vignettes/selecionando_especies.Rmd
selecionando_especies.RmdSelecionar uma lista de espécies-alvo é uma tarefa comum em estudos macroecológicos e de conservação. Por exemplo, um pesquisador pode desejar modelar a distribuição de mamíferos arborícolas que ocorrem em um estado específico.
Aplicando diferentes filtros ao banco de dados, podemos obter uma lista verificada das espécies de animais brasileiros para qualquer estado brasileiro ou país. Além disso, o filtro pode ser aplicado para selecionar espécies por filo, classe, ordem, família, gênero, forma de vida, habitat, origem e status taxonômico. Neste tutorial, vamos ver como utilizar o pacote faunabr para selecionar uma lista de espécies com base nessas características.
Antes de começar, utilize a função load_faunabr() para
carregar os dados. Para informações mais detalhadas sobre como obter e
carregar os dados, consulte Primeiros
passos com faunabr
library(faunabr)
#Carregar dados
bf <- load_faunabr(data_dir = my_dir, #Pasta onde foi salvo o arquivo com get_faunabr()
data_version = "latest", #Versão mais recente
type = "short") #Versão resumida
#> Loading version 1.3Aqui, vamos utilizar os dados baixados em português
(translate = FALSE em get_faunabr()).
Um dos principais objetivos deste pacote é auxiliar na seleção de uma lista de espécies com base na classificação taxonômica, características e distribuição. Especificamente, você pode filtrar por:
Para explorar todas as opções disponíveis para cada filtro, utilize a
função fauna_attributes() com os atributos desejados. Esta
função fornecerá uma lista de data.frames com as opções disponíveis para
usar na função select_fauna():
#Obter as opções disponíveis para filtrar por forma de vida, habitat e origem
fauna_at <- fauna_attributes(data = bf,
attribute = c("lifeForm", "habitat", "origin"))
head(fauna_at$lifeForm)
#> lifeForm
#> 1 colonial
#> 2 comensal
#> 3 ectoparasito
#> 4 ectoparasitoide
#> 5 endoparasito
#> 6 endoparasitoide
head(fauna_at$habitat)
#> habitat
#> 1 agua_doce
#> 2 aguas_subterraneas
#> 3 arboreo
#> 4 cavernicola
#> 5 fossorial
#> 6 hiporreico
head(fauna_at$origin)
#> origin
#> 1 criptogenica
#> 2 exotica
#> 3 nativaComo exemplo, vamos considerar o cenário em que desejamos obter uma lista de todos os insetos arbóreos nativos com ocorrências confirmadas no Rio de Janeiro:
insects_rj <- select_fauna(data = bf, include_subspecies = FALSE,
phylum = "all",
class = "Insecta", #Insetos
order = "all",
family = "all",
genus = "all",
lifeForm = "all", filter_lifeForm = "in",
habitat = "arboreo", filter_habitat = "in",
states = "RJ", #Rio de Janeiro
filter_states = "in", #Que ocorrem NO RJ
country = "all", filter_country = "in",
origin = "nativa",
taxonomicStatus = "valido")
nrow(insects_rj)
#> [1] 114O filtro retornou 114 espécies que atendem aos critérios especificados. É importante notar que essas seleções incluem espécies com ocorrências confirmadas no Rio de Janeiro, e algumas delas também podem ter ocorrências confirmadas em outros estados.
#Primeiros 7 valores únicos de Estados onde as espécies ocorrem
unique(insects_rj$states)[1:7]
#> [1] "AC;AM;AP;BA;CE;DF;ES;GO;MA;MG;MS;MT;PA;PE;RJ;RN;RO;RR;SE;SP;TO"
#> [2] "BA;MA;MG;MT;PR;RJ;RS;SC;SP"
#> [3] "ES;MG;PE;PR;RJ;RS;SP"
#> [4] "ES;PR;RJ;SP"
#> [5] "RJ"
#> [6] "RJ;SP"
#> [7] "ES;MG;RJ;RS;SC;SP" Se você deseja selecionar espécies com ocorrências confirmadas apenas no Rio de Janeiro, e não em nenhum outro estado, modifique o parâmetro filter_state para “only”:
insects_rj_only <- select_fauna(data = bf, include_subspecies = FALSE,
phylum = "all",
class = "Insecta", #Insetos
order = "all",
family = "all",
genus = "all",
lifeForm = "all", filter_lifeForm = "in",
habitat = "arboreo", filter_habitat = "in",
states = "RJ", #Rio de Janeiro
filter_states = "only", #Com ocorrência APENAS no RJ
country = "all", filter_country = "in",
origin = "nativa",
taxonomicStatus = "valido")
nrow(insects_rj_only)
#> [1] 22
unique(insects_rj_only$states)
#> [1] "RJ"Agora, o filtro retornou 22 espécies, todas exclusivamente confinadas ao Rio de Janeiro.
Além disso, o pacote oferece a flexibilidade de combinar vários
filtros (consulte ?select_fauna para mais detalhes). Por
exemplo, considere o cenário em que desejamos compilar uma lista de
insetos nativos com ocorrências confirmadas nos estados do Paraná (PR),
Santa Catarina (SC) e Rio Grande do Sul (RS):
insects_south <- select_fauna(data = bf, include_subspecies = FALSE,
phylum = "all",
class = "Insecta", #Insetos
order = "all",
family = "all",
genus = "all",
lifeForm = "all", filter_lifeForm = "in",
habitat = "all", filter_habitat = "in",
states = c("PR", "SC", "RS"), #Estados do Sul do Brasil
filter_states = "in", #EM qualquer um dos estados
country = "all", filter_country = "in",
origin = "nativa",
taxonomicStatus = "valido")
nrow(insects_south)
#> [1] 11461
#Primeiros 10 valores únicos de Estados onde as espécies ocorrem
unique(insects_south$states)[1:10]
#> [1] "PR;SP"
#> [2] "BA;MT;RJ;RS"
#> [3] "RS"
#> [4] "PR"
#> [5] "PR;RS"
#> [6] "GO;PA;RO;RR;SC"
#> [7] "MG;PR;SP"
#> [8] "GO;MG;PR;RS;SC"
#> [9] "GO;RJ;SC"
#> [10] "AC;AL;AM;AP;BA;CE;DF;ES;GO;MA;MG;MS;MT;PA;PB;PE;PI;PR;RJ;RN;RO;RR;RS;SC;SE;SP;TO"Como utilizamos filter_state = “in”, nossa seleção englobou espécies que ocorrem nos três estados, mas também aquelas presentes apenas em dois ou mesmo em um deles, além de outros estados. Para impor um critério mais rigoroso, selecionando apenas as espécies com ocorrências confirmadas em todos os três estados, podemos usar filter_state = “and”:
insects_south_and <- select_fauna(data = bf, include_subspecies = FALSE,
phylum = "all",
class = "Insecta", #Insetos
order = "all",
family = "all",
genus = "all",
lifeForm = "all", filter_lifeForm = "in",
habitat = "all", filter_habitat = "in",
states = c("PR", "SC", "RS"),
filter_states = "and", #PR & SC & RS
country = "all", filter_country = "in",
origin = "nativa",
taxonomicStatus = "valido")
nrow(insects_south_and)
#> [1] 1924
#Primeiros 10 valores únicos de Estados onde as espécies ocorrem
unique(insects_south_and$states)[1:10]
#> [1] "GO;MG;PR;RS;SC"
#> [2] "AC;AL;AM;AP;BA;CE;DF;ES;GO;MA;MG;MS;MT;PA;PB;PE;PI;PR;RJ;RN;RO;RR;RS;SC;SE;SP;TO"
#> [3] "AC;AM;MG;MS;MT;PA;PE;PR;RO;RS;SC;SP"
#> [4] "AM;BA;CE;DF;ES;GO;MG;MS;MT;PA;PE;PR;RJ;RS;SC;SP"
#> [5] "AC;AM;AP;BA;CE;DF;ES;GO;MG;MS;MT;PA;PE;PR;RJ;RO;RR;RS;SC;SE;SP;TO"
#> [6] "BA;ES;MG;PR;RJ;RS;SC;SP"
#> [7] "AM;DF;ES;GO;PR;RJ;RR;RS;SC;SP"
#> [8] "ES;GO;MG;PR;RJ;RS;SC;SP"
#> [9] "AC;AM;AP;BA;CE;ES;GO;MA;MG;MT;PA;PR;RJ;RO;RS;SC;SP;TO"
#> [10] "GO;MG;MS;PR;RO;RS;SC;SP"Agora, nossa seleção consistiu exclusivamente em espécies com ocorrências confirmadas em todos os estados especificados. No entanto, ao utilizar o argumento “and”, permitimos que o filtro incluísse espécies com ocorrências em estados adicionais. Para limitar o filtro a espécies com ocorrências confirmadas exclusivamente nos três estados, sem ocorrências em outros lugares, podemos usar filter_state = “only”:
insects_south_only <- select_fauna(data = bf, include_subspecies = FALSE,
phylum = "all",
class = "Insecta", #Insetos
order = "all",
family = "all",
genus = "all",
lifeForm = "all", filter_lifeForm = "in",
habitat = "all", filter_habitat = "in",
states = c("PR", "SC", "RS"),
filter_states = "only", #Apenas no PR & SC & RS
country = "all", filter_country = "in",
origin = "nativa",
taxonomicStatus = "valido")
nrow(insects_south_only)
#> [1] 134
#Valor único de Estados onde as espécies ocorrem
unique(insects_south_only$states)
#> [1] "PR;RS;SC"Agora, o filtro retornou apenas 134 espécies, todas ocorrendo em PR, SC e RS; sem registros de ocorrências em qualquer outro estado.
Além de selecionar uma lista de espécies com base em suas características, o pacote também inclui uma função para subselecionar espécies por nome. A função funciona exclusivamente com nomes binomiais (Gênero + Epíteto específico), como Panthera onca, e não funciona com nomes científicos completos (incluindo Autor ou Epíteto infraespecífico), como Panthera onca (Linnaeus, 1758).
Se você tiver uma lista de espécies com nomes científicos completos,
pode extrair os nomes binomiais usando a função
get_binomial(). Não se preocupe com espaços excessivos
entre as palavras, a função removerá quaisquer espaços extras dos
nomes.
complete_names <- c("Pantera onca (Linnaeus, 1758)",
"Zonotrichia capensis subtorquata Swainson, 1837",
"Mazama bororo Duarte, 1996",
"Mazama jucunda Thomas, 1913",
"Arrenurus tumulosus intercursor",
"Araucaria angustifolia")
#Panthera onca com erros de digitação para ilustrar como a próxima função os corrige
#Araucaria angustifolia (uma planta) foi usada apenas como um exemplo que será utilizado para ilustrar a próxima função
binomial_names <- extract_binomial(species_names = complete_names)
binomial_names
#> [1] "Pantera onca" "Zonotrichia capensis"
#> [3] "Mazama bororo" "Mazama jucunda"
#> [5] "Arrenurus tumulosus" "Araucaria angustifolia" Vamos agora verificar a ortografia, o status nomenclatural e o status
taxonômico dos nomes das espécies usando a função
check_fauna_names(). Se a função não conseguir localizar o
nome de uma espécie no banco de dados (devido a um erro tipográfico, por
exemplo), ela pode sugerir nomes potenciais com base em similaridades
com outras entradas no banco de dados. Para ver como a função funciona,
vamos utilizar o dataset binomial_names criado
anteriormente:
#Checar nomes
checked_names <- check_fauna_names(data = bf,
species = binomial_names,
include_subspecies = FALSE,
max_distance = 0.1)
tibble::tibble(checked_names) #Exibir tabela como tibble
#> # A tibble: 6 x 9
#> input_name Spelling Suggested_name Distance taxonomicStatus nomenclaturalStatus validName family matches
#> <chr> <chr> <chr> <dbl> <chr> <chr> <chr> <chr> <chr>
#> 1 "Zonotrichia capensis" Correct Zonotrichia capensis 0 valido NA NA Passerellidae single
#> 2 "Mazama bororo" Correct Mazama bororo 0 sinonimo NA Mazama jucunda Cervidae single
#> 3 "Mazama jucunda" Correct Mazama jucunda 0 valido NA NA Cervidae single
#> 4 "Arrenurus tumulosus" Correct Arrenurus tumulosus 0 valido NA NA Arrenuridae single
#> 5 "Pantera onca" Probably_incorrect Panthera onca 2 valido NA NA Felidae single
#> 6 "Araucaria angustifolia" Not_found NA NA NA NA NA NA none Podemos ver que Zonotrichia capensis, Mazama jucunda e Arrenurus tumulosus estão escritos corretamente e são nomes validos. Mazama bororo está escrito corretamente, mas é um sinônimo de Mazama jucunda. No caso de Pantera onca, a ortografia parece estar potencialmente incorreta (já que o nome não foi encontrado no banco de dados); no entanto, um nome semelhante, Panthera onca, é sugerido pela função. A coluna ‘Distance’ indica a distância de edição de Levenshtein entre a entrada e o nome sugerido. Araucaria angustifolia foi marcada como Not_found (como esperado, dado que Araucaria angustifolia não é um animal!). Consequentemente, o nome não foi localizado no banco de dados e não havia nomes comparáveis disponíveis.
Para obter informações sobre espécies do banco de dados Fauna do
Brasil a partir de uma lista de espécies pré-definida, utilize a função
subset_species(). Para obter um desempenho ideal,
recomendamos fortemente o uso das funções get_binomial() e
check_names() previamente. Isso garante que você esteja
trabalhando exclusivamente com espécies presentes no banco de dados da
Fauna do Brasil. Para ver como a função funciona, vamos usar os nomes
validos em checked_names criados anteriormente:
#Obter apenas nomes validos
valids <- unique(checked_names$validName)
valids <- na.omit(valids) #Remove NAs
#Subselecionar especies
my_sp <- subset_fauna(data = bf, species = valids,
include_subspecies = FALSE)
tibble::tibble(my_sp)
# A tibble: 4 x 21
#> species subspecies scientificName validName kingdom phylum class order family genus lifeForm habitat states countryCode origin
#> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
#> 1 Panthera onca NA Panthera onca~ NA Animal~ Chord~ Mamm~ Carn~ Felid~ Pant~ "vida_l~ "terre~ AC;AM~ AR;BO;BR;B~ nativa
#> 2 Arrenurus tumulo~ NA Arrenurus (In~ NA Animal~ Arthr~ Arac~ Trom~ Arren~ Arre~ "" "" NA NA NA
#> 3 Mazama jucunda NA Mazama jucund~ NA Animal~ Chord~ Mamm~ Arti~ Cervi~ Maza~ "herbiv~ "terre~ BA;ES~ BR nativa
#> 4 Zonotrichia cape~ NA Zonotrichia c~ NA Animal~ Chord~ Aves Pass~ Passe~ Zono~ "" "" NA NA nativa
# i 5 more variables: nomenclaturalStatus <chr>, vernacularName <chr>, taxonRank <chr>, id <int>, language <chr>Também podemos incluir subespécies e/ou variedades:
my_sp2 <- subset_fauna(data = bf, species = valids,
include_subspecies = TRUE)
tibble::tibble(my_sp2) #print data.frame as tibble
#> # A tibble: 14 × 19
#> species subspecies scientificName validName kingdom phylum class order family genus lifeForm habitat states countryCode #> origin
#> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> #> <chr>
#> 1 Panthera on… "" Panthera onca… "" Animal… Chord… Mamm… Carn… Felid… Pant… "free_l… "terre… AC;AM… argentina;… #> "nati…
#> 2 Arrenurus (… "" Arrenurus (In… "" Animal… Arthr… Arac… Trom… Arren… Arre… "" "" NA brazil "" #>
#> 3 Arrenurus (… "Arrenuru… Arrenurus (In… "" Animal… Arthr… Arac… Trom… Arren… Arre… "" "" NA brazil "" #>
#> 4 Arrenurus (… "Arrenuru… Arrenurus (In… "" Animal… Arthr… Arac… Trom… Arren… Arre… "" "" NA brazil "" #>
#> 5 Mazama jucu… "" Mazama jucund… "" Animal… Chord… Mamm… Arti… Cervi… Maza… "herbiv… "terre… BA;ES… brazil #> "nati…
#> 6 Zonotrichia… "" Zonotrichia c… "" Animal… Chord… Aves Pass… Passe… Zono… "free_l… "" AL;AP… brazil #> "nati…
#> 7 Zonotrichia… "Zonotric… Zonotrichia c… "" Animal… Chord… Aves Pass… Passe… Zono… "free_l… "" AP brazil #> "nati…
#> 8 Zonotrichia… "Zonotric… Zonotrichia c… "" Animal… Chord… Aves Pass… Passe… Zono… "free_l… "" RR brazil #> "nati…
#> 9 Zonotrichia… "Zonotric… Zonotrichia c… "" Animal… Chord… Aves Pass… Passe… Zono… "free_l… "" RR brazil #> "nati…
#> 10 Zonotrichia… "Zonotric… Zonotrichia c… "" Animal… Chord… Aves Pass… Passe… Zono… "free_l… "" BA;MA… brazil #> "nati…
#> 11 Zonotrichia… "Zonotric… Zonotrichia c… "" Animal… Chord… Aves Pass… Passe… Zono… "free_l… "" PA brazil #> "nati…
#> 12 Zonotrichia… "Zonotric… Zonotrichia c… "" Animal… Chord… Aves Pass… Passe… Zono… "free_l… "" AP;PA… brazil #> "nati…
#> 13 Zonotrichia… "Zonotric… Zonotrichia c… "" Animal… Chord… Aves Pass… Passe… Zono… "free_l… "" ES;MG… brazil #> "nati…
#> 14 Zonotrichia… "Zonotric… Zonotrichia c… "" Animal… Chord… Aves Pass… Passe… Zono… "free_l… "" TO brazil #> "nati…
#> # ℹ 4 more variables: taxonomicStatus <chr>, nomenclaturalStatus <chr>, vernacularName <chr>, taxonRank <chr>
#> Podemos obter todos os sinônimos de uma lista de espécies. Isso pode
ser particularmente útil, por exemplo, ao buscar registros de uma
espécie e todos os seus sinônimos (conforme listado na Fauna do Brasil)
em bancos de dados online como o GBIF. Para isso, utilize a função
fauna_synonym(). Como exemplo, vamos buscar os sinônimos de
três espécies:
spp <- c("Panthera onca", "Mazama jucunda", "Subulo gouzoubira")
spp_syn <- fauna_synonym(data = bf, species = spp)
spp_syn
#> validName synonym taxonomicStatus
#> 49343 Panthera onca <NA> valido
#> 60523 Mazama jucunda Mazama bororo sinonimo
#> 61168 Subulo gouzoubira Mazama gouazoubira sinonimoPodemos ver que Mazama jucunda possui o sinônimo Mazama bororo; enquanto Subulo gouzoubira possui o sinônimo Mazama gouazoubira. Panthera onca não possui nenhum sinônimo listado na base de dados.