06 Mar Avanços na modelagem: previsão de interações e estrutura da rede (contribuição de Carolina Bello, Ben Weinstein e Catherine Graham)

Um dos importantes objetivos da ecologia de redes é descobrir os mecanismos que determinam a força de interação e a fidelidade das espécies interatoras (Bascompte e Jordano 2007). Quando as espécies coocorrem no tempo e no espaço, a probabilidade de interação é influenciada pelo ganho de recompensas resultante da interação com a espécie associada versus o custo de procurar e interagir com outras espécies (Spiesman e Gratton 2016). Os ganhos podem depender de características complementares entre os interatores que permitem uma maior eficiência no tempo de interação durante a extração dos recursos no caso dos beija-flores, ou a maior deposição de pólen específico para plantas (Vázquez et al. 2009, Bartomeus et al. 2016). Alternativamente, as espécies podem reduzir o tempo de busca interagindo com as espécies mais abundantes, independentemente de suas características, seja devido à maior taxas de encontro da espécie ou a imagens de busca mais fortes por recursos comuns (Abrams 2010, Fagan et al. 2013). O conhecimento sobre o trade-off entre os benefícios e os custos associados às interações ajudará a entender por que algumas espécies são especialistas enquanto outras são generalistas, utilizando uma variedade de recursos, e como tais características em nível de espécie influenciam a estabilidade das redes de interação ecológica.

Estamos desenvolvendo um modelo Bayesiano hierárquico de N-mistura para prever a probabilidade de ocorrência de uma interação. O modelo leva em conta erros na detecção da interação e fatores ecológicos, como abundância ou ajuste morfológico, onde espécies interatoras com morfologias bem adaptadas ganham uma vantagem de aptidão e abundância. Quando não registramos uma interação entre duas espécies em campo, não fica claro se a amostragem simplesmente falhou em detectar a interação ou se a interação realmente não ocorreu. O perigo de não considerar a detecção é combinar não detecções e ausências verdadeiras e, como resultado, inferir erroneamente algum mecanismo ecológico (Weinstein e Graham 2017). Por exemplo, classificar erroneamente uma interação como impossível devido a restrições morfológicas, temporais ou espaciais (os chamados ‘links proibidos’ Vázquez et al. 2009), quando na realidade simplesmente não observamos a interação durante a amostragem.

Nossa abordagem inclui um modelo de observação (caixa vermelha na figura 1), um modelo de processo ecológico (caixas azuis na figura 1) e um conjunto de priors hierárquicos (Graham e Weinstein 2018). Ao distinguir o modelo de observação do modelo de processo ecológico, podemos diferenciar as interações que não ocorrem, daquelas que não são observadas. O modelo de processo ecológico estima a intensidade das interações com base em fatores ecológicos, como correspondência morfológica, comportamento ou fenologia (Vázquez et al. 2009). Com este modelo, estamos explorando se a ajustes morfológicos ou a abundância de plantas prevêem melhor as taxas de visitação diária entre os beija-flores e as plantas equatorianas (Weinstein e Graham 2017). Além disso, uma vez que se possa prever a probabilidade de interação, pode-se utilizar essas informações para prever a estrutura da rede e explorar como ela muda ao longo do ano e ao longo de um gradiente de elevação (caixa verde na figura).

Essa abordagem apresenta três benefícios: 1) podemos diferenciar a probabilidade de observar uma interação da intensidade da interação; 2) nosso modelo de processo incorpora a correspondência de características como uma variável contínua, em vez de uma variável binária que delimita a interação como possível ou proibida (Vizentin-Bugoni et al. 2014); 3) o modelo é estruturado para ser preditivo, com relativamente poucos parâmetros, ao invés de dependente da randomização post-hoc da matriz de interação observada. Essas ferramentas serão uma melhoria fundamental na análise da importância dos atributos, recursos locais e qualidade do habitat na manutenção da diversidade biológica nessas comunidades.

Se você quiser saber mais sobre o uso de modelos bayesianos hierárquicos de N -mistura na previsão de interações planta-beija-flor, nós convidamos a ler estes artigos:

• Graham, C. H., and B. G. Weinstein. (2018). Towards a predictive model of species interaction beta diversity. Ecology Letters 21:1299-1310. https://doi.org/10.1111/ele.13084

• Weinstein, B.G. and Graham, C.H. (2017). Persistent bill and corolla matching despite shifting temporal resources in tropical hummingbird‐plant interactions. Ecol Lett, 20: 326-335. https://doi.org/10.1111/ele.12730

• Weinstein, B.G. and Graham, C.H. (2017). On comparing traits and abundance for predicting species interactions with imperfect detection, Food Webs, 11, 17-25, https://doi.org/10.1016/j.fooweb.2017.05.002

Literatura citada

Abrams, P. A. 2010. Implications of flexible foraging for interspecific interactions: lessons from simple models. Functional Ecology 24:7-17.

Bartomeus, I., D. Gravel, J. M. Tylianakis, M. A. Aizen, I. A. Dickie, and M. Bernard-Verdier. 2016. A common framework for identifying linkage rules across different types of interactions. Functional Ecology 30:1894-1903.

Bascompte, J., and P. Jordano. 2007. Plant-Animal Mutualistic Networks: The Architecture of Biodiversity. Annual Review of Ecology, Evolution, and Systematics 38:567-593.

Fagan, W. F., M. A. Lewis, M. Auger‐Méthé, T. Avgar, S. Benhamou, G. Breed, L. LaDage, U. E. Schlägel, W. w. Tang, and Y. P. Papastamatiou. 2013. Spatial memory and animal movement. Ecology Letters 16:1316-1329.

Graham, C. H., and B. G. Weinstein. 2018. Towards a predictive model of species interaction beta diversity. Ecology Letters 21:1299-1310.

Spiesman, B. J., and C. Gratton. 2016. Flexible foraging shapes the topology of plant–pollinator interaction networks. Ecology 97:1431-1441.

Vázquez, D. P., N. P. Chacoff, and L. Cagnolo. 2009. Evaluating multiple determinants of the structure of plant–animal mutualistic networks. Ecology 90:2039-2046.

Vizentin-Bugoni, J., P. K. Maruyama, and M. Sazima. 2014. Processes entangling interactions in communities: Forbidden links are more important than abundance in a hummingbird-plant network. Proceedings of the Royal Society B: Biological Sciences 281.

Weinstein, B. G., and C. H. Graham. 2017. On comparing traits and abundance for predicting species interactions with imperfect detection. Food Webs 11:17-25.