Por: Raymond L. Tremblay
Este capítulo es una guía práctica de uso del paquete Rcompadre. No introduce conceptos nuevos sobre dinámica poblacional —para eso están los capítulos del 4 al 16—, sino que enseña a manejar la base COMPADRE con confianza: cómo descargarla, filtrarla, validar las matrices, extraer las submatrices U/F/C, y conectar los datos con los análisis del resto del libro. El paquete Rcompadre no es trivial: tiene su propia clase de objetos (CompadreDB), funciones con nombres similares pero comportamientos distintos, y trampas que cuestan tiempo si uno las descubre por prueba y error. Este capítulo busca acortar esa curva de aprendizaje.
Los datos demográficos comparables son la base para analizar la dinámica de poblaciones de orquídeas a través de especies, regiones y contextos ambientales. Este capítulo presenta el conjunto de datos de orquídeas derivado de la base COMPADRE y describe su organización para usarlos en los modelos y análisis del libro.
El conjunto de datos de orquídeas reúne matrices de proyección poblacional y metadatos asociados (especie, ubicación, periodo de muestreo, tipo de hábitat y notas metodológicas) que permiten comparar la dinámica demográfica entre poblaciones y especies. La estructura de los datos facilita la construcción de matrices U, F y C, el cálculo de la tasa de crecimiento poblacional (λ) y la implementación de análisis de sensibilidad, elasticidad y LTRE, así como simulaciones bajo distintos escenarios.
En esta sección se describe cómo están organizadas las tablas principales —una tabla de matrices y una tabla de metadatos—, las claves que las conectan (especies/poblaciones/estudios) y las precauciones habituales al trabajar con información heterogénea (año de referencia, definición de estadios, unidades de medida y supuestos de reclutamiento). También se presenta una vista general de la cobertura taxonómica y geográfica del conjunto, con el fin de contextualizar cualquier patrón observado.
A diferencia de los capítulos analíticos, este capítulo no introduce nuevos métodos; su objetivo es proporcionar un recurso de datos listo para analizar que permita replicar ejemplos, comparar patrones demográficos entre orquídeas y vincular resultados con decisiones de manejo y conservación. La documentación clara de la estructura y las variables garantiza que los análisis posteriores sean reproducibles e interpretables en el marco del libro.
A continuación se describen las tablas principales y se muestra cómo cargar y verificar el conjunto de datos en el entorno de trabajo.
Los datos aquí descritos se integran directamente en la descomposición en matrices U, F y C y en el cálculo de crecimiento poblacional. La comparación de la importancia relativa de transiciones puede realizarse mediante elasticidad poblacional y la explicación de diferencias observadas entre poblaciones mediante LTRE. Para explorar escenarios alternativos, puede utilizarse el capítulo de métodos de simulaciones.
La cobertura taxonómica y espacial es heterogénea entre especies y poblaciones. Algunas series temporales son cortas o presentan años sin muestreo; en estos casos se debe documentar cualquier decisión de imputación o agregación. Las definiciones de estadios y los supuestos de reclutamiento pueden variar entre estudios; por ello, al comparar poblaciones conviene revisar la documentación asociada y mantener criterios consistentes de armonización.
COMPADRE agrega estudios diversos — la armonización es responsabilidad del usuario. Las matrices de la base provienen de estudios con definiciones de estadios distintas, periodos de muestreo variables (mensual a multianual) y supuestos de reclutamiento diferentes. La columna MatrixComposite indica si una matriz es individual, promedio o pooled. Antes de comparar matrices entre estudios, conviene revisar:
MatrixDimension: ¿el número de estadios es comparable?StudyDuration y Periodicity: ¿los pasos de tiempo son iguales?MatrixCriteriaSize / MatrixCriteriaAge / MatrixCriteriaOntogeny: ¿los criterios de clasificación son compatibles?Sin esta armonización, las “comparaciones entre especies” pueden ser artefactos del diseño metodológico, no diferencias biológicas reales.
library(Rcompadre) # Paquete para trabajar con la base de datos de COMPADRE y COMADRE
library(tidyverse) # Paquete para activar múltiples paquetes
library(flextable) # Paquete para formatear tablas
library(broom)
library(ggdist)
library(distributional)
library(leaflet)
library(Rage) # función para calcular el largo de vida esperada entre otras
library(car)
library(popdemo)Uno de los esfuerzos más grandes para compilar el conocimiento actual sobre la ecología de poblaciones es la creación y mantenimiento de las bases de datos de COMPADRE y COMADRE. COMPADRE es una base de datos de matrices de proyección poblacional de plantas; COMADRE es la base correspondiente para animales. En este capítulo se presenta una introducción a COMPADRE y algunas de las funciones del paquete Rcompadre. En el próximo capítulo se presentan funciones del paquete Rage. La información aquí no sustituye la documentación oficial en la página web de COMPADRE ni los tutoriales en la sección Education.
El valor de las bases de datos reside en tener en un mismo sitio una gran cantidad de información organizada de manera uniforme y accesible, además de que su formato permite utilizarla directamente en diferentes análisis. En el caso de COMPADRE y COMADRE, la información está organizada en matrices de transición de estados de poblaciones (MPP) que se pueden usar para evaluar la dinámica de poblaciones de plantas y animales y con múltiples variables, tal como sus coordenadas geográficas, el tipo de hábitat, la temporalidad de los datos, la fuente de la información, entre otros.
En este capítulo se aprenderá a utilizar COMPADRE para evaluar la dinámica de poblaciones de orquídeas, extrayendo diferentes tipos de datos para responder preguntas específicas.
Flujo de trabajo recomendado con COMPADRE.
compadre).filter()).cdb_flag() para detectar problemas (NAs, no ergodicidad, etc.).matU(), matF(), matC(), matA()).popbio/popdemo/Rage según la pregunta.Este capítulo cubre los pasos 1–4. El paso 5 se desarrolla en los capítulos analíticos (elasticidad, LTRE, simulaciones, funciones de transferencia).
Rcompadre necesito? — Árbol de decisión
| Si quiero… | Use |
|---|---|
| Bajar la base completa por primera vez | cdb_fetch("compadre") |
| Ver los metadatos (especie, año, ubicación, etc.) | cdb_metadata(x) |
| Filtrar a una familia | subset(x, Family == "Orchidaceae") o x %>% filter(Family == "Orchidaceae") |
| Filtrar a una especie | subset(x, SpeciesAccepted == "Lepanthes caritensis") |
| Marcar matrices con problemas (NAs, no-ergódicas, no-irreducibles) | cdb_flag(x) — añade columnas check_*, no filtra |
| Quedarme sólo con matrices “limpias” | subset(cdb_flag(x), check_NA_A == FALSE & check_ergodic == TRUE) |
| Extraer la matriz de transición completa A | matA(x) → lista de matrices |
| Extraer las submatrices | matU(x), matF(x), matC(x) |
| Una matriz individual | matA(x)[[i]] (la i-ésima) |
| Aplicar una función a todas las matrices | purrr::map_dbl(matA(x), ~ popbio::lambda(.x)) |
Regla práctica. Si no está seguro de qué función usar, casi siempre necesita: cdb_fetch() → subset() o filter() → cdb_flag() → subset(check_* ) → matU() / matF() / matA().
Rcompadre
subset() no es base-R. Rcompadre exporta su propio método subset() para objetos CompadreDB; la sintaxis se parece a base-R pero respeta la estructura interna del objeto. No uses [] para subconjuntos directos.mat ≠ matA(). mat es una columna del data-frame interno; matA() es la función que extrae la matriz A de cada fila. Use siempre la función.cdb_flag() añade columnas, no filtra. Después de cdb_flag() hay que filtrar manualmente con las columnas check_* (check_NA_A, check_ergodic, check_irreducible).Lat y Lon a veces son character, no numeric. Verifíquelo con class() antes de mapear o calcular distancias; convierta con as.numeric() si es necesario.MatrixComposite indica si una matriz fue promediada o agrupada (pooled). Para análisis comparativo conviene quedarse con MatrixComposite == "Individual" para evitar pseudoreplicación.MatrixCriteriaSize / MatrixCriteriaAge / MatrixCriteriaOntogeny describen cómo se definieron los estadios. Antes de comparar matrices entre estudios, conviene verificar que estos criterios sean compatibles.De los más de 50 campos en COMPADRE, estos 9 son los que usará el 95% del tiempo:
| Campo | Qué contiene |
|---|---|
Family |
Familia taxonómica (ej. "Orchidaceae") |
SpeciesAccepted |
Nombre científico aceptado |
MatrixPopulation |
Identificador de la población (varias por especie en muchos estudios) |
StudyStart/StudyEnd |
Años de inicio y fin del muestreo |
MatrixDimension |
Número de estadios en la matriz |
OrganismType |
“Epiphyte”, “Herbaceous perennial”, etc. |
Lat, Lon |
Coordenadas de la población (a menudo como texto, ver Trampas) |
MatrixComposite |
“Individual” / “Mean” / “Pooled” — clave para análisis comparativos |
DOI_ISBN |
Identificador del estudio original |
Para la lista completa: ?Rcompadre::CompadreDB y la documentación oficial.
Hay tres formas de obtener la base. Las tres dejan en el entorno un objeto llamado compadre que contiene todas las matrices y metadatos.
La forma más sencilla es descargar el archivo .RData desde la página oficial: https://compadre-db.org/Data/Compadre. Al momento de la edición de este libro la versión más reciente es la 6.28.8.0 (agosto 2025). Una vez descargado, se carga con load():
load("ruta/a/COMPADRE_v.6.28.8.0.RData")El paquete Rcompadre incluye la función cdb_fetch() que descarga la última versión directamente desde R, sin necesidad de descargar el archivo manualmente:
compadre <- cdb_fetch("compadre")Para garantizar reproducibilidad, este libro distribuye una copia local del snapshot de COMPADRE usado en los ejemplos. Esta es la opción que se usa en el resto del capítulo:
compadre <- readRDS("data/COMPADRE_2026.rds")Una vez cargada, conviene verificar el tamaño y la estructura. Al momento de edición la base tiene 9149 filas (matrices) y 59 columnas (variables/metadatos).
dim(compadre)[1] 9146 59Se estará evaluando múltiples funciones en Rcompadre para aprender a usar la base de datos de COMPADRE.
Para evaluar si la base de datos contiene información sobre especies particulares de orquídeas, se utilizará la función ‘cdb_check_species’. Es relevante mencionar que se puede evaluar múltiples especies de forma simultánea. Aquí se evaluó si la base contiene información sobre las especies Epidendrum xanthinum, Epipactis gigantea y Caladenia latifolia.
Como podrán notar, solamente existen datos para una de las tres que probamos en la base de datos de COMPADRE.
especies<- c("Epidendrum xanthinum", "Epipactis gigantea", "Caladenia latifolia")
cdb_check_species(compadre, especies) |> flextable() |> ft_wide()species | in_db |
|---|---|
Epidendrum xanthinum | true |
Epipactis gigantea | false |
Caladenia latifolia | false |
Antes de seguir vamos a extraer de la base de datos de COMPADRE las especies de orquídeas y crear un nuevo objeto con todas las especies de orquídeas. La ventaja de crear un conjunto de datos es reducir el tamaño del archivo y facilitar los análisis posteriores.
Seleccionaremos todas las matrices que pertenecen a la familia Orchidaceae. Se observa que la base contiene 788 filas, es decir 788 matrices de transición de estados de poblaciones de orquídeas.
index_O = compadre %>%
filter(Family %in% c("Orchidaceae")) # Extraer la orquídeas de la base de datos.Con la función cdb_metadata() se puede evaluar la metadata de la base de datos. La función muestra el número de filas y columnas, que incluye múltiples variables, tal como el nombre de la especies usada en la fuente de información ‘SpeciesAuthor’, el nombre del taxón reconocido “SpeciesAccepted”, la fuente de información como el DOI_ISBN, los años de estudio, sus coordenadas geográficas, el tipo de hábitat, la fuente de la información, entre otros.
cdb_metadata(index_O) %>% head() |> flextable() |> ft_wide() # Evaluar la metadata de la base de datos de COMPADREMatrixID | SpeciesAuthor | SpeciesAccepted | CommonName | Kingdom | Phylum | Class | Order | Family | Genus | Species | Infraspecies | InfraspeciesType | OrganismType | DicotMonoc | AngioGymno | Authors | Journal | SourceType | OtherType | YearPublication | DOI_ISBN | AdditionalSource | StudyDuration | StudyStart | StudyEnd | ProjectionInterval | MatrixCriteriaSize | MatrixCriteriaOntogeny | MatrixCriteriaAge | MatrixPopulation | NumberPopulations | Lat | Lon | Altitude | Country | Continent | Ecoregion | StudiedSex | MatrixComposite | MatrixSeasonal | MatrixTreatment | MatrixCaptivity | MatrixStartYear | MatrixStartSeason | MatrixStartMonth | MatrixEndYear | MatrixEndSeason | MatrixEndMonth | CensusType | MatrixSplit | MatrixFec | Observations | MatrixDimension | SurvivalIssue | _Database | _PopulationStatus | _PublicationStatus |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
238,285 | Caladenia_amonea | Caladenia amonea | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Caladenia | amonea | Herbaceous perennial | Monocot | Angiosperm | Raymond L. Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | Aust J Bot | Journal Article | 2009 | 10.1071/BT08167 | 12 | 1996 | 2007 | 1 | No | Yes | No | North-eastern Melbourne, Vic | 1 | AUS | Oceania | TBM | A | Mean | No | Unmanipulated | W | 1996 | Summer | 8 | 2007 | Autumn | 9 | Divided | Locations of surveyed areas are kept vague to reduce the likelihood of unauthorised disturbance of the populations | 3 | 1 | COMPADRE | Released | Released | ||||||||||
238,286 | Caladenia_argocalla | Caladenia argocalla | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Caladenia | argocalla | Herbaceous perennial | Monocot | Angiosperm | Raymond L. Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | Aust J Bot | Journal Article | 2009 | 10.1071/BT08167 | 12 | 1996 | 2007 | 1 | No | Yes | No | Adelaide Hills and Clare Valley, SA | 1 | AUS | Oceania | TBM | A | Mean | No | Unmanipulated | W | 2003 | Autumn | 9 | 2007 | Autumn | 10 | Divided | No | Locations of surveyed areas are kept vague to reduce the likelihood of unauthorised disturbance of the populations | 3 | 1 | COMPADRE | Released | Released | |||||||||
238,287 | Caladenia_clavigera | Caladenia clavigera | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Caladenia | clavigera | Herbaceous perennial | Monocot | Angiosperm | Raymond L. Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | Aust J Bot | Journal Article | 2009 | 10.1071/BT08167 | 12 | 1996 | 2007 | 1 | No | Yes | No | North-eastern Melbourne, Vic | 1 | AUS | Oceania | TBM | A | Mean | No | Unmanipulated | W | 1997 | Autumn | 9 | 2007 | Autumn | 10 | Divided | Locations of surveyed areas are kept vague to reduce the likelihood of unauthorised disturbance of the populations | 3 | 1 | COMPADRE | Released | Released | ||||||||||
238,288 | Caladenia_elegans | Caladenia elegans | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Caladenia | elegans | Herbaceous perennial | Monocot | Angiosperm | Raymond L. Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | Aust J Bot | Journal Article | 2009 | 10.1071/BT08167 | 12 | 1996 | 2007 | 1 | No | Yes | No | Western Australia | 1 | AUS | Oceania | TBM | A | Mean | No | Unmanipulated | W | 1998 | Summer | 7 | 2007 | Summer | 8 | Divided | Locations of surveyed areas are kept vague to reduce the likelihood of unauthorised disturbance of the populations | 3 | 1 | COMPADRE | Released | Released | ||||||||||
238,289 | Caladenia_graniticola | Caladenia graniticola | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Caladenia | graniticola | Herbaceous perennial | Monocot | Angiosperm | Raymond L. Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | Aust J Bot | Journal Article | 2009 | 10.1071/BT08167 | 12 | 1996 | 2007 | 1 | No | Yes | No | Western Australia | 1 | AUS | Oceania | TBM | A | Mean | No | Unmanipulated | W | 2004 | Spring | 9 | 2007 | Spring | 9 | Divided | Locations of surveyed areas are kept vague to reduce the likelihood of unauthorised disturbance of the populations | 3 | 1 | COMPADRE | Released | Released | ||||||||||
238,290 | Caladenia_macroclavia | Caladenia macroclavia | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Caladenia | macroclavia | Herbaceous perennial | Monocot | Angiosperm | Raymond L. Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | Aust J Bot | Journal Article | 2009 | 10.1071/BT08167 | 12 | 1996 | 2007 | 1 | No | Yes | No | Yorke Peninsula, SA | 1 | AUS | Oceania | TBM | A | Mean | No | Unmanipulated | W | 2001 | Autumn | 9 | 2007 | Autumn | 10 | Divided | Locations of surveyed areas are kept vague to reduce the likelihood of unauthorised disturbance of the populations | 3 | 1 | COMPADRE | Released | Released |
¿Cómo extraer matrices de transición de estados de las poblaciones de orquídeas?
Vamos a seleccionar solamente unas matrices de transición de estados de poblaciones de orquídeas. En este caso se selecciona la primera fila del objeto index_O que corresponde a la especie Laelia speciosa.
Observamos que hay 4 matriz en la lista. La matriz de transición de estados de poblaciones (matU), la matriz de fecundidad (matF), la matriz de clonación (matC) y la suma de las tres matrices (matA=matU+MatF+matC).
index_O %>% filter(SpeciesAccepted %in% c("Laelia speciosa")) -> Laeliasp # Extraer la información de la especie
head(cdb_metadata(Laeliasp), n = 3) |>
flextable() |> ft_wide() # Visualizar la información de la especie Laelia speciosaMatrixID | SpeciesAuthor | SpeciesAccepted | CommonName | Kingdom | Phylum | Class | Order | Family | Genus | Species | Infraspecies | InfraspeciesType | OrganismType | DicotMonoc | AngioGymno | Authors | Journal | SourceType | OtherType | YearPublication | DOI_ISBN | AdditionalSource | StudyDuration | StudyStart | StudyEnd | ProjectionInterval | MatrixCriteriaSize | MatrixCriteriaOntogeny | MatrixCriteriaAge | MatrixPopulation | NumberPopulations | Lat | Lon | Altitude | Country | Continent | Ecoregion | StudiedSex | MatrixComposite | MatrixSeasonal | MatrixTreatment | MatrixCaptivity | MatrixStartYear | MatrixStartSeason | MatrixStartMonth | MatrixEndYear | MatrixEndSeason | MatrixEndMonth | CensusType | MatrixSplit | MatrixFec | Observations | MatrixDimension | SurvivalIssue | _Database | _PopulationStatus | _PublicationStatus |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
252,937 | Laelia_speciosa_ | Laelia speciosa | Flor de Corpus, Flor de mayo | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Laelia | speciosa | variety | Epiphyte | Eudicot | Angiosperm | Mariana Hernández-Apolinar | Thesis | 1992 | 3 | 1987 | 1989 | 1 | Yes | Yes | Yes | Cerro El Olvido | 2 | 19.43333 | -101.4667 | 2,100 | MEX | S America | TBM | H | Individual | Unmanipulated | W | 1987 | Spring | 5 | 1989 | Winter | 1 | Birth-pulse | Indivisible | Yes | This site was disturbe by ilegal extraction, both matrices were presented | 5 | COMPADRE | Released | Released | |||||||
252,938 | Laelia_speciosa_ | Laelia speciosa | Flor de Corpus, Flor de mayo | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Laelia | speciosa | variety | Epiphyte | Eudicot | Angiosperm | Mariana Hernández-Apolinar | Thesis | 1992 | 3 | 1987 | 1989 | 1 | Yes | Yes | Yes | Cerro El Olvido | 2 | 19.43333 | -101.4667 | 2,100 | MEX | S America | TBM | H | Individual | Unmanipulated, anthropic | W | 1987 | Spring | 5 | 1989 | Winter | 1 | Birth-pulse | Indivisible | Yes | Matrix includes data after ilegal extraction of whole plants and/or the two most recent pseudobulbs, including the newest in bloom | 5 | COMPADRE | Released | Released | |||||||
252,939 | Laelia_speciosa_ | Laelia speciosa | Flor de Corpus, Flor de mayo | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Laelia | speciosa | variety | Epiphyte | Eudicot | Angiosperm | Mariana Hernández-Apolinar | Thesis | 1992 | 3 | 1987 | 1989 | 1 | Yes | Yes | Yes | Cerro El Olvido | 2 | 19.43333 | -101.4667 | 2,100 | MEX | S America | TBM | H | Individual | Unmanipulated | W | 1987 | Spring | 5 | 1989 | Winter | 1 | Birth-pulse | Indivisible | Yes | Matrix of Conserved site that includes only 4 stage categories. Seed category was not included. | 4 | COMPADRE | Released | Released |
En el siguiente script se muestra cómo extraer la matriz de transición de estados de poblaciones (matA) de Laelia speciosa y las etapas de estas matrices. Nota que el objeto mat es una lista de matrices que incluye la matriz de transición (matU) de estados de una población, la matriz de fecundidad (matF), la matriz de clonaje (matC) y la suma de las tres matrices (matA = matU + matF + matC); vea el capítulo de Matrices de transición, fecundidad y clonaje.
Laeliaspmat = matA(Laeliasp) # Extraer la matriz de transiciones de estados de la población (matA) de las cuatro filas
Laeliaspmat[[1]]
A1 A2 A3 A4 A5
A1 0.0e+00 0.00 0.00 52686.00 127342.00
A2 2.2e-05 0.00 0.00 0.00 0.00
A3 0.0e+00 0.71 0.93 0.00 0.00
A4 0.0e+00 0.00 0.07 0.76 0.00
A5 0.0e+00 0.00 0.00 0.24 0.75
[[2]]
A1 A2 A3 A4 A5
A1 0.0e+00 0.00 0.00 52686.00 127324.00
A2 2.2e-05 0.00 0.00 0.00 0.00
A3 0.0e+00 0.71 0.64 0.00 0.00
A4 0.0e+00 0.00 0.05 0.61 0.00
A5 0.0e+00 0.00 0.00 0.19 0.33
[[3]]
A1 A2 A3 A4
A1 0.00 0.00 1.64 11.25
A2 0.71 0.93 0.00 0.00
A3 0.00 0.07 0.76 0.00
A4 0.00 0.00 0.24 0.75
[[4]]
A1 A2 A3 A4
A1 0.00 0.00 1.64 11.25
A2 0.71 0.64 0.00 0.00
A3 0.00 0.05 0.61 0.00
A4 0.00 0.00 0.19 0.33Note que esta función es muy práctica porque extrae la matriz de transición de estados de poblaciones (matA), la matriz de supervivencia (matU), la matriz de fecundidad (matF) y la matriz de clonaje (matC) sin necesidad de usar el código largo en adición de los nombres de las etapas.
Se selecciona la segunda fila del objeto Laeliasp que corresponde a la especie Laelia speciosa y la segunda matriz en la fila[[2]].
Laeliasp$mat[[2]] MatrixClassOrganized MatrixClassAuthor
1 active S(Seeds)
2 active Pl(Seedlings): one small pseudobulb of 3mm height
3 active I(Juveniles): 2-10 pseudobulbs
4 active II(Adult 1): 11-20 pseudobulbs
5 active III(Adult 2): >21 pseudobulbs
matA:
1 2 3 4 5
1 0.0e+00 0.00 0.00 52686.00 127324.00
2 2.2e-05 0.00 0.00 0.00 0.00
3 0.0e+00 0.71 0.64 0.00 0.00
4 0.0e+00 0.00 0.05 0.61 0.00
5 0.0e+00 0.00 0.00 0.19 0.33
matU:
1 2 3 4 5
1 0 0 0 0 0
2 0 0 0 0 0
3 0 0 0 0 0
4 0 0 0 0 0
5 0 0 0 0 0
matF:
1 2 3 4 5
1 0 0 0 0 0
2 0 0 0 0 0
3 0 0 0 0 0
4 0 0 0 0 0
5 0 0 0 0 0
matC:
1 2 3 4 5
1 0 0 0 0 0
2 0 0 0 0 0
3 0 0 0 0 0
4 0 0 0 0 0
5 0 0 0 0 0Epipactis = compadre %>%
filter(Genus %in% c("Epipactis")) # Filtrar la información de *Epipactis* en la base de datos.
head(cdb_metadata(Epipactis), n = 3) |>
flextable() |> ft_wide()MatrixID | SpeciesAuthor | SpeciesAccepted | CommonName | Kingdom | Phylum | Class | Order | Family | Genus | Species | Infraspecies | InfraspeciesType | OrganismType | DicotMonoc | AngioGymno | Authors | Journal | SourceType | OtherType | YearPublication | DOI_ISBN | AdditionalSource | StudyDuration | StudyStart | StudyEnd | ProjectionInterval | MatrixCriteriaSize | MatrixCriteriaOntogeny | MatrixCriteriaAge | MatrixPopulation | NumberPopulations | Lat | Lon | Altitude | Country | Continent | Ecoregion | StudiedSex | MatrixComposite | MatrixSeasonal | MatrixTreatment | MatrixCaptivity | MatrixStartYear | MatrixStartSeason | MatrixStartMonth | MatrixEndYear | MatrixEndSeason | MatrixEndMonth | CensusType | MatrixSplit | MatrixFec | Observations | MatrixDimension | SurvivalIssue | _Database | _PopulationStatus | _PublicationStatus |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
238,565 | Epipactis_atrorubens_3 | Epipactis atrorubens | Darkred helleborine | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Epipactis | atrorubens | Herbaceous perennial | Monocot | Angiosperm | Hens; Pakanen; Jäkäläniemi; Tuomi; Kvist | Biol Conserv | Journal Article | 2017 | 10.1016/j.biocon.2017.04.019 | Hens Biol Conserv 2017 Appendix A. Supplementary Data | 16 | 2000 | 2015 | 1 | No | Yes | No | Ampumavaara; Kiutaköngäs N; Patoköngäs; Mataraniemi; Kiutaköngäs b; Kiutaköngäs E; Kiutaköngäs NWb; Kiutaköngäs NWc; Kiutaköngäs Swa; Kiutaköngäs SWc; Kiutaköngäs W | 12 | FIN | Europe | BOR | A | Mean | No | Unmanipulated | W | 2000 | 2015 | Divided | 8 | 0.989091 | COMPADRE | Released | Released | |||||||||||||
238,566 | Epipactis_atrorubens_3 | Epipactis atrorubens | Darkred helleborine | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Epipactis | atrorubens | Herbaceous perennial | Monocot | Angiosperm | Hens; Pakanen; Jäkäläniemi; Tuomi; Kvist | Biol Conserv | Journal Article | 2017 | 10.1016/j.biocon.2017.04.019 | Hens Biol Conserv 2017 Appendix A. Supplementary Data | 16 | 2000 | 2015 | 1 | No | Yes | No | Ampumavaara | 12 | 66.37472 | 29.31944 | 214 | FIN | Europe | BOR | A | Mean | Unmanipulated | W | 2000 | 2015 | Divided | The GPS coordinates were approximated to the closest geographic location described in the reference | 8 | 1.001000 | COMPADRE | Released | Released | ||||||||||
238,568 | Epipactis_atrorubens_3 | Epipactis atrorubens | Darkred helleborine | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Epipactis | atrorubens | Herbaceous perennial | Monocot | Angiosperm | Hens; Pakanen; Jäkäläniemi; Tuomi; Kvist | Biol Conserv | Journal Article | 2017 | 10.1016/j.biocon.2017.04.019 | Hens Biol Conserv 2017 Appendix A. Supplementary Data | 16 | 2000 | 2015 | 1 | No | Yes | No | Patoköngäs | 12 | 66.38944 | 29.26778 | 208 | FIN | Europe | BOR | A | Mean | Unmanipulated | W | 2002 | 2015 | Divided | The GPS coordinates were approximated to the closest geographic location described in the reference | 8 | 1.001000 | COMPADRE | Released | Released |
# Nota que en el género *Epipactis* tenemos 51 filas, pero todas son de la misma especie de dos estudios distintos.Pseudorreplicación: cuándo colapsar matrices. Cuando un estudio reporta múltiples matrices para la misma población-año (e.g., diferentes tratamientos o réplicas dentro de un sitio), incluirlas todas en un análisis comparativo entre estudios infla artificialmente el tamaño de muestra. La función mpm_mean() reduce el conjunto a una sola matriz promedio por grupo, eliminando la pseudorreplicación. Para ver la dispersión interna del grupo, mpm_sd() calcula la matriz de desviaciones estándar elemento por elemento.
Para un estudio y especie determinados, la base de datos COMPADRE puede contener múltiples matrices que reflejan diferentes combinaciones de población, año y/o tratamiento. Hay una función que permite obtener una única matriz promedio para cada grupo de interés (p. ej., MatrixPopulation) y, por lo tanto, limitar la pseudorreplicación. El término usado es colapsar las matrices, con la función mpm_mean.
Seleccionamos la búsqueda anterior y seleccionamos solamente el estudio de Hens et al. en 2017.
El primer paso es convertir cada una de las matrices de transición de estados de poblaciones en una lista de matrices y luego usar la función mpm_mean para calcular la matriz promedio de todas las matrices de transición de estados de poblaciones. De igual manera se puede calcular la mediana de los elementos de la matriz con la función mpm_median.
Epi_Hens = index_O %>%
filter(SpeciesAuthor %in% c("Epipactis_atrorubens_3")) # Filtrar la información de *Epipactis* en la base de datos.
mpms <- Epi_Hens$mat[Epi_Hens$SpeciesAuthor == "Epipactis_atrorubens_3"] # convertir en lista de matrices
mpm_mean(mpms) # calcular la matriz promedio de todas las matrices de transición de estados de poblaciones. Se consigue una matriz para matA, matU, matF y matC. MatrixClassOrganized
1 active
2 active
3 active
4 active
5 dorm
6 dorm
7 dorm
8 dorm
MatrixClassAuthor
1 S: seedling (smaller than 3 cm; maximum of two leaves)
2 V: vegetative (one vegetative shoot (>= 3 cm))
3 MV: mature vegetative (more than one vegetative shoot; no fertile shoots or a plant with no fertile shoots that flowered in the previous years)
4 F: fertile (at least one fertile shoot)
5 DS: dormant seedling
6 DV: dormant vegetative
7 DMV: dormant mature vegetative
8 DF: dormant fertile
matA:
1 2 3 4 5 6 7
1 0.0000000 0.00000000 0.0000000000 0.02707658 0.0000000 0.00000000 0.00000000
2 0.2133690 0.64094625 0.0000000000 0.00000000 0.2121606 0.57071866 0.00000000
3 0.0000000 0.01668078 0.4676567012 0.16649091 0.0000000 0.01921026 0.36824727
4 0.0000000 0.11313765 0.3863594378 0.73172276 0.0000000 0.06576934 0.13218976
5 0.1416013 0.00000000 0.0000000000 0.00000000 0.0995277 0.00000000 0.00000000
6 0.0000000 0.16240300 0.0000000000 0.00000000 0.0000000 0.13653180 0.00000000
7 0.0000000 0.00000000 0.0970043717 0.00000000 0.0000000 0.00000000 0.09879857
8 0.0000000 0.00000000 0.0002894286 0.08886667 0.0000000 0.00000000 0.00000000
8
1 0.000000e+00
2 0.000000e+00
3 2.671518e-01
4 3.401361e+06
5 0.000000e+00
6 0.000000e+00
7 0.000000e+00
8 1.963378e-01
matU:
1 2 3 4 5 6 7
1 0.0000000 0.00000000 0.0000000000 0.00000000 0.0000000 0.00000000 0.000000000
2 0.2133690 0.64094625 0.0000000000 0.00000000 0.2121606 0.57071866 0.008163265
3 0.0000000 0.01668078 0.4676567012 0.16649091 0.0000000 0.01921026 0.364165641
4 0.0000000 0.11313765 0.3863594378 0.73172276 0.0000000 0.06576934 0.128108131
5 0.1416013 0.00000000 0.0000000000 0.00000000 0.0995277 0.00000000 0.000000000
6 0.0000000 0.16240300 0.0000000000 0.00000000 0.0000000 0.13653180 0.000000000
7 0.0000000 0.00000000 0.0970043717 0.00000000 0.0000000 0.00000000 0.098798574
8 0.0000000 0.00000000 0.0002894286 0.08886667 0.0000000 0.00000000 0.000000000
8
1 0.000000000
2 0.005102041
3 0.264600740
4 0.326799803
5 0.000000000
6 0.000000000
7 0.000000000
8 0.196337845
matF:
1 2 3 4 5 6 7 8
1 0 0 0 0.02707658 0 0 0 0
2 0 0 0 0.00000000 0 0 0 0
3 0 0 0 0.00000000 0 0 0 0
4 0 0 0 0.00000000 0 0 0 0
5 0 0 0 0.00000000 0 0 0 0
6 0 0 0 0.00000000 0 0 0 0
7 0 0 0 0.00000000 0 0 0 0
8 0 0 0 0.00000000 0 0 0 0
matC:
1 2 3 4 5 6 7 8
1 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0
8 0 0 0 0 0 0 0 0De igual manera se puede calcular la desviación estándar de los elementos de la matriz de transición de estados de poblaciones con la función mpm_sd.
mpm_sd(mpms) # calcular la desviación estándar de los elementos de la matriz de transición de estados de poblaciones. Se consigue una matriz para matA, matU, matF y matC. MatrixClassOrganized
1 active
2 active
3 active
4 active
5 dorm
6 dorm
7 dorm
8 dorm
MatrixClassAuthor
1 S: seedling (smaller than 3 cm; maximum of two leaves)
2 V: vegetative (one vegetative shoot (>= 3 cm))
3 MV: mature vegetative (more than one vegetative shoot; no fertile shoots or a plant with no fertile shoots that flowered in the previous years)
4 F: fertile (at least one fertile shoot)
5 DS: dormant seedling
6 DV: dormant vegetative
7 DMV: dormant mature vegetative
8 DF: dormant fertile
matA:
1 2 3 4 5 6 7
1 0.0000000 0.00000000 0.000000000 0.04774682 0.0000000 0.0000000 0.0000000
2 0.3625333 0.22980249 0.000000000 0.00000000 0.3816246 0.3695790 0.0000000
3 0.0000000 0.02864846 0.302153080 0.14768233 0.0000000 0.0607252 0.4063030
4 0.0000000 0.12468319 0.301021644 0.19016152 0.0000000 0.1488403 0.2284169
5 0.2788961 0.00000000 0.000000000 0.00000000 0.2610421 0.0000000 0.0000000
6 0.0000000 0.16508248 0.000000000 0.00000000 0.0000000 0.2014153 0.0000000
7 0.0000000 0.00000000 0.121154533 0.00000000 0.0000000 0.0000000 0.2191404
8 0.0000000 0.00000000 0.001861297 0.11273170 0.0000000 0.0000000 0.0000000
8
1 0.000000e+00
2 0.000000e+00
3 3.151303e-01
4 2.380952e+07
5 0.000000e+00
6 0.000000e+00
7 0.000000e+00
8 2.411732e-01
matU:
1 2 3 4 5 6 7
1 0.0000000 0.00000000 0.000000000 0.0000000 0.0000000 0.0000000 0.00000000
2 0.3625333 0.22980249 0.000000000 0.0000000 0.3816246 0.3695790 0.05714286
3 0.0000000 0.02864846 0.302153080 0.1476823 0.0000000 0.0607252 0.40698137
4 0.0000000 0.12468319 0.301021644 0.1901615 0.0000000 0.1488403 0.22896623
5 0.2788961 0.00000000 0.000000000 0.0000000 0.2610421 0.0000000 0.00000000
6 0.0000000 0.16508248 0.000000000 0.0000000 0.0000000 0.2014153 0.00000000
7 0.0000000 0.00000000 0.121154533 0.0000000 0.0000000 0.0000000 0.21914041
8 0.0000000 0.00000000 0.001861297 0.1127317 0.0000000 0.0000000 0.00000000
8
1 0.00000000
2 0.03571429
3 0.31577729
4 0.36251239
5 0.00000000
6 0.00000000
7 0.00000000
8 0.24117318
matF:
1 2 3 4 5 6 7 8
1 0 0 0 0.04774682 0 0 0 0
2 0 0 0 0.00000000 0 0 0 0
3 0 0 0 0.00000000 0 0 0 0
4 0 0 0 0.00000000 0 0 0 0
5 0 0 0 0.00000000 0 0 0 0
6 0 0 0 0.00000000 0 0 0 0
7 0 0 0 0.00000000 0 0 0 0
8 0 0 0 0.00000000 0 0 0 0
matC:
1 2 3 4 5 6 7 8
1 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0
8 0 0 0 0 0 0 0 0Muchas veces es tedioso evaluar la base de datos completa de COMPADRE. Una manera facilitar el acceso a los datos es extraer las matrices con la función cdb_flatten. Nota lo que hace esta función es extraer todas las matrices de transición de estados de poblaciones (matA, matU, matF, matC) y las etapas de cada matriz y crear una lista con esa información.
Aquí hay 49 filas que corresponden a las 49 matrices de transición de estados de poblaciones de orquídeas del estudio de Hens et al. 2017.
Epi_flat = cdb_flatten(Epi_Hens) # Extraer las matrices de transición de estados de la población
Epi_flat$matA[1] # miramos solamente la primera matriz[1] "[0 0 0 0.018636 0 0 0 0 0.314 0.723818 0 0 0.190727 0.639182 0 0 0 0.010818 0.448 0.145273 0 0.007636 0.255545 0.308818 0 0.115091 0.412 0.775727 0 0.098455 0.063727 0.433636 0.091182 0 0 0 0.082 0 0 0 0 0.137545 0 0 0 0.073 0 0 0 0 0.046364 0 0 0 0.044273 0 0 0 0.001182 0.068091 0 0 0 0.105727]"cdb_flag() agrega una columna por cada chequeo. Para una base con muchas matrices, no se filtran las problemáticas: se les agrega banderas (check_NA_A, check_ergodic, check_irreducible, etc.) y luego el usuario decide qué excluir según la pregunta. Por ejemplo, para análisis de elasticidad se requiere ergodicidad e irreducibilidad; para descripciones cualitativas del ciclo de vida, una matriz reducible puede ser perfectamente válida. La filosofía es transparencia: nunca se eliminan matrices automáticamente, siempre se documenta por qué se excluyen.
Es sumamente importante el cumplimiento de los supuestos de los análisis. Si no evaluamos críticamente las condiciones de las matrices, los resultados podrían no ser biológicamente relevantes. Para los análisis de MPP es necesario que las matrices cumplan ciertas condiciones, y dependiendo de la pregunta científica se evalúan las condiciones específicas. La función cdb_flag() corre todos los chequeos de calidad disponibles y agrega una columna por cada uno; los principales son:
check_NA_A: Determinar si hay valores faltantes en ‘matA’ Los valores faltantes (“NA”) en las matrices impiden que la mayoría de los cálculos utilicen esas matrices.
check_NA_U: Determinar si hay valores faltantes en ‘matU’ Los valores faltantes (“NA”) en las matrices impiden que la mayoría de los cálculos utilicen esas matrices. La matriz de supervivencia es la matriz más importante para evaluar el cálculo del largo de vida de una especie.
check_NA_F: Determinar si hay valores faltantes en ‘matF’ Los valores faltantes (“NA”) en las matrices impiden que la mayoría de los cálculos utilicen esas matrices. La matriz de fecundidad es la matriz más importante para evaluar el crecimiento de la población, cualquier especie sin fecundidad tenderá a disminuir a través del tiempo.
check_NA_C: Determinar si hay valores faltantes en ‘matC’. Los valores faltantes (“NA”) en las matrices impiden que la mayoría de los cálculos utilicen esas matrices.
check_zero_U: Determinar si la ‘matU’ tiene todos ceros (incluido ‘NA’). Las submatrices compuestas enteramente de valores cero pueden resultar problemáticas. Puede haber buenas razones biológicas para este fenómeno. Por ejemplo, en la población focal particular en el año focal particular, realmente no se registró una supervivencia. Sin embargo, las submatrices de valor cero pueden provocar que algunos cálculos fallen y puede ser necesario excluirlas.
check_zero_F: Determinar si la ‘matF’ tiene todos ceros (incluido ‘NA’). Las submatrices compuestas enteramente de valores cero pueden resultar problemáticas. Puede haber buenas razones biológicas para este fenómeno o que se asocien con preguntas científicas específicas. Por ejemplo, en la población particular en el año particular, realmente no se registró reproducción. Sin embargo, las submatrices con valores de cero pueden provocar que algunos cálculos fallen y puede ser necesario excluirlas. En otros estudios no se evaluó la fecundidad ya que estos parámetros no eran necesarios para contestar las preguntas científicas.
check_zero_U_colsum: Determinar si las columnas de ‘matU’ suman a cero, esto implica que no hay supervivencia de esa etapa en particular. Esta puede ser una parametrización perfectamente válida para un año/lugar en particular, pero es biológicamente irracional a largo plazo y los usuarios pueden desear excluir matrices problemáticas de su análisis.
check_singular_U: Determinar si ‘matU’ es singular. Se dice que las matrices son singulares si no se pueden invertir. Se requiere inversión para muchos cálculos matriciales y, por lo tanto, la singularidad puede hacer que algunos cálculos fallen.
check_component_sum: Determinar si las submatrices ‘matU’/‘matF’/‘matC’ suman a ‘matA’. Un MPP completo (“matA”) se puede dividir en las submatrices que lo componen (es decir, “matU”, “matF” y “matC”). La suma de estas submatrices debe ser igual al MPP completo (es decir, ‘matA’ = ‘matU’ + ‘matF’ + ‘matC’). A veces, sin embargo, se producen errores de modo que las submatrices NO suman ‘matA’. Normalmente, esto se debe a errores de redondeo, pero es posible que se produzcan errores más importantes.
check_ergodic: Determinar si ‘matA’ es ergódico (ver isErgodic). Algunos cálculos matriciales requieren que el MPP (“matA”) sea ergódico. Los MPP ergódicos son aquellos en los que existe un único estado estable asintótico que no depende de la estructura de la etapa inicial. Por el contrario, los MPP no ergódicos son aquellos en los que existen múltiples estados estables asintóticos, que dependen de la estructura de la etapa inicial. Los MPP que no son ergódicos suelen ser biológicamente irracionales, tanto en términos de la descripción de su ciclo de vida como de su dinámica proyectada. Por tanto, hacen que algunos cálculos fallen.
check_irreducible: Determinar si ‘matA’ es irreducible (ver isIrreducible). Algunos cálculos matriciales requieren que el MPP (“matA”) sea irreducible. Los MPP irreductibles son aquellos en los que las tasas de transición parametrizadas facilitan el paso de todas las etapas a todas las demás etapas. Por el contrario, los MPP reducibles representan ciclos de vida incompletos donde no son posibles caminos desde todas las etapas a todas las demás etapas. Los MPP que son reducibles suelen ser biológicamente irracionales (pero no siempre), tanto en términos de la descripción de su ciclo de vida como de su dinámica proyectada. Por ello, hacen que algunos cálculos fallen. La irreductibilidad es necesaria pero no suficiente para la ergodicidad.
check_primitive: Determinar si ‘matA’ es primitivo (ver isPrimitive). Una matriz primitiva es una matriz no negativa que es irreducible y tiene un solo valor propio de módulo máximo. Por lo tanto, esta verificación es redundante debido a la superposición con ‘check_irreducible’ y ‘checkErdogic’.
check_surv_gte_1: Determinar si ‘matU’ contiene valores iguales o mayores que 1. La supervivencia está limitada entre 0 y 1. Los valores superiores a 1 no son biológicamente razonables (ver el capítulo de Impacto de datos sin sentido).
Usando la función cdb_flag se puede evaluar todas las opciones en la base de datos de COMPADRE.
Usando la función cdb_flag se identifican problemas potenciales en las matrices de transición de estados de las poblaciones. Esa función añade una fila por opciones en la matriz. Nota que para cada prueba anterior crea una columna con TRUE o FALSE para cada matriz en la base de datos.
Para facilitar el análisis usamos solamente las especies de Caladenia y enseñamos solamente las tres primeras filas.
Caladenia = index_O %>%
filter(Genus %in% c("Caladenia")) # Filtrar la información de *Caladenia* en la base de datos.
Compadre_flagged <- cdb_flag(Caladenia) # Evaluación de todas las opciones en la base de datos de COMPADRE
flagged=Compadre_flagged %>% select(mat, SpeciesAccepted, starts_with("check"))
head(cdb_metadata(flagged), n = 3) |>
flextable() |> ft_wide()SpeciesAccepted | check_NA_A | check_NA_U | check_NA_F | check_NA_C | check_zero_U | check_zero_F | check_zero_C | check_zero_U_colsum | check_singular_U | check_component_sum | check_ergodic | check_irreducible | check_primitive | check_surv_gte_1 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Caladenia amonea | false | false | false | false | false | true | true | false | false | true | true | true | true | false |
Caladenia argocalla | false | false | false | false | false | true | true | false | false | true | true | true | true | false |
Caladenia clavigera | false | false | false | false | false | true | true | false | false | true | true | true | true | false |
En los siguientes procedimientos se aplican filtros específicos a matrices de transición poblacional con el objetivo de evaluar dos propiedades fundamentales en el análisis demográfico: la ergodicidad y la irreductibilidad. Se observa que toda matriz ergódica cumple con la condición de ser irreducible; sin embargo, no todas las matrices irreducibles son necesariamente ergódicas. Para ilustrar esta relación, se cuantificó el número de matrices que cumplen con cada propiedad, permitiendo así una comparación entre ambos conjuntos.
Mat_ergodic <- subset(
Compadre_flagged,
check_NA_A == FALSE & check_ergodic == TRUE
) # para evaluar si las matrices son ergódicas solamente
head(cdb_metadata(Mat_ergodic), n=2) |>
flextable() |> ft_wide()MatrixID | SpeciesAuthor | SpeciesAccepted | CommonName | Kingdom | Phylum | Class | Order | Family | Genus | Species | Infraspecies | InfraspeciesType | OrganismType | DicotMonoc | AngioGymno | Authors | Journal | SourceType | OtherType | YearPublication | DOI_ISBN | AdditionalSource | StudyDuration | StudyStart | StudyEnd | ProjectionInterval | MatrixCriteriaSize | MatrixCriteriaOntogeny | MatrixCriteriaAge | MatrixPopulation | NumberPopulations | Lat | Lon | Altitude | Country | Continent | Ecoregion | StudiedSex | MatrixComposite | MatrixSeasonal | MatrixTreatment | MatrixCaptivity | MatrixStartYear | MatrixStartSeason | MatrixStartMonth | MatrixEndYear | MatrixEndSeason | MatrixEndMonth | CensusType | MatrixSplit | MatrixFec | Observations | MatrixDimension | SurvivalIssue | _Database | _PopulationStatus | _PublicationStatus | check_NA_A | check_NA_U | check_NA_F | check_NA_C | check_zero_U | check_zero_F | check_zero_C | check_zero_U_colsum | check_singular_U | check_component_sum | check_ergodic | check_irreducible | check_primitive | check_surv_gte_1 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
238,285 | Caladenia_amonea | Caladenia amonea | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Caladenia | amonea | Herbaceous perennial | Monocot | Angiosperm | Raymond L. Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | Aust J Bot | Journal Article | 2009 | 10.1071/BT08167 | 12 | 1996 | 2007 | 1 | No | Yes | No | North-eastern Melbourne, Vic | 1 | AUS | Oceania | TBM | A | Mean | No | Unmanipulated | W | 1996 | Summer | 8 | 2007 | Autumn | 9 | Divided | Locations of surveyed areas are kept vague to reduce the likelihood of unauthorised disturbance of the populations | 3 | 1 | COMPADRE | Released | Released | false | false | false | false | false | true | true | false | false | true | true | true | true | false | ||||||||||
238,286 | Caladenia_argocalla | Caladenia argocalla | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Caladenia | argocalla | Herbaceous perennial | Monocot | Angiosperm | Raymond L. Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | Aust J Bot | Journal Article | 2009 | 10.1071/BT08167 | 12 | 1996 | 2007 | 1 | No | Yes | No | Adelaide Hills and Clare Valley, SA | 1 | AUS | Oceania | TBM | A | Mean | No | Unmanipulated | W | 2003 | Autumn | 9 | 2007 | Autumn | 10 | Divided | No | Locations of surveyed areas are kept vague to reduce the likelihood of unauthorised disturbance of the populations | 3 | 1 | COMPADRE | Released | Released | false | false | false | false | false | true | true | false | false | true | true | true | true | false |
Mat_irred <- subset(
Compadre_flagged,
check_NA_A == FALSE & check_irreducible == TRUE
) # para evaluar si las matrices son irreducibles solamente
head(cdb_metadata(Mat_irred), n=2) |>
flextable() |> ft_wide()MatrixID | SpeciesAuthor | SpeciesAccepted | CommonName | Kingdom | Phylum | Class | Order | Family | Genus | Species | Infraspecies | InfraspeciesType | OrganismType | DicotMonoc | AngioGymno | Authors | Journal | SourceType | OtherType | YearPublication | DOI_ISBN | AdditionalSource | StudyDuration | StudyStart | StudyEnd | ProjectionInterval | MatrixCriteriaSize | MatrixCriteriaOntogeny | MatrixCriteriaAge | MatrixPopulation | NumberPopulations | Lat | Lon | Altitude | Country | Continent | Ecoregion | StudiedSex | MatrixComposite | MatrixSeasonal | MatrixTreatment | MatrixCaptivity | MatrixStartYear | MatrixStartSeason | MatrixStartMonth | MatrixEndYear | MatrixEndSeason | MatrixEndMonth | CensusType | MatrixSplit | MatrixFec | Observations | MatrixDimension | SurvivalIssue | _Database | _PopulationStatus | _PublicationStatus | check_NA_A | check_NA_U | check_NA_F | check_NA_C | check_zero_U | check_zero_F | check_zero_C | check_zero_U_colsum | check_singular_U | check_component_sum | check_ergodic | check_irreducible | check_primitive | check_surv_gte_1 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
238,285 | Caladenia_amonea | Caladenia amonea | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Caladenia | amonea | Herbaceous perennial | Monocot | Angiosperm | Raymond L. Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | Aust J Bot | Journal Article | 2009 | 10.1071/BT08167 | 12 | 1996 | 2007 | 1 | No | Yes | No | North-eastern Melbourne, Vic | 1 | AUS | Oceania | TBM | A | Mean | No | Unmanipulated | W | 1996 | Summer | 8 | 2007 | Autumn | 9 | Divided | Locations of surveyed areas are kept vague to reduce the likelihood of unauthorised disturbance of the populations | 3 | 1 | COMPADRE | Released | Released | false | false | false | false | false | true | true | false | false | true | true | true | true | false | ||||||||||
238,286 | Caladenia_argocalla | Caladenia argocalla | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Caladenia | argocalla | Herbaceous perennial | Monocot | Angiosperm | Raymond L. Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | Aust J Bot | Journal Article | 2009 | 10.1071/BT08167 | 12 | 1996 | 2007 | 1 | No | Yes | No | Adelaide Hills and Clare Valley, SA | 1 | AUS | Oceania | TBM | A | Mean | No | Unmanipulated | W | 2003 | Autumn | 9 | 2007 | Autumn | 10 | Divided | No | Locations of surveyed areas are kept vague to reduce the likelihood of unauthorised disturbance of the populations | 3 | 1 | COMPADRE | Released | Released | false | false | false | false | false | true | true | false | false | true | true | true | true | false |
Mat_erg_irred <- subset(
Compadre_flagged,
check_NA_A == FALSE & check_irreducible == TRUE & check_ergodic == TRUE
) # para evaluar si las matrices son ergódicas e irreducibles al mismo tiempo
head(cdb_metadata(Mat_erg_irred), n=2) |>
flextable() |> ft_wide()MatrixID | SpeciesAuthor | SpeciesAccepted | CommonName | Kingdom | Phylum | Class | Order | Family | Genus | Species | Infraspecies | InfraspeciesType | OrganismType | DicotMonoc | AngioGymno | Authors | Journal | SourceType | OtherType | YearPublication | DOI_ISBN | AdditionalSource | StudyDuration | StudyStart | StudyEnd | ProjectionInterval | MatrixCriteriaSize | MatrixCriteriaOntogeny | MatrixCriteriaAge | MatrixPopulation | NumberPopulations | Lat | Lon | Altitude | Country | Continent | Ecoregion | StudiedSex | MatrixComposite | MatrixSeasonal | MatrixTreatment | MatrixCaptivity | MatrixStartYear | MatrixStartSeason | MatrixStartMonth | MatrixEndYear | MatrixEndSeason | MatrixEndMonth | CensusType | MatrixSplit | MatrixFec | Observations | MatrixDimension | SurvivalIssue | _Database | _PopulationStatus | _PublicationStatus | check_NA_A | check_NA_U | check_NA_F | check_NA_C | check_zero_U | check_zero_F | check_zero_C | check_zero_U_colsum | check_singular_U | check_component_sum | check_ergodic | check_irreducible | check_primitive | check_surv_gte_1 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
238,285 | Caladenia_amonea | Caladenia amonea | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Caladenia | amonea | Herbaceous perennial | Monocot | Angiosperm | Raymond L. Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | Aust J Bot | Journal Article | 2009 | 10.1071/BT08167 | 12 | 1996 | 2007 | 1 | No | Yes | No | North-eastern Melbourne, Vic | 1 | AUS | Oceania | TBM | A | Mean | No | Unmanipulated | W | 1996 | Summer | 8 | 2007 | Autumn | 9 | Divided | Locations of surveyed areas are kept vague to reduce the likelihood of unauthorised disturbance of the populations | 3 | 1 | COMPADRE | Released | Released | false | false | false | false | false | true | true | false | false | true | true | true | true | false | ||||||||||
238,286 | Caladenia_argocalla | Caladenia argocalla | Plantae | Tracheophyta | Liliopsida | Asparagales | Orchidaceae | Caladenia | argocalla | Herbaceous perennial | Monocot | Angiosperm | Raymond L. Tremblay; Pérez; Larcombe; Brown; Quarmby; Bickerton; French; Bould | Aust J Bot | Journal Article | 2009 | 10.1071/BT08167 | 12 | 1996 | 2007 | 1 | No | Yes | No | Adelaide Hills and Clare Valley, SA | 1 | AUS | Oceania | TBM | A | Mean | No | Unmanipulated | W | 2003 | Autumn | 9 | 2007 | Autumn | 10 | Divided | No | Locations of surveyed areas are kept vague to reduce the likelihood of unauthorised disturbance of the populations | 3 | 1 | COMPADRE | Released | Released | false | false | false | false | false | true | true | false | false | true | true | true | true | false |
Una vez identificadas las matrices que cumplen los chequeos relevantes para tu pregunta, los siguientes pasos típicos son:
Rage — ver el capítulo siguiente.El conjunto filtrado (Mat_erg_irred en el ejemplo) está listo para alimentar cualquiera de estos análisis sin preocuparse por matrices defectuosas.
Aprender Rcompadre requiere ensuciarse las manos. Estos ejercicios usan exclusivamente las funciones presentadas en este capítulo. Las soluciones se construyen combinando cdb_fetch(), subset()/filter(), cdb_flag(), matU()/matF()/matA() y verbos de dplyr.
¿Cuántas matrices de proyección hay en COMPADRE para el género Lepanthes? ¿Cuántas son ergódicas e irreducibles al mismo tiempo? ¿De cuántas especies distintas son?
Pista: filtre por Genus == "Lepanthes", aplique cdb_flag(), y use length(unique(SpeciesAccepted)).
Encuentre todas las matrices de orquídeas en COMPADRE asociadas a estudios de cosecha (busque las palabras clave harvest o cosecha en Authors o el DOI). ¿Qué especies aparecen? ¿Para cuáles existen matrices de la misma población con y sin cosecha?
Pista: la base no tiene un campo “cosecha” estructurado; tendrá que filtrar el conjunto cargado por palabras en metadatos como MatrixPopulation o usar DOI_ISBN para identificar pares de estudios.
Liste todas las orquídeas de COMPADRE cuyo estudio duró ≥ 5 años (StudyEnd - StudyStart >= 5) y que tengan al menos 4 estadios en la matriz (MatrixDimension >= 4). ¿Qué tienen en común estas especies en términos de hábitat (OrganismType)?
Pista: este filtro le permite identificar el subconjunto de estudios “robustos” para análisis comparativos —tamaño de muestra suficiente y resolución demográfica suficiente.
Para el conjunto del ejercicio 3, ¿qué proporción de matrices pasa los tres chequeos (check_NA_A == FALSE, check_ergodic == TRUE, check_irreducible == TRUE)? ¿Las que fallan, fallan por NAs, por reducibilidad, o por no-ergodicidad?
Pista: después de cdb_flag(), use table(Mat$check_NA_A, Mat$check_ergodic) o summarise() con dplyr para contar los modos de falla.
Estos ejercicios son representativos del trabajo real con COMPADRE: nunca se cargan todas las matrices, siempre se filtra primero, casi siempre hay que combinar criterios biológicos (hábitat, género) con criterios técnicos (check_*), y a menudo el resultado es un conjunto menor de matrices “limpias” sobre las que se hacen los análisis del resto del libro.