779
780
Mat. Supl. 1. Critérios para seleção das espécies de primatas da Mata Atlântica. Em verde esta o limite da Mata Atlântica brasileira segundo o
781
IBGE; o circulo azul representa a distribuição de uma espécie hipotética que possui mais de 3.000.00 ha da sua distribuição no bioma; e o circulo 782
vermelho representa a distribuição hipotética de uma espécie com mais de 50% da sua distribuição no bioma. 783
42
Mat. Supl. 2. Espécies de primatas alvos desse estudo. Nome da espécie (Espécies) e área total conhecida de distribuição da espécie pela
784
International Union for Conservation of Nature em hectares (Área total (ha)). Área de distribuição da espécie na Mata Atlântica: área de 785
distribuição em hectares (Lei) e porcentagem da área de distribuição no bioma equivalente a sua área total (%Lei) segundo o mapa de aplicação 786
da Lei da Mata Atlântica, área de distribuição em hectares (IBGE) e porcentagem da área de distribuição no bioma equivalente a sua área total 787
(%IBGE) segundo o mapa de limite dos biomas brasileiro. Critério de inclusão da espécie no estudo: espécie que possui mais de 3.000.00 ha da 788
sua distribuição no bioma (> 3 mil), e ou, espécie com mais de 50% da sua distribuição no bioma (> 50%), pela delimitação do limite da 789
aplicação da Lei da Mata Atlântica e o limite dos biomas brasileiro do IBGE. Classificação de ameaça: categoria (IUCN/CT) e critério 790
(IUCN/CR) de ameaça segundo International Union for Conservation of Nature, e categoria de ameaça (ICMBio/CT) segundo o Instituto Chico 791
Mendes de Conservação da Biodiversidade. 792
Espécies Área total (ha) Área na Mata Atlântica (ha) Critérios de Inclusão Classificação de Ameaça Lei % Lei IBGE %IBGE > 3 mil > 50 % IUCN/CT IUCN/CR ICMBio/CT
Alouatta belzebul 86670802 3455937 4 3647687 4 Lei/IBGE VU A2cd* VU
Alouatta caraya 306416453 27165167 9 17566815 6 Lei/IBGE NT
Alouatta guariba 107659621 91113861 85 89717964 83 Lei/IBGE Lei/IBGE NT VU
Brachyteles arachnoides 8627440 8315073 96** 8521713 99** Lei/IBGE Lei/IBGE EN C1* EN Brachyteles hypoxanthus 9665731 9602523 99** 9657511 100 Lei/IBGE Lei/IBGE CR A2cd* CR
Callicebus coimbrai 3858502 1896609 49 2043057 53 IBGE EN B1ab(ii,iii)*
C2a(i)* EN
Callicebus melanochir 9986641 8575852 86 8845902 89 Lei/IBGE Lei/IBGE VU A2c* VU
Callicebus nigrifrons 49058140 25377625 52 24913369 51 Lei/IBGE Lei/IBGE NT
Callicebus personatus 14297270 13902012 97 13980314 98 Lei/IBGE Lei/IBGE VU A2c* VU
Callithrix aurita 15961278 15619146 98 15908611 100 Lei/IBGE Lei/IBGE VU C2a(i)* EN
Callithrix flaviceps 2473247 2473247 100 2473247 100 Lei/IBGE EN C2a(i)* EN
Callithrix geoffroyi 12496725 11058322 88 11198295 90 Lei/IBGE Lei/IBGE LC
Callithrix jacchus 94336346 8384616 9 3995691 4 Lei/IBGE LC
43
Callithrix penicillata 130979641 20973384 16 14770473 11 Lei/IBGE LC
Leontopithecus caissara 33496 24827 74** 32611 97** Lei/IBGE CR C1* EN
Leontopithecus chrysomelas 2018963 1968710 98** 2018878 100 Lei/IBGE EN A2c* EN
Leontopithecus chrysopygus 6367099 3828615 60 3800176 60 Lei/IBGE Lei/IBGE EN B2ab(iii)* EN
Leontopithecus rosalia 399052 337307 85** 393699 99** Lei/IBGE EN B1ab(iii)* EN
Sapajus cay 62090538 5710266 9 4806174 8 Lei/IBGE LC VU
Sapajus flavius 3891765 3508166 90 3777984 97 Lei/IBGE Lei/IBGE CR C2a(i)* EN
Sapajus libidinosus 261254845 10890264 4 3149014 1 Lei/IBGE LC
Sapajus nigritus 87980012 72453624 82 72732782 83 Lei/IBGE Lei/IBGE NT
Sapajus robustus 11992192 10565957 88 10699244 89 Lei/IBGE Lei/IBGE EN A2c* EN
Sapajus xanthosternos 46659595 17588623 38 12018094 26 Lei/IBGE CR A2cd* EN
* Informações sobre os critérios de ameaça da IUCN estão disponível em: http://www.iucnredlist.org . 793
** Essa espécie é endêmica da Mata Atlântica, por motivos de não congruência espacial dos shapefiles utilizados, distribuição da espécie e os 794
limites da Mata Atlântica utilizados, a área da espécie no bioma foi diferente da área total da espécie. Todos os shapefiles estavam na mesma 795 projeção espacial. 796 EN – Ameaçada 797 LC – Em perigo 798 NT – Quase ameaçada 799 VU – Vulnerável 800 CR – Criticamente em perigo 801
44
Mat. Supl. 3. Área de distribuição de todas as espécies estudadas.
802 803
804
Figura Mat. Supl. 3.1. Área de distribuição das espécies estudadas do gênero Alouatta.
805
Ao lado podem ser observadas as imagens das espécies. Fonte das imagens: 806
www.arkive.org. Em preto, pode ser observado o limite do bioma da Mata Atlântica 807
brasileira. 808
809
810
Figura Mat. Supl. 3.2. Área de distribuição do gênero Brachyteles. Ao lado podem ser
811
observadas as imagens das espécies. Fonte das imagens: www.arkive.org. Em preto, 812
pode ser observado o limite do bioma da Mata Atlântica brasileira. 813
45 815
Figura Mat. Supl. 3.3. Área de distribuição das espécies estudadas do gênero
816
Callicebus. Ao lado podem ser observadas as imagens das espécies. Fonte das imagens: 817
www.icmbio.gov.br e www.arkive.org. Em preto, pode ser observado o limite do bioma 818
da Mata Atlântica brasileira. 819
820
821
Figura Mat. Supl. 3.4. Área de distribuição das espécies estudadas do gênero
822
Callithrix. Ao lado podem ser observadas as imagens das espécies. Fonte das imagens: 823
www.icmbio.gov.br e www.arkive.org. Em preto, pode ser observado o limite do bioma 824
da Mata Atlântica brasileira. 825
46 826
Figura Mat. Supl. 3.5. Área de distribuição do gênero Leontopithecus. Ao lado podem
827
ser observadas as imagens das espécies. Fonte das imagens: www.arkive.org. Em preto, 828
pode ser observado o limite do bioma da Mata Atlântica brasileira. 829
830
831
Figura Mat. Supl. 3.6. Área de distribuição das espécies estudadas do gênero Sapajus.
832
Ao lado podem ser observadas as imagens das espécies. Fonte das imagens: 833
www.icmbio.gov.br e www.arkive.org. Em preto, pode ser observado o limite do bioma 834
da Mata Atlântica brasileira. 835
47
Mat. Supl. 4. Variáveis bioclimáticas de temperatura, precipitação e altitude, adquiridas
837
da base de dados do WorldClim - Global Climate Data (http://www.worldclim.com). 838
Código da variável (Cod.), nome da variável em inglês (Variables) e nome da variável 839
em português (Variável). 840
Cod. Variables Variável
Alt Altitude Altitude
Bio1 Annual mean temperature Temperatura média anual Bio2 Mean diurnal range (mean of
monthly (max temp - min temp))
Média da amplitude diurna da temperatura (média mensal (temp. máxima - temp. mínima))
Bio3 Isothermality (BIO2/BIO7)(* 100) Isotermalidade (Bio2/Bio7)(*100) Bio4 Temperature seasonality (standard
deviation*100)
Sazonalidade da temperatura (desvio padrão *100)
Bio5 Max temperature of warmest month Temperatura máxima do mês mais quente Bio6 Min temperature of coldest month Temperatura mínima do mês mais frio Bio7 Temperature annual range (bio5-
bio6) Amplitude da temperatura anual (Bio5-Bio6)
Bio8 Mean temperature of wettest quarter Temperatura média do quartil mais úmido Bio9 Mean temperature of driest quarter Temperatura média do quartil mais seco Bio10 Mean temperature of warmest
quarter Temperatura média do quartil mais quente
Bio11 Mean temperature of coldest quarter Temperatura média do quartil mais frio Bio12 Annual precipitation Precipitação anual
Bio13 Precipitation of wettest month Precipitação do mês mais úmido Bio14 Precipitation of driest month Precipitação do mês mais seco Bio15 Precipitation seasonality (coefficient
of variation)
Sazonalidade da precipitação (coeficiente de variação)
Bio16 Precipitation of wettest quarter Precipitação do quartil mais úmido Bio17 Precipitation of driest quarter Precipitação do quartil mais seco Bio18 Precipitation of warmest quarter Precipitação do quartil mais quente Bio19 Precipitation of coldest quarter Precipitação do quartil mais frio 841
48 Mat. Supl. 5. Na construção dos modelos de adequabilidade de habitat, utilizamos 10 843
valores (entre 0,5 e 5, com incrementos de 0,5) de multiplicador de regularização (RM - 844
regularization multiplier) e seis tipos de classes de recurso (FC - feature classes): L, 845
LQ, H, LQH, LQHP, e LQHPT (onde L = linear, Q = quadratic, H = hinge, P = 846
product, T = threshold). Para cada espécie comparamos o desempenho de 60 modelos, 847
utilizando o menor valor de critério de informação de Akaike corrigido (AICc - Akaike 848
Information Criterion) associados a valores aceitáveis da área sobre a curva ROC (AUC 849
- Area Under the ROC Curve, > 0,75). AICc reflete a complexidade e o quão bem 850
ajustado é o modelo, valores mais baixos de AICc são esperados para os melhores 851
modelos (Muscarella et al. 2014; Burnham & Anderson 2004). Utilizamos o AICc por 852
ter demostrado melhor performance quando comparado com AUC em seleção de 853
modelos (Warren & Seifert 2011). AUC é uma medida de rendimento do modelo que 854
fornece uma ideia de quão bom é o modelo, baseado no limiar independente previsto 855
pelos valores dos pontos de teste, onde valores mais próximos de um (1) refletem um 856
melhor desempenho por apresentar um modelo mais capaz de classificar localidades de 857
alta presença do que localidades de ausência (Elith et al. 2006; Phillips et al. 2004; 858
Phillips et al. 2006; Vidal-García & Serio-Silva 2011; Elith et al. 2011; Muscarella et al. 859
2014). O melhor modelo para cada espécie, de acordo com esses critérios, esta 860
representado na tabela abaixo. 861
Além da seleção dos parâmetros do algoritmo, especificamos o método de 862
partição dos dados de teste e treino, espécies com mais de 25 localidades de ocorrência 863
foram partilhados por ‘block’ e utilizamos ‘k-1 Jackknife’ para as espécies com menos 864
de 25 pontos. No método ‘block’ a partição dos dados de treino e de teste para reduzir a 865
autocorrelação espacial, este método divide o conjunto de pontos de ocorrência em 866
quatro caixas de forma equitativa de acordo com os valores latitude e longitude, é 867
recomendada a utilização deste método para estudos que trabalham com projeções para 868
o futuro, porque os modelos envolvem diferentes cenários, onde é possível encontrar 869
condições ambientais não análogas às condições atuais (Muscarella et al. 2014; Wenger 870
& Olden 2012). O método ‘Jackknife’ consiste em utilizar um ponto teste e um ponto de 871
treino por validação cruzada, é recomendada a utilização deste método sempre que o 872
conjunto de ocorrência é considerado pequeno, ou seja, inferior a 25 pontos de 873
localidades (Muscarella et al. 2014; Pearson et al. 2007; Shcheglovitova e Anderson 874
2013). 875
49 Burnham, K.P. & Anderson, D.R. 2004. Multimodel inference: understanding AIC and 876
BIC in Model Selection. Sociological Methods and Research, 33:261-304. 877
Elith, J.; Graham, C.H.; Anderson, R. .; Dudík, M.; Ferrier, S.; Guisan, A.; Hijmans, R. 878
J.; Huettmann, F.; Leathwick, J.R.; Lehmann, A.; Li, J.; Lohmann, L.G.; Loiselle, 879
B.A.; Manion, G.; Moritz, C.; Nakamura, M.; Nakazawa, Y.; Overton, J. McC.; 880
Peterson, A.T.; Phillips, S.J.; Richardson, K.S.; Scachetti-Pereira, R.; Schapire, 881
R.E.; Soberón, J.; Williams, S.; Wisz, M.S. & Zimmermann, N.E. 2006. Novel 882
methods improve prediction of species’ distributions from occurrence data. 883
Ecography, 29:129-151. 884
Elith, J.; Phillips, S.J.; Hastie, T.; Dudík, M.; Chee, Y.E. & Yates, C.J. 2011. A 885
statistical explanation of MaxEnt for ecologists. Diversity and Distributions, 17:43- 886
57. 887
Muscarella, R.; Galante, P.J.; Soley-Guardia, M.; Boria, R.A.; Kass, J.M.; Uriarte, M. & 888
Anderson, R.P. 2014. ENMeval: An R package for conducting spatially independent 889
evaluations and estimating optimal model complexity for MAXENT ecological 890
niche models. Methods in Ecology and Evolution, 5:1198-1205. 891
Pearson, R.G.; Raxworthy, C.J.; Nakamura, M. & Peterson, A.T. 2007. Predicting 892
species distributions from small numbers of occurrence records: a test case using 893
cryptic geckos in Madagascar. Journal of Biogeography, 34:102-117. 894
Phillips, S.J.; Anderson, R.P. & Schapire, R.E. 2006. Maximum entropy modeling of 895
species geographic distributions. Ecological Modelling, 190:231-259. 896
Phillips, S.J.; Miroslav, M. & Schapire, R.E. 2004. A maximum entropy approach to 897
species distribution modeling. Proceedings of the Twenty-First International 898
Conference on Machine Learning, Banff, Canada. pag.: 655-662. 899
Shcheglovitova, M. & Anderson, R.P. 2013. Estimating optimal complexity for 900
ecological niche models: a jackknife approach for species with small sample sizes. 901
Ecological Modelling, 269:9-17. 902
50 Vidal-García, F. & Serio-Silva J.C. 2011. Potential distribution of Mexican primates: 903
modeling the ecological niche with the maximum entropy algorithm. Primates, 904
52:261-270. 905
Warren, D.L. & Seifert, S.N. 2011. Ecological niche modeling in Maxent: the 906
importance of model complexity and the performance of model selection criteria. 907
Ecological Applications, 21:335-342. 908
Wenger, S.J. & Olden, J.D. 2012. Assessing transferability of ecological models: an 909
underappreciated aspect of statistical validation. Methods in Ecology and Evolution, 910
3:260-26. 911
Tabela Mat. Supl. 5. Parâmetros utilizados na seleção dos modelos de adequabilidade:
912
nome da espécie (Species), multiplicador de regularização (RM - regularization 913
multiplier), classes de recurso (FC - feature classes), critério de informação de Akaike 914
corrigido (AICc), valores da área sobre a curva de ROC (AUC), variáveis (Variables) e 915
número de pontos (Nº points). O nome das variáveis pode ser observado no Mat. Supl. 916
4. 917
Species RM FC AICc AUC Variables Nº points
Alouatta belzebul 4 LQHP 554.47 0.93 Bio15, Bio18, Bio19, Bio2, Bio3 24 Alouatta caraya 1.5 LQHP 1800 0.82 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 74 Alouatta guariba 3 LQH 5590.5 0.93 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 250
Brachyteles arachnoides 1.5 H 862.69 0.98 Bio2, Bio3, Bio8, Bio15, Bio18, Bio19 47 Brachyteles hypoxanthus 1.5 LQHP 755.25 0.98 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 37 Callicebus coimbrai 1.5 LQ 1278.8 0.97 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 78
51 Callicebus melanochir 1.5 LQ 228.35 0.99 Bio2, Bio3, Bio8, Bio13,
Bio15, Bio19 12 Callicebus nigrifrons 1.5 LQHP 949.11 0.99 Bio2, Bio3, Bio8, Bio15, Bio18, Bio19 47 Callicebus personatus 0.5 LQ 476.99 0.98 Bio2, Bio3, Bio13, Bio15, Bio18, Bio19 22 Callithrix aurita 1 LQ 1171.5 0.98 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 62 Callithrix flaviceps 1 LQ 416.14 0.99 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 22 Callithrix geoffroyi 0.5 LQ 1079 0.91 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 54 Callithrix jacchus 0.5 LQ 627.67 0.87 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 31 Callithrix kuhlii 0.5 L 230.46 0.99 Bio2, Bio3, Bio8, Bio13, Bio15, Bio19 17 Callithrix penicillata 0.5 LQ 562.08 0.93 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 25
Leontopithecus caissara 4 H 146.84 1.00 Bio2, Bio3, Bio8, Bio13, Bio18 14 Leontopithecus chrysomelas 4.5 LQHPT 1729.1 0.95 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 107
Leontopithecus chrysopygus 0.5 LQ 624.81 0.97 Bio3, Bio8, Bio13, Bio15, Bio18, Bio19
52 Leontopithecus rosalia 4 LQHP 524.22 0.97 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 37 Sapajus cay 1.5 LQ 392.64 0.96 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 17
Sapajus flavius 1.5 LQ 246.37 0.99 Bio2, Bio13, Bio15, Bio18, Bio19
12
Sapajus libidinosus 4.5 LQ 722.96 0.78 Bio3, Bio15,
Bio19 29 Sapajus nigritus 2 LQH 4835 0.93 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 225 Sapajus robustus 0.5 LQ 560.22 0.96 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 28 Sapajus xanthosternos 2.5 LQH 1153.2 0.87 Bio2, Bio3, Bio8, Bio13, Bio15, Bio18, Bio19 52
53 918
Mat. Supl. 6. Diversidade beta espacial. A diversidade beta espacial mensura o quanto a quadrícula focal (quadrícula preta) é diferente da
919
quadrícula vizinha (quadrícula verde) em termos de composição de espécies. Assim, a diversidade beta espacial para cada quadrícula é 920
quantificada como a média de valores de diversidade beta entre a quadrícula focal e as quadrículas vizinhas. As quadrículas possuem 0,5° de 921
latitude/longitude, ou seja, até 50 km (r = 0,5). O entorno de influência foi aumentado considerando quadrículas localizadas até 4ª ordem, ou seja, 922
até 200 km (r = 2) de distância da quadrícula focal. 923
54 Mat. Supl. 7. Modelos médio de adequabilidade de habitat, e coeficiente de variação dos 924
modelos, no cenário otimista e no cenário pessimista, para cada espécie de primatas da 925
Mata Atlântica. Os modelos são apresentados apenas para a área da espécie no bioma, 926
entretanto, os modelos de adequabilidade foram construídos para toda área de 927
distribuição da espécie. Para mais esclarecimento ver sessão Materiais e Métodos (2.4 928
Modelos de adequabilidade atuais e futuros) desta dissertação. 929
55 930
56 931
57 932
58 933
59 934
60 936
61 937
62 938
63 939
Figura Mat. Supl. 7.1. Modelo de adequabilidade de habitat (Adequabilidade) e
940
coeficiente de variação (CV) de cada espécie de primata da Mata Atlântica, para o 941
cenário otimista (RCP 2.6) e pessimista (RCP 8.5) de emissões dos gases do efeito 942
estufa. O polígono preto representa o limiar de 10º percentil ‘10 percentile training 943
presence threshold’, utilizado para determinar a área de distribuição da espécie. A área 944
em que a espécie foi considerada presente é toda a área do polígono preto. 945
64 Mat. Supl. 8. Padrões espaciais e temporais de diversidade alfa e beta para o presente e 946
o futuro de primatas da Mata Atlântica. Projeções para o futuro foram baseadas em 947
cenários de emissão dos gases do efeito estufa (GEE) até 2050, representados pelos 948
percursos representativos de concentração (RCP - Representative Concentration 949
Pathways). O cenário mais otimista, segundo o RCP 2.6, prediz que o pico de emissão 950
de GEE deve ocorrer entre 2010-2020 e posteriormente declinar substancialmente; o 951
cenário que é estabilizador, porém otimista, com RCP 4.5, prediz que o pico de emissão 952
dos GEE ocorrerá em 2040 e deve declinar logo então; o cenário também estabilizador, 953
porém pessimista, com RCP 6.0, é baseado em um cenário de alta emissão de GEE com 954
pico ocorrendo em 2080 e só depois as emissões devem sofrer redução; o cenário é o 955
mais pessimista, o RCP 8.5, prediz que durante todo o século XXI ocorra aumento nas 956
emissões dos GEE (IPCC, 2014). Resultados das análises de diversidade alfa e beta, 957
espacial e temporal, podem ser observados nas figuras abaixo. 958
959
IPCC. 2014. Climate Change 2014: Impacts, Adaptation, and Vulnerability. Summaries, 960
Frequently Asked Questions, and Cross-Chapter Boxes. A Contribution of Working 961
Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate 962
Change [Field, C.B., V.R. Barros, D.J. Dokken, K.J. Mach, M.D. Mastrandrea, T.E. 963
Bilir, M. Chatterjee, K.L. Ebi, Y.O. Estrada, R.C. Genova, B. Girma, E.S. Kissel, 964
A.N. Levy, S. MacCracken,P.R. Mastrandrea, and L.L. White (eds.)]. World 965
Meteorological Organization, Geneva, Switzerland, 190 pp. 966
65 967
Figura Mat. Supl. 8.1. Riqueza de espécies de primatas atual (CURRENT) e em futuros cenário de mudanças nas condições climáticas na Mata
968
Atlântica brasileira: cenário otimista (RCP 2.6), cenário de estabilização otimista (RCP 4.5), cenário de estabilização pessimista (RCP 6.0) e 969
cenário pessimista (RCP 8.5), das emissões dos gases do efeito estufa. 970
66 972
Figura Mat. Supl. 8.2. Diferença entre a riqueza futura e atual de espécies de primatas na Mata Atlântica. Baseadas pelos cenários previstos das
973
emissões dos gases do efeito estufa: cenário otimista (RCP 2.6), cenário de estabilização otimista (RCP 4.5), cenário de estabilização pessimista 974
(RCP 6.0) e cenário pessimista (RCP 8.5). Valores negativos e positivos representam perda e ganho de espécies, respectivamente. 975
67 976
Figura Mat. Supl. 8.3. Diversidade beta espacial de primatas na Mata Atlântica
977
atualmente (Current) e em cenários futuros: otimista (RCP 2.6), de estabilização 978
otimista (RCP 4.5), de estabilização pessimista (RCP 6.0) e pessimista (RCP 8.5), de 979
mudanças nas condições climáticas. A diversidade beta (β sor) foi fracionada em 980
turnover (β sim) e nestedness (β sne). Histogramas representam a frequência dos valores 981
de β sor em cada cenário. 982
68 983
Figura Mat. Supl. 8.4. Diferença na área de distribuição (área da distribuição futura –
984
área da distribuição atual) das espécies de primatas na Mata Atlântica em futuros 985
cenários: otimista (RCP 2.6), de estabilização otimista (RCP 4.5), de estabilização 986
pessimista (RCP 6.0) e pessimista (RCP 8.5), de mudanças nos níveis de emissão dos 987
gases do efeito estufa. 988
69 989
Figura Mat. Supl. 8.5. Diversidade beta temporal de primatas na Mata Atlântica
990
refletindo a mudança na composição de espécies mediantes a cenários: otimista (RCP 991
2.6), de estabilização otimista (RCP 4.5), de estabilização pessimista (RCP 6.0) e 992
pessimista (RCP 8.5), de mudanças nas emissões de gases do efeito estufa. A 993
diversidade beta (β sor) foi fracionada em turnover (β sim) e nestedness (β sne). 994
Histogramas representam a frequência dos valores de β sor em cada cenário. 995