Proyecto Final
Comparacion de variables ambientales en observaciones de Anolis cristatellus en Costa Rica (introducido) y Puerto Rico (Nativo)¶
Justificacion¶
Anolis cristatellus, comúnmente conocido como el anolis cresta de Puerto Rico, es una especie de lagartija nativa de Puerto Rico y las Islas Vírgenes. Esta especie ha demostrado ser un invasor exitoso en varias regiones debido a su adaptabilidad a diferentes hábitats y su capacidad de coexistir con humanos.
Algunas de estas caracteristicas son:
Adaptabilidad Ecológica: A. cristatellus es capaz de vivir en una variedad de hábitats, incluyendo áreas urbanas, bosques, y zonas costeras. Esta versatilidad le permite establecerse en nuevas áreas rápidamente.
Reproducción Rápida: Las hembras de esta especie ponen huevos continuamente durante la temporada de reproducción, lo que facilita un rápido incremento poblacional en nuevas áreas.
Competencia con Especies Nativas: A. cristatellus es agresivo y territorial, lo que puede desplazar a especies de anolis nativos al competir por recursos como alimento y hábitat.
Dispersión Humana: La capacidad de esta especie para ser transportada accidentalmente por humanos en cargamentos de plantas, vehículos, y otros medios facilita su dispersión a nuevas regiones.
Esta especie ha sido introducida en Costa Rica, donde podria tener un impacto potencial negativo en los ecosistema y especies nativas. Por ejemplo: Competencia por Recursos: A. cristatellus puede competir directamente con especies de lagartos nativos de Costa Rica, como los anolis locales. Esta competencia puede resultar en la disminución de las poblaciones de especies nativas debido a la exclusión competitiva.
Depredación: Como insectívoro, A. cristatellus podría afectar las poblaciones de insectos locales, alterando las cadenas alimenticias y los equilibrios ecológicos.
Hibridación: En el caso de especies estrechamente relacionadas, existe la posibilidad de hibridación, lo que podría amenazar la pureza genética de las especies nativas.
Disminución de la Biodiversidad Nativa: La presencia de una especie invasora agresiva puede resultar en la disminución de la biodiversidad, especialmente si desplaza o lleva a la extinción a especies nativas.
Alteración de Ecosistemas: Cambios en la estructura de las comunidades de reptiles y sus interacciones con otras especies (como insectos y plantas) pueden tener efectos en cascada que alteren los ecosistemas de manera significativa.
La potencial invasión de Anolis cristatellus en Costa Rica representa una amenaza significativa para la biodiversidad y los ecosistemas locales. La combinación de su alta adaptabilidad, capacidad de reproducción rápida, y agresividad competitiva hace que esta especie sea una invasora formidable. Sin embargo, con medidas de control y prevención adecuadas, es posible mitigar sus impactos negativos y proteger la biodiversidad de Costa Rica.Por lo tanto conocer sobre su comportamiento y ecologia es indispensable.
Referencias¶
Río, C. A. D., Kaiser, H., & Powell, R. (Eds.). (2021). Reptiles of the Caribbean: Evolution, ecology, and conservation. CRC Press.
Losos, J. B. (2009). Lizards in an Evolutionary Tree: Ecology and Adaptive Radiation of Anoles. University of California Press.
Kolbe, J. J., Glor, R. E., Schettino, L. R., Lara, A. C., Larson, A., & Losos, J. B. (2004). Genetic variation increases during biological invasion by a Cuban lizard. Nature, 431(7005), 177-181.
Powell, R., & Henderson, R. W. (2008). Island lists of West Indian amphibians and reptiles. Florida Museum of Natural History Bulletin, 47, 1-300.
Kraus, F. (2009). Alien Reptiles and Amphibians: A Scientific Compendium and Analysis. Springer.
Reaser, J. K., Meyerson, L. A., Cronk, Q., Poorter, M. D., Eldrege, L. G., Green, E., ... & Tye, A. (2007). Ecological and socioeconomic impacts of invasive alien species in island ecosystems. Environmental Conservation, 34(2), 98-111.
Objetivo¶
Analizar las diferencias en variables ambientales entre los registros de Anolis cristatellus realizadas en Costa Rica donde es introducido y en Puerto Rico donde es nativo.
Datos utilizados¶
Se utiliza datos de observaciones obtenidos de inaturalist para Costa Rica y para Puerto Rico. En ambos, se filtraron los datos para incluir unicamente las observaciones corroboradas de grado de investigacion.
Las variables ambientales de temperatura y precipitacion se encuentran en formato raster (.tif) y fueron tomadas de worldclim2. Estas representan datos historicos de temperatura y precipitacion desde 1970 - 2000 en una resolucion de 30s (aproximadamente 1km x 1km). https://worldclim.org/
Los datos sobre la huella humana son calculado con base en una serie de metricas que indican el nivel de alteracion antrópica del sitio. Donde valores bajos representan menor alteracion y valores altos mayor alteracion o impacto humano. Fueron tomados de https://wcshumanfootprint.org/
Codigo utilizado:¶
Instalar y cargar bibliotecas
!pip install pandas
!pip install geodatasets
!pip install rasterio
!pip install seaborn
Requirement already satisfied: pandas in /usr/local/lib/python3.10/dist-packages (2.0.3) Requirement already satisfied: python-dateutil>=2.8.2 in /usr/local/lib/python3.10/dist-packages (from pandas) (2.8.2) Requirement already satisfied: pytz>=2020.1 in /usr/local/lib/python3.10/dist-packages (from pandas) (2023.4) Requirement already satisfied: tzdata>=2022.1 in /usr/local/lib/python3.10/dist-packages (from pandas) (2024.1) Requirement already satisfied: numpy>=1.21.0 in /usr/local/lib/python3.10/dist-packages (from pandas) (1.25.2) Requirement already satisfied: six>=1.5 in /usr/local/lib/python3.10/dist-packages (from python-dateutil>=2.8.2->pandas) (1.16.0) Requirement already satisfied: geodatasets in /usr/local/lib/python3.10/dist-packages (2023.12.0) Requirement already satisfied: pooch in /usr/local/lib/python3.10/dist-packages (from geodatasets) (1.8.1) Requirement already satisfied: platformdirs>=2.5.0 in /usr/local/lib/python3.10/dist-packages (from pooch->geodatasets) (4.2.2) Requirement already satisfied: packaging>=20.0 in /usr/local/lib/python3.10/dist-packages (from pooch->geodatasets) (24.0) Requirement already satisfied: requests>=2.19.0 in /usr/local/lib/python3.10/dist-packages (from pooch->geodatasets) (2.31.0) Requirement already satisfied: charset-normalizer<4,>=2 in /usr/local/lib/python3.10/dist-packages (from requests>=2.19.0->pooch->geodatasets) (3.3.2) Requirement already satisfied: idna<4,>=2.5 in /usr/local/lib/python3.10/dist-packages (from requests>=2.19.0->pooch->geodatasets) (3.7) Requirement already satisfied: urllib3<3,>=1.21.1 in /usr/local/lib/python3.10/dist-packages (from requests>=2.19.0->pooch->geodatasets) (2.0.7) Requirement already satisfied: certifi>=2017.4.17 in /usr/local/lib/python3.10/dist-packages (from requests>=2.19.0->pooch->geodatasets) (2024.6.2) Requirement already satisfied: rasterio in /usr/local/lib/python3.10/dist-packages (1.3.10) Requirement already satisfied: affine in /usr/local/lib/python3.10/dist-packages (from rasterio) (2.4.0) Requirement already satisfied: attrs in /usr/local/lib/python3.10/dist-packages (from rasterio) (23.2.0) Requirement already satisfied: certifi in /usr/local/lib/python3.10/dist-packages (from rasterio) (2024.6.2) Requirement already satisfied: click>=4.0 in /usr/local/lib/python3.10/dist-packages (from rasterio) (8.1.7) Requirement already satisfied: cligj>=0.5 in /usr/local/lib/python3.10/dist-packages (from rasterio) (0.7.2) Requirement already satisfied: numpy in /usr/local/lib/python3.10/dist-packages (from rasterio) (1.25.2) Requirement already satisfied: snuggs>=1.4.1 in /usr/local/lib/python3.10/dist-packages (from rasterio) (1.4.7) Requirement already satisfied: click-plugins in /usr/local/lib/python3.10/dist-packages (from rasterio) (1.1.1) Requirement already satisfied: setuptools in /usr/local/lib/python3.10/dist-packages (from rasterio) (67.7.2) Requirement already satisfied: pyparsing>=2.1.6 in /usr/local/lib/python3.10/dist-packages (from snuggs>=1.4.1->rasterio) (3.1.2) Requirement already satisfied: seaborn in /usr/local/lib/python3.10/dist-packages (0.13.1) Requirement already satisfied: numpy!=1.24.0,>=1.20 in /usr/local/lib/python3.10/dist-packages (from seaborn) (1.25.2) Requirement already satisfied: pandas>=1.2 in /usr/local/lib/python3.10/dist-packages (from seaborn) (2.0.3) Requirement already satisfied: matplotlib!=3.6.1,>=3.4 in /usr/local/lib/python3.10/dist-packages (from seaborn) (3.7.1) Requirement already satisfied: contourpy>=1.0.1 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (1.2.1) Requirement already satisfied: cycler>=0.10 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (0.12.1) Requirement already satisfied: fonttools>=4.22.0 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (4.53.0) Requirement already satisfied: kiwisolver>=1.0.1 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (1.4.5) Requirement already satisfied: packaging>=20.0 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (24.0) Requirement already satisfied: pillow>=6.2.0 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (9.4.0) Requirement already satisfied: pyparsing>=2.3.1 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (3.1.2) Requirement already satisfied: python-dateutil>=2.7 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.4->seaborn) (2.8.2) Requirement already satisfied: pytz>=2020.1 in /usr/local/lib/python3.10/dist-packages (from pandas>=1.2->seaborn) (2023.4) Requirement already satisfied: tzdata>=2022.1 in /usr/local/lib/python3.10/dist-packages (from pandas>=1.2->seaborn) (2024.1) Requirement already satisfied: six>=1.5 in /usr/local/lib/python3.10/dist-packages (from python-dateutil>=2.7->matplotlib!=3.6.1,>=3.4->seaborn) (1.16.0)
# Importar
import pandas as pd
import matplotlib.pyplot as plt
import geopandas as gpd
import geodatasets
import seaborn as sns
import numpy as np
from matplotlib import pyplot as plt
Cargar datos a utilizar
# Cargar datos de observaciones de A. cristatellus de Costa Rica
df = pd.read_csv("Obs CR.csv")
df.head(3) # Visualizar
| id | observed_on_string | observed_on | time_observed_at | time_zone | user_id | user_login | user_name | created_at | updated_at | ... | place_county_name | place_state_name | place_country_name | place_admin1_name | place_admin2_name | species_guess | scientific_name | common_name | iconic_taxon_name | taxon_id | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1209672 | 2012-04-24 | 2012-04-24 | NaN | Central America | 63086 | tierraiberica | Fundación Tierra Ibérica | 2015-02-03 12:11:21 UTC | 2020-09-08 02:37:10 UTC | ... | Talamanca | Limón | Costa Rica | Limón | Talamanca | Crested Anole | Anolis cristatellus | Abaniquillo caribeño crestado | Reptilia | 36488 |
| 1 | 5985223 | 2013/08/01 12:21 AM MDT | 2013-08-01 | 2013-08-01 06:21:00 UTC | Mountain Time (US & Canada) | 457523 | anthonywood | Tony Wood | 2017-04-27 19:35:10 UTC | 2019-11-28 21:33:29 UTC | ... | Talamanca | Limón | Costa Rica | Limón | Talamanca | Crested Anole | Anolis cristatellus | Abaniquillo caribeño crestado | Reptilia | 36488 |
| 2 | 7207922 | 2017-07-23 4:12:47 PM CDT | 2017-07-23 | 2017-07-23 21:12:47 UTC | Central Time (US & Canada) | 19145 | elfaulkner | Erin Faulkner | 2017-07-25 21:42:05 UTC | 2019-11-29 15:52:50 UTC | ... | Talamanca | Limón | Costa Rica | Limón | Talamanca | Crested Anole | Anolis cristatellus | Abaniquillo caribeño crestado | Reptilia | 36488 |
3 rows × 45 columns
# Visualizar los elementos
df.describe()
| id | user_id | sound_url | num_identification_agreements | num_identification_disagreements | oauth_application_id | latitude | longitude | positional_accuracy | private_place_guess | private_latitude | private_longitude | public_positional_accuracy | place_town_name | taxon_id | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| count | 2.110000e+02 | 2.110000e+02 | 0.0 | 211.000000 | 211.0 | 115.000000 | 211.000000 | 211.000000 | 171.000000 | 0.0 | 0.0 | 0.0 | 171.000000 | 0.0 | 211.0 |
| mean | 1.280081e+08 | 2.639961e+06 | NaN | 1.668246 | 0.0 | 14.052174 | 9.751635 | -82.869179 | 1025.058480 | NaN | NaN | NaN | 1178.210526 | NaN | 36488.0 |
| std | 5.757071e+07 | 2.238018e+06 | NaN | 0.770829 | 0.0 | 60.813324 | 0.175232 | 0.257629 | 4994.444354 | NaN | NaN | NaN | 5493.639616 | NaN | 0.0 |
| min | 1.209672e+06 | 1.700000e+01 | NaN | 0.000000 | 0.0 | 2.000000 | 9.620746 | -84.058282 | 2.000000 | NaN | NaN | NaN | 2.000000 | NaN | 36488.0 |
| 25% | 1.006202e+08 | 7.461735e+05 | NaN | 1.000000 | 0.0 | 2.000000 | 9.654014 | -82.849818 | 8.000000 | NaN | NaN | NaN | 8.000000 | NaN | 36488.0 |
| 50% | 1.470057e+08 | 2.092466e+06 | NaN | 2.000000 | 0.0 | 3.000000 | 9.734786 | -82.838850 | 42.000000 | NaN | NaN | NaN | 42.000000 | NaN | 36488.0 |
| 75% | 1.770417e+08 | 4.438089e+06 | NaN | 2.000000 | 0.0 | 3.000000 | 9.740166 | -82.747471 | 250.000000 | NaN | NaN | NaN | 250.000000 | NaN | 36488.0 |
| max | 2.184797e+08 | 7.893874e+06 | NaN | 4.000000 | 0.0 | 333.000000 | 10.575852 | -82.640691 | 45264.000000 | NaN | NaN | NaN | 45264.000000 | NaN | 36488.0 |
1) Explorar el incremento de observaciones de A. cristatellus en Costa Rica a travez del tiempo¶
# Como no se tiene un columna especifica para ano se debe crear una
df['date'] = pd.to_datetime(df['observed_on'])
df['year'] = df['date'].dt.year
df.year.head()
0 2012 1 2013 2 2017 3 2008 4 2008 Name: year, dtype: int32
# Grafico de cantidad de observaciones de esta especie por año
df['year'].hist()
# Título del grafico
plt.title('Observaciones de A. cristatellus por año')
# Etiqueta del eje X
plt.xlabel('Año')
# Etiqueta del eje Y
plt.ylabel('Frequencia')
plt.show()
Como se muestra en el grafico, las observaciones de A. cristatellus han incrementado de manera exponencial a partir del año 2015 aproximadamente.
2) Visualizar los puntos en Costa Rica¶
# Crear formato geodataframe con las coordenadas de los puntos
obs_points = gpd.points_from_xy(df.longitude, df.latitude)
obs_gdf = gpd.GeoDataFrame(df, geometry=obs_points)
# Cargar capa de provincias de CR y graficar los puntos de observaciones sobre estas
provincias = gpd.read_file('cr_provinces.shp')
lienzo = provincias.plot(
figsize = (7,7),
color="lightgreen",
edgecolor="black",
linewidth = 0.6
)
obs_gdf.plot(ax=lienzo, color="black")
<Axes: >
Las observaciones estan concentradas en la zona Caribe de Costa Rica. Principalmente en Limon.
3) Cargar las capas raster con informacion sobre temperatura, precipitacion y huella humana para extraer la informacion sobre los puntos de observaciones¶
# Cargar las bibliotecas para trabajar con raster
import geopandas
import rasterio
# Cargar raster de precipitacion, temperatura y huella humana
precipitacion = rasterio.open("cr_prec.tif")
temperatura = rasterio.open("cr_temp.tif")
huellaHumana = rasterio.open("cr_hf.tif")
# visualizar la capa de precipitacion
from rasterio.plot import show
# Crear los axis
fig, ax = plt.subplots()
# Tomar las coordenadas de extencion
extent = [precipitacion.bounds[0], precipitacion.bounds[2], precipitacion.bounds[1], precipitacion.bounds[3]]
#Generar el plot
raster_prec = rasterio.plot.show(precipitacion, extent=extent, ax=ax)
obs_gdf.plot(ax = raster_prec, color = "black")
<Axes: >
# Extraer los valores del raster correspondiente a cada punto
coord_list = [(x, y) for x, y in zip(obs_gdf["geometry"].x, obs_gdf["geometry"].y)]
obs_gdf["prec"] = [x for x in precipitacion.sample(coord_list)]
obs_gdf["temp"] = [x for x in temperatura.sample(coord_list)]
obs_gdf["Huella_humana"] = [x for x in huellaHumana.sample(coord_list)]
obs_gdf[["prec", "temp", "Huella_humana"]]
| prec | temp | Huella_humana | |
|---|---|---|---|
| 0 | [-32768] | [-1000000000.0] | [-32768] |
| 1 | [345] | [25.8] | [4057] |
| 2 | [345] | [25.8] | [3984] |
| 3 | [366] | [25.8] | [1788] |
| 4 | [-32768] | [-1000000000.0] | [3923] |
| ... | ... | ... | ... |
| 206 | [-32768] | [-1000000000.0] | [3687] |
| 207 | [423] | [25.3] | [3347] |
| 208 | [460] | [25.3] | [5500] |
| 209 | [460] | [25.3] | [5500] |
| 210 | [425] | [25.5] | [2078] |
211 rows × 3 columns
Hay algunos datos parece tener valores atipicos debido a que la mayoria de observaciones son en la costa y algunos puntos caen en el mar, fuera de los limites del raster de donde se trata de obtener la informacion.
# primero pasar los datos a formato numerico, ya que se encuentran como objeto
obs_gdf["prec"] = obs_gdf["prec"].values.astype(float)
obs_gdf["temp"] = obs_gdf["temp"].values.astype(float)
obs_gdf["Huella_humana"] = obs_gdf["Huella_humana"].values.astype(float)
# Revisar la estructura de los datos
obs_gdf[["prec", "temp", "Huella_humana"]].describe()
<ipython-input-13-5176b32626d7>:2: DeprecationWarning: Conversion of an array with ndim > 0 to a scalar is deprecated, and will error in future. Ensure you extract a single element from your array before performing this operation. (Deprecated NumPy 1.25.) obs_gdf["prec"] = obs_gdf["prec"].values.astype(float) <ipython-input-13-5176b32626d7>:3: DeprecationWarning: Conversion of an array with ndim > 0 to a scalar is deprecated, and will error in future. Ensure you extract a single element from your array before performing this operation. (Deprecated NumPy 1.25.) obs_gdf["temp"] = obs_gdf["temp"].values.astype(float) <ipython-input-13-5176b32626d7>:4: DeprecationWarning: Conversion of an array with ndim > 0 to a scalar is deprecated, and will error in future. Ensure you extract a single element from your array before performing this operation. (Deprecated NumPy 1.25.) obs_gdf["Huella_humana"] = obs_gdf["Huella_humana"].values.astype(float)
| prec | temp | Huella_humana | |
|---|---|---|---|
| count | 211.000000 | 2.110000e+02 | 211.000000 |
| mean | -12362.492891 | -3.838862e+08 | -8834.843602 |
| std | 16145.461512 | 4.874873e+08 | 17470.511826 |
| min | -32768.000000 | -1.000000e+09 | -32768.000000 |
| 25% | -32768.000000 | -1.000000e+09 | -32768.000000 |
| 50% | 342.000000 | 2.560000e+01 | 3347.000000 |
| 75% | 345.000000 | 2.575000e+01 | 4219.000000 |
| max | 460.000000 | 2.580000e+01 | 5800.000000 |
# Excluir valores atipicos, estos valores son de numero mayores a 10000
obs_original = obs_gdf.copy()
obs_gdf = obs_gdf[(obs_gdf['temp'] > -10000) & (obs_gdf['prec'] > -10000) & (obs_gdf['Huella_humana'] > -10000)]
obs_gdf[["prec", "temp", "Huella_humana"]].describe()
| prec | temp | Huella_humana | |
|---|---|---|---|
| count | 106.000000 | 106.000000 | 106.000000 |
| mean | 355.575472 | 25.581132 | 3941.905660 |
| std | 35.867202 | 0.550863 | 1155.942308 |
| min | 266.000000 | 21.900000 | 498.000000 |
| 25% | 343.000000 | 25.600000 | 3748.750000 |
| 50% | 345.000000 | 25.700001 | 4219.000000 |
| 75% | 369.000000 | 25.799999 | 4682.000000 |
| max | 460.000000 | 25.799999 | 5800.000000 |
4) Cargar datos de Puerto Rico¶
El objetivo de este trabajo es comparar los datos de observaciones de A. cristatellus en Costa Rica, con respecto a su lugar nativo en Puerto Rico. Por lo tanto, vamos a cargar las observaciones de Puerto Rico y obtener una tabla con los valores de las variables ambientales para las observaciones de esta Isla.
dfPR = pd.read_csv("Obs PR.csv")
# Crear formato geodataframe con las coordenadas de los puntos
PR_points = gpd.points_from_xy(dfPR.longitude, dfPR.latitude)
obs_PR = gpd.GeoDataFrame(dfPR, geometry = PR_points)
# Cargar raster de precipitacion, temperatura y huella humana
prec_pr = rasterio.open("pr_prec.tif")
temp_pr = rasterio.open("pr_temp.tif")
huellaHumana_pr = rasterio.open("pr_hf.tif")
# Extraer los valores del raster correspondiente a cada punto
coord_list = [(x, y) for x, y in zip(obs_PR["geometry"].x, obs_PR["geometry"].y)]
obs_PR["prec"] = [x for x in prec_pr.sample(coord_list)]
obs_PR["temp"] = [x for x in temp_pr.sample(coord_list)]
obs_PR["Huella_humana"] = [x for x in huellaHumana_pr.sample(coord_list)]
obs_PR[["prec", "temp", "Huella_humana"]]
# Cambiar a valores numericos
obs_PR["prec"] = obs_PR["prec"].values.astype(float)
obs_PR["temp"] = obs_PR["temp"].values.astype(float)
obs_PR["Huella_humana"] = obs_PR["Huella_humana"].values.astype(float)
# Excluir valores atipicos
obs_PR = obs_PR[(obs_PR['temp'] > -10000) & (obs_PR['prec'] > -10000) & (obs_PR['Huella_humana'] > -10000)]
obs_PR[["prec", "temp", "Huella_humana"]].describe()
<ipython-input-15-b799190430ce>:20: DeprecationWarning: Conversion of an array with ndim > 0 to a scalar is deprecated, and will error in future. Ensure you extract a single element from your array before performing this operation. (Deprecated NumPy 1.25.) obs_PR["prec"] = obs_PR["prec"].values.astype(float) <ipython-input-15-b799190430ce>:21: DeprecationWarning: Conversion of an array with ndim > 0 to a scalar is deprecated, and will error in future. Ensure you extract a single element from your array before performing this operation. (Deprecated NumPy 1.25.) obs_PR["temp"] = obs_PR["temp"].values.astype(float) <ipython-input-15-b799190430ce>:22: DeprecationWarning: Conversion of an array with ndim > 0 to a scalar is deprecated, and will error in future. Ensure you extract a single element from your array before performing this operation. (Deprecated NumPy 1.25.) obs_PR["Huella_humana"] = obs_PR["Huella_humana"].values.astype(float)
| prec | temp | Huella_humana | |
|---|---|---|---|
| count | 3026.000000 | 3026.000000 | 3026.000000 |
| mean | 176.769332 | 23.066358 | 3903.152346 |
| std | 27.082543 | 1.600466 | 1209.617203 |
| min | 84.000000 | 17.299999 | 403.000000 |
| 25% | 164.000000 | 21.799999 | 3052.000000 |
| 50% | 184.000000 | 23.700001 | 4111.000000 |
| 75% | 192.000000 | 24.400000 | 4865.000000 |
| max | 241.000000 | 24.900000 | 6246.000000 |
Seleccionaremos solo las columnas que se necesitan
# columnas necesarias
columnas = ["place_country_name", "prec", "temp", "Huella_humana"]
# Crear data frame de Costa Rica y de Puerto Rico con solamenta las columnas seleccionadas
costarica = obs_gdf[columnas]
puertorico = obs_PR[columnas]
# Unir las data frames en una sola
full_df = pd.concat([costarica, puertorico])
# Estandarizar los datos mediante un escalamiento a valores de z
full_df['prec'] = (full_df['prec'] - full_df['prec'].mean()) / full_df['prec'].std()
full_df['temp'] = (full_df['temp'] - full_df['temp'].mean()) / full_df['temp'].std()
full_df['Huella_humana'] = (full_df['Huella_humana'] - full_df['Huella_humana'].mean()) / full_df['Huella_humana'].std()
full_df[["prec", "temp", "Huella_humana"]].describe()
| prec | temp | Huella_humana | |
|---|---|---|---|
| count | 3.132000e+03 | 3.132000e+03 | 3.132000e+03 |
| mean | -8.167158e-17 | 3.085371e-16 | 1.179701e-16 |
| std | 1.000000e+00 | 1.000000e+00 | 1.000000e+00 |
| min | -2.330823e+00 | -3.566507e+00 | -2.899324e+00 |
| 25% | -4.203293e-01 | -7.627783e-01 | -6.748163e-01 |
| 50% | 5.139743e-02 | 4.562342e-01 | 1.722605e-01 |
| 75% | 2.400881e-01 | 7.609874e-01 | 7.928706e-01 |
| max | 6.537641e+00 | 1.614296e+00 | 1.938867e+00 |
Comparar las diferencias entre las observaciones de Costa Rica y Puerto Rico
# Graficar la dispersion de las variables de temperatura, precipitacion y huella humana para cada sitio
# Ajusta la vista y ejes para graficar, en este caso 3 graficos en 1 columna
fig, axs = plt.subplots(3, 1, figsize=(10, 10))
# Crear un boxplot para cada variable comparando por sitio
sns.boxplot(x="place_country_name", y="temp", data=full_df, ax=axs[0])
sns.boxplot(x="place_country_name", y="prec", data=full_df, ax=axs[1])
sns.boxplot(x="place_country_name", y="Huella_humana", data=full_df, ax=axs[2])
# Remover el titulo del eje x de los subplots por estetica
axs[0].set_xlabel("")
axs[1].set_xlabel("")
axs[2].set_xlabel("")
# Título de los ejes
axs[0].set_title("Temperatura")
axs[1].set_title("Precipitación")
axs[2].set_title("Huella humana")
plt.show()
Las observaciones en Costa Rica parecen presentar diferencias con respecto a Puerto Rico con respecto a Temperatura y Precipitacion. Mas no así con respecto a Huella humana.
5) Graficar un PCA para analizar las diferencias en las variables ambientales entre las observaciones de A. cristatellus de un pais y otro.¶
# seleccionar unicamente las variables numericas, es decir, excluyendo la variable con el nombre del pais
# se guarda la nueva tabla con el nombre de dfc
X_zscaled = full_df.drop('place_country_name', axis='columns', inplace=False)
# Se calcula los auto-valores y auto-vectores de la matriz de covarianza
eigenvalues, eigenvectors = np.linalg.eig(X_zscaled.cov())
# Se normalizan los datos
eigenvalues_normalized = eigenvalues / eigenvalues.sum()
# Se calcula la varianza explicada
# Devuelve la suma acumulativa de los elementos a lo largo de un eje dado.
cumvar_explained = np.cumsum(eigenvalues_normalized)
print("Auto-valores:")
print(eigenvalues)
print("Auto-vectores:")
print( eigenvectors)
print("Auto-valores normalizados:")
print(eigenvalues_normalized)
print("Varianza explicada acumulada:")
print( cumvar_explained )
Auto-valores: [0.52869924 1.05180975 1.41949101] Auto-vectores: [[-0.31940131 0.94538323 0.06506414] [ 0.67648767 0.1793957 0.71426999] [-0.66358665 -0.27215386 0.69683932]] Auto-valores normalizados: [0.17623308 0.35060325 0.47316367] Varianza explicada acumulada: [0.17623308 0.52683633 1. ]
# Preparar los datos para graficar el pca
df_pca = pd.DataFrame(full_df)
# Agregar una variable numerica con las categorias de pais
df_pca['target'] = df_pca["place_country_name"].astype('category').cat.codes
# Crear un dataframe Y con la categoría numerica de pais
Y = pd.DataFrame(df_pca.target, columns=['target'])
# Guardar las categorias de pais
nombre_pais = np.array(['Costa Rica', 'Puerto Rico'])
# Asociar la categoria numerica con el nombre de pais
Y['country'] = Y.apply(lambda r: nombre_pais[r])
Y
| target | country | |
|---|---|---|
| 1 | 0 | Costa Rica |
| 2 | 0 | Costa Rica |
| 3 | 0 | Costa Rica |
| 5 | 0 | Costa Rica |
| 6 | 0 | Costa Rica |
| ... | ... | ... |
| 3528 | 1 | Puerto Rico |
| 3529 | 1 | Puerto Rico |
| 3530 | 1 | Puerto Rico |
| 3531 | 1 | Puerto Rico |
| 3532 | 1 | Puerto Rico |
3132 rows × 2 columns
# Proyecta los datos
T = pd.DataFrame(X_zscaled.dot(eigenvectors))
T
# Nombres de columnas
T.columns = ['pc1', 'pc2', 'pc3']
# agrega la etiqueta de las especies
T = pd.concat([T, Y.country], axis=1)
X_anolis_pca = T.iloc[:, 0:2]
print(X_anolis_pca)
pc1 pc2 1 -0.213541 3.871514 2 -0.173429 3.887965 3 0.875006 4.851099 5 -0.302555 3.835007 6 -0.302555 3.835007 ... ... ... 3528 -0.103424 -0.036320 3529 -0.103424 -0.036320 3530 -0.103424 -0.036320 3531 0.665816 -1.032015 3532 0.665816 -1.032015 [3132 rows x 2 columns]
# Plot samples per class
X_anolis_pca_np = X_anolis_pca.to_numpy()
y_anolis_np = np.squeeze(Y.iloc[:, 0:1].to_numpy())
# create scatter plot for samples from each class
for class_value in range(2):
# get row indexes for samples with this class
row_ix = np.where(y_anolis_np == class_value)
# create scatter of these samples
plt.scatter(X_anolis_pca_np[row_ix, 0], X_anolis_pca_np[row_ix, 1])
plt.legend(labels = nombre_pais, fontsize=7)
# show the plot
plt.show()
Se puede apreciar que el PCA muestra una separacion las observaciones de Costa Rica y las de Puerto Rico
Conclusiones¶
Las observaciones de A. cristatellus han incrementado de manera exponencia durante la ultima decada (2014-2024) en Costa Rica
Se han concentrado principalmente en el principalmente en la region Caribe.
Se aprecia diferencias en las variables ambientales de las observaciones registradas en Costa Rica y las registradas en Puerto Rico.
Las principales diferencias entre las variables ambientales de las observaciones de Costa Rica y Puerto Rico se encuentran en la temperatura y la precipitacion (Mayor temperatura y precipitacion registrado en Costa Rica). Mientras que la tolerancia a impacto humano parece ser muy similar en ambos paises.