Upload
denise-lecocq
View
109
Download
1
Embed Size (px)
Citation preview
Méthodes d’intégration des niveaux d’organisation et d’agrégation de
variables avec des exemples écologiques
Pierre Auger
IRD, UR GeodesCentre de recherche IRD de l’Ile de France, Bondy et ISC
de l’Ecole Normale Supérieure de LyonE-mail: [email protected]
Colloque prospectives du RNSC 2007« Vers une science des systèmes complexes »
Résumé
Agrégation de variables
Emergence/Immergence
Comportement individuel et dynamique des populations et des communautés
Les niveaux d’organisation
Niveau de l’individu
Niveau de la population
Niveau de la communauté
Niveaux d’organisation:échelles de temps différentes
Niveau de l’individu : la journée
Niveau de la population : l’année
Niveau de la communauté : plusieurs années
Tirer partie des échelles de temps pour
Construire un modèle global ne gouvernant que quelquesvariables « macroscopiques » à l’échelle de temps lente
Organisation hiérarchique
Dynamique intra-groupe rapide
Dynamique inter-groupe lente
Le modèle complet
A groupes et N sous-groupes
Partie rapide
1 2, ,...,ii N
dxf x x x
d
1
Partie lente
( )ix
1 2 1 2, ,..., , , ,...,i N Nf x x x x x x
Choix de variables globales ?
Dynamique rapide conservative
Variables agrégées
1 2, ,...,ii N
dxf x x x
d
t
Temps rapide
Intégrale première
ii
Y x
0
Construction du modèle agrégé
Equilibre rapide stable
1 2, ,..., 0ii N
dxf x x x
d
* * * *1 1,..., , ,...,i N N
i
dYf x Y x Y x Y x Y
dt
*ix Y
Substitution de l’équilibre rapide
La dynamique du modèle agrégé est une approximation de la dynamique du modèle complet
Modèle agrégé
Valable si structurellement stable
* * * *1 1,..., ,..., ,..., ( )i N N
i
dYf x Y x Y x Y x Y O
dt
1 Valable si
1 2
11
222121212
1111212121
NebPd
dP
NrNmNmd
dN
ParNNmNmd
dN
PeaNPdt
dP
aNPrNdt
dN
21 NNN
N
Nr
N
Nrr
*2
2
*1
1 N
Naa
*1
1
2112
21*2
2112
12*1 mm
NmN
mm
NmN
2112
2121
*2
*1
1 ;mmN
ParrNNPN
PeaNPdt
dP
aNPrNdt
dN
PNNPeaPeaNPdt
dP
ParrPNNaNPrNdt
dN
;
;
11
1211
Théorème de Fenichel
Quelques références sur l’agrégation
PDE’s et DDE’s, Arino et al., SIAM J Applied Maths, (2000), Sanchez et al., JMAA, (2006)
Systèmes EDO, Thèse JC Poggiale, (1994), Auger et Benoit, JBS, (1989), Auger et Roussarie, AB, (1994), Auger et Poggiale, MCM, (1998), JTB, (1996)
Systèmes discrets, E. Sanchez et al., JBS, (1997), R. Bravo de la Parra et al. MB 157, (1999) et deux thèses, Luis Sanz (1998) et Angel Blasco (2000).
« Perfect and approximate aggregation », Iwasa et al., MB, (1987), Ecol Mod (1989).
Illustration de la notion d’émergence avec un modèle de pêcherie spatialisé
Deux zones de pêche
R. Mchich, P. Auger and N. Raïssi, 2000. « The dynamics of a fish stock exploited R. Mchich, P. Auger and N. Raïssi, 2000. « The dynamics of a fish stock exploited on two fishing zones ». on two fishing zones ». Acta Biotheoretica. Vol. 48, N. ¾, pp. 207-218. Acta Biotheoretica. Vol. 48, N. ¾, pp. 207-218.
1 12 1 1 1 1 1
1
2 21 2 2 2 2 2
2
12 1 1 1 1 1 1
21 2 2 2 2 2 2
' 1
' 1
'
'
dx xkx k x r x x E
d K
dx xk x kx r x x E
d K
dEmE m E p x E c E
ddE
m E mE p x E c Ed
1 2( ) ( ) ( )x t x t x t 1 2( ) ( ) ( )E t E t E t
Equilibre rapide
1 1
1 1
( ) ' 0
( ) ' 0
k x x k x
m E E m E
*1 1
*2 2
*1 1
*2 2
''
'
''
'
kx x x
k kk
x x xk k
mE E E
m mm
E E Em m
Modèle agrégé
1dx x
rx qxEdt K
dEpxE cE
dt
1 1 2 2
1 1 2 2
1 1 1 2 2 2
1 1 2 2
2 2
1 1 2 2
1 2
r r r
q
p p p
c c c
rK
r r
K K
• Condition de viabilité de la pêcherie
• Modèle agrégé identique au modèle localModèle agrégé identique au modèle local
1dx x
rx qxEdt K
dEE px c
dt
1 12 1 1 1 1 1
1
2 21 2 2 2 2 2
2
12 1 1 1 1 1 1
21 2 2 2 2 2 2
' 1
' 1
'
'
dx xkx k x r x x E
d K
dx xk x kx r x x E
d K
dEmE m E p x E c E
ddE
m E mE p x E c Ed
Modèle complet (terme local) Modèle global
• Mouvement de la flotte stock-dépendantMouvement de la flotte stock-dépendant
Mchich, P. Auger, R. Bravo de la Parra and N. Raïssi, 2002. « Dynamics of a fishery on two fishing zones with fi stock dependent migrations: Aggregation and control». Ecological Modelling. Vol. 158, Issue 1-2, pp. 51-62.
1 12 1 1 1 1 1
1
2 21 2 2 2 2 2
2
12 2 1 1 1 1 1 1 1
21 1 2 2 2 2 2 2 2
' 1
' 1
( ) '( )
'( ) ( )
dx xkx k x r x x E
d K
dx xk x kx r x x E
d K
dEm x E m x E p x E c E
ddE
m x E m x E p x E c Ed
11 0
1'( )m x
x
22 0
1( )m x
x
Emergence : Modèle agrégé différent du modèle local
• Modèle agrégé différent du modèle localModèle agrégé différent du modèle local
1 ( )
( ) ( )
dx xx r q x xE
dt K
dEE p x x c x
dt
Modèle complet (terme local) Modèle global
1 12 1 1 1 1 1
1
2 21 2 2 2 2 2
2
12 2 1 1 1 1 1 1 1
21 1 2 2 2 2 2 2 2
' 1
' 1
( ) '( )
'( ) ( )
dx xkx k x r x x E
d K
dx xk x kx r x x E
d K
dEm x E m x E p x E c E
ddE
m x E m x E p x E c Ed
• Emergence/immergenceEmergence/immergence
Emergence fonctionnelle : Le modèle global s’écrit avec des fonctions mathématiques différentes du modèle local
Emergence dynamique : Le modèle global a une dynamique qualitativement différente de celle du modèle local
Immergence : Les fréquences d’équilibre rapide dépendent des variables globales
Zone
2 (C
)
Zone
1 (C
entr
ale)
Cap Boujdor
Cap Juby
Cap Ghir
Cap Cantin
Cap Blanc
Zones des pêcheries de la sardine en atlantique marocain
Estimation des paramètres (source INRH) :
Zone (Centrale)
Zone C
Taux de croissance r 1.53 1.14
Capacité de charge K 1703 5723
Coefficient de capturabilité q
0.025 0.0035
Classe 1 Classe 2
Prix moyen (Dh/Kg) 1.08
Coût par unité d’effort 7237 11014
Source: D’après A. Kamili (2006); Mémoire de master intilulé: BIO-ECONOMIE ET GESTION DE LA PECHERIE DES PETITS PELAGIQUES: Cas de l’Atlantique Centre Marocain
Prix par unité de poisson (Kg) et coût par unité d’effort (Jours de pêche) :
Un exemple proie-prédateur avec comportement individuel
Effets de l’agressivité entre prédateurs sur la stabilité d’un système proie-prédateur
Proie tn
tpH tpD
Faucon (Hawk) Colombe (Dove)
Auger et al. Math Biosci. 2002
Deux catégories de prédateurs
Interaction trophique
SD SH
FD FH
DD DH
Interactions entre prédateurs
Interactions dues au jeu
bpFpSHbpFpSD
anpSHanpSD
bpSpFH bpSpFD
pFDpFH
pDH pDD
c
Auger, Kooi, Poggiale, Bravo de la Parra J Theor Biol, 2006
)1( anpKn
rnddn
Le modèle complet complexe : 7 variables
DH
T
HDHDHFHSSHFDH
FHFHSHFHSFH
SHDHHFHDHFHSHSHFSH
DD
T
DDDDDFDSSDFDD
FDFDSDFDSFD
SDDDDFDDDFDSDSDFSD
pAuuAucpppbppbpd
dp
ppanppbpd
dp
ppAupppanppbpd
dp
pAuuAucpppbppbpd
dp
ppanppbpd
dp
ppAupppanppbpd
dp
)(
))((
)(
))((
Auger, Kooi, Poggiale, Bravo de la Parra J Theor Biol, 2006
Equilibre rapide : S, F et D
babnbpnpabanbpanbp
p
bpanp
p
S
S
SF
2248 222
*
*
**
Modèle agrégé
)(12
)(1
**
*
opC
ppdtdp
oanpKn
rndtdn
DF
S
)(12
)(1
**
*
opC
ppdt
dp
oanpK
nrn
dt
dn
DF
S
Dimorphique
Faucon
Le modèle agrégé
quand b=0 : Modèle d’Holling type II
Cas général : pas analytique, analyse de bifurcation
« Paradox of enrichment »
Lorsque K augmente :
• Extinction du prédateur• Coexistence de la proie et du prédateur (TC)• Equilibre proie-prédateur déstabilisé (Hopf)• Cycle limite stable (larges variations)
(n*,p*)
Stable limit cycle
Diagramme de bifurcation
Emergence d’une fenêtre de coût avec stabilité
Stabilité pour les modèles I et II
Domaine avec coexistence de 2 cycles limites
Conclusions
Applications : dynamique des populations de poissons en réseau de rivières arborescent, Dynamique du carabe en milieu bocager, pêcheries, Maroc, épidémiologie, Afrique de l’ouest, Chine…
Contrôle à deux niveaux
Incorporer des comportements dans les modèles de population et de communauté, comme les IBM : Auger et al. (1998, 2002, 2005), jeux proie-prédateur, Lett and Auger TPB, 2004.
Morphogenèse à deux niveaux
Agrégation des IBM
Collaborations
Nadia Raïssi (SIANO, Univ. Kenitra) Eva Sanchez (ETSI, Madrid) Rafael Bravo de la Parra (Univ. Alcala de Henares) Abderrahim Elabdelaoui (Univ. Pau) Hassan Hbid (LMDP, Univ. Marrakech) Mohamed Khaladi (LMDP, Univ. Marrakech) Bas Kooijman et Bob Kooi (Free Univ. Amsterdam) Christophe Lett (IRD, Geodes) Rachid Mchich (ENIT, Tanger) Tri Nguyen Huu (ISC, ENS Lyon) Jean-Christophe Poggiale (CNRS et Univ. Marseille) Luis Sanz (ETSI, Madrid) Maurice Tchuente et Etienne Kouokam (Univ.
Yaounde)
Un modèle de dynamique d’une population de carabe forestier en milieu fragmenté
Pierre Auger*, Françoise Burel**,Jean-Baptiste Pichancourt***IRD UR Geodes, Centre d’île de France**UMR CNRS Ecobio, Université de Rennes
B Bois, Forêt, bosquets
M Matrice agricole : Maïs
H Haies de bords de champs1 . . ttN L M N
A.Modèle de Leslie spatialisé
Matrice de diffusion (stepping stone)
Fuit M B, CC ou H
Quitte peu B
Ne distingue pas B et CC
Fécondité (f) : f(B) et f(CC)
Survie (s): s(B)=s(CC) > s(H) > s(M)
Matrice démographique de Leslie
L A1 A2
S21 S32
S33
F13
CC chemin creux bordé de haies
Chemin creux
paysage en grille
B. Modèle de paysage & modèle de mouvement
Eléments
B CC H M
B 1 0.5 0.5 0.05
CC 0.5 1 0.5 0.1
H 0.5 0.5 1 0.2
M 1 1 0.2 1
transitions entre éléments (qij)
mij = pj . qij
Martin (2001); Pichancourt et al. Ecological Modelling (2006)
Paysage en diagramme
%%B
M
H CC
Simplification du modèle de mouvement
1k
t tN LM N
k augmente
Fragmentation = diminution de la quantité d’habitat favorable (exemple : bois) + évolution des grandes taches vers des taches plus petites et éloignées
Agrégation de variables (10% CC)
95% 100%agrégé
complet
95%agrégé
complet
B M
CC
On utilise le Modèle complet
On utilise le Modèle agrégé
Effet des bois sur (seuil à 33%)
Fragmentation
% Bk
1 1
Conclusion: cette démarche de modélisation spatiale apporte des outils pour:
Évaluer les risques d’érosion de la biodiversité en fonction de divers scénarios d’aménagement (différents % bois, CC, haies)
Aider à la définition de politiques publiques
Mettre en place de projets concrets d’aménagement et de gestion des paysages agricoles: localisation et choix des éléments linéaires à mettre en place (haies, bosquets, chemins ou bandes boisées).
Agrégation de variables dans les réseaux de sites 2D
Un modèle spatial
Un réseau 2D de sites connectés par des migrations
Un modèle local hôte-parasitoïde
taPtcNtP
taPK
tNrtNtN
exp11
exp1exp1
NSWE
PP
NSWE
HH
tPtPtP
tNtNtN
411
411
Migration
H
PHost mobility
Parasite mobility
Le modèle complet
2 2
2 2
1 1
2 2
1 1
2 2
1
1
. .
. .
( ) ( 1)...
1
1
. .
. .
( ) ( 1)
A Amig mig mig Nicholson Bailey
k
A A
N t N t
N t N t
N t N t
P t P t
P t P t
P t P t
2D network, A2 patches, k migration events
Lett et al., J. Theor. Biol. 2004Lett et al., Oikos, 2005Nguyen Huu et al., Math. Biosci., 2006
k=1
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
k=3
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
k=7
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
k=15
0
0,1
0,2
0,3
0,4
0,5
0,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
En augmentant le paramètre k
=0.5
k=1k=2
k=3 k=4
Complete model with parameter set (a=0.2, r=2.6, K=50, c=0.4, μn=μp=1) and A=200. Host density with highest values in blue.
• Modèle agrégé:
k>>1 : Agrégation spatiale
2 2
2
1 exp 1 exp
1 1 exp
N t aP tN t N t r
KA A
aP tP t cN t
A
* *2
1ij ij A
Aggregated model (red) with k=1, A=100 for 1000<t<8000.
0
20000
40000
60000
80000
100000
120000
140000
0 100000 200000 300000 400000 500000 600000 700000
Number of hosts
Nu
mb
er o
f p
aras
ito
ids
Aggregated and complete models in the same conditions with k = 3 for 1000<t<8000.
0
20000
40000
60000
80000
100000
120000
140000
0 100000 200000 300000 400000 500000 600000 700000
Number of hosts
Num
ber
of p
aras
itoid
s
Valeurs seuil de k
k 10832
2001005030A
Valeurs seuil de k pour différentes taille (A,A) de grille 2D
Un modèle local hôte-parasitoïde
taPtcNtP
taPK
tNrtNtN
exp11
exp1exp1
NSWE
PP
NSWE
HH
tPtPtP
tNtNtN
411
411
Migration
H
PHost mobility
Parasite mobility
Nicholson-Bailey dynamics and dispersal
NSWE
PP
NSWE
HH
tPtPtP
tNtNtN
411
411
H
PHost mobility
Parasite mobility
Migration
• Aggregated model:
k>>1 : spatial aggregation
AtaP
tcNtP
AtaP
KAtN
rtNtN
exp11
exp1exp1
Aijij
1**
k=1k=2
k=3 k=4
Complete model with parameter set (a=0.2, r=2.6, K=50, c=0.4, μn=μp=1) and A=200. Host density with highest values in blue.
Système rapide : sommation H et D
DSFD
FSFSF
DFSSFS
ppbpddp
panppbpddp
ppanppbpddp
2
avec DFS pppp constant
1 11 1 1 1 1 1 1 1
1
2 22 2 2 2 2 2 2 2
2
11 1 1 1 1
22 2 2 2 2
12 1 1 1 1 1 1
21 2 2 2 2 2 2
1
1
dn nr n a n e a n E
d K
dn nr n a n e a n E
d K
dEc E pa n E
ddE
c E pa n Edde
me me c e pa n edde
me me c e pa n ed
Modèle avec deux zones de pêche
Invariant curve a=0.2, r=2.6, K=50, c=0.4
P(t)
N(t)
Iteration Map
0 12 24 36 48 60
x
0
3
6
9
12
15
y
k>>1 limit case : spatial synchrony
AtP
tP
AtN
tN
ij
ij
)(
a=0.2, r=2.6, K=50, c=0.4, μn=μp=1 and A=50. (b)-(c)-(d)
Aggregated model (a) in red, and complete model for k=1 in blue for
0<t<500 (b), 500<t <1000 (c) and 1000<t<2000 (d).
0
5000
10000
15000
20000
25000
30000
35000
0 20000 40000 60000 80000 100000 120000 140000 160000
Number of hosts
Nu
mb
er
of
pa
ras
ito
ids
0
5000
10000
15000
20000
25000
30000
35000
0 20000 40000 60000 80000 100000 120000 140000 160000
Number of hosts
Nu
mb
er
of
pa
ras
ito
ids 0 <t < 500
0
5000
10000
15000
20000
25000
30000
35000
0 20000 40000 60000 80000 100000 120000 140000 160000
Number of hosts
Nu
mb
er
of
pa
ras
ito
ids 500 <t < 1000
0
5000
10000
15000
20000
25000
30000
35000
0 20000 40000 60000 80000 100000 120000 140000 160000
Number of hosts
Nu
mb
er
of
pa
ras
ito
ids 1000 <t < 2000
(a)
(c) (d)
(b)
Aggregated (red) and complete (blue) models in the same conditions with r=2.15 and k=2.
0
5000
10000
15000
20000
25000
30000
0 20000 40000 60000 80000 100000 120000 140000
Number of hosts
Nu
mb
er
of
pa
ras
ito
ids
Initial conditions
(a) (b) (c)
Choix de variables globales ?
Dynamique rapide conservative
Variables agrégées
1 2, ,...,ii N
dxf x x x
d
t
Temps rapide
Intégrale première
ii
Y x
0
Agrégation parfaite
Nii xxxf
dtdx
,...,, 21
Njj xxxgY ,...,, 21
Ajj YYYh
dt
dY,...,, 21
NA
Système complet
1N
Aj ,1
Iwasa et al., 1987, 1989
Variables globales
Système agrégé
Un prédateur et deux proies
3
232
3
131
3
333
3
2
323
2
121
2
222
2
1
313
1
212
1
111
1
1
1
1
K
na
K
na
K
nnr
dt
dn
K
na
K
na
K
nnr
dt
dn
K
na
K
na
K
nnr
dt
dn
21 nnY
Un seul compartiment de proies ?
Modèle agrégé
33
3
333
3
3
1
1
K
Ya
K
nnr
dt
dn
K
Ya
K
YrY
dt
dY
Y
Y
22112
33231
32313
21
21
aa
aaa
aaa
KKK
rrr
Y
Y
Conditions d’agrégation parfaite
Distribution du stock de sardines
Zone
2 (C
)
Zone
1 (C
entr
ale)
Cap Boujdor
Cap Juby
Cap Ghir
Cap Cantin
Cap Blanc
Zones des pêcheries de la sardine en atlantique marocain
Deux flottes de pêche
Classe 1 (E) Classe 2 (e)
T.J.B [25-70] [70-120]
Puissance Moyenne (CV)
284 396
1 11 1 1 1 1 1 1 1
1
2 22 2 2 2 2 2 2 2
2
11 1 1 1 1
22 2 2 2 2
12 1 1 1 1 1 1
21 2 2 2 2 2 2
1
1
dn nr n a n e a n E
d K
dn nr n a n e a n E
d K
dEc E pa n E
ddE
c E pa n Edde
me me c e pa n edde
me me c e pa n ed
Modèle avec deux zones de pêche
Le modèle agrégé
Substitution de l’équilibre rapide dans le modèle complet
Réduction de la dimension de 7 à 2 variables
0
5000
10000
15000
20000
25000
30000
35000
40000
0 50000 100000 150000 200000
Number of hosts
Nu
mb
er
of
pa
ras
ito
ids
Aggregated (red) and complete (blue) models in the same conditions with r=2.94 and k=1.
Estimation des paramètres (source INRH) :
Zone (Centrale)
Zone C
Taux de croissance r 1.53 1.14
Capacité de charge K 1703 5723
Coefficient de capturabilité q
0.025 0.0035
Classe 1 Classe 2
Prix moyen (Dh/Kg) 1.08
Coût par unité d’effort 7237 11014
Source: D’après A. Kamili (2006); Mémoire de master intilulé: BIO-ECONOMIE ET GESTION DE LA PECHERIE DES PETITS PELAGIQUES: Cas de l’Atlantique Centre Marocain
Prix par unité de poisson (Kg) et coût par unité d’effort (Jours de pêche) :
Deux flottes de pêche
Classe 1 (E) Classe 2 (e)
T.J.B [25-70] [70-120]
Puissance Moyenne (CV)
284 396
Agrégation parfaite
Valeurs des paramètres très particulières
« Approximate aggregation »
Résumé
Présentation des méthodes d’agrégation
Proie-prédateur avec comportement Dynamique spatiale d’épidémie Perspectives