index.Rmd

---
title: "Ocorrência da espécie Xylopia sericea através do GBIF"
author: "Gabriel Depiantti"
date: "22/10/2021"
output:
  html_document:
    theme: cerulean
    highlight: zenburn  

---

#### Neste tutorial, iremos aprender de manerira prática, como acessar as ocorrencias de uma determinada especies através do [GBIF](https://www.gbif.org/) - Global Biodiversity Information Facility. Neste caso, iremos usar como exemplo a espécie vegetal _Xylopia sericea_.

_Xylopia sericea_: ![_Xylopia sericea_](\Users\gabri\Desktop\Gabriel Depiantti\Mestrado\Disciplinas\Ferramentas de Compartilhamento de BD\Ativadade_BDC\Atividade_Gabriel\Atividade_final\Ativ_Final_cien_colab\xylop.jpg)   


#### 1. Pacotes necessários para as funções utilizadas 
```{r message=FALSE}
#install.packages("yaml")
#install.packages("tidyverse") 
#install.packages("rgbif")
#install.packages("dplyr")
#install.packages("ggmap")
#install.packages("maps")
#install.packages("mapdata")
#install.packages('ggplot2')
require(tidyverse)
require(rgbif)
require(dplyr)
require(ggmap)
require(maps)
require(mapdata)
require(ggplot2)
require(yaml)
```
        
 
  
#### 2. Vamos utilizar a função `occ_data` para buscarmos ocorrencias no repositório do GBIF através no nome científico da especies que buscamos.
  + Vamos utulizar os argumentos  `hasCoordinate` e `hasGeospatialIssue` para selecionarmos apenas ocorrencias que possuem coordenadas e sem problemas geoespaciais

```{r}
# baixar ocorrencias
xylopea_gbif <- occ_data(scientificName = "Xylopia sericea", 
                      hasCoordinate = TRUE,
                      hasGeospatialIssue=FALSE)  

```




#### 3. Usaremos a função `dim` para acessarmos as dimensoes do banco de dados da busca.
  + Com `$data` temos as dimensões da lista de conjunto de dados que podemos ter acesso.
Atraves de `$data %>% names` podemos ver a lista com todos os data frames que podemos ter acesso.

```{r}


# Dimensoes do conjunto de dados 
dim(xylopea_gbif$data)


# Lista com todos os data frames
xylopea_gbif$data %>% names
```







#### 4. Com função `gbif_issues` temos acesso a lista de problemas que já foram reportados e que possuem um código.
  + Como existem muitos problemas reportados, utilizamos a função `strsplit` especificar os as issues.

```{r}
#Problemas reportados  
gbif_issues() 


issues_gbif<-xylopea_gbif$data$issues %>%
    unique() %>%
    strsplit(.,'[,]') %>%
    unlist() 
```








#### 5. Problemas reportados
  + Agora vamos selecionar variaveis que estejam relacionadas a especies escolhida e que vão validar os dados em futuras analises.

```{r}
xylopea_gbif1 <- xylopea_gbif$data %>%
    dplyr::select(scientificName, acceptedScientificName,
                  decimalLatitude, decimalLongitude,issues, basisOfRecord, 
                  occurrenceStatus, rightsHolder, datasetName, 
                  recordedBy, locality, habitat)
```








#### 6. Das ocorrências retornadas, vamos ver, através da função `distinct`, quantas são únicas.

```{r}
xylopea_gbif1 <- xylopea_gbif1 %>% 
    distinct()
```

#### 7. Para sabermos os valores únicos presentes nos dados, vamos usar a função `unique` em cada coluna com a função `lapply`

```{r}
# checar niveis dos fatores
lapply(xylopea_gbif1, unique)
```













#### 8. Problemas não reportados 
  + Para realizarmos uma apuração mais fina, checamos a ocorrencia da especies de uma forma mais restrita através dos dados em `habitat`
```{r}
# investigar niveis suspeitos
xylopea_gbif1 %>% 
    distinct(habitat) %>% 
    pull()
```



#### 9. Aqui podemos ver que a área de ocorrência da especie é predominantemente na Ámerica do Sul
```{r}
# habitat
xylopea_gbif1 %>%
    group_by(habitat) %>% 
    summarise(occ = length(scientificName)) %>% 
    ggplot(aes(occ, y=habitat)) +
    geom_bar(stat = 'identity') 
```








```{r}
xylopea_gbif1 %>% 
    filter(locality %in% c("NA", "Bosque denso alto inundable heterogeneo", "Arbustal denso", "Bosque inundado hasta 1.5 m. con Maquira coriacea, Erythroxylon, Pouteria, Brosimum lactescens y Xylopia.", "Mata de galeria. Margem direita do córrego, borda da mata.", "Bosque amazonico preandino inundable con Mauritia flexuosa, Cariniana domestica, Inga spp., y Protium spp.")) %>% 
    distinct(datasetName) 
```





#### 10. Podemos aqui gerar um mapa mundo através da função `world` .
  + Confirmamos aqui que a área de distribuição da _Xylopia sericea_ é prodominante da América do Sul, com alguns pontos de ocorrencia na América Central e um ponto na África.
```{r}
world <- map_data('world')

ggplot() +
    geom_polygon(data = world, aes(x = long, y = lat, group = group)) +
    coord_fixed() +
    theme_classic() +
    geom_point(data = xylopea_gbif1, aes(x = decimalLongitude, y = decimalLatitude), color = "red") +
    labs(x = "longitude", y = "latitude", title = expression(italic("Xylopia sericea")))
```


#### 11. Usamos o argumento `filter` para filtrar o mapa para o Brazil.
  + Podemos observar uma maior concentração das ocorrências nas áreas litoreneas.

```{r}
Brazil <- map_data("world") %>% filter(region=="Brazil")

ggplot() +
    geom_polygon(data = Brazil, aes(x = long, y = lat, group = group)) +
    coord_fixed() +
    theme_classic() +
    geom_point(data = xylopea_gbif1, aes(x = decimalLongitude, y = decimalLatitude), color = "red") +
    labs(x = "longitude", y = "latitude", title = expression(italic("Xylopia sericea")))
```




#### 12. Utilizando o pacote `leaflet` podemos criar mapas interativos em `html`.
  + Agora podemos ter maior detalhes das áreas de ocorrencia.
  + Mas antes vamos buscar e filtrar os dados.

```{r}

require(tidyverse)
require(rgbif)

# ocorrencias
xylopea_gbif <- occ_data(scientificName = "Xylopia sericea", 
                      hasCoordinate = TRUE,
                      hasGeospatialIssue = FALSE)
# checar issues
issues_gbif <- xylopea_gbif$data$issues %>% 
  unique() %>% 
  strsplit(., "[,]") %>% 
  unlist()

gbif_issues() %>% 
  data.frame() %>% 
  filter(code %in% issues_gbif)
```




```{r}
# selecionar variaveis
xylopea <- xylopea_gbif$data %>%
  dplyr::select(scientificName, decimalLatitude, decimalLongitude) %>% 
  distinct()
```



#### 13. Utilizando um data.frame com dados de coordenadas geográficas.
  + A função `addTiles` vai mostrar o tipo de mapa utilizado.

```{r}
#install.packages("leaflet") 
require(leaflet)

# conferir no mapa
xylopea %>% 
  leaflet() %>% 
  addTiles() %>% 
  addMarkers(~decimalLongitude,
             ~decimalLatitude)
```



#### 14. O biblioteca [Plotly](https://plotly.com/) permite criar varios tipos de gráficos interativos.
  + Neste exemplo vamos usar um gráfico que mostra a ocorrencia da _Xylopia sericea_ através de um gradiente latitudinal.
  + Aqui observamos uma ocorrência que corrobora com o que foi mostrado acima, próximas e ao sul da latitude 0º.
  
```{r}
#install.packages("magrittr")
require(magrittr)
xylopea %>% 
  mutate(lat = round(decimalLatitude)) %>% 
  group_by(lat, scientificName) %>%
  summarise(occ = length(scientificName)) %>%
  ggplot(aes(y = occ, x = lat, color = scientificName)) +
    geom_point() +
    geom_smooth() +
    theme_classic() +
    labs(x = "latitude", y = 'ocorrências')
```