MEMÓRIA DESCRITIVA DAS CARTAS DE REGIÕES

Transcrição

1 MEMÓRIA DESCRITIVA DAS CARTAS DE REGIÕES AMBIENTALMENTE HOMOGÉNEAS DE OITO ESPÉCIES RIBEIRINHAS DE PORTUGAL CONTINENTAL TIAGO MONTEIRO-HENRIQUES PATRICIA MARÍA RODRÍGUEZ GONZÁLEZ ANTÓNIO ALBUQUERQUE

2

3 Editor: ISAPress 1ª Edição Junho de 2014 Título: Memória descritiva das cartas de regiões ambientalmente homogéneas de oito espécies ribeirinhas de Portugal continental Autores: Tiago Monteiro-Henriques, Patricia María Rodríguez González, António Albuquerque. Equipa do projeto (Instituição proponente, ISA): Maria Helena Almeida (coordenação), Patricia María Rodríguez González, Carla Faria, António Albuquerque e Teresa Ferreira. Livro eletrónico editado no âmbito do projeto "Caracterização da diversidade / património genético das árvores ribeirinhas autóctones: Aplicação a uma espécie endémica, Salix salviifolia", financiado pela EDP- Energias de Portugal S.A. através do Fundo EDP para a Biodiversidade Desenho e maquetagem: Miguel Inácio. ISBN: Como citar este documento: Monteiro-Henriques, T., Rodríguez-González, P.M. & Albuquerque, A Memória descritiva das cartas de regiões ambientalmente homogéneas de oito espécies ribeirinhas de Portugal continental. ISA Press, Lisboa. 72 pp.

4 2

5 Índice 1 INTRODUÇÃO 4 2 ESPÉCIES-ALVO 4 3 AMOSTRA 5 4 METODOLOGIA PARA A DEFINIÇÃO DE ÁREAS AMBIENTALMENTE HOMOGÉNEAS RECOLHA E PRODUÇÃO DE VARIÁVEIS AMBIENTAIS VARIÁVEIS RESULTANTES DA IMPLEMENTAÇÃO DA DIRETIVA QUADRO DA ÁGUA VARIÁVEIS CLIMATOLÓGICAS VARIÁVEIS HIDROLÓGICAS CARACTERIZAÇÃO AMBIENTAL DA AMOSTRA ÁREA DE DISTRIBUIÇÃO DA ESPÉCIE (MODELOS LINEARES GENERALIZADOS) TRATAMENTOS PRÉVIOS E SELEÇÃO DE VARIÁVEIS IMPLEMENTAÇÃO E SELEÇÃO DOS MODELOS RESULTADOS ÁREA DE DISTRIBUIÇÃO DAS ESPÉCIES ANÁLISE DE AGRUPAMENTO (K-MEANS) SELEÇÃO DE VARIÁVEIS E IMPLEMENTAÇÃO RESULTADOS SÍNTESE E PRODUÇÃO DAS CARTAS FINAIS CONSTRUÇÃO DAS CARTAS FINAIS RESULTADOS CARTAS PRODUZIDAS 60 5 REFERÊNCIAS 62 6 ANEXO 64 CARTAS DAS REGIÕES AMBIENTALMENTE HOMOGÉNEAS PARA O AMIEIRO, TAMUJO, SANGUINHO-DE-ÁGUA, FREIXO, LOENDRO, BORRAZEIRA-PRETA, BORRAZEIRA-BRANCA E TAMARGUEIRA. 64 3

6 1 Introdução A presente memória descritiva acompanha as cartas de regiões ambientalmente homogéneas de oito espécies ribeirinhas de Portugal continental, que resultam de um projeto financiado pelo Fundo EDP para a Biodiversidade, denominado Caracterização da diversidade/património genético das árvores ribeirinhas autóctones: Aplicação a uma espécie endémica, Salix salviifolia. O estudo realizado assume-se como a primeira abordagem na salvaguarda da diversidade genética em ambientes ribeirinhos. Ao revelar a existência de ambientes significativamente diferentes e relativamente isolados ao longo das áreas potenciais de ocorrência de cada espécie, suscita a possibilidade de divergência, valoriza o património genético e aponta para a ocorrência de potenciais regiões de proveniência quando se considera a sua propagação. 2 Espécies-alvo A eleição das espécies-alvo, para o presente estudo, entre as espécies lenhosas higrófilas autóctones existentes em Portugal exigiu a existência de um conjunto de informação fiável e representativa da totalidade dos ambientes ribeirinhos existentes em Portugal continental. Essa informação foi conseguida nas bases de dados resultantes da implementação da Diretiva Quadro da Água em Portugal (DQA). Os elencos florísticos foram todos obtidos de acordo com o protocolo de amostragem de macrófitos (INAG 2008), que uniformizou o ato de inventariação permitindo o seu uso concorrente; a vasta rede de monitorização estabelecida contemplou uma ampla gama de ambientes fluviais existentes no território continental português. Uma análise dos 404 inventários resultantes das campanhas de monitorização efectuadas na fase de implementação da DQA ( ), permitiu por falta de representatividade e dúvidas na identificação/origem, rejeitar algumas espécies (Salix alba vitelina, Salix neotricha, Salix viminalis, Salix fragilis, Celtis australis, Populus alba, Populus nigra). Por outro lado, a representatividade, distribuição espacial e a importância da espécie enquanto fundadora 1 (Whitham et al. 2006) de tipos/subtipos da rede Natura 2000 com grande interesse conservacionista, permitiu assim eleger 8 espécies-alvo: Alnus glutinosa, Flueggea tinctoria, Fraxinus angustifolia, Frangula alnus, Nerium oleander, Salix atrocinerea, Salix salviifolia e Tamarix africana. 1 Espécie estruturante para uma comunidade, quer por criar localmente condições estáveis e favoráveis à ocorrência de outras espécies, quer por modular e estabilizar processos ecológicos fundamentais (Whitham et al. 2006). 4

7 3 Amostra O universo do presente estudo comtempla a totalidade dos ecossistemas fluviais que se enquadram no conceito estabelecido pela Lei da água (nº58/2005) de águas interiores superficiais. Fundamenta-se em informação reunida no âmbito da implementação da DQA, bases de dados ambientais e biológicos recolhidos em 404 locais que contemplam a heterogeneidade de ambientes fluviais existentes em Portugal continental (dados fornecidos pelo INAG I.P). Na Figura 1 apresenta-se a localização dos 404 pontos de amostragem em Portugal continental. 4 Metodologia para a definição de áreas ambientalmente homogéneas A definição de áreas ambientalmente homogéneas foi realizada em quatro fases distintas: 1) recolha e produção de variáveis ambientais; 2) implementação de modelos lineares generalizados, para apoiarem a delimitação da área da distribuição de cada uma das oito espécies estudadas; 3) realização de análises de agrupamento (cluster analyses), para apoiar a definição de áreas ambientalmente homogéneas, dentro da área de distribuição de cada espécie. 4) síntese da informação obtida nos pontos 2) e 3), numa carta de regiões ambientalmente homogéneas, para cada uma das espécies tratadas. Nos subcapítulos seguintes descrevem-se com maior detalhe os procedimentos metodológicos realizados. 4.1 Recolha e produção de variáveis ambientais Tratando-se de espécies ripícolas, foi dada particular atenção às variáveis ambientais utilizadas. Assim, além da recolha de variáveis relativas à qualidade da água e sua caracterização química, foram também coligidas variáveis climatológicas e recolhidas ou mesmo produzidas variáveis hidrológicas. Foi realizada uma recolha exaustiva das variáveis ambientais disponíveis, que se descreve nos subcapítulos seguintes. 5

8 Figura 1 - Distribuição, em Portugal continental, da rede de amostragem utilizada na implementação da DQA. Sistema de coordenadas: PT-TM06/ETRS Variáveis resultantes da implementação da Diretiva Quadro da Água No âmbito da implementação da DQA foram recolhidas variáveis ambientais in loco. Tais variáveis, obtidas para cada ponto da amostra referida no capítulo 3., serviram de ponto de partida para a caracterização ambiental da amostra (vide 4.1.4). A estas variáveis foram ainda 6

9 adicionadas algumas variáveis obtidas do Atlas do Ambiente ( O Quadro 1 lista as variáveis referidas. Quadro 1 - Variáveis ambientais DQA recolhidas para os 404 pontos amostrados. Sigla Variável Fonte X, Y Coordenadas (Hayford Gauss Lisboa IGEOE) dados fornecidos pelo INAG I.P ph ph (escala de ph) dados fornecidos pelo INAG I.P Condut Condutividade (µs/cm) dados fornecidos pelo INAG I.P Alcalin Alcalinidade (mg/l de CaCo₃) dados fornecidos pelo INAG I.P Dureza Dureza (mg/l de CaCo₃) dados fornecidos pelo INAG I.P Altitude Altitude (m) dados fornecidos pelo INAG I.P Escoament Escoamento médio anual (mm) Dim_bacia Dimensão da bacia de drenagem do local (km²) dados fornecidos pelo INAG I.P Dist_nasc Distancia à nascente (m) dados fornecidos pelo INAG I.P Dec_med Declive médio do troço amostrado (%) dados fornecidos pelo INAG I.P Ampl_term Amplitude térmica ( C) dados fornecidos pelo INAG I.P Coef_var_prec Coeficiente de variação da precipitação dados fornecidos pelo INAG I.P Temp_med Temperatura média anual ( C) Precipit_total Precipitação média anual (mm) Variáveis climatológicas As variáveis climatológicas utilizadas correspondem a índices bioclimatológicos produzidos e disponibilizados por Monteiro-Henriques (2010). Tais índices foram calculados usando interpolações geoestatísticas, com elevada qualidade, de variáveis climatológicas relativas à precipitação (Nicolau 2002) e à temperatura (Silva 2005). Apesar das interpolações terem sido realizadas com resoluções de 1 km x 1km, Monteiro-Henriques calculou e disponibilizou os índices a uma resolução de 111,(1) m x 111,(1) m (vide Monteiro-Henriques 2010). Vários autores reconheceram e comprovaram a utilidade dos referidos índices na compreensão da distribuição de espécies e comunidades vegetais (e.g. del-arco et al. 1999; del-arco et al. 2002; Gavilán 2005; del-arco et al. 2006; Almeida & Capelo 2007; Capelo et al. 2007; Mesquita & Sousa 2009). O Quadro 2 apresenta a lista de variáveis climatológicas recolhidas e utilizadas no âmbito do presente trabalho. Para informação adicional sobre variáveis climatológicas acima referidas vide Monteiro- Henriques (2010) e Rivas-Martínez, Rivas Sáenz & Penas (2011) Variáveis hidrológicas Foram obtidas variáveis hidrológicas com base num modelo digital do terreno (MDT) de elevada resolução (ASTER Global Digital Elevation Model V002), descarregado de ("ASTER GDEM is a product of METI and NASA"). Tal MDT apresenta erros em geral de pequena magnitude, em especial em áreas planas com coberto vegetal não arbóreo, aumentando aqueles em áreas montanhosas cobertas por vegetação arbórea (ASTER GDEM Validation Team 2011). 7

10 Quadro 2 - Lista das variáveis climatológicas utilizadas. Sigla Nome Descrição m_minusc m ( C) Temperatura média das mínimas do mês mais frio. m_maiusc M ( C) Temperatura média das máximas do mês mais frio. Pp Precipitação positiva ( C) Soma das precipitações mensais acumuladas médias, quando a temperatura média do respetivo mês for superior a 0 C. Tp Temperatura positiva ( C) Soma das temperaturas mensais médias, quando superiores a 0 C. It Índice de termicidade ( C*10) Somatório da temperatura média anual, temperatura média das mínimas do mês mais frio e temperatura média das máximas do mês mais frio, em décimas de graus Celsius. Itc Índice de termicidade compensado ( C*10) Somatório da temperatura média anual, temperatura média das mínimas do mês mais frio e temperatura média das máxima do mês mais frio, compensado de acordo com o índice de continentalidade, em décimas de graus Celsius. Tmax Temperatura média do mês mais Temperatura média do mês mais quente do ano. quente ( C) Tmin Temperatura média do mês mais frio Temperatura média do mês mais frio do ano. ( C) Ic Índice de continentalidade ( C) Diferença entre a temperatura média do mês mais quente do ano e a temperatura média do mês mais frio do ano. Io Índice ombrotérmico (mm/ C) Precipitação positiva anual dividida pela temperatura positiva anual. Ios2 Ios3 Ios4 Pp_ano_seco Pp_ano_hum Io_ano_sec Io_ano_hum Anom_Io_ano_seco Anom_Io_ano_hum Ińdice ombroteŕmico do bimestre mais quente do trimestre estival (mm/ C) Índice ombrotérmico do trimestre estival (mm/ C) Índice ombrotérmico do trimestre estival e do mês imediatamente anterior (mm/ C) Precipitação positiva em ano seco (mm) Precipitação positiva em ano húmido (mm) Índice ombrotérmico equivalente em ano seco (mm/ C) Índice ombrotérmico equivalente em ano húmido (mm/ C) Anomalia do ińdice ombrote rmico em ano seco (ln( C)) Anomalia do ińdice ombroteŕmico em ano huḿido (ln( C)) Precipitação positiva do bimestre mais quente do trimestre estival, dividida pela temperatura positiva do bimestre mais quente do trimestre estival. Precipitação positiva do trimestre estival dividida pela temperatura positiva do trimestre estival. Precipitação positiva do trimestre estival e do mês imediatamente anterior dividida pela temperatura positiva do trimestre estival e do mês imediatamente anterior. Soma das precipitações mensais em ano seco, quando a respetiva temperatura média mensal for superior a 0º Celsius. Soma das precipitações mensais em ano húmido, quando a respetiva temperatura média mensal for superior a 0º Celsius. Precipitação positiva anual em ano seco dividida pela temperatura positiva anual. Precipitação positiva anual em ano húmido dividida pela temperatura positiva anual. Diferença entre o logaritmo de Io_sec e o logaritmo de Io. Diferença entre o logaritmo de Io_hum e o logaritmo de Io. As variáveis hidrológicas derivadas do MDT, possuindo elevada resolução, permitirão: ajustar modelos generalizados com elevado detalhe hidrológico e produzir cartografia detalhada (quer resultante dos referidos modelos lineares generalizados, quer resultante da análise de agrupamento para definição de áreas ambientalmente homogéneas). As variáveis hidrológicas foram calculadas usando o programa TAUDEM (Terrain Analysis Using Digital Elevation Model), versão 5.06 (Tarboton 1997; Tarboton 2012), executado diretamente a partir da linha de comandos do programa informático R, versão de (R Core Team 2013a). Tal programa foi compilado num servidor, onde posteriormente se realizou a computação das variáveis hidrológicas usando em paralelo os 16 processadores 8

11 virtuais desse servidor, munido com 32 MB de RAM e processador Intel Xeon E (20 MB de memória cache, até 3.8 GHz, da Intel ), fruindo assim da infraestrutura e da equipa de trabalho do projeto S-PerforMA (Species Performance Modelling Algorithm, financiado pela Fundação para a Ciência e a Tecnologia - PTDC/AAC-AMB/113394/2009; Agradece-se aqui à equipa do projeto S-PerforMA e ao seu coordenador Prof. Jorge Orestes Cerdeira. Além do programa TAUDEM referido, para efeitos de visualização, importação de dados, projeção entre sistemas de coordenadas distintos e manuseamento de dados georreferenciados foram ainda utilizados os pacotes: lattice (Sarkar 2008), permute (Simpson 2012), foreign (R Core Team 2013b), raster (Hijmans 2013), rgdal (Bivand, Keitt & Rowlingson 2013) and sp (Pebesma & Bivand 2005; Bivand, Pebesma & Gomez-Rubio 2008). Para o pacote rgdal foram usadas as bibliotecas GDAL versão ( ) e PROJ4 versão ( ) [PJ_VERSION: 480]. No Quadro 3 apresenta-se a lista das variáveis geográficas e hidrológicas produzidas no âmbito do presente trabalho. À exceção da primeira variável (altitude_30) que foi desenvolvida com 30 m de resolução, todas as restantes variáveis foram desenvolvidas com 35 m de resolução, uma vez que não era possível implementar o programa TAUDEM no MDT com 30 m de resolução (uma vez que tal MDT ultrapassava o limite máximo de informação inicial aceite por aquele programa). A precipitação utilizada no cálculo das áreas de contribuição co_are_d8wp, co_are_d8ws, co_are_d8wio e co_are_d8wios3, resultaram da fusão dos trabalhos de Nicolau (2002) e de Gonzalo Jiménez (2010). A temperatura utilizada no cálculo das áreas de contribuição co_are_d8wio e co_are_d8wios3 foi a disponibilizada por (Hijmans et al. 2005; Hijmans et al. 2006). 9

12 4.1.4 Caracterização ambiental da amostra O conjunto de todas as variáveis referidas permitiram uma caracterização ambiental profunda da amostra utilizada, apresentando-se na Figura 2 e Figura 3 os diagramas de caixa obtidos para cada uma das variáveis ambientais obtidas. Foi usada uma função (moveoutletstostrm, "move outlet to stream") do programa TAUDEM, acima referido, para reposicionar os pontos georreferenciados (que correspondiam aos 404 locais amostrados). O resultado do reposicionamento foi inspecionado num sistema de informação geográfica (ArcGIS 10, ESRI): os pontos foram ordenados pela diferença entre a área de contribuição segundo o método D8 em km 2 (cont_are_d8), obtida após o reposicionamento, e a dimensão da bacia de drenagem do local em km² (Dim_bacia); estas duas variáveis deveriam apresentar valores semelhantes, pelo que foi avaliada a diferença entre ambas em cada ponto % dos pontos apresentavam uma diferença inferior a 4 km 2, que se considerou negligenciável; os restantes 30.8 % (124 pontos) foram todos inspecionados visualmente e a sua posição corrigida em 31 deles (7.7 % dos pontos totais), onde se detetou que o reposicionamento automático falhou (e.g. em zonas de confluência, alguns pontos foram reposicionados para um afluente, em vez de reposicionados no rio principal, ou vice-versa). O reposicionamento é fundamental para se poderem obter os valores exatos das variáveis hidrológicas produzidas, em cada um dos 404 pontos da amostra utilizada, uma vez que os pontos originais nem sempre correspondem exatamente a talvegues segundo o modelo hidrológico desenvolvido, por diversas razões, das quais se destacam: erros associados à produção do MDT utilizado, erros associados à escala do MDT utilizado, erros associados à obtenção das coordenadas dos pontos no terreno etc. 10

13 Quadro 3 - Lista das variáveis hidrológicas utilizadas. Sigla Nome Descrição altitude_30 Altitude (m) Altitude obtida após projeção do MDT utilizado para o sistema de coordenadas ETRS89 - LAEA. com interpolação bilinear para 30 m de resolução. altitude_35 Altitude (m) Altitude obtida após projeção do MDT utilizado para o sistema de coordenadas ETRS89 - LAEA. com interpolação bilinear para 35 m de resolução. flow_dir_d8 Direção do fluxo segundo o método D8 (1 a 8) Direção do fluxo do escoamento segundo o método hidrológico D8. slope_gr_d8 Declive da célula segundo o método D8 Declive da célula segundo o método hidrológico D8. cont_are_d8 (adimensional: queda em m/distância em m) Área de contribuição segundo o método D8 (número de células; nos diagramas de caixa está convertida para km 2 ) Área de contribuição para a célula, segundo o método hidrológico D8: número de células que drena para a célula avaliada. long_pat_d8 Distância à nascente segundo o método D8 (m) Comprimento do caminho mais longo a montante da célula, seguindo a rede hidrográfica obtida pelo método hidrológico D8. tot_lpat_d8 Comprimento total da rede hidrográfica segundo o método D8 (m) Comprimento total de toda a rede hidrográfica, obtida pelo método hidrológico D8, a montante da célula. grid_ord_d8 Ordem de Strahler segundo o método D8 (escala de Ordem de Strahler obtida segundo o método hidrológico D8. Strahler) flow_dir_di Direção do fluxo segundo o método DInf (radianos) Direção do fluxo do escoamento segundo o método hidrológico DInf. slope_gr_di Declive da célula segundo o método DInf Declive da célula segundo o método hidrológico DInf. (adimensional: queda em m/distância em m) cont_are_di Área de contribuição segundo o método DInf (número de células*35; nos diagramas de caixa está convertida para km 2 ) Área de contribuição para a célula, segundo o método hidrológico DInf. slop_are_in Índice de declive-área. Razão entre o declive e área de contribuição da célula. wet_ind_inv Índice de humidade edáfica, invertido. Logaritmo de slop_are_in, multiplicado por -1. co_are_d8wp Área de contribuição segundo o método D8 pesada pela precipitação total anual média (mm) Área de contribuição para a célula, segundo o método hidrológico D8, pesada pela precipitação total anual média: somatório da precipitação anual média de cada célula que drena para a célula avaliada. co_are_d8ws co_are_d8wio co_are_d8wios3 Área de contribuição segundo o método D8 pesada pela precipitação estival, i.e. de junho, julho e agosto (mm) Área de contribuição segundo o método D8 pesada pelo índice ombrotérmico anual (mm/ C) Área de contribuição segundo o método D8 pesada pelo índice ombrotérmico estival, i.e. relativo a junho, julho e agosto(mm/ C) Área de contribuição para a célula, segundo o método hidrológico D8, pesada pela precipitação estival: somatório da precipitação estival (junho, julho e agosto) de cada célula que drena para a célula avaliada. Área de contribuição para a célula, segundo o método hidrológico D8, pesada pelo índice ombrotérmico anual: somatório do índice ombrotérmico anual de cada célula que drena para a célula avaliada. Área de contribuição para a célula, segundo o método hidrológico D8, pesada pelo índice ombrotérmico estival: somatório do índice ombrotérmico estival de cada célula que drena para a célula avaliada. 11

14 ph Condut Alcalin Dureza Altitude Escoament Dim_bacia Dist_nasc Dec_med Ampl_term Coef_var_prec Temp_med Precipit_total Io_ano_hum Io_ano_seco Anom_Io_ano_hum Ios Anom_Io_ano_seco Ios Pp_ano_hum Io Pp_ano_seco Itc Ios4 It Figura 2 - Diagramas de caixa, mostrando a distribuição dos valores de cada uma das variáveis recolhidas (1.ª parte). 12

15 Ic m_minusc m_maiusc Pp Tp Tmin Tmax QBR altitude_ altitude_ flow_dir_d slope_gr_d cont_are_d long_pat_d tot_lpat_d grid_ord_d8 wet_ind_inv 0.0e e flow_dir_di co_are_d8wp 0.0e e slope_gr_di co_are_d8ws 0.0e e e e+00 2e+05 cont_are_di co_are_d8wio 0.0e e e e e e-06 0e+00 2e+08 4e+08 slop_are_in co_are_d8wios3 Figura 3 - Diagramas de caixa, mostrando a distribuição dos valores de cada uma das variáveis recolhidas (2.ª parte). 4.2 Área de distribuição da espécie (modelos lineares generalizados) A área de distribuição de cada uma das espécies em causa foi aproximada usando modelos lineares generalizados (MLG; Nelder & Wedderburn 1972). Os MLG produzem diversos testes estatísticos úteis que, contudo, implicam o cumprimento prévio de algumas assunções estatísticas críticas: i) independência estatística das n observações; ii) especificação correta de algumas funções (função variância, função de ligação) e do parâmetro de dispersão; iii) formulação correta das variáveis descritoras; iv) ausência de observações individuais com forte influência no ajuste. 13

16 4.2.1 Tratamentos prévios e seleção de variáveis Quanto à independência das observações, a amostra utilizada provém de um conjunto de pontos relativamente bem distribuídos pelo território nacional continental. Todavia, pontualmente, encontram-se pequenos grupos de pontos próximos; muitas destas situações correspondem a confluências de afluentes relevantes, encontrando-se pontos a montante e a jusante da confluência, na linha de água principal, e por vezes no próprio afluente. Se do ponto de vista climatológico seria aconselhável deixar apenas um destes pontos, evitando o risco de autocorrelação espacial entre os pontos, a verdade é que do ponto de vista hidrológico as condições ambientais existentes em cada um dos pontos pode resultar muito distinta, tendo grande influência na flora presente. Deste modo, optou-se por manter a amostra inicial considerando que as observações possuíam independência estatística. Pretendendo-se ajustar um modelo da probabilidade de ocorrência usando dados de presença/ausência de espécies, optou-se por um MLG de regressão logística (com função de ligação logit, parâmetro de dispersão = 1). Sabendo que as variáveis descritoras, caso apresentem forte correlação ou colinearidade, podem alterar significativamente o ajuste do modelo (Hosmer, Lemeshow & Sturdivant 2013), realizou-se uma análise prévia da correlação existente entre todas as variáveis contínuas recolhidas (Figura 4), tendo-se selecionado um conjunto de variáveis: i) que não apresentassem correlação elevada com nenhuma outra das selecionadas (à exceção dos índices ombrotérmicos e áreas de contribuição, cujo aparecimento simultâneo nos modelos ajustados foi eliminado a posteriori); ii) para as quais estivesse disponível uma medição ou estimativa de elevada resolução para todo o território continental português, uma vez que se pretendia cartografar a probabilidade de ocorrência estimada para o território nacional, aproximando desta forma a área de distribuição de cada espécie. Tendo em conta os dois pontos acima enunciados, as 11 variáveis selecionadas foram: Io_ano_seco, Io_ano_hum, Ios3, Io, Itc, Tmax, cont_are_d8, co_are_d8wp, co_are_d8ws, co_are_d8wio, co_are_d8wios3. As restantes variáveis não selecionadas, ou se encontravam fortemente correlacionadas com alguma das variáveis escolhidas, ou se tratavam de variáveis indiretas (e.g. Altitude, altitude_30, altitude_35), ou variáveis cuja interpretação eco-fisiológica resultaria duvidosa, caso selecionadas pelos modelos a ajustar (e.g. Ic, Anom_Io_ano_hum, Anom_Io_ano _seco, flow_dir_d8, flow_dir_di, Dec_med, etc.). 14

17 Elipses representando a correlação linear de Pearson X Y ph Condut Alcalin Dureza Altitude Escoament Dim_bacia Dist_nasc Dec_med Ampl_term Coef_var_prec Temp_med Precipit_total Io_ano_hum Io_ano_seco Anom_Io_ano_hum Anom_Io_ano_seco Pp_ano_hum Pp_ano_seco Ios4 Ios3 Ios2 Io Itc It Ic m_minusc m_maiusc Pp Tp Tmin Tmax QBR altitude_30 altitude_35 flow_dir_d8 slope_gr_d8 cont_are_d8 long_pat_d8 tot_lpat_d8 grid_ord_d8 flow_dir_di slope_gr_di cont_are_di slop_are_in wet_ind_inv co_are_d8wp co_are_d8ws co_are_d8wio co_are_d8wios3 X Y ph Condut Alcalin Dureza Altitude Escoament Dim_bacia Dist_nasc Dec_med Ampl_term Coef_var_prec Temp_med Precipit_total Io_ano_hum Io_ano_seco Anom_Io_ano_hum Anom_Io_ano_seco Pp_ano_hum Pp_ano_seco Ios4 Ios3 Ios2 Io Itc It Ic m_minusc m_maiusc Pp Tp Tmin Tmax QBR altitude_30 altitude_35 flow_dir_d8 slope_gr_d8 cont_are_d8 long_pat_d8 tot_lpat_d8 grid_ord_d8 flow_dir_di slope_gr_di cont_are_di slop_are_in wet_ind_inv co_are_d8wp co_are_d8ws co_are_d8wio co_are_d8wios3 Legenda: elipses a branco: valor absoluto da correlação linear de Pearson <= 0.5; elipses a cinzento: valor absoluto da correlação linear de Pearson inferior > 0.5 e <= 0.8; elipses a negro: valor absoluto da correlação linear de Pearson > 0.8. Inclinação ascendente para a direita: correlação positiva. Inclinação descendente para a direita: correlação negativa. Figura 4 - Gráfico das correlações lineares de Pearson, entre as variáveis ambientais recolhidas, para os 404 pontos da amostra utilizada. Por fim, utilizando a caracterização da amostra realizada no subcapítulo optou-se por retirar da análise um dos 404 pontos da amostra, por corresponder a um conjunto de condições ecológicas extremamente distintas das restantes. Trata-se do ponto P /05, no lugar de Boco (bacia hidrográfica do rio Vouga), que por se encontrar já muito próximo do oceano sofre a influência deste, apresentando valores de condutividade e dureza muito distintos em relação aos restantes pontos, o que seguramente se refletirá também na vegetação presente. 15

18 Apenas com o intuito de visualizar graficamente as relações entre as 11 variáveis selecionadas e a presença/ausência de cada uma das espécies em causa (nos 403 pontos amostrados), foram realizados gráficos de densidade condicional (Figura 5 a Figura 12) utilizando a função cdplot() do pacote graphics (R Core Team 2013a), estando a frequência de presenças representadas a cinzento escuro e o seu complementar (a frequência de ausências) a cinzento claro. A estes gráficos foram adicionadas 16 linhas de corte verticais correspondente aos percentis P100/17, P2*100/17, P3*100/17 (...) P15*100/17 e P16*100/17 para a variável ambiental em causa. Dentro de cada área definida pelas linhas verticais foi ainda colocado um ponto que representa a frequência de presenças no total de pontos adscrito ao respetivo intervalo de percentis. O valor de tal frequência, bem como do resultado da densidade condicional pode ler-se na escala vertical à direita de cada gráfico. No eixo das abcissas representa-se a variável em causa. Io_ano_seco Io_ano_hum Aln_glu Ios3 Io Itc Tmax log_cont_are_d8 log_co_are_d8wp log_co_are_d8ws log_co_are_d8wio log_co_are_d8wios Figura 5 - Gráficos de densidade condicional para Alnus glutinosa. 16

19 Io_ano_seco Io_ano_hum Flu_tin Ios3 Io Itc Tmax log_cont_are_d8 log_co_are_d8wp log_co_are_d8ws log_co_are_d8wio log_co_are_d8wios Figura 6 - Gráficos de densidade condicional para Flueggea tinctoria. Io_ano_seco Io_ano_hum Fra_aln Ios3 Io Itc Tmax log_cont_are_d8 log_co_are_d8wp log_co_are_d8ws log_co_are_d8wio log_co_are_d8wios Figura 7 - Gráficos de densidade condicional para Frangula alnus. 17

20 Io_ano_seco Io_ano_hum Fra_ang Ios3 Io Itc Tmax log_cont_are_d8 log_co_are_d8wp log_co_are_d8ws log_co_are_d8wio log_co_are_d8wios Figura 8 - Gráficos de densidade condicional para Fraxinus angustifolia. Io_ano_seco Io_ano_hum Ner_ole Ios3 Io Itc Tmax log_cont_are_d8 log_co_are_d8wp log_co_are_d8ws log_co_are_d8wio log_co_are_d8wios Figura 9 - Gráficos de densidade condicional para Nerium oleander. 18

21 Io_ano_seco Io_ano_hum Sal_atr Ios3 Io Itc Tmax log_cont_are_d8 log_co_are_d8wp log_co_are_d8ws log_co_are_d8wio log_co_are_d8wios Figura 10 - Gráficos de densidade condicional para Salix atrocinerea. Io_ano_seco Io_ano_hum Sal_sal Ios3 Io Itc Tmax log_cont_are_d8 log_co_are_d8wp log_co_are_d8ws log_co_are_d8wio log_co_are_d8wios Figura 11 - Gráficos de densidade condicional para Salix salviifolia. 19

22 Io_ano_seco Io_ano_hum Tam_afr Ios3 Io Itc Tmax log_cont_are_d8 log_co_are_d8wp log_co_are_d8ws log_co_are_d8wio log_co_are_d8wios Figura 12 - Gráficos de densidade condicional para Tamarix africana Implementação e seleção dos modelos Os modelos considerados foram ajustados usando a função glm() do pacote stats (R Core Team 2013a). Foi utilizada a função glmulti() do pacote glmulti (Calcagno 2013) para ajustar modelos para todas as combinações possíveis das variáveis selecionadas. Esta função permite guardar um conjunto de modelos que, entre todos os modelos ajustados, apresentem os menores valores para o critério de informação de Akaike. A função foi aplicada em duas fases sucessivas, para cada uma das espécies: i) Numa primeira fase foram analisados 2048 modelos, considerando todas as combinações possíveis da 11 variáveis selecionadas (vide 4.2.1), mais o modelo nulo (apenas com a ordenada na origem). Nesta fase não foram consideradas interações das variáveis (2 a 2), uma vez que, se consideradas, o número de modelos a analisar cresceria para valores elevadíssimos, superiores a mil milhões de modelos. ii) Numa segunda fase foram analisados 4 conjuntos de variáveis, considerando apenas as variáveis com elevado desempenho na primeira fase (Ios3, Itc e uma variável hidrológica), fazendo variar entre os 4 conjuntos apenas a variável hidrológica: primeiro conjunto: Ios3 + Itc + co_are_d8wp segundo conjunto: Ios3 + Itc + co_are_d8ws 20

23 terceiro conjunto: Ios3 + Itc + co_are_d8wio quarto conjunto: Ios3 + Itc + co_are_d8wios3 Nesta segunda fase foram consideradas todas as combinações possíveis das variáveis listadas, incluindo interações 2 a 2, respeitando a regra da marginalidade (Calcagno & de Mazancourt 2010). Para cada um dos referidos conjuntos foram assim avaliados 18 modelos Resultados Do Quadro 4 ao Quadro 11 apresentam-se os modelos alternativos (isto é o modelo que apresentava menor valor para o critério de informação de Akaike e, caso existam, os modelos que apresentaram um critério de Akaike não superior em duas unidades em relação ao primeiro) para cada uma das fases referidas no subcapítulo anterior. Para cada modelo alternativo é ainda indicado o critério de informação de Akaike (CIA) e o resultado do teste de qualidade do ajuste (TQA) usando a distribuição qui-quadrado (valores superiores ao valor crítico definido, e.g. 0.05, apontam um bom ajuste do modelo). Para a Alnus glutinosa é apresentado um modelo adicional (modelo 5, primeira fase) que foi também considerado para a seleção final. Em geral, considera-se que os modelos obtidos foram muito satisfatórios, evidenciando relações ecológicas expectáveis, dada a autoecologia das espécies em causa. Em particular, os modelos para a Flueggea tinctoria, Nerium oleander e Tamarix africana apresentaram problemas numéricos, tendo sido geradas probabilidades de 0 ou 1 no ajuste dos modelos. Estas espécies, estando apenas presentes na parte mediterrânica de Portugal continental, são preditas com grande precisão pela variável Ios3 (vide Figura 6, Figura 9 e Figura 12); a separação quase perfeita que esta variável promove entre as presenças e as ausências destas espécies, estará na base dos problemas numéricos referidos, justificando coeficientes elevados associados a esta variável (Hosmer, Lemeshow & Sturdivant 2013). Uma vez que os modelos selecionados são verosímeis do ponto de vista eco-fisiológico e mantêm uma elevada qualidade de predição, foram utilizados no âmbito do presente trabalho. 21

24 Quadro 4 - Modelos alternativos resultantes da análise realizada para Alnus glutinosa. Espécie: Alnus glutinosa Primeira fase Io_ano_seco, Io_ano_hum, Ios3, Io, Itc, Tmax, cont_are_d8, co_are_d8wp, co_are_d8ws, co_are_d8wio, co_are_d8wios3 1 Aln_glu ~ 1 + Itc + Tmax + I(log(co_are_d8wIos3)) Aln_glu ~ 1 + Tmax + I(log(co_are_d8wIos3)) Aln_glu ~ 1 + Itc + Tmax + I(log(co_are_d8wS)) Aln_glu ~ 1 + Ios3 + Tmax + I(log(co_are_d8wS)) Aln_glu ~ 1 + Itc + Tmax + I(log(co_are_d8wP)) Segunda fase - primeiro conjunto Ios3, Itc, co_are_d8wp 1 Aln_glu ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Itc Aln_glu ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Ios Aln_glu ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Ios3 + I(log(co_are_d8wP)):Itc Segunda fase - segundo conjunto Ios3, Itc, co_are_d8ws 1 Aln_glu ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Itc Aln_glu ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Ios3 + I(log(co_are_d8wS)):Itc Segunda fase - terceiro conjunto Ios3, Itc, co_are_d8wio 1 Aln_glu ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Itc Aln_glu ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Ios3 + I(log(co_are_d8wIo)):Itc Aln_glu ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Ios Segunda fase - quarto conjunto Ios3, Itc, co_are_d8wios3 1 Aln_glu ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Itc Aln_glu ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Ios3 + I(log(co_are_d8wIos3)):Itc

25 Quadro 5 - Modelos alternativos resultantes da análise realizada para Flueggea tinctoria. Espécie: Flueggea tinctoria Primeira fase Io_ano_seco, Io_ano_hum, Ios3, Io, Itc, Tmax, cont_are_d8, co_are_d8wp, co_are_d8ws, co_are_d8wio, co_are_d8wios3 1 Flu_tin ~ 1 + Io_ano_seco + Tmax + I(log(cont_are_d8)) Flu_tin ~ 1 + Io_ano_seco + Tmax Flu_tin ~ 1 + Io_ano_seco + Tmax + I(log(co_are_d8wP)) Flu_tin ~ 1 + Ios3 + Itc + Tmax + I(log(cont_are_d8)) Flu_tin ~ 1 + Io_ano_seco + Tmax + I(log(co_are_d8wS)) Flu_tin ~ 1 + Ios3 + Itc + Tmax + I(log(co_are_d8wS)) Flu_tin ~ 1 + Ios3 + Itc + Tmax + I(log(co_are_d8wP)) Flu_tin ~ 1 + Io + Tmax + I(log(cont_are_d8)) Flu_tin ~ 1 + Io + Tmax Flu_tin ~ 1 + Io + Tmax + I(log(co_are_d8wP)) Flu_tin ~ 1 + Io_ano_seco + Itc + Tmax + I(log(cont_are_d8)) Flu_tin ~ 1 + Io_ano_seco + Itc + Tmax + I(log(co_are_d8wP)) Flu_tin ~ 1 + Ios3 + Tmax + I(log(cont_are_d8)) Flu_tin ~ 1 + Io_ano_seco + Itc + Tmax Flu_tin ~ 1 + Ios3 + Tmax + I(log(co_are_d8wS)) Flu_tin ~ 1 + Io_ano_seco + Itc + Tmax + I(log(co_are_d8wS)) Segunda fase - primeiro conjunto Ios3, Itc, co_are_d8wp 1 Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Itc Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Ios Segunda fase - segundo conjunto Ios3, Itc, co_are_d8ws 1 Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Itc Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Ios Segunda fase - terceiro conjunto Ios3, Itc, co_are_d8wio 1 Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Itc Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Ios Segunda fase - quarto conjunto Ios3, Itc, co_are_d8wios3 1 Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios

26 2 Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Itc Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Ios Quadro 6 - Modelos alternativos resultantes da análise realizada para Frangula alnus. Espécie: Frangula alnus Primeira fase Io_ano_seco, Io_ano_hum, Ios3, Io, Itc, Tmax, cont_are_d8, co_are_d8wp, co_are_d8ws, co_are_d8wio, co_are_d8wios3 1 Fra_aln ~ 1 + Io + Tmax Fra_aln ~ 1 + Io_ano_hum + Tmax Fra_aln ~ 1 + Io + Itc + Tmax Fra_aln ~ 1 + Io + Tmax + I(log(cont_are_d8)) Fra_aln ~ 1 + Io_ano_hum + Itc + Tmax Fra_aln ~ 1 + Io_ano_hum + Tmax + I(log(cont_are_d8)) Fra_aln ~ 1 + Io + Itc + Tmax + I(log(cont_are_d8)) Fra_aln ~ 1 + Io_ano_seco + Itc + Tmax Fra_aln ~ 1 + Ios3 + Tmax Fra_aln ~ 1 + Io + Tmax + I(log(co_are_d8wP)) Fra_aln ~ 1 + Io + Tmax + I(log(co_are_d8wS)) Fra_aln ~ 1 + Io_ano_seco + Tmax Segunda fase - primeiro conjunto Ios3, Itc, co_are_d8wp 1 Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Itc Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + I(log(co_are_d8wP)):Itc Fra_aln ~ 1 + Ios Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Ios3 + I(log(co_are_d8wP)):Itc Fra_aln ~ 1 + Ios3 + Itc + Itc:Ios Segunda fase - segundo conjunto Ios3, Itc, co_are_d8ws 1 Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Itc Fra_aln ~ 1 + Ios Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Ios3 + I(log(co_are_d8wS)):Itc Fra_aln ~ 1 + Ios3 + I(log(co_are_d8wS)) Fra_aln ~ 1 + Ios3 + Itc + Itc:Ios Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + I(log(co_are_d8wS)):Itc Segunda fase - terceiro conjunto Ios3, Itc, co_are_d8wio 24

27 1 Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Itc Fra_aln ~ 1 + Ios Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + I(log(co_are_d8wIo)):Itc Fra_aln ~ 1 + Ios3 + Itc + Itc:Ios Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Ios3 + I(log(co_are_d8wIo)):Itc Fra_aln ~ 1 + Ios3 + I(log(co_are_d8wIo)) Segunda fase - quarto conjunto Ios3, Itc, co_are_d8wios3 1 Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Itc Fra_aln ~ 1 + Ios Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Ios3 + I(log(co_are_d8wIos3)):Itc Fra_aln ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios Fra_aln ~ 1 + Ios3 + Itc + Itc:Ios Fra_aln ~ 1 + Ios3 + I(log(co_are_d8wIos3)) Fra_aln ~ 1 + Ios3 + Itc Quadro 7 - Modelos alternativos resultantes da análise realizada para Fraxinus angustifolia. Espécie: Fraxinus angustifolia Primeira fase Io_ano_seco, Io_ano_hum, Ios3, Io, Itc, Tmax, cont_are_d8, co_are_d8wp, co_are_d8ws, co_are_d8wio, co_are_d8wios3 1 Fra_ang ~ 1 + Io + Itc + Tmax + I(log(cont_are_d8)) Fra_ang ~ 1 + Io + Itc + Tmax + I(log(co_are_d8wP)) Fra_ang ~ 1 + Io_ano_hum + Itc + Tmax + I(log(cont_are_d8)) Fra_ang ~ 1 + Ios3 + Itc + Tmax + I(log(cont_are_d8)) Fra_ang ~ 1 + Ios3 + Itc + Tmax + I(log(co_are_d8wP)) Fra_ang ~ 1 + Ios3 + Itc + Tmax + I(log(co_are_d8wS)) Fra_ang ~ 1 + Io_ano_seco + Itc + Tmax + I(log(cont_are_d8)) Fra_ang ~ 1 + Io_ano_hum + Itc + Tmax + I(log(co_are_d8wP)) Fra_ang ~ 1 + Io_ano_seco + Itc + Tmax + I(log(co_are_d8wP)) Segunda fase - primeiro conjunto Ios3, Itc, co_are_d8wp 1 Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + I(log(co_are_d8wP)):Ios Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Ios Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + I(log(co_are_d8wP)):Ios3 + I(log(co_are_d8wP)):Itc Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Ios3 + I(log(co_are_d8wP)):Itc Segunda fase - segundo conjunto Ios3, Itc, co_are_d8ws 25

28 1 Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + I(log(co_are_d8wS)):Ios Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Ios Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + I(log(co_are_d8wS)):Ios3 + I(log(co_are_d8wS)):Itc Segunda fase - terceiro conjunto Ios3, Itc, co_are_d8wio 1 Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Ios Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + I(log(co_are_d8wIo)):Ios Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Ios3 + I(log(co_are_d8wIo)):Itc Segunda fase - quarto conjunto Ios3, Itc, co_are_d8wios3 1 Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + I(log(co_are_d8wIos3)):Ios Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Ios Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + I(log(co_are_d8wIos3)):Ios3 + I(log(co_are_d8wIos3)):Itc Fra_ang ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Ios3 + I(log(co_are_d8wIos3)):Itc Quadro 8 - Modelos alternativos resultantes da análise realizada para Nerium oleander. Espécie: Nerium oleander Primeira fase Io_ano_seco, Io_ano_hum, Ios3, Io, Itc, Tmax, cont_are_d8, co_are_d8wp, co_are_d8ws, co_are_d8wio, co_are_d8wios3 1 Ner_ole ~ 1 + Ios3 + Itc + Tmax + I(log(co_are_d8wP)) Ner_ole ~ 1 + Ios3 + Itc + Tmax + I(log(cont_are_d8)) Ner_ole ~ 1 + Ios3 + Itc + Tmax + I(log(co_are_d8wS)) Ner_ole ~ 1 + Ios3 + Itc + Tmax Segunda fase - primeiro conjunto Ios3, Itc, co_are_d8wp 1 Ner_ole ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios Ner_ole ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Itc Ner_ole ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Ios Segunda fase - segundo conjunto Ios3, Itc, co_are_d8ws 1 Ner_ole ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios Ner_ole ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Ios

29 3 Ner_ole ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Itc Segunda fase - terceiro conjunto Ios3, Itc, co_are_d8wio 1 Ner_ole ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios Ner_ole ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Itc Ner_ole ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Ios Segunda fase - quarto conjunto Ios3, Itc, co_are_d8wios3 1 Ner_ole ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios Ner_ole ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Itc Ner_ole ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Ios Quadro 9 - Modelos alternativos resultantes da análise realizada para Salix atrocinerea. Espécie: Salix atrocinerea Primeira fase Io_ano_seco, Io_ano_hum, Ios3, Io, Itc, Tmax, cont_are_d8, co_are_d8wp, co_are_d8ws, co_are_d8wio, co_are_d8wios3 1 Sal_atr ~ 1 + Ios3 + Tmax Sal_atr ~ 1 + Ios3 + Tmax + I(log(co_are_d8wS)) Sal_atr ~ 1 + Ios3 + Tmax + I(log(co_are_d8wP)) Sal_atr ~ 1 + Ios3 + Tmax + I(log(cont_are_d8)) Sal_atr ~ 1 + Ios3 + Itc + Tmax Segunda fase - primeiro conjunto Ios3, Itc, co_are_d8wp 1 Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Ios3 + I(log(co_are_d8wP)):Itc Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + I(log(co_are_d8wP)):Ios3 + I(log(co_are_d8wP)):Itc Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Itc Sal_atr ~ 1 + Ios Segunda fase - segundo conjunto Ios3, Itc, co_are_d8ws 1 Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Ios3 + I(log(co_are_d8wS)):Itc Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + I(log(co_are_d8wS)):Ios3 + I(log(co_are_d8wS)):Itc Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Itc Sal_atr ~ 1 + Ios

30 5 Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + I(log(co_are_d8wS)):Itc Segunda fase - terceiro conjunto Ios3, Itc, co_are_d8wio 1 Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Ios3 + I(log(co_are_d8wIo)):Itc Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + I(log(co_are_d8wIo)):Ios3 + I(log(co_are_d8wIo)):Itc Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Itc Sal_atr ~ 1 + Ios Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + I(log(co_are_d8wIo)):Itc Segunda fase - quarto conjunto Ios3, Itc, co_are_d8wios3 1 Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + I(log(co_are_d8wIos3)):Ios3 + I(log(co_are_d8wIos3)):Itc Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Ios3 + I(log(co_are_d8wIos3)):Itc Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Itc Sal_atr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + I(log(co_are_d8wIos3)):Itc Sal_atr ~ 1 + Ios Quadro 10 - Modelos alternativos resultantes da análise realizada para Salix salviifolia. Espécie: Salix salviifolia Primeira fase Io_ano_seco, Io_ano_hum, Ios3, Io, Itc, Tmax, cont_are_d8, co_are_d8wp, co_are_d8ws, co_are_d8wio, co_are_d8wios3 1 Sal_sal ~ 1 + Ios3 + Itc + Tmax + I(log(co_are_d8wP)) Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) Segunda fase - primeiro conjunto Ios3, Itc, co_are_d8wp 1 Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Itc Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Ios3 + I(log(co_are_d8wP)):Itc Segunda fase - segundo conjunto Ios3, Itc, co_are_d8ws 1 Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Itc

31 2 Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Ios3 + 3 I(log(co_are_d8wS)):Itc Segunda fase - terceiro conjunto Ios3, Itc, co_are_d8wio 1 Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Itc Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Ios3 + I(log(co_are_d8wIo)):Itc Segunda fase - quarto conjunto Ios3, Itc, co_are_d8wios3 1 Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Itc Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Ios3 + I(log(co_are_d8wIos3)):Itc Quadro 11 - Modelos alternativos resultantes da análise realizada para Tamarix africana. Espécie: Tamarix africana Primeira fase Io_ano_seco, Io_ano_hum, Ios3, Io, Itc, Tmax, cont_are_d8, co_are_d8wp, co_are_d8ws, co_are_d8wio, co_are_d8wios3 1 Tam_afr ~ 1 + Ios3 + Itc + Tmax + I(log(cont_are_d8)) Tam_afr ~ 1 + Ios3 + Itc + Tmax + I(log(co_are_d8wS)) Tam_afr ~ 1 + Ios3 + Itc + I(log(cont_are_d8)) Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) Tam_afr ~ 1 + Ios3 + Itc + Tmax + I(log(co_are_d8wP)) Segunda fase - primeiro conjunto Ios3, Itc, co_are_d8wp 1 Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Itc Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 + I(log(co_are_d8wP)):Ios3 + I(log(co_are_d8wP)):Itc Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios Segunda fase - segundo conjunto Ios3, Itc, co_are_d8ws 1 Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Itc

32 2 Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios3 + I(log(co_are_d8wS)):Ios3 + I(log(co_are_d8wS)):Itc Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) + Itc:Ios Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) Segunda fase - terceiro conjunto Ios3, Itc, co_are_d8wio 1 Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Ios3 + I(log(co_are_d8wIo)):Itc Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Itc Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIo)) + Itc:Ios3 + I(log(co_are_d8wIo)):Ios Segunda fase - quarto conjunto Ios3, Itc, co_are_d8wios3 1 Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Itc Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios3 + I(log(co_are_d8wIos3)):Ios3 + I(log(co_are_d8wIos3)):Itc Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wIos3)) + Itc:Ios Os modelos alternativos apresentados para cada espécie foram analisados e comparados, tendo-se, por fim, selecionado um modelo final para cada espécie. Foi dada importância à interpretação simples do modelo (nem sempre líquida nos modelos com interações), escolhendo-se assim preferencialmente modelos mais parcimoniosos e que apresentassem o máximo de variáveis com probabilidade de significância inferior a 0.05 nos testes de Wald (ver Pr(> z ) no Quadro 12). No Quadro 12 apresentam-se os modelos finais selecionados e respetivos sumários. 30

33 Quadro 12 - Modelos finais selecionados e respetivos sumários. Espécie: Modelo selecionado: Fórmula: Alnus glutinosa Primeira fase Aln_glu ~ 1 + Itc + Tmax + I(log(co_are_d8wP)) Sumário: Estimativa Des. padrão valor z Pr(> z ) Signif. (Ordenada na origem) Itc ** Tmax *** I(log(co_are_d8wP)) *** Espécie: Modelo selecionado: Fórmula: Flueggea tinctoria Segunda fase; primeiro conjunto Flu_tin ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) + Itc:Ios3 Sumário: Estimativa Des. padrão valor z Pr(> z ) Signif. (Ordenada na origem) * Ios ** Itc ** I(log(co_are_d8wP)) * Ios3:Itc * Espécie: Modelo selecionado: Fórmula: Frangula alnus Primeira fase Fra_aln ~ 1 + Ios3 + Tmax Sumário: Estimativa Des. padrão valor z Pr(> z ) Signif. (Ordenada na origem) Ios *** Tmax ** Espécie: Modelo selecionado: Fórmula: Fraxinus angustifolia Primeira fase Fra_ang ~ 1 + Ios3 + Itc + Tmax + I(log(co_are_d8wP)) Sumário: Estimativa Des. padrão valor z Pr(> z ) Signif. (Ordenada na origem) ** Ios ** Itc *** Tmax ** I(log(co_are_d8wP)) *** Espécie: Nerium oleander 31

34 Modelo selecionado: Fórmula: Primeira fase Ner_ole ~ 1 + Ios3 + Itc + Tmax Sumário: Estimativa Des. padrão valor z Pr(> z ) Signif. (Ordenada na origem) Ios *** Itc * Tmax *** Espécie: Modelo selecionado: Fórmula: Salix atrocinerea Primeira fase Sal_atr ~ 1 + Ios3 + Tmax Sumário: Estimativa Des. padrão valor z Pr(> z ) Signif. (Ordenada na origem) ** Ios *** Tmax *** Espécie: Modelo selecionado: Fórmula: Salix salviifolia Primeira fase Sal_sal ~ 1 + Ios3 + Itc + I(log(co_are_d8wP)) Sumário: Estimativa Des. padrão valor z Pr(> z ) Signif. (Ordenada na origem) *** Ios *** Itc *** I(log(co_are_d8wP)) *** Espécie: Modelo selecionado: Fórmula: Tamarix africana Primeira fase Tam_afr ~ 1 + Ios3 + Itc + I(log(co_are_d8wS)) Sumário: Estimativa Des. padrão valor z Pr(> z ) Signif. (Intercept) ** Ios *** Itc I(log(co_are_d8wS)) *** 32

35 4.2.4 Área de distribuição das espécies Com o objetivo de se evitarem extrapolações relativamente à amostra inicial, limitou-se a apresentação de resultados a um valor mínimo e máximo de área de contribuição segundo o método D8 (cont_are_d8). Na Figura 13 apresenta-se o histograma do logaritmo de cont_are_d8. Por inspeção do histograma, optou-se pelo limite inferior de ( 5 km 2 ) e pelo limite superior de ( 5566 km 2 ). No âmbito do presente trabalho, o intervalo definido por estes limites, designa-se por 'domínio de aplicação dos modelos', delimitando-se assim a rede hidrográfica considerada. Histograma do logaritmo de cont_are_d8 Frequência Logaritmo de cont_are_d8 Figura 13 - Histograma do logaritmo da área de contribuição segundo o método D8 (cont_are_d8). Nas figuras que se seguem (Figura 14 a Figura 21), apresenta-se, para cada uma das espécies em estudo, a probabilidade de ocorrência obtida pelos modelos selecionados para o território de Portugal continental (usou-se uma resolução de 105 m x 105 m para produzir estes mapas). A probabilidade mínima apresentada para cada espécie corresponde ao valor mínimo de probabilidade produzido para a rede hidrográfica considerada, somado de 3% da diferença entre o valor de probabilidade máximo e mínimo produzido (também para toda a rede hidrográfica considerada). Este valor designa-se, no âmbito do presente trabalho, por 'valor-limite definido' e estabelece o limite da área de distribuição da espécie, aqui considerado. 33

36 Figura 14 - Probabilidade de ocorrência de Alnus glutinosa em Portugal continental, segundo o modelo implementado. 34

37 Figura 15 - Probabilidade de ocorrência de Flueggea tinctoria em Portugal continental, segundo o modelo implementado. 35

38 Figura 16 - Probabilidade de ocorrência de Frangula alnus em Portugal continental, segundo o modelo implementado. 36

39 Figura 17 - Probabilidade de ocorrência de Fraxinus angustifolia em Portugal continental, segundo o modelo implementado. 37

40 Figura 18 - Probabilidade de ocorrência de Nerium oleander em Portugal continental, segundo o modelo implementado. 38

41 Figura 19 - Probabilidade de ocorrência de Salix atrocinerea em Portugal continental, segundo o modelo implementado. 39

42 Figura 20 - Probabilidade de ocorrência de Salix salviifolia em Portugal continental, segundo o modelo implementado. 40

43 Figura 21 - Probabilidade de ocorrência de Tamarix africana em Portugal continental, segundo o modelo implementado. 41

44 4.3 Análise de agrupamento (k-means) No sentido de apoiar a definição de áreas ambientalmente homogéneas, objetivo último do presente trabalho, foi realizada uma análise de agrupamento recorrendo ao método de agrupamento k-means. A análise realizou-se no programa informático R, usando a função kmeans() do pacote stats (R Core Team 2013a). A elevada resolução espacial ambiental utilizada para a realização da análise de agrupamento (105 m x 105 m), não permitia, por limitações dos programas informáticos utilizados, a utilização de outros métodos de agrupamento convencionais Seleção de variáveis e implementação As matrizes sujeitas à análise de agrupamento foram previamente transformadas, de forma a que todas as variáveis ambientais passassem a variar apenas no intervalo [0,1]. Para tal usouse a função decostand() do pacote vegan (Oksanen et al. 2013). Numa primeira fase, foram realizados agrupamentos considerando 2, 3, 4 e 5 grupos, para todas as espécies em causa, usando apenas dados ambientais provenientes da área de distribuição definida no capítulo anterior. As variáveis ambientais usadas nesta primeira fase foram, para cada espécie, as variáveis selecionadas no MLG respetivo (vide Quadro 12), uma vez que tais variáveis resultaram relevantes na definição da distribuição da espécie. Por inspeção visual dos mapas selecionou-se o número de grupos que se considerou mais adequado a cada espécie, tendo em conta critérios como: a dimensão da área de distribuição total da espécie, a relação com limites biogeográficos e hidrográficos conhecidos. Nos casos em que nenhum dos agrupamentos (considerando de 2 a 5 grupos) tenha resultado satisfatório, foi realizada uma segunda fase da análise, usando as variáveis ambientais que, invariavelmente, foram selecionadas nos melhores MLG ajustados e/ou que têm reconhecida influência na distribuição da flora Resultados Para 7 das 8 espécies estudadas (Alnus glutinosa, Flueggea tinctoria, Fraxinus angustifolia, Frangula alnus, Nerium oleander, Salix atrocinerea e Tamarix africana) a primeira fase da análise de agrupamento produziu resultados satisfatórios (usando as variáveis ambientais dos respetivos MLG). Para a Salix salvifolia realizou-se a segunda fase tendo-se selecionado um modelo com um conjunto de variáveis distinto. O Quadro 13 resume os resultados obtidos. Nas análises de agrupamento em que foram utilizadas variáveis hidrológicas (co_are_d8wp e co_are_d8ws) um(uns) dos grupos resultantes correspondia(m), invariavelmente, a rios com elevadas áreas de drenagem. Por opção, no presente trabalho, tal(tais) grupo(s) não se vê(veem) refletido(s) nas cartas das regiões homogéneas produzidas, pois iria(m) fragmentar excessivamente as regiões definidas dentro da mesma bacia de drenagem. Deve-se porém ter em atenção que, na prática, as condições ambientais associadas ao término das bacias e às respetivas cabeceiras podem, de facto, variar de forma relevante de modo a poder justificar uma subdivisão dentro da mesma bacia. Quadro 13 - Resumo dos resultados da análise de agrupamento. 42

45 Espécie Variáveis utilizadas na análise de agrupamento N.º de regiões selecionado (k) Alnus glutinosa Itc, Tmax, co_are_d8wp 4 Flueggea tinctoria Ios3, Itc, co_are_d8wp 4 Frangula alnus Ios3, Tmax 2 Fraxinus angustifolia Ios3, Itc, Tmax, co_are_d8wp 4 Nerium oleander Ios3, Itc, Tmax 2 Salix atrocinerea Ios3, Tmax 2 Salix salviifolia Io, Itc, Ios3, Tmax 3 Tamarix africana Ios3, Itc, co_are_d8ws 3 As figuras que se seguem (Figura 22 a Figura 29) apresentam a análise de agrupamento selecionada para cada espécie. 43

46 Figura 22 - Resultado da análise de agrupamento para Alnus glutinosa. 44

47 Figura 23 - Resultado da análise de agrupamento para Flueggea tinctoria. 45

48 Figura 24 - Resultado da análise de agrupamento para Frangula alnus. 46

49 Figura 25 - Resultado da análise de agrupamento para Fraxinus angustifolia. 47

50 Figura 26 - Resultado da análise de agrupamento para Nerium oleander. 48

51 Figura 27 - Resultado da análise de agrupamento para Salix atrocinerea. 49

52 Figura 28 - Resultado da análise de agrupamento para Salix salviifolia. 50

53 Figura 29 - Resultado da análise de agrupamento para Tamarix africana. 51

54 4.4 Síntese e produção das cartas finais Construção das cartas finais As cartas finais que se apresentam (cartas das regiões ambientalmente homogéneas para cada uma das espécies estudadas), sintetizam o processo metodológico descrito até aqui, incorporando a informação produzida e propondo regiões ambientalmente homogéneas para cada uma das espécies estudadas. Cada carta de regiões ambientalmente homogéneas apoia-se nas regiões definidas pela análise de agrupamentos selecionada e cinge-se à área considerada como área de distribuição da espécie de acordo com o MLG selecionado. As regiões definidas, para cada espécie, na análise de agrupamentos foram, no entanto, ajustadas a limites naturais tais como as bacias hidrográficas ou a regiões biogeográficas reconhecidas. A designação de cada região é composta por um número e uma letra: i) o número representa uma região ambientalmente homogénea (assim, para cada espécie, regiões que apresentem o mesmo número são regiões mais próximas do ponto de vista ambiental); ii) a letra subdivide as regiões ambientalmente homogéneas em sub-regiões que, pertencendo ao mesmo grupo ambiental, se encontram espacialmente isoladas e afastadas; este é um critério fundamentalmente biogeográfico Resultados O resultado do trabalho de síntese descrito no subcapítulo anterior consiste nas 8 cartas de regiões ambientalmente homogéneas para Alnus glutinosa, Flueggea tinctoria, Fraxinus angustifolia, Frangula alnus, Nerium oleander, Salix atrocinerea, Salix salviifolia e Tamarix africana, anexas a esta memória descritiva. As 8 cartas apresentam assim, para cada uma das espécies, as regiões ambientalmente homogéneas, subdivididas em sub-regiões sempre que considerado conveniente. A rede hidrográfica apresentada a cinzento (também representada nos mapas da Figura 14 à Figura 29) resulta do modelo hidrológico desenvolvido (ver 4.1.3), tendo-se considerado como linha de água as células com cont_are_d8 (área de contribuição que drena para cada célula, segundo o método hidrológico D8, calculada à resolução de 105 m x 105 m) superior a ca. 91 células de 105 m x 105 m (o que corresponde a uma bacia de drenagem para a célula em causa, superior a aproximadamente 1 km 2 ). Apresenta-se, de seguida, uma breve descrição ambiental das regiões obtidas para cada espécie. 52

55 AGLU_1A AGLU_1B AGLU_1C AGLU_2A AGLU_3A Itc AGLU_1A AGLU_1B AGLU_1C AGLU_2A AGLU_3A Tmax AGLU_1A AGLU_1B AGLU_1C AGLU_2A AGLU_3A Logaritmo de co_are_d8wp Figura 30 - Diagramas de caixa das variáveis ambientais utilizadas no modelo final selecionado para a Alnus glutinosa, em cada uma das sub-regiões ambientalmente homogéneas definidas. Na Figura 30 observa-se a distribuição das três variáveis ambientais utilizadas no MLG selecionado para o amieiro (Alnus glutinosa), em cada uma das cinco sub-regiões ambientalmente homogéneas definidas. Apesar de pertencerem a uma mesma região homogénea, as sub-regiões AGLU_1A, AGLU_1B e AGLU_1C apresentam, por esta ordem, um gradiente de termicidade (Itc) crescente. O mesmo acontece no que respeita à temperatura média do mês mais quente (Tmax), porém este variando menos e contribuindo seguramente para o agrupamento das três sub-regiões numa só região. A sub-região 53

56 AGLU_2A, que corresponde à parte portuguesa da bacia do rio Douro, distingue-se pela menor termicidade (i.e. zonas frias e/ou com invernos frios) e por possuir valores de Tmax intermédios entre a região 1 e a região 3. A sub-região AGLU_3A é, assim, a região com temperaturas médias e/ou invernos mais quentes (valores de Itc mais elevados) e com verões mais quentes (maiores valores de Tmax). O logaritmo da área de contribuição segundo o método hidrológico D8 (pesada pela precipitação total anual média), apesar de ter sido selecionado no MLG para a Alnus glutinosa, não produz distinções relevantes entre as subregiões. FTIN_1A FTIN_1B Ios3 FTIN_1A FTIN_1B Itc FTIN_1A FTIN_1B Logaritmo de co_are_d8wp Figura 31 - Diagramas de caixa das variáveis ambientais utilizadas no modelo final selecionado para a Flueggea tinctoria, em cada uma das sub-regiões ambientalmente homogéneas definidas. Na Figura 31 observa-se a distribuição das três variáveis ambientais utilizadas no MLG selecionado para o tamujo (Flueggea tinctoria), em cada uma das duas sub-regiões ambientalmente homogéneas definidas. A divisão em duas sub-regiões encontrou justificação, sobretudo, no facto de a área de distribuição encontrada para a F. tinctoria possuir duas áreas disjuntas. Ainda assim, as duas sub-regiões apresentam distinção ambiental considerável: a sub-região FTIN_1A (que corresponde a uma pequena parte da Terra Quente transmontana) apresenta valores menores de Itc e maiores de Ios3 do que a sub-região FTIN_1B (grosso modo a metade sul de Portugal continental), sendo por isso uma sub-região mais fria e de cariz mediterrânico elevado, porém menos acentuado do que a FTIN_1B. O logaritmo da área de contribuição segundo o método hidrológico D8 (pesada pela precipitação total anual média) não produz distinções relevantes entre as sub-regiões. 54

57 FALN_1A FALN_2A FALN_2B Ios3 FALN_1A FALN_2A FALN_2B Tmax Figura 32 - Diagramas de caixa das variáveis ambientais utilizadas no modelo final selecionado para a Frangula alnus, em cada uma das sub-regiões ambientalmente homogéneas definidas. Na Figura 32, que representa o caso do sanguinho-de-água (Frangula alnus), observa-se que a região 1 (composta por uma única sub-região FALN_1A) inclui quer áreas de clima temperado (e.g. o noroeste de Portugal), onde os valores de Ios3 são bastante elevados, quer áreas de clima mediterrânico, com valores de Ios3 mais baixos (que corresponderão à região centro litoral e à região da Terra Fria, também incluídas na sub-região FALN_1A). Estas áreas que constituem a região 1 partilham valores de Tmax relativamente baixos em relação ao restante território de Portugal continental. De facto, a região 2 (composta pelas sub-regiões FALN_2A e FALN_2B), distingue-se por ser uma região eminentemente mediterrânica (baixos valores de Ios3) e com temperaturas médias do mês mais quente elevadas. As distinção entre as duas sub-regiões é apenas biogeográfica, uma vez que constituem áreas disjuntas: a subregião FALN_2A compreendendo sobretudo a Terra Quente transmontana e a FALN_2B correspondendo à metade sul de Portugal continental, seccionada pela linha definida pelo sistema montanhoso Montejunto-Estrela. 55

58 FANG_1A FANG_2A FANG_3A Ios3 FANG_1A FANG_2A FANG_3A Itc FANG_1A FANG_2A FANG_3A Tmax FANG_1A FANG_2A FANG_3A Logaritmo de co_are_d8wp Figura 33 - Diagramas de caixa das variáveis ambientais utilizadas no modelo final selecionado para a Fraxinus angustifolia, em cada uma das sub-regiões ambientalmente homogéneas definidas. A Figura 33 apresenta os diagramas de caixa para cada uma das variáveis selecionadas no MLG final, para cada uma das 3 regiões definidas para o freixo (Fraxinus angustifolia), contendo cada região apenas uma sub-região. A sub-região FANG_1A, corresponde a uma faixa litoral, no centro e norte de Portugal continental, alargando-se variavelmente para o interior, atingido as áreas mais interiores na região da Beira-Interior, nas cabeceiras do rio Zêzere. Em relação às restantes sub-regiões aqui definidas, distingue-se por ser uma região amena com valores relativamente baixos de Tmax e valores intermédios de Itc. A sub-região FANG_2A engloba o nordeste de Portugal continental distinguindo-se por ser uma zona fria e/ou com invernos frios (valores relativamente baixos de Itc), possuindo, porém, valores intermédios de Tmax. Por fim, a sub-região FANG_3A distingue-se das restantes por apresentar um caráter mediterrânico muito acentuado (baixos valores de Ios3) e valores 56

59 elevados de Itc e Tmax, sendo nitidamente uma região mais quente. O logaritmo da área de contribuição segundo o método hidrológico D8 (pesada pela precipitação total anual média) não produz distinções relevantes entre as sub-regiões. NOLE_1A NOLE_2A Ios3 NOLE_1A NOLE_2A Itc NOLE_1A NOLE_2A Tmax Figura 34 - Diagramas de caixa das variáveis ambientais utilizadas no modelo final selecionado para o Nerium oleander, em cada uma das sub-regiões ambientalmente homogéneas definidas. Na Figura 34 apresenta-se a mesma informação para o loendro (Nerium oleander). A distribuição desta planta em Portugal restringe-se maioritariamente ao sul do território continental. São propostas duas regiões ambientalmente homogéneas compostas, cada uma delas, por apenas uma sub-região. Assim, a sub-região NOLE_1A distingue-se por apresentar uma carácter mediterrânico relativamente mais acentuado (valores de Ios3 em regra menores), temperaturas médias e/ou invernos mais quentes (valores de Itc mais elevados) e verões mais frescos (valores de Tmax menores) típicos das zonas litorais, ao contrário da sub-região NOLE_2A. A sub-região NOLE_1A corresponde à metade litoral da antiga província alentejana e ao Algarve, enquanto a sub-região NOLE_2A corresponde grosso modo ao Alentejo interior e à parte sudeste da Beira Baixa. 57

60 SATRO_1A SATRO_2A SATRO_2B Ios3 SATRO_1A SATRO_2A SATRO_2B Tmax Figura 35 - Diagramas de caixa das variáveis ambientais utilizadas no modelo final selecionado para a Salix atrocinerea, em cada uma das sub-regiões ambientalmente homogéneas definidas. Na Figura 35 apresenta-se a mesma informação para a borrazeira-preta (Salix atrocinerea). As regiões aqui definidas são em tudo semelhantes às obtidas para o sanguinho-de-água), com a única diferença de que o sanguinho-de-água se encontra ausente no sudeste de Portugal continental. Assim, tal como para a Frangula alnus, observa-se que a região 1 (composta por uma única sub-região SATRO_1A) inclui quer áreas de clima temperado (e.g. o noroeste de Portugal), onde os valores de Ios3 são bastante elevados, quer áreas de clima mediterrânico, com valores de Ios3 mais baixos (que corresponderão à zona centro litoral e à Terra Fria, também incluídas na sub-região SATRO_1A). Estas áreas que constituem a região 1 partilham valores de Tmax relativamente baixos em relação ao restante território de Portugal continental. De facto, a região 2 (composta pelas sub-regiões SATRO_2A e SATRO_2B) distingue-se por ser uma região eminentemente mediterrânica (baixos valores de Ios3) e com temperaturas médias do mês mais quente elevadas. A distinção entre as duas sub-regiões é apenas biogeográfica, uma vez que constituem áreas disjuntas: a sub-região SATRO_2A compreendendo sobretudo a Terra Quente transmontana e a SATRO_2B correspondendo à metade sul de Portugal continental, seccionada pela linha definida pelo sistema montanhoso Montejunto-Estrela. 58

61 SSAL_1A SSAL_1B SSAL_2A SSAL_3A Ios3 SSAL_1A SSAL_1B SSAL_2A SSAL_3A Itc SSAL_1A SSAL_1B SSAL_2A SSAL_3A Logaritmo de co_are_d8wp Figura 36 - Diagramas de caixa das variáveis ambientais utilizadas no modelo final selecionado para a Salix salviifolia, em cada uma das sub-regiões ambientalmente homogéneas definidas. A Figura 36 apresenta a mesma informação para borrazeira-branca (Salix salviifolia). Neste caso, foram definidas três regiões, estando uma delas (a região 1) dividida em duas subregiões: SSAL_1A e SSAL_1B. Estas últimas, apesar de incluídas na mesma região ambientalmente homogénea, apresentam uma diferenciação no que respeita ao Ios3, sendo a sub-região SSAL_1A eminentemente temperada (valores de Ios3 elevados) e a sub-região SSAL_1B mista (incluindo zonas temperadas e mediterrânicas). A sub-região SSAL_2A corresponde à parte portuguesa da bacia do rio Douro, distinguindo-se pela menor termicidade (i.e. zonas frias e/ou com invernos frios) e por possuir valores de Ios3 mais elevados do que a região SSAL_3A. A sub-região SSAL_3A é, assim, a região com temperaturas médias e/ou invernos mais quentes (valores de Itc mais elevados) e com caráter mediterrânico mais pronunciado (menores valores de Ios3). O logaritmo da área de contribuição segundo o método hidrológico D8 (pesada pela precipitação total anual média), tal como nos restantes casos, não produz distinções relevantes entre as sub-regiões. 59

62 TAFR_1A TAFR_2A Ios3 TAFR_1A TAFR_2A Itc TAFR_1A TAFR_2A Logaritmo de co_are_d8ws Figura 37 - Diagramas de caixa das variáveis ambientais utilizadas no modelo final selecionado para a Tamarix africana, em cada uma das sub-regiões ambientalmente homogéneas definidas. Por fim, apresenta-se na Figura 37 o caso das regiões ambientalmente homogéneas definidas para a tamargueira (Tamarix africana). Para esta planta foram definidas duas regiões (cada uma com uma sub-região apenas). A primeira (TAFR_1A) corresponde ao troço terminal dos maiores afluentes do rio Douro na Terra Quente, distinguindo-se por ter valores de Ios3 mais elevados (caráter mediterrânico evidente, porém menos pronunciado) e valores de Itc mais baixos (sub-região relativamente mais fria). A segunda (TAFR_2A) que engloba toda a metade sul de Portugal continental, distingue-se pelo caráter mediterrânico mais pronunciado (Ios3) e por temperaturas médias e/ou invernos mais quentes (Itc). Também aqui, o logaritmo da área de contribuição segundo o método hidrológico D8 (neste caso pesada pela precipitação estival) não parece produzir distinções relevantes entre as sub-regiões encontradas Cartas produzidas As cartas produzidas, que esta memória acompanha, possuem algumas limitações ao seu uso, que deverão sempre ser tidas em conta pelos utilizadores das mesmas: A análise realizada fundamentou-se num conjunto de variáveis ambientais definido. Sabe-se que muitas outras variáveis (quer ambientais, tais como relacionadas com o substrato, com a conformação do leito, com a hidrogeologia etc., quer relacionadas com o uso do solo pelo próprio homem, entre muitas outras) influenciam significativamente a distribuição das espécies ribeirinhas. Apesar da ausência de tais variáveis, consideram-se úteis os modelos produzidos, porém, quaisquer conclusões a retirar com base nestes modelos ou nas cartas de regiões apresentadas deverão sempre cingir-se às variáveis aqui utilizadas. Alerta-se ainda o utilizador da presente informação que, por limitação na amostra inicial utilizada, não se apresentam resultados para talvegues com menos de 5 km 2 de bacia de 60

63 drenagem, nem com bacias superiores a 5566 km 2, pelo que o curso principal de grandes rios (como o rio Douro, rio Guadiana, rio Tejo e rio Minho) não se encontram tratados no âmbito do presente trabalho. Todavia, o grau de humanização dos cursos referidos invalida, regra geral, qualquer análise similar à aqui realizada. As áreas do país onde tenha havido forte intervenção humana, com alteração das linhas de drenagem naturais ou áreas planas em especial agricultadas, onde tenha havido construção de pequenos canais artificiais podem não estar corretamente representadas hidrograficamente. Tal limitação resulta da resolução e/ou de erros associados ao MDT utilizado no âmbito do presente trabalho. No presente momento optou-se por não subtrair as zonas de albufeira, permitindo ao utilizador observar o comportamento dos modelos hidrológicos nestas áreas, alertando-se no entanto para o facto de que o curso de água desenhado pelo modelo não corresponde, obviamente, à realidade. A rede de amostragem definida na implementação da DQA não contém, por norma, pontos nos contactos entre a rede hidrográfica e o Oceano Atlântico (e.g. estuários, lagunas etc.; à exceção da observação extrema retirada da análise). Assim sendo, tal contacto com o oceano não pode ser considerado tratado no presente trabalho, devendo considerar-se a sua aplicação apenas às águas interiores e sendo necessária cautela na utilização da informação aqui produzida nas áreas de interface rio-oceano. Por fim, refere-se ainda que, tendo em conta as estimativas de erro associadas ao MDT utilizado (ASTER GDEM Validation Team 2011) e por comparação com outra cartografia oficial portuguesa, considera-se que a escala de utilização das presentes cartas não deverá ser mais detalhada do que 1:

64 5 Referências Almeida, A. & M. Capelo (2007). Bioclimatologia e Vegetação Natural Potencial. Silva Lusitana 15(2) (Dezembro): del-arco, M., J.R. Acebes, P.L. Perez-de-Paz & M.D. Marrero (1999). Bioclimatology and climatophilous vegetation of Hierro (part 2) and La Palma (Canary Islands). Phytocoenologia 29(2) (Junho 22): del-arco, M., P.L. Perez-de-Paz, J.R. Acebes, J.M. Gonzalez-Mancebo, J.A. Reyes-Betancort, J.A. Bermejo, S. de-armas & R. Gonzalez-Gonzalez (2006). Bioclimatology and climatophilous vegetation of Tenerife (Canary Islands). Annales Botanici Fennici 43(3) (Junho 29): del-arco, M., M. Salas, J.R. Acebes, M.D. Marrero, J.A. Reyes-Betancort & P.L. Perez-de-Paz (2002). Bioclimatology and climatophilous vegetation of Gran Canaria (Canary Islands). Annales Botanici Fennici 39(1): ASTER GDEM Validation Team (2011). ASTER Global Digital Elevation Model Version 2 - Summary of Validation Results. METI and NASA, Agosto 31. Bivand, R., T. Keitt & B. Rowlingson (2013). rgdal: Bindings for the Geospatial Data Abstraction Library. Bivand, R.S., E.J. Pebesma & V. Gomez-Rubio (2008). Applied spatial data analysis with R. New York: Springer. Calcagno, V. (2013). glmulti: Model selection and multimodel inference made easy. R package. (version 1.0.6). Calcagno, V. & C. de Mazancourt (2010). glmulti: An R Package for Easy Automated Model Selection with (Generalized) Linear Models. Journal of Statistical Software 34(12): Capelo, J., S. Mesquita, J.C. Costa, S. Ribeiro, P. Arsénio, C. Neto, T. Monteiro-Henriques, C. Aguiar, J. Honrado, D. Espírito-Santo & M.F. Lousã (2007). A methodological approach to potential vegetation modeling using GIS techniques and phytosociological expert-knowledge: application to mainland Portugal. Phytocoenologia 37(3) (4) (Dezembro 21): doi: / x/2007/ Gavilán, R. (2005). The use of climatic parameters and indices in vegetation distribution. A case study in the Spanish Sistema Central. International Journal of Biometeorology 50(2) (Novembro 22): doi: /s (Consultado em: 14 de Março de 2009). Gonzalo Jiménez, J. (2010). Diagnosis Fitoclima tica de la Espanã Peninsular. Hacia un modelo de clasificacioń funcional de la vegetacioń y de los ecosistemas peninsulares espanõles. 1 a Ed. Serie tećnica Naturaleza y Parques Nacionales. Organismo Autońomo de Parques nacionales, Ministerio de Medio Amiente y Medio Rural y Marino de Espanã. Hijmans, R.J. (2013). raster: Geographic data analysis and modeling. Hijmans, R.J., S.E. Cameron, Juan L. Parra, P.G. Jones, A. Jarvis & K. Richardson (2006). WORLDCLIM. (Consultado em: 31 de Maio de 2009). Hijmans, R.J., S.E. Cameron, J.L. Parra, P.G. Jones & A. Jarvis (2005). Very High Resolution Interpolated Climate Surfaces for Global Land Areas. International Journal of Climatology 25: doi: /joc Hosmer, D.W., S. Lemeshow & R.X. Sturdivant (2013). Applied logistic regression. Third edition. Wiley series in probability and statistics. Hoboken, New Jersey: Wiley. INAG (2008). Manual para a avaliação biológica da qualidade da água em sistemas fluviais segundo a Directiva Quadro da Água: Protocolo de amostragem e análise para os 62

65 Macrófitos. Instituto da Água. Mesquita, S. & A.J. Sousa (2009). Bioclimatic mapping using geostatistical approaches: application to mainland Portugal. International Journal of Climatology 29(14): doi: /joc.1837 (Consultado em: 24 de Outubro de 2012). Monteiro-Henriques, T. (2010). Landscape and phytosociology of the Paiva River s hydrographical basin. Tese de doutoramento/ph.d. thesis, Lisboa: Instituto Superior de Agronomia, Universidade Técnica de Lisboa (TULisbon). Nelder, J.A. & R.W.M. Wedderburn (1972). Generalized Linear Models. Journal of the Royal Statistical Society. Series A (General) 135(3) (Janeiro 1): doi: / (Consultado em: 10 de Outubro de 2011). Nicolau, R. (2002). (Maria Rita Rodrigues Carmona Nicolau) Modelação e Mapeamento da Distribuição Espacial de Precipitação - Uma Aplicação a Portugal Continental. Tese de doutoramento/ph.d. thesis, Universidade Nova de Lisboa - Faculdade de Ciências e Tecnologia. Oksanen, J., F.G. Blanchet, R. Kindt, P. Legendre, P.R. Minchin, R.B. O Hara, G.L. Simpson, P. Solymos, M.H.H. Stevens & H. Wagner (2013). vegan: Community Ecology Package. Pebesma, E.J. & R.S. Bivand (2005). Classes and methods for spatial data in R. R News 5(2). R Core Team (2013a). R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing. (2013b). foreign: Read Data Stored by Minitab, S, SAS, SPSS, Stata, Systat, dbase,... Rivas-Martínez, S., S. Rivas Sáenz & Á. Penas (2011). Worldwide bioclimatic classification system. Global Geobotany 1 (Dezembro): doi: /gg Sarkar, D. (2008). Lattice: multivariate data visualization with R. Use R! New York: Springer. Silva, Á. (2005). (José Álvaro Mendes Pimpão Alves Silva) Estimação da Temperatura Média do Ar em Portugal Continental: Teste e Comparação de Métodos de Interpolação em Sistemas de Informação Geográfica. Tese de mestrado/master thesis, Universidade Técnica de Lisboa - Instituto Superior Técnico. Simpson, G.L. (2012). permute: Functions for generating restricted permutations of data. Tarboton, D.G. (1997). A New Method for the Determination of Flow Directions and Contributing Areas in Grid Digital Elevation Models. Water Resources Research 33(2): (2012). TAUDEM: Terrain Analysis Using Digital Elevtion Model. Whitham, T.G., J.K. Bailey, J.A. Schweitzer, S.M. Shuster, R.K. Bangert, C.J. LeRoy, E.V. Lonsdorf, G.J. Allan, S.P. DiFazio, B.M. Potts, D.G. Fischer, C.A. Gehring, R.L. Lindroth, J.C. Marks, S.C. Hart, G.M. Wimp & S.C. Wooley (2006). A framework for community and ecosystem genetics: from genes to ecosystems. Nature Reviews Genetics 7(7):

66 6 ANEXO Cartas das regiões ambientalmente homogéneas para o amieiro, tamujo, sanguinho-de-água, freixo, loendro, borrazeira-preta, borrazeira-branca e tamargueira. 64

67 65

68 66

69 67

70 68

71 69

72 70

73 71

74 72

75

76 Materiais Florestais de Reprodução de Espécies Lenhosas Ribeirinhas Manual de Boas Práticas Carla Faria e Maria Helena Almeida Instituto Superior de Agronomia Centro de Estudos Florestais Universidade de Lisboa Financiamento: EDP-Energias de Portugal S.A.