RESERVA NATURAL VALE

FLORESTA ATLÂNTICA DE TABULEIRO: DIVERSIDADE E ENDEMISMOS NA RESERVA NATURAL VALE
taxidermizado e depositado na Coleção de
Mamíferos da Universidade Federal do Espírito
Santo (Ufes-MAM). Todos os procedimentos
envolvendo a captura e a marcação de pequenos
mamíferos foram realizados sob autorização do
órgão ambiental competente (Licença Sisbio n°
27369-4).
Análise de Dados
Cada sítio (ou transecto) foi considerado como
uma unidade amostral. Os valores de diversidade
alfa e beta foram obtidos para cada sítio por meio
de regressões lineares de log de espécies e log
de indivíduos (Hubbell, 1997) usando o modelo
linearizado de Arrhenius (1922), onde Log S = Log c +
z LogA, sendo: S = riqueza de espécies, c = intercepto
da regressão (diversidade alfa) e z = inclinação da
regressão (diversidade beta). Foram utilizados os
conceitos de diversidade alfa e beta propostos por
Hubbell (1997). Dessa forma, em um modelo de
regressão linear, a diversidade alfa é representada
pelo intercepto da regressão e corresponde ao
número de espécies adicionadas considerando um
número mínimo de amostras (no presente estudo,
os indivíduos foram considerados como amostras).
Já a diversidade beta é representada pela inclinação
das linhas (valor de z) e é maior quando a linha é
mais inclinada, significando que um maior número
de espécies é adicionado quando mais indivíduos
são amostrados. A diversidade alfa e beta foram
comparadas entre os sítios amostrados através do
Teste F e dos intervalos de confiança. Uma linha de
tendência foi inserida no gráfico de dispersão dos
valores obtidos utilizando uma função linear para
obter os valores de ajuste e confiabilidade para cada
caso a partir do R 2 .
Para verificar a composição de espécies e a
estrutura da comunidade de pequenos mamíferos
nos sítios amostrados, foi realizada uma análise
de ordenação não-métrica (NMS, do inglês
Nonmetric Multidimensional Scaling) com 1.000
aleatorizações. Após essa análise exploratória,
foi usada a análise ANOSIM (do inglês Analysis
of Similarity) para verificar a similaridade na
composição de espécies entre os tratamentos.
Para isso, foi utilizado o índice de Jaccard. Para
analisar os dados de estrutura da comunidade, foi
considerada a abundância relativa de cada espécie
capturada em cada sítio e também foi utilizado o
ANOSIM, porém, adotando o índice de similaridade
de Bray-Curtis. As análises NMS foram realizadas
no programa Primer v6.
Para verificar a influência da conectividade
promovida pelos corredores de vegetação (neste
estudo chamado de fragmentos florestais lineares),
todos os parâmetros descritos anteriormente
foram comparados entre os sítios amostrados.
Para verificar se a distância em relação à floresta
contínua influencia a composição e a estrutura
da comunidade de pequenos mamíferos, foram
construídos modelos gerais linearizados (GLM,
do inglês General Linear Models) considerando
a distância até a floresta contínua como variável
preditora (ver dados de distância de cada sítio
até a floresta contínua apresentados na Tabela
1). Os eixos gerados pelo NMS serviram como
proxy da composição e estrutura da comunidade
(para detalhes, ver Barlow et al., 2010; Magnago
et al., 2014) e foram considerados como variável
resposta.
A autocorrelação espacial dos resíduos para
todos os modelos citados foi verificada por meio
de correlograma I de Moran (Diniz-Filho et al.,
2003). O número e o intervalo entre classes
de distância dos correlogramas seguiu o default
do programa SAM 4.0 (Rangel et al., 2010). A
significância da autocorrelação espacial dos
resíduos foi avaliada pela correção sequencial de
Bonferroni (Fortin & Dale, 2005). Os resíduos
dos modelos que consideraram a estrutura da
comunidade não apresentaram autocorrelação
espacial, uma vez que todos os coeficientes
I de Moran foram menores do que 0,25 e
não foram significativos. Porém, os resíduos
dos modelos de composição apresentaram
autocorrelação espacial em pelo menos uma
classe de distância do correlograma e, portanto,
foram adotadas medidas corretivas para lidar
com a autocorrelação espacial (Diniz-Filho et al.,
2003). Filtros espaciais foram gerados e incluídos
como variáveis fixas nesses modelos. Os filtros
espaciais foram obtidos pelo método de “Moran’s
Eigenvector Map” (MEM), a partir de uma matriz
das coordenadas geográficas das amostras,
por meio do pacote ‘spacemakeR’ (DRAY et al.,
2006) do programa R. Análise de redundância
424