1 Modélisation de la formation de bancs de poissons C. Accolla, J.C. Poggiale, O. Maury.
-
Upload
charlemagne-leclerc -
Category
Documents
-
view
103 -
download
0
Transcript of 1 Modélisation de la formation de bancs de poissons C. Accolla, J.C. Poggiale, O. Maury.
1
Modélisation de la formation de bancs de
poissons
C. Accolla, J.C. Poggiale, O. Maury
2
Schooling
• Phénomène macroscopique: distribution non homogène
des organismes pélagiques (poissons)
• Au niveau de l’individu : processus complexes d’auto-
organisation et interactions avec l’environnement (forçages
intrinsèques et extrinsèques) ; seuil de densité
• Conséquences importantes sur la prédation
• Impact au niveau de l’écosystème
3
But : partir d’un phénomène gouverné par
des processus à petite échelle (individu)
pour inférer des conclusions à grande
échelle (écosystème)
Problématique
4
Petite échelle
• Dynamique au niveau de l’individu :
IBM (Individual Based Model)
+ grande quantité d’information
+ facile à simuler; résultats visuels réalistes
+ émergence de propriétés au niveau de la population
- manque de protocole rigoureux pour extraire et justifier
des conclusions au niveau de la population
5
Grande échelle
• Dynamique au niveau de la population :
équations d’advection - diffusion
PDE (Partial Differential Equation)
+ description de la densité de population : intégration de la
variabilité individuelle
+ méthode d’analyse standardisée
+ on peut extraire des conclusions et les justifier (mécaniste)
6
Méthode utilisée
1) Écrire le modèle individu-centré (IBM)
2) Écrire des équations différentielles stochastiques (SDE)
associées à l’IBM : temps continu
3) Obtenir les équations aux dérivés partielles (PDE) de la
densité de population : nombre d’individus (N) tend vers
l’infini
Comment exploiter les avantages des modèles
individus-centrés d’une façon rigoureuse?
7
1) Modèle Individu-Centré
• Simulation du mouvement de N poissons• Forçages : présence d’un gradient de nourriture
mouvements browniens
( 1)
( 1) 2( ) ( 0 ( ))
( 0 )
x c
x c
eh x c sign x
c e
Gradient de nourriture :
Fonction qui représente la nourriture :
-30 -20 -10 0 10 20 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
h(x
)
h(x)
x
( 1)
0
0( )
x c
c
c eh x
kW
8
1) Modèle Individu-Centré
( ) ( ) ( ) ( ( ) )k k kx t t x t a h x t h x W
( )a h x
( ( ) ) kh x W
1,2,...,k N
Vitesse proportionnelle au gradient
Mouvements browniens multipliés par
une fonction décroissante du gradient
( )max( ( ) ) hh x e
9-30 -20 -10 0 10 20 300
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
x
Moy
enne
IB
M
Distribution finale (t = tmax)
x
Moyenne IBM
Moyenne de 200 simulations IBM à t = 0 et à t = tmax
Moyenne IBM
x
Conditions initiales (t = 0)
-30 -20 -10 0 10 20 300
0.01
0.02
0.03
0.04
0.05
0.06
0.07
x
Moy
enne
IB
M
10
2) Équations différentielles stochastiques
• IBM : discrétisation d’un ensemble d’équations
différentielles stochastiques
( ) ( ( ) )k kdx a h x dt h x dW
On passe en temps continu :
11
3) Équation au niveau populationnel (PDE)
22
2
( , ) 1( ( , )) ( ( , ))
2
x tB x t A x t
t x x
( ( ) )
( )
B h x
A a h x
N On prend la limite pour
et on effectue des calculs d’intégration pour obtenir:
où représente la densité des individus, avec: ( , )x t
• équation qui représente la population
• on peut étudier rigoureusement l’évolution au cours du temps
• elle est liée a l’IBM précédent
12
Distribution finale (t = tmax)
( , )x T
x
Conditions initiales (t = 0)
( ,0)x
x
Distributions à t = 0 et à T = tmax
-30 -20 -10 0 10 20 300
0.01
0.02
0.03
0.04
0.05
0.06
00
-30 -20 -10 0 10 20 300
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
finale
13
Comparaison pour différents temps
( ,0)x
Moyenne IBM
t = 0
x-30 -20 -10 0 10 20 300
0.01
0.02
0.03
0.04
0.05
0.06
0.07
00
-30 -20 -10 0 10 20 300
0.01
0.02
0.03
0.04
0.05
0.06
0.07
01
( , )8
Tx
Moyenne IBM
Comparaison pour différents temps
t = T/8
x
-30 -20 -10 0 10 20 300
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
02
( , )4
Tx
Moyenne IBM
Comparaison pour différents temps
t = T/4
x
-30 -20 -10 0 10 20 300
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
04
16
( , )2
Tx
Moyenne IBM
Comparaison pour différents temps
t = T/2
x
-30 -20 -10 0 10 20 300
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
12
3( , )
4
Tx
Moyenne IBM
Comparaison pour différents temps
t = 3/4 T
x
-30 -20 -10 0 10 20 300
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
13
18
7( , )
8
Tx
Moyenne IBM
Comparaison pour différents temps
t = 7/8 T
x
-30 -20 -10 0 10 20 300
0.02
0.04
0.06
0.08
0.1
0.12
finale
19
( , )x T
Moyenne IBM
Comparaison pour différents temps
t = T
x
20
Conclusions
• Comparaison graphiques montre une bonne superposition :
bonne méthode pour passer d’une description individu centré
à une au niveau populationnel
• Autres méthodes
• Perspectives : facteurs intrinsèques
interactions proie/prédateur
gestion pêche
MERCI