• PCA com as variáveis de estrutura: a estrutura é suficiente para inferir sobre uma ordem de estádio sucessional?
• CA com a composição florística: qual é a congruência dessa ordenação com a baseada na estrutura?

As variáveis consideradas foram: densidade total, área basal total, média das alturas máximas (uma altura máxima por parcela, sendo feita a média disso para dar um valor por fragmento), número de plantas com caules múltiplos (mais de um fuste), área basal total de Tibouchina.

pca.estr2 = rda(estr.frag, scale=T)
plot(pca.estr2)

# Call:

# rda(X = estr.frag, scale = T) 

# Partitioning of correlations:
#               Inertia Proportion
# Total               5          1
# Unconstrained       5          1

# Eigenvalues, and their contribution to the correlations 
# Importance of components:
#                         PC1   PC2    PC3    PC4     PC5
# Eigenvalue            3.714 0.802 0.3686 0.1102 0.00488
# Proportion Explained  0.743 0.160 0.0737 0.0220 0.00098
# Cumulative Proportion 0.743 0.903 0.9770 0.9990 1.00000

# Scaling 2 for species and site scores
# * Species are scaled proportional to eigenvalues
# * Sites are unscaled: weighted dispersion equal on all dimensions
# * General scaling constant of scores:  2.236068 

# Species scores # ele chama de espécies, mas nesse caso não são:
#                 PC1     PC2     PC3      PC4       PC5
# dens         0.9506 -0.1263 -0.1320 0.249973 -0.024462
# ab          -0.8377 -0.2840  0.4464 0.135102 -0.004608
# alt.max     -0.9225  0.2517 -0.2378 0.166647  0.037396
# caules.mult  0.9227 -0.3681  0.1021 0.003380  0.052909
# ab.tibouc    0.6375  0.7120  0.2915 0.041060  0.007954

# Site scores (weighted sums of species scores)
#              PC1     PC2     PC3      PC4     PC5
# bicudo  -1.68700  0.1293  0.1089  1.08256  0.3467
# jeanzao  0.80620  1.2918 -0.8650  0.08455  1.0452
# medico   0.90478 -1.6279 -0.1857  0.75658  0.3019
# odorico  0.04874  0.2672 -0.8273 -0.05148 -1.8455
# osasco   0.54692  0.5135  1.8735 -0.07203 -0.2975
# teomar  -0.61964 -0.5739 -0.1045 -1.80019  0.4491

pca.estr.parc = rda(dados.ord, scale=T)
plot(pca.estr.parc)

summary(pca.estr.parc)
# Call:
# rda(X = dados.ord, scale = T) 

# Partitioning of correlations:
#               Inertia Proportion
# Total               5          1
# Unconstrained       5          1

# Eigenvalues, and their contribution to the correlations 
# Importance of components:
#                         PC1   PC2   PC3   PC4    PC5
# Eigenvalue            1.953 1.258 0.859 0.568 0.3626
# Proportion Explained  0.391 0.252 0.172 0.114 0.0725
# Cumulative Proportion 0.391 0.642 0.814 0.927 1.0000

# Scaling 2 for species and site scores
# * Species are scaled proportional to eigenvalues
# * Sites are unscaled: weighted dispersion equal on all dimensions
# * General scaling constant of scores:  4.144341 

# Species scores
#                   PC1    PC2      PC3      PC4     PC5
# a.basal       -0.9565 1.2143 -0.82653  0.02834 -0.6015
# dens           1.2999 0.7080 -0.26759 -1.07220  0.1511
# alt.max       -1.4825 0.7394  0.08357 -0.13594  0.8156
# n.fustes       1.3039 0.6107 -0.69798  0.84517  0.4007
# ab.tibouchina  0.4532 1.1939  1.30464  0.25891 -0.1879

Dados de presença e ausência:

ca.quali=cca(spden2)
plot.cca(ca.quali, display=c("sites"))

# Call: cca(X = spden_frag)
#              	Inertia Rank
# Total           	1.657     
# Unconstrained   	1.657    5
# Inertia is mean squared contingency coefficient 

# Eigenvalues for unconstrained axes:
#    CA1      CA2     CA3     CA4     CA5 
# 0.4384   0.3912  0.3371  0.2700  0.2203

Dados de densidade (excluindo-se as espécies com apenas um indivíduo):

ca.sem.raras=cca(spden2)
plot.cca(ca.sem.raras, display = c("sites"))

# Call: cca(X = spden2)
#               Inertia Rank
# Total           1.478     
# Unconstrained   1.478    5
# Inertia is mean squared contingency coefficient 

# Eigenvalues for unconstrained axes:
#    CA1    CA2    CA3    CA4    CA5 
# 0.3941 0.3677 0.2835 0.2362 0.1961