3 MATERIALI E METOD
STAZIONE DAGALA
3.4 METODI DI VALUTAZIONE PER I CONFRONTI QUALITATIVI E QUANTITATIVI Le analisi ed i confronti sono stati effettuati sia sulle Famiglie che sul complesso delle specie d
Coleotteri. Gli indici di diversità, di equiripartizione e di similarità sono stati elaborati con i software BIODIV.4.2 (PLAMEN & LYUBOMIR, 1993) e PRIMERv.6 (CLARKE & WARWICK, 2001).
3.4.1 INDICI DI DIVERSITÀ
Indice di Margalef
Tale indice calcola la ricchezza in specie (o più in generale in taxa) delle stazioni ed è stato calcolato con la seguente formula:
d = (S-1)/logeN
dove:
S= numero di taxa;
N= numero totale di esemplari nel sito. Indice di Shannon
Al fine di valutare sinteticamente il livello di biodiversità delle stazioni, è stato utilizzato l’indice di Shannon calcolato secondo la seguente formula:
dove:
s = numero di specie;
pj = Nj / N (abbondanze relative);
Nj = numero di esemplari di ciascun taxon nel sito in esame; N = numero totale di esemplari nel sito.
Si tratta di un indice che viene determinato dal numero di specie e dalla distribuzione delle abbondanze relative delle stesse nella stazione. Esso risulta fortemente influenzato dalle abbondanze medie (CHEMINI, 1991)
Indice di Simpson
Sempre ai fini della valutazione della α-diversità, è stato utilizzato anche l’indice di Simpson, noto anche come indice di ricchezza delle specie; che viene spesso usato in concomitanza con il precedente. Esso è stato calcolato con la seguente formula:
dove:
S = numero di taxa;
N = numero totale di esemplari; n = numero di esemplari di un taxon.
3.4.2 INDICI DI EQUIRIPARTIZIONE E DI DOMINANZA
Indice di Pielou
La equiripartizione (eveness) è stata stimata utilizzando l’indice di Pielou calcolato utilizzando la seguente formula:
dove:
H’ = indice di Shannon-Weaver;
S = numero di taxa presenti nella comunità.
Indice di Dominanza di Simpson
La dominanza è stata stimata utilizzando la seguente formula:
∑
=
j
P
λ
dove: Pj = Nj / N (abbondanze relative);Nj = numero di esemplari di ciascun taxon nel sito in esame; N = numero totale di esemplari nel sito.
3.4.3 INDICI DI SIMILARITÀ
La significatività statistica delle differenze fra i clusters definiti in base ai vari indici di similarità utilizzati è stata calcolata soltanto per quanto riguarda i confronti fra le trappole con il metodo SIMPROF che consente di analizzare le similarità di campioni non raggruppati a priori.
Indice di Jaccard
Noto anche come indice di similarità serve a verificare le differenze e le similitudini di un gruppo di campioni. In questo caso è stato usato per verificare la similarità delle stazioni in relazione alla loro fauna. La formula di tale indice è la seguente:
dove:
a = numero di specie in comune presenti nei due campioni a confronto; b = numero di specie presenti nel primo campione a confronto;
c = numero di specie presenti nel secondo campione a confronto.
L’indice è definito come la misura tra le intersezioni e l’unione dei campioni da misurare. Indice di Sørensen
Il coefficiente di similarità di Sørensen è uno strumento statistico impiegato per misurare il livello di similarità tra due campioni. La formula impiegata è la seguente:
dove:
A = numero di specie totali del primo campione a confronto; B = numero di specie totali del secondo campione a confronto; C = numero di specie in comune tra i due campioni a confronto. Indice di Bray-Curtis
L’indice, o coefficiente di similarità Bray Curtis stima la similarità fra coppie di campioni tenendo conto non soltanto della presenza/assenza, ma anche delle abbondanze dei singoli taxa. Esso è stato calcolato impiegando la seguente formula:
BC=100 2min y
(
ij, yik)
i=1 p∑
yij+yik(
)
i=1 p∑
dove: p = n. totale di taxa; i = taxon;yij =abbondanza del taxon(i) nel primo campione (j);
yik =abbondanza del taxon(i) nel secondo campione (k).
BC assume valore 0 se i due campioni non hanno specie in comune, e risulta pari a 100 se i due campioni sono identici.
3.4.4ANALISI MULTIVARIATA DELLE COMUNITÀ
Al fine di evidenziare similitudini e differenze tra le trappole e le stazioni si è fatto ricorso anche a due tipi di analisi multivariata delle comunità: la metodologia del Non-Metric Multidimensional Scaling (NMDS) e l’Analisi delle Corrispondenze.
3.4.4.1 Non-Metric Multidimensional Scaling (NMDS)
Questa tecnica di ordinamento è ritenuta da CLARKE & WARWICK (2001), almeno dal punto di vista concettuale, quella di più semplice applicazione; essa consente di mantenere un chiaro e diretto collegamento con i dati originali. Inoltre, è di grande flessibilità in quanto non richiede assunzioni sulla forma della distribuzione dei dati.
Questa metodologia è stata applicata sia alle Famiglie che alle specie di Coleotteri trasformando i dati in radice quadrata delle abbondanze di ogni singolo taxon. I dati così trattati sono stati quindi utilizzati per ottenere una matrice di similarità Bray-Curtis, Basandosi su quest’ultima, è stato possibile costruire una serie di plot che permettono di evidenziare le similitudini tra le varie unità di campionamento (trappole e stazioni). Ogni punto sui grafici rappresenta una singola unità di campionamento, la cui posizione è determinata dall’insieme dei taxa e del numero di individui raccolti per ciascuno di essi. In tal modo si possono osservare raggruppamenti omogenei tra le unità di campionamento. Essendo i grafici proiezioni bidimensionali, o tridimensionali, di uno spazio multidimensionale, la tecnica fornisce una misura dello “stress”, ovvero della “forzatura” del plot. CLARKE & WARWICK (2001) suggeriscono di non considerare plots con valori di stress superiori a 0,18 in quanto risultano essere poco
R = rb-rw/1/4 [n (n-1)]
dove:
rb = dissimilarità medie all’interno del gruppo;
rw = dissimilarità medie con gli altri gruppi;
n= n. totale delle unità di campionamento.
Il valore di R (R osservato) può variare tra -1 e 1 ed assume il valore 0 quando l’ipotesi nulla (H0:
nessuna differenza tra le unità di campionamento) è vera, mentre assume il valore 1 quando tutte le repliche all’interno di una unità di campionamento sono più simili tra loro rispetto a tutte le repliche delle altre unità di campionamento. I valori minori di zero, rappresentano il caso opposto.
Il test ANOSIM, utilizzando un numero prestabilito di volte, ricalcola il valore di R permutando casualmente il gruppo di appartenenza di ciascuna replica. In questo modo si ottiene una distribuzione di R simulate con il quale confrontare il valore di R osservato. L’ipotesi nulla viene respinta quando R osservato ricade al di fuori della distribuzione delle R simulate: più il valore di R osservato è lontano dai valori delle R simulate più è probabile che i raggruppamenti sul plot siano delle rappresentazioni non casuali.
Insieme al calcolo di R viene prodotta una stima della significatività che permette di valutare la possibilità di commettere un errore nell’interpretare R.
E’ stata inoltre stimata la significatività statistica delle differenze fra le stazioni utilizzando il Parwise test, basato sul valore della R osservato fra coppie di stazioni.
3.4.4.2 Analisi delle Corrispondenze
Il confronto tra le comunità è stato effettuato ricorrendo anche all'analisi delle corrispondenze, che è comunemente ritenuto il metodo di analisi multivariata più adeguato per analizzare le tabelle biocenotiche (PIELOU, 1984; GREENACRE & VRBA, 1984; DIGBY & KEMPTON, 1987; JAMES & MC CULLOCH, 1990). Le elaborazioni sono state effettuate mediante il programma CANOCO 4.5 (TER BRAAK & ŠMILAUER, 2002).
L’analisi delle corrispondenze è una tecnica di interpretazione dei dati multivariati che permette, partendo da una tabella di contingenza, di analizzare le relazioni esistenti tra le modalità di due (o più) variabili (nel nostro caso le quattro stazioni per quanto riguarda la variabile siti di campionamento e le famiglie, o le specie per quanto riguarda la variabile taxa) al fine di identificare quei fattori in grado di sintetizzare meglio il fenomeno e di rappresentarlo attraverso una riduzione delle dimensioni (assi fattoriali). In tal modo l’Analisi delle corrispondenze permette di trasformare la tabella di contingenza in una rappresentazione grafica in modo da facilitare l’interpretazione dei dati in essa contenuti.
In questo caso, si è tentato di individuare se vi siano delle specifiche relazioni (corrispondenze) tra le variabili originali correlate, cioè tra i taxa esaminati (s righe), e i siti di campionamento (p colonne). L’analisi permette di individuare un nuovo set ridotto di variabili (componenti principali) non correlate, in grado di fornire le informazioni essenziali contenute nelle variabili originarie e di rappresentarle graficamente (assi fattoriali). I nuovi assi individuati esprimeranno una porzione via via decrescente della variabilità totale della tabella iniziale chiamata inerzia.
L’inerzia totale, espressa dalla matrice iniziale, sarà rappresenta per una certa percentuale (%) dal primo asse, una percentuale minore dal secondo e così via fino all’ultimo. Plottando graficamente i primi due assi sarà rappresentata una determinata percentuale della variabilità totale della tabella originaria. Il passo successivo è quello di valutare l’importanza che ogni modalità (Famiglia, specie o stazione) riveste nella formazione dei nuovi assi fattoriali, nonché di interpretarne il significato. A tal riguardo si usano alcuni indici tra cui: l’inerzia relativa, cioè la parte dell’inerzia totale (della rappresenta la parte di inerzia totale del fattore spiegata dalla modalità in esame; il coseno quadrato, che può essere interpretato come la “correlazione” di ciascuna modalità alla relativa dimensione.
In pratica non è sempre possibile identificare e interpretare con chiarezza il nuovo set di variabili trovate. Però sarà possibile, analizzando il grafico, individuare meglio quali siano le variabili empiriche che presentano alta correlazione (positiva o negativa) con le componenti principali in esame, le quali,
nel grafico delle corrispondenze, si posizioneranno agli estremi di ciascun asse. Invece, le variabili che presentano una bassa correlazione con l’asse assumeranno nel grafico una posizione centrale.
Altro fattore da valutare è la distanza tra due punti, cioè tra le modalità di ciascuna variabile. Due punti saranno simili rispetto alla modalità di distribuzione della variabile correlata.