ANÁLISES DE PAISAGEM

Com relação às análises realizadas para verificar a influência da estrutura da paisagem sobre as variáveis selecionadas para este estudo foram realizados modelos lineares generalizados (GLM), utilizando o pacote “Vegan” (OKSANEN et al. 2013). Todas as análises de seleção de modelos foram realizadas com e sem a área do Passeio Público, uma vez que esta possui um nível de urbanização muito maior que as demais áreas e também porque possui uma flora apícola composta em sua maioria por plantas ornamentais, diferentemente das demais áreas amostradas.

As variáveis respostas selecionadas para estas análises de paisagem com os dados das abelhas foram a riqueza total, a diversidade das espécies (valores obtidos com o coeficiente um da série de Hill), a riqueza de cada grupo funcional relacionado ao comportamento social, local de nidificação e hábito alimentar, assim como a uniformidade funcional (FEve) (VILLÉGER et al. 2008). As riquezas dos grupos funcionais não foram utilizadas como covariáveis na análise de seleção de modelos pois o número de unidades amostrais foi baixo. Para a obtenção da FEve foram utilizados os mesmos grupos funcionais citados acima, apenas com dados de presença e ausência das espécies de abelhas nas respectivas áreas coletadas. O cálculo da FEve não ponderada avalia apenas a distribuição das espécies entre as áreas com relação às suas características funcionais, não sendo este valor influenciado pela abundância das espécies, o que pode fornecer uma interpretação errônea (LEGRAS e GAERTNER 2018).

As propriedades de rede selecionadas para verificar a influência da estrutura da paisagem foram o índice de especialização de rede (H2´) e a modularidade (Q). Ambas análises foram realizadas com e sem a presença dos exemplares machos. O índice de especialização de rede é uma métrica padronizada, enquanto a modularidade não. Assim, foram obtidos os valores de modularidade para cada área amostral e em seguida foram realizadas 100 aleatorizações da matriz original de cada área, utilizando o método

r2d, para serem obtidos valores de modularidade aleatórios. A média destes valores

obtidos com os 100 modelos nulos foi subtraída do valor de modularidade observado e o resultado foi dividido pelo desvio padrão das aleatorizações.

A partir de uma regressão linear simples foi verificada como é a relação entre a riqueza de abelhas e de plantas por elas utilizadas, sendo também realizada uma seleção de modelos para verificar se a riqueza de plantas varia em função dos processos de urbanização. Foi utilizada a metodologia analítica multi-escalas para encontrar a melhor escala entre cada variável preditora (métricas da paisagem selecionadas) e cada variável resposta (biológica). Foi realizada uma regressão linear simples entre cada uma delas, para os quatro buffers selecionados (500m, 1km, 1,5km e 2km). A melhor escala é a que fornece o maior valor de acordo com o coeficiente de determinação escolhido, que neste caso foi o R2 _{(BOSCOLO e METZGER 2009, MOREIRA et al. 2015, MIGUET et al. 2016,} SCHNEIBERG et al. 2020). Esta escala foi então selecionada para a realização da seleção de modelos. Para facilitar a compreensão deste procedimento analítico, segue a FIGURA 8, retirada do estudo de Miguet e colaboradores (2016).

FIGURA 8 – DELINEAMENTO HIPOTÉTICO DE UM ESTUDO MULTI-ESCALA. A. A RESPOSTA BIOLÓGICA É AMOSTRADA EM LOCAIS ESPECÍFICOS AO LONGO DA REGIÃO DE INTERESSE. B. A ESTRUTURA DA PAISAGEM É MEDIDA EM MULTI-ESCALAS, CENTRADA NOS LOCAIS DE COLETA, ONDE RAIOS MAIORES INCLUEM TAMBÉM A EXTENSÃO DOS MENORES. A ESTRUTURA DA PAISAGEM É QUALQUER MEDIDA DA COMPOSIÇÃO OU CONFIGURAÇÃO DA PAISAGEM, SENDO NESTE EXEMPLO A PORCENTAGEM DE HABITAT, REPRESENTADA EM VERDE. C. A RELAÇÃO ENTRE A RESPOSTA BIOLÓGICA E A ESTRUTURA DA PAISAGEM É AVALIADA PARA CADA EXTENSÃO ESPACIAL SELECIONADA (BUFFERS). D. O EFEITO DE ESCALA É O RAIO QUE MELHOR PREDIZ A RESPOSTA BIOLÓGICA, NESTE EXEMPLO É 4KM POIS POSSUI O MAIOR R2

FONTE: RETIRADO DE MIGUET et al. (2016).

A multicolinearidade entre as variáveis preditoras foi analisada antes da seleção de modelos (QUINN e KEOUGH 2002). No caso em que duas variáveis apresentaram valores de correlação maiores que 0,7, uma delas era retirada (seguindo SCHNEIBERG et al. 2020). Em caso de dúvida quanto a qual retirar, eram avaliados os valores da regressão linear entre cada uma e a variável resposta em questão, bem como suas respectivas relações. As variáveis preditoras foram padronizadas antes da seleção de modelos para que os ângulos das regressões dos modelos selecionados com as mesmas variáveis preditoras pudessem ser comparados entre variáveis respostas. Foram utilizadas distribuição de Poisson para dados de contagem (riqueza) e distribuição Gaussiana para as demais variáveis respostas. Os resíduos foram analisados para

verificar se a distribuição utilizada se ajustou bem aos dados (diferença de dois graus de liberdade entre o modelo e os resíduos). Para dados com distribuição de Poisson foi utilizado o pacote “DHARMa” (HARTIG 2020).

A seleção de modelos compara modelos concorrentes, onde o modelo selecionado é o que apresenta a maior probabilidade de acordo com o critério de seleção corrigido para amostras pequenas (Akaike Information Criterion – AICc). A diferença entre o valor de AICc de um dado modelo e do modelo mais parcimonioso (ΔAICc), bem como o peso de evidência (wi) foram calculados para cada modelo. Modelos com ΔAICc<2 foram considerados igualmente plausíveis, sendo os únicos detalhados nas tabelas apresentadas. Nenhum modelo foi considerado quando o modelo nulo apresentou um ΔAICc<2. Modelos com valores altos (wi) indicam alta probabilidade de serem explicações plausíveis para a variável resposta selecionada. A seleção de modelos foi realizada por meio do pacote “AICcmodavg” (MAZEROLLE 2019). A análise dos resíduos foi realizada para verificar se os dados possuem variações aceitáveis de distribuição.