deletions | additions       diff --git a/subsubsection_M_todos_textit_rea__.tex b/subsubsection_M_todos_textit_rea__.tex  index 4155b10..6a83e7d 100644  --- a/subsubsection_M_todos_textit_rea__.tex  +++ b/subsubsection_M_todos_textit_rea__.tex 
...
\textit{Delineamento amostral}  Para se obter réplicas temporais de amostragem nos pontos amostrais, necessárias para se estimar a detectabilidade, foi utilizado o delineamento de dupla observação (double observer approach, \cite{Mackenzie et al 2006}). \cite{mackenzie2006occupancy}).  Este delineamento amostral é indicado para situações onde os custos associados com a visita de todos os pontos igualmente são desproporcionais (e.g. devido ao grande tempo de deslocamento entre os pontos). Desta forma é utilizado um esforço amostral mínimo para todos os pontos (a fim de estimar a ocupação) e um esforço mais concentrado em um subconjunto dos pontos (a fim de estimar a detectabilidade). Em nosso caso, metade dos pontos foi amostrada quatro vezes (pela manhã), enquanto que a outra metade foi visitada 20 vezes (12 vezes pela manhã e oito à tarde). Os pontos amostrais foram visitados por dois observadores diferentes. Em cada período de amostragem, um dos observadores percorria um dos transectos do ponto amostral, enquanto o outro observador percorria o outro transecto do mesmo ponto. Ao final deste primeiro período amostral, os observadores amostravam novamente o mesmo ponto, porém alternavam os transectos percorridos por cada um. Os observadores não trocavam informações sobre as espécies registradas durante a alternância entre os transectos, a fim de garantir a independência entre as duas amostras consecutivas. Após cada observador percorrer os dois transectos de cada ponto amostral, os observadores se dirigiam a outro ponto. Este delineamento foi escolhido de forma a maximizar o número de contatos com as espécies em cada ponto e também o tempo de amostragem total.  
...
Durante as amostragens das aves, foram registradas todas as espécies de aves detectadas visual ou auditivamente dentro da área amostral de 100 m a partir dos transectos. O número de espécies observado em cada ponto foi considerado como o número total de espécies amostradas pelos dois observadores em todos os períodos amostrais.  Além do número de espécies observado, nós estimamos o número de espécies presentes em cada localidade utilizando um modelo estatístico que gera estimativas de riqueza de espécies considerando o efeito da detecção imperfeita. Este modelo estima a riqueza de espécies a partir dos dados de presença e ausência de cada espécie em cada ponto e em cada ocasião de amostragem. Com este modelo estatístico também é possível obter estimativas do número de espécies em toda a área de estudo (metacomunidade), considerando todas as espécies observadas e estimando aquelas que podem não ter sido amostradas devido à influência da detecção imperfeita durante as amostragens.  O modelo em questão, conhecido como multi-species occupancy model, foi desenvolvido a partir da extensão de modelos populacionais usados para se estimar a ocupação e detecção de uma espécie (single species occupancy models) \cite{dorazio2005estimating). Estes modelos populacionais vêm sendo aplicados com sucesso nas últimas décadas com o intuito de embasar estudos ecológicos e/ou planos de manejo e conservação de espécies de diferentes grupos taxonômicos \cite{MacKenzieDarrylI.NicholsJ.D.LachmanG.B.DroedgeS.RoyleJ.A.Langtimm2002,MAckenzie2003,Bailey2009}. \cite{MacKenzieDarrylI.NicholsJ.D.LachmanG.B.DroedgeS.RoyleJ.A.Langtimm2002,Mackenzie2003,Bailey2009}.  Recentemente, a implementação e aplicação dos modelos multi-species têm ganhado importância, principalmente por descreverem propriedades de comunidades e por permitirem o uso de informação de muitas espécies, o que seria de difícil execução utilizando somente os modelos populacionais \cite{Zipkin2009,Ruiz-Gutierrez2010}.   \textit{Variáveis independentes} 
...
\textit{Análises estatísticas}  O modelo de ocupação para comunidades (multi-species occupancy model) foi elaborado de forma a representar três processos distintos, mas relacionados: presença ou ausência das espécies na metacomunidade, presença ou ausência das espécies na localidade amostrada e detecção ou não das espécies em cada período amostral \cite{dorazio2005estimating}. Estes três processos são considerados de forma hierárquica no modelo, de modo que a detecção das espécies depende da ocupação das localidades por estas espécies, que por sua vez depende das espécies estarem presente no pool regional de espécies considerado como a metacomunidade \cite{Dorazio2006}. \cite{DorazioRobertM.RoyleJ.A.SodestromB.Glimskar2006}.  Como as ocasiões temporais de amostragem podem ser modeladas por covariáveis de detecção e também a ocupação de cada espécie também pode ser relacionada a covariáveis de ocupação, os modelos podem se tornar bastante complexos e com muitos parâmetros a serem estimados. Nestes casos, tem sido indicado o uso da abordagem bayesiana, onde os parâmetros destes modelos são mais facilmente estimados usando o algoritmo computacional Markov Chain Monte Carlo method (ou método MCMC). Entretanto, como no presente momento nós estamos construindo os modelos e buscando entender melhor esta abordagem, nós optamos por estimar o número de espécies por sítio a partir de um modelo básico, que não inclui nenhuma covariável. Desta forma, para estimar e avaliar a relação entre as variáveis dependentes e independentes, nós utilizamos a abordagem de verossimilhança, a qual é mais conhecida, relativamente mais simples e facilmente implementável em softwares estatísticos como o R \cite{R Core Team 2014}. \cite{RCoreTeam2014}.  As variáveis dependentes (riqueza observada e estimada) foram relacionadas com as independentes (dois primeiros eixos da PCA da vegetação) por meio de um modelo linear generalizado (GLM) com distribuição dos erros Poisson, a qual é indicada para modelar variáveis dependentes que são contagens, como no nosso caso. Os modelos construídos para representar a relação entre as variáveis incluem relações lineares entre as variáveis dependentes e cada uma das variáveis independentes, além de um modelo onde a variável dependente possa ser relacionada com a soma dos efeitos das duas variáveis independentes. Além da relação linear entre riqueza de espécies e a estrutura da vegetação, é esperado também que a riqueza possa estar relacionada com a estrutura vegetacional por uma relação quadrática. Neste caso, a hipótese ecológica representada seria a de uma maior riqueza de espécies em estruturas de vegetação intermediárias e as áreas com estruturas menores e maiores com riquezas mais baixas. Assim, nós também construímos modelos em que cada uma das variáveis independentes se relacionam de forma quadrática com as variáveis dependentes, além de um modelo onde ambas as variáveis independentes possam se relacionar de forma quadrática com a variável dependente.  Para a seleção dos modelos que melhor representem a variação da riqueza observada e estimada em nossas amostras, nós utilizamos uma adaptação do critério de informação de Akaike (AIC), indicada para lidar com pequenas amostras (AICc). Este critério permite escolhermos o modelo que mais se aproxima do modelo “original” que possa ter gerado os dados, mesmo sendo este modelo desconhecido. Esta escolha é baseada na diferença dos AICc's entre os modelos concorrentes (deltaAICc), sendo o melhor modelo aquele que apresenta menor valor de AICc (deltaAICc=0). Outros modelos que apresentem deltaAICc igual ou menor que dois em comparação com o melhor, são considerados igualmente plausíveis e não devem ser descartados como possível explicação para os dados \cite{burnham2002model}.