Para a realização das análises estatísticas, primeiramente foi verificado o cumprimento das condicionantes da análise de variância: variâncias homogêneas; erros aleatórios, independentes e normalmente distribuídos; e médias e variâncias não correlacionadas. Quando alguma destas condicionantes não foi satisfeita no conjunto de dados em análise, procedeu-se à transformação dos mesmos (logarítmo, raiz quadrada, arco-seno). Quando os dados não cumpriram tais condicionantes mesmo após transformação, utilizou-se a análise não-paramétrica.
Na análise paramétrica realizou-se a ANOVA, seguido de teste de comparação de médias (Teste de Fisher LSD 95%). Na análise não-paramétrica utilizou-se Teste de Mann-Whitney. Foram realizadas também análises de agrupamento para encontrar similaridades entre as folhas das espécies pelo aspecto nutricional. Para tanto foi utilizada a distância euclidiana e o método W ard´s de ligação para a geração de dendrogramas. Todos os cálculos estatísticos foram realizados com o software Statistica 7.0.
A sazonalidade da deposição da serapilheira foi avaliada através do uso de métodos multivariados com os dados de deposição e variáveis meteorológicas (temperatura média, precipitação, radiação solar e velocidade do vento) ao longo do período do estudo. O uso deste tipo de análise objetivou encontrar possíveis relações dentro deste conjunto de dados, ou seja, verificar quanto as variáveis explicativas (variáveis meteorológicas) poderiam explicar da variabilidade das variáveis de resposta (deposição de serapilheira).
Segundo Sousa (2010), nos métodos multivariados, as diferentes medidas (variáveis) podem ser separadas em variáveis de resposta, as quais medem o efeito, e variáveis explicativas, as quais estão relacionadas com a causa. Os métodos multivariados são utilizados para se detectar e representar a estrutura existente entre os dados (amostras versus variáveis de resposta) e relacionar esta estrutura com as variáveis explicativas (variáveis de resposta versus variáveis explicativas). Estes métodos apresentam a vantagem de analisar todas as variáveis simultaneamente. Dentre os métodos disponíveis estão a análise de similaridade, cujas medidas obtidas podem ser utilizadas para construir “clusters” (dendrogramas), e os métodos de ordenação, os quais reduzem a complexidade dos dados, representando-os num sistema de novas variáveis ou novas dimensões (eixos).
Estes métodos são utilizados quando se deseja conhecer a estrutura existente num conjunto de dados (exemplos: análise de componentes principais - PCA, análise de correspondência - CA). As amostras e as variáveis de resposta são projetadas num sistema de eixos onde o eixo 1 (um) explica uma porcentagem da variabilidade do conjunto de dados, o eixo 2 (dois) explica outra porcentagem menor, e assim sucessivamente. O objetivo, portanto, deste tipo de análise é encontrar a relação (caso ela exista) entre dois conjuntos de dados (variáveis de resposta e variáveis explicativas). Existem duas formas para se atingir este objetivo: 1. Análise indireta (ex.: PCA, CA + variáveis explicativas passivas); 2. Análise direta (ex.: RDA, CCA) ou análise canônica ou condicionada (“constrained”).
A análise indireta é utilizada para detectar a estrutura existente num conjunto de dados (ex.: estrutura da comunidade). Inicia-se com uma ordenação normal, onde os valores (coordenadas) de um eixo particular podem ser interpretados como o gradiente de uma variável ambiental e podem ser utilizadas técnicas de regressão para analisar esta relação. Neste tipo de análise não há uma entrada (input) direta de variáveis explicativas na fase inicial da análise.
A análise direta, por sua vez, é utilizada para detectar e prever a estrutura existente no conjunto de dados com base em variáveis explicativas (variáveis ambientais) selecionadas a priori (ex: fertilidade do solo, uso do solo, temperatura do ar, precipitação, topografia, etc). Inicia-se a análise com dois conjuntos de dados que são representados no mesmo diagrama e as relações entre os dois conjuntos de variáveis são derivadas desse diagrama, ou seja, o diagrama representa a variabilidade explicada pelas variáveis explicativas. Há uma entrada direta das variáveis explicativas no início da análise.
Existem dois modelos de resposta a estas análises (tanto para a direta quanto para a indireta): linear ou unimodal. No modelo linear (PCA, RDA), cada espécie assume uma resposta linear em relação ao eixo (gradiente) e a coordenada é o declive da linha. Porém, mesmo numa resposta unimodal, se o comprimento do gradiente for pequeno (< 3), a resposta será linear.
No modelo unimodal (CA, CCA, DCA), cada espécie assume uma resposta unimodal em relação ao eixo (gradiente) e a coordenada é o centro da curva. Esse modelo assume que cada espécie possui um valor ótimo dentro do gradiente ambiental. Se o comprimento do gradiente for maior do que 4 (quatro) a resposta será unimodal. O Quadro 2 resume o exposto anteriormente.
QUADRO 2 – PRINCIPAIS MÉTODOS DE ORDENAÇÃO UTILIZADOS EM ANÁLISE MULTIVARIADA.
TIPO ANÁLISE TIPO DE
ORDENAÇÃO RESPOSTA LINEAR UNIMODAL INDIRETA ORDENAÇÃO SIMPLES (NÃO CONDICIONADA) ANÁLISE DE COMPONENTES PRINCIPAIS (PCA) ANÁLISE DE CORRESPONDÊNCIA (CA) DIRETA ORDENAÇÃO CANÔNICA (CONDICIONADA) ANÁLISE DE REDUNDÂNCIA (RDA) ANÁLISE DE CORRELAÇÃO CANÔNICA (CCA)
Para saber o comprimento do gradiente, primeiramente fez-se uma DCA (Detrended Correspondance Analysis) com os dados das variáveis de resposta (deposição de serapilheira). Como o gradiente foi menor do que 3 (três) em todas as fases sucessionais, o conjunto de dados apresentava uma resposta linear. Dentre os métodos de ordenação com resposta linear (PCA e RDA) optou-se pela RDA (Redundancy Analysis) pois já se conhecia o conjunto de variáveis explicativas (variáveis meteorológicas) que se queria analisar, ou seja, seria uma análise condicionada (constrained). Os resultados destas análises são mostradas nas Tabelas 7, 8 e 9 (item 4.1.3).
Após a realização da RDA para cada uma das fases sucessionais, utilizou- se o Teste de Monte Carlo, o qual é um teste de permutações que permite avaliar a robustez (significância) dos resultados. Foram testadas a significância do primeiro eixo e dos demais eixos canônicos, baseado na hipótese da nulidade, ou seja, de que as variáveis de resposta não estão correlacionadas com as variáveis explicativas (ambientais). Foi calculado um valor de F para os dados (F0) baseado
na % de variância explicada; e o nível de significância [p = (1 + n )/(1 + N)], onde n é o número de permutações onde F>F0 e N é o número total de permutações. Como
os valores de p<0,05, então a hipótese da nulidade foi rechaçada, ou seja, as variáveis de resposta e as explicativas estavam correlacionadas. Os resultados deste teste encontram-se na Tabela 7 (item 4.1.3). Estas análises foram realizadas no software CANOCO 4.5.
No ensaio de decomposição foliar, a taxa de decomposição (k) foi determinada através do modelo exponencial desenvolvido por Olson (1963), Wt = W0
Wt = fitomassa remanescente (%)
W0 = peso inicial do material, o qual foi utilizado sempre como 100%
e = exponencial
k = taxa de decomposição
t = tempo em que o material ficou no campo (dias)
Este modelo foi utilizado por ser amplamente citado na literatura e por possibilitar o cálculo da taxa de decomposição independente do período de exposição e do número de retiradas do campo, bem como do intervalo entre as mesmas. Através das equações ajustadas para cada espécie, tamanho de malha e fase sucessional foi possível calcular a taxa de decomposição (k). Os coeficientes de determinação ajustados (R2 aj) foram bastante altos, variando de 0,77 a 0,93 (Figuras 37 e 38). A taxa de decomposição anual (k anual) foi obtida pela multiplicação do k pelo período de um ano (356 dias).
Posteriormente realizou-se uma análise de variância (ANOVA), verificando- se primeiramente o cumprimento das condicionantes da análise. A taxa de decomposição foi comparada entre espécies, fases, malhas e espécie-malha (Figura 39). O teste de comparação de médias utilizado foi o de Fischer LSD 95%. O ajuste do modelo exponencial foi realizado no software SigmaPlot 8.2 e os demais cálculos estatísticos no software Statistica 7.0.
4 RESULTADOS E DISCUSSÃO