Construção de índices de valor de importância de espécies para análise fitossociológica de Floresta Ombrófila através de análise multivariada

Abstract

Um importante instrumento da ecologia de comunidades é a análise multivariada, que trata todas as variáveis simultaneamente, sintetizando os dados e revelando a sua estrutura com a menor perda de informações possível. Objetivou-se neste trabalho construir, através da análise multivariada, dois índices fitossociológicos que envolvessem as mesmas variáveis do Índice de Valor de Importância (IVI), para comparação dos resultados entre estes índices, através do ranqueamento das espécies arbóreas amostradas em um inventário da Floresta Ombrófila Densa, em três categorias ecológicas previamente estabelecidas: predominância alta, intermediária e baixa. A adequação da análise fatorial foi determinada pelos testes Bartlett e KMO. O teste de Bartlett avaliou a significância geral da matriz de correlação, indicando que as correlações, em geral, são significantes ao nível de 1% de probabilidade. O teste KMO indicou que as variáveis estão correlacionadas e o modelo fatorial apresentou um nível bom de adequação aos dados. Estes resultados respaldaram o emprego da análise fatorial para a extração de fatores e a estimação dos escores fatoriais das espécies. O melhor índice entre os três foi aquele obtido através da análise fatorial, pelo método de componentes principais, que adicionou uma variável dummy para cada uma das variáveis envolvidas no modelo.

An important tool for community ecology is multivariate analysis, which treats all variables simultaneously, summarizing data and revealing its structure with the smallest possible loss of information. This study aimed to develop, by multivariate analysis, two phytosociological indices derived from the same variables of the Importance Value Index (IVI), in order to compare such results between the indices by ranking of tree species sampled in a dense rain forest inventory, according to three previously established ecological categories: high, medium and low prevalence. The suitability of factor analysis was determined by Bartlett and KMO tests. Bartlett's test evaluated the overall significance of the correlation matrix indicating that correlations in general were significant at probability of p < 0.01. The KMO test indicated that the variables were correlated and the factorial model presented a good suitability level to the data. These results reinforce factor analysis using for factor extraction and estimating factor species scores. The best index of the three was obtained with factor analysis, which added a dummy variable to each variable in the model.