits = 1)
}
# Rango de temperaturas
temperatura <- 25:27
# Rango de visibilidades
visibilidad <- 3:12
# Corriente es NA
corriente <- NA
# Numeros de transectos
transecto <- 1:12
# Crear un origen en comun para las secuencias aleatorias
set.seed(42)
# De la lista de especies filtramos para tener
# especies menores a 160 cm y que tengan todos
# los parametros de a,b, NT y Lmax
spp <- MPAtools::species_bio %>%
filter(Lmax < 160) %>%
select(GeneroEspecie, a, b, NT, Lmax) %>%
drop_na() %>%
sample_n(15)
# Crear un vector con todas las especies
genero_especie <- spp$GeneroEspecie
# Esta funcion inventa una talla observada con una
# distribucion normal con promedio = la mitad entre
# 0 y la longitud maxima reportada y desviacion
# estandar = 0.3 * el promedio
tallas <- function(spp, generoespecie){
# calcular talla media
talla <- spp %>%
filter(GeneroEspecie == generoespecie) %$%
Lmax / 2
# obtener ruido al rededor de la talla media
noise <- rnorm(n = 1, mean = 0, sd = 0.3 * talla / 2)
# Redondear para evitar decimales
round(talla + noise)
}
# Esta funcion regresa la abundancia de la especie
# que es un numero que sigue una distribucion de
# poisson con Lambda = 12
mean_sp <- function(generoespecie){
rpois(n = 1, lambda = 12)
}
# Esta funcion regresa el par RC para cada sitio
rc <- function(sitio){
ifelse(sitio %in% c("Las cruces",
"Calencho"),
"Las cruces - Calencho",
"Cerro prieto - Popotla")
}
```
```{r simular-datos, eval = F, echo = T}
######################################
# Simular datos
######################################
# Crear un data.frame vacio
datos <- tibble(Dia = NA,
Mes = NA,
Ano = NA,
Estado = NA,
Comunidad = NA,
Sitio = NA,
Latitud = NA,
Longitud = NA,
Habitat = NA,
Zona = NA,
TipoProteccion = NA,
ANP = NA,
BuzoMonitor = NA,
HoraInicial = NA,
ProfundidadInicial = NA,
ProfundidadFinal = NA,
Temperatura = NA,
Visibilidad = NA,
Corriente = NA,
Transecto = NA,
Genero = NA,
Especie = NA,
GeneroEspecie = NA,
Sexo = NA,
Talla = NA,
ClaseTalla = NA,
Abundancia = NA,
RC = NA)
# Definir un ciclo para iterar cada año
for(i in ano){
# El ano es determinado por el ciclo
Ano <- i
# El estado es constante
Estado <- estado
# La comunidad es constante
Comunidad <- comunidad
# Definir un ciclo para iterar cada sitio
for(j in sitio){
# El sitio es determinado por el ciclo
Sitio <- j
#La latitud y longitud son NAs
Latitud <- NA
Longitud <- NA
# El habitat es constante (NA)
Habitat <- habitat
# Definir la zona segun la funcion anterior
Zona <- zona(j)
# El tipo de proteccion es constante (NA)
TipoProteccion <- tipo_proteccion
# El ANP es constante (NA)
ANP <- ANP
# Definir un ciclo para iterar cada transecto
for(k in transecto){
Dia <- dia
# Aleatoriamente muestreamos un mes de la lista anterior
Mes <- sample(x = mes,
size = 1L)
# Escoger aleatoriamente un buzo monitor
BuzoMonitor <- sample(x = buzo_monitor,
size = 1L)
# Escoger aleatoriamente la hora inicial
HoraInicial <- hora_inicial[sample(x = 1:7,
size = 1L)]
# Escoger alteatoriamente la profundidad inicial
ProfundidadInicial <- sample(x = profundidad_inicial,
size = 1L)
# Calcular la profundidad final segun la funcion anterior
ProfundidadFinal <- profundidad_final(ProfundidadInicial)
# Escoger una temperatura alteatoria
Temperatura <- sample(x = temperatura,
size = 1L)
# Escoger una visibilidad aleatoria
Visibilidad <- sample(x = visibilidad,
size = 1L)
# Corriente es NA
Corriente <- NA
# El transecto esta determinado por el ciclo
Transecto <- k
# Obtener un numero aleatorio para la riqueza
n_spp <- runif(n = 1, min = 0, max = 10) %>%
as.integer()
# Muestrear la lista de especies para obtener las
# observadas en este transecto
GeneroEspecie <- sample(genero_especie,
size = n_spp)
# Sexo es NA
Sexo <- NA
# La funcion rc me dice los pares RC
RC <- rc(Sitio)
# Definir un ciclo para iterar cada especie
for(l in GeneroEspecie){
# Separar genero y especie
Genero <- str_split(l, " ")[[1]][[1]]
Especie <- str_split(l, " ")[[1]][[2]]
# Obtener un numero aleatorio entre 1 y 5 para
# definir el numero de grupos de tallas observados
nobs <- sample(x = 1:5, size = 1L)
# Definir un ciclo para iterar cada grupo de
# observaciones de una spp
for(m in 1:nobs){
# Escoger una talla aleatoria segun la funcion anterior
Talla <- tallas(spp = spp, generoespecie = l)
# Clase talla es constante (NA)
ClaseTalla <- NA
# Muestrear una abundanciasegun la funcion
Abundancia <- mean_sp(generoespecie = l)
# Juntar las observaciones de este grupo de tallas
datos_ijklm <- tibble(Dia,
Mes,
Ano,
Estado,
Comunidad,
Sitio,
Latitud,
Longitud,
Habitat,
Zona,
TipoProteccion,
ANP,
BuzoMonitor,
HoraInicial,
ProfundidadInicial,
ProfundidadFinal,
Temperatura,
Visibilidad,
Corriente,
Transecto,
Genero,
Especie,
GeneroEspecie = l,
Sexo,
Talla,
ClaseTalla,
Abundancia,
RC)
datos <- rbind(datos, datos_ijklm)
} # Fin nobs
} # Fin especie
} # Fin transecto
} # Fin sitio
} # Fin años
# Borrar los NAs originales y agrupar grupos de
# talla en caso de que esten duplicados
datos %<>%
drop_na(dia) %>%
group_by(Dia, Mes, Ano, Estado, Comunidad, Sitio, Latitud,
Longitud, Habitat, Zona, TipoProteccion, ANP,
BuzoMonitor, HoraInicial, ProfundidadInicial,
ProfundidadFinal, Temperatura, Visibilidad, Corriente,
Transecto, Genero, Especie, GeneroEspecie, Sexo,
Talla, ClaseTalla, RC) %>%
summarize(Abundancia = sum(Abundancia, na.rm = T)) %>%
ungroup() %>%
select(Dia, Mes, Ano, Estado, Comunidad, Sitio, Latitud,
Longitud, Habitat, Zona, TipoProteccion, ANP,
BuzoMonitor, HoraInicial, ProfundidadInicial,
ProfundidadFinal, Temperatura, Visibilidad, Corriente,
Transecto, Genero, Especie, GeneroEspecie, Sexo,
Talla, ClaseTalla, Abundancia, RC)
```
```{r exportar-datos-crudos, echo = F, eval = F}
write.csv(x = datos,
file = here::here("materiales", "datos", "datos_crudos.csv"),
row.names = F)
```
```{r read-data, echo = F}
datos <- read.csv(file = here::here("materiales", "datos", "datos_crudos.csv"),
stringsAsFactors = F)
```
```{r graficar-datos, echo = T, fig.height = 7.2, fig.width = 6, fig.cap = "Series de tiempo de los datos antes de agregar tendencias."}
# Graficar los datos
ggplot(data = datos,
mapping = aes(x = Ano, y = Abundancia,
color = Zona, group = Sitio, linetype = RC)) +
geom_point(alpha = 0.5, size = 0.5) +
stat_summary(geom = "line", fun.y = "mean", size = 1) +
facet_wrap(~GeneroEspecie, ncol = 3, scales = "free_y") +
startR::ggtheme_plot() +
theme(legend.position = "top") +
scale_color_brewer(palette = "Set1") +
xlab("Año")
```
```{r agregar-tendencias, echo = T}
# Ahora agregamos tendencias en abundancias y tallas.
# Las abundancias aumentan un 10% cada ano despues del 2000.
# Las tallas aumentan 1 cm cada año.
datos <- datos %>%
mutate(neg = ifelse(RC == "Cerro prieto - Popotla", -1, 1),
Abundancia = ifelse(Zona == "Reserva" & Ano > 2000,
Abundancia * (1 + (neg * ((Ano - 2000) * 0.1))),
Abundancia),
Talla = ifelse(Zona == "Reserva" & Ano > 2000,
Talla + (neg * ((Ano - 2000) * 1)),
Talla)) %>%
select(-neg)
```
```{r graficar-datos-abundancias, echo = T, fig.height = 7.2, fig.width = 6, fig.cap = "Series de tiempo de las abundancias con tendencias (10% anual) después del primer año. Note como una reserva funciona y otra no."}
# Graficar los datos
ggplot(data = datos,
mapping = aes(x = Ano, y = Abundancia,
color = Zona, group = Sitio, linetype = RC)) +
geom_point(alpha = 0.5, size = 0.5) +
stat_summary(geom = "line", fun.y = "mean", size = 1) +
facet_wrap(~GeneroEspecie, ncol = 3, scales = "free_y") +
startR::ggtheme_plot() +
theme(legend.position = "top") +
scale_color_brewer(palette = "Set1") +
xlab("Año")
```
```{r graficar-datos-tallas, echo = T, fig.height = 7.2, fig.width = 6, fig.cap = "Series de tiempo de las tallas con tendencias (+2 cm anual) después del primer año. Note como una reserva funciona y otra no."}
# Graficar los datos
ggplot(data = datos,
mapping = aes(x = Ano, y = Abundancia,
color = Zona, group = Sitio, linetype = RC)) +
geom_point(alpha = 0.5, size = 0.5) +
stat_summary(geom = "line", fun.y = "mean", size = 1) +
facet_wrap(~GeneroEspecie, ncol = 3, scales = "free_y") +
startR::ggtheme_plot() +
theme(legend.position = "top") +
scale_color_brewer(palette = "Set1") +
xlab("Año")
```
```{r exportar-datos, echo = T}
# Exportar datos
write.csv(x = datos,
file = here::here("materiales", "datos", "datos_peces.csv"),
row.names = F)
```
```{r datos-rc, echo = T}
# Generar datos para comparación de todas las reservas y todos los controles.
datos_rc <- datos %>%
mutate(RC = "Reserva - Control")
```
```{r exportar-rc, echo = T}
#Exportar datos RC
write.csv(x = datos_rc,
file = here::here("materiales", "datos", "datos_peces_rc.csv"),
row.names = F)
```
```{r biometrics}
# Join with biometric data
datos_abnt <- datos %>%
left_join(select(MPAtools::species_bio, GeneroEspecie, a, b, NT, Lm)) %>%
mutate(NT = NT + 0.2,
a = a * 1.1,
b = b * 1.1,
Lm = Lm * 0.75)
```
```{r exportar-abnt, echo = T}
#Exportar datos RC
write.csv(x = datos_abnt,
file = here::here("materiales", "datos", "datos_peces_abnt.csv"),
row.names = F)
```