A 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.
# Cargamos los paquetes que necesitamos
suppressPackageStartupMessages({
library(magrittr)
library(tidyverse)
})######################################
# 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")
}######################################
# 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)# 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")
Figura A.1: Series de tiempo de los datos antes de agregar tendencias.
# 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)# 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")
Figura A.2: 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")
Figura A.3: Series de tiempo de las tallas con tendencias (+2 cm anual) después del primer año. Note como una reserva funciona y otra no.
# Exportar datos
write.csv(x = datos,
file = here::here("materiales", "datos", "datos_peces.csv"),
row.names = F)# Generar datos para comparación de todas las reservas y todos los controles.
datos_rc <- datos %>%
mutate(RC = "Reserva - Control")#Exportar datos RC
write.csv(x = datos_rc,
file = here::here("materiales", "datos", "datos_peces_rc.csv"),
row.names = F)#Exportar datos RC
write.csv(x = datos_abnt,
file = here::here("materiales", "datos", "datos_peces_abnt.csv"),
row.names = F)