Na dynamikę populacji jest gałęzią ekologii że dotyczy wahań w czasie liczba osobników w populacji istot żywych. Ma również na celu zrozumienie wpływu środowiska na liczebność populacji. Przedmiotem jego badań jest również struktura populacji według wieku, wagi, środowiska, biologii grupowej i procesów, które wpływają na te zmiany. Zastosowania emblematyczne obejmują rybołówstwo , łowiectwo , zarządzanie obszarami chronionymi , kontrolę populacji tzw. szkodliwych zwierząt . Dynamikę populacji ludzkich oraz ich specyfikę na tle innych populacji zwierzęcych bada demografia .
Możliwe jest rozróżnienie dużych rodzin dynamiki populacji według ich zachowania przy braku zaburzeń. Klasyfikacja ta jest ściśle powiązana z matematyczną teorią układów dynamicznych i pojęciem atraktora .
Chaotyczna dynamika populacji odpowiada nieprzewidywalnym zmianom liczby osobników w populacji w czasie. Zmienność ta wynika z nieodłącznie wysokiego tempa wzrostu populacji i wrażliwości na warunki początkowe, co może mieć konsekwencje zarówno ekologiczne, jak i ewolucyjne. Dynamikę chaotyczną można zaobserwować za pomocą różnych modeli, od najprostszych do najbardziej złożonych (nawet dla systemów deterministycznych). Ważne jest określenie skali czasowej modelowania.
Do zaburzeń ekologicznych typowych dla dynamiki populacji należą:
Przez „N t ” oznaczamy liczbę osobników w danej populacji w czasie t.
Różnice w liczbie osobników w okresie Æ t (godzina, rok, itd) można rozbić jak:
Z:
Mówimy równowagi demograficznej: nm stanowi naturalną równowagę i czyli z bilansu migracyjnego ludności.
W dyskretnym czasie możemy modelować populację sekwencyjną (deterministyczną) lub łańcuchem Markowa (stochastyczną).
W wielu przypadkach modelowanie jest łatwiejsze w ciągłym czasie , następnie używamy równań różniczkowych . Odnotowujemy N ( t ) liczbę osobników w danej populacji w czasie t i używając wyprowadzonego czasu N , aby przedstawić chwilową zmianę liczby osobników.
Deterministyczny | Stochastyczny | |
---|---|---|
Dyskretny czas | Po | Łańcuch Markowa |
Ciągły czas | Równania różniczkowe | Ciągły proces Markowa |
Do modelowania ważne jest określenie zastosowanej skali czasu. Na przykład można powiedzieć , że populacja maku na polu jest stabilna przez trzy lub cztery lata, ale w ciągu roku populacja jest bardzo zróżnicowana. Możemy więc mówić o czasie dyskretnym lub ciągłym.
Wzrost geometryczny i wykładniczyModele wzrostu geometrycznego i wykładniczego zakładają tempo wzrostu proporcjonalne do liczby osobników. Czasami mówimy o wzroście maltuzjańskim w odniesieniu do pracy ekonomisty Thomasa Malthusa . Ich dynamika jest dość prosta i nierealistyczna: populacja rośnie w nieskończoność, jednak ich przewidywania mogą się sprawdzić w krótkim czasie. Służą one jako podstawa dla bardziej wyrafinowanych modeli, takich jak modele populacji macierzowych do badania dynamiki populacji ustrukturyzowanych.
Rozważ populację z zerową saldem migracji ( e + i = 0). Uważamy, że liczba urodzeń ( n ) i zgonów ( m ) zależy od liczby osobników.
Jeśli uznamy tę zależność za liniową (wspomniana wyżej proporcjonalność), to zapisując λ wskaźnik urodzeń i μ wskaźnik śmiertelności (czyli liczbę urodzeń – odpowiednio zgonów – na osobniki w okresie Δ t ) .
W dyskretnym czasie ewolucję liczby osobników można modelować za pomocą geometrycznej sekwencji stosunku r = 1 + λ-μ.
W czasie ciągłym wielkość populacji można modelować za pomocą następującego równania różniczkowego zwyczajnego :
Rozwój logistyki
Logistyczne modele wzrostu są pierwszym udoskonaleniem modeli maltuzjańskich, w których tempo wzrostu populacji nasyca się liczbą osobników, więc populacja nie może osiągnąć nieskończonego rozmiaru: jest ograniczona przez maksymalny rozmiar zwany nośnością . Wartość nośności zależy od środowiska, w którym ewoluuje populacja, jest na ogół związana z wyczerpywaniem się zasobów.
W dyskretnym czasie wielkość populacji może być modelowana przez sekwencję logistyczną, która charakteryzuje się chaotyczną dynamiką dla pewnych wartości parametrów:
Ekwiwalentem czasu ciągłego jest model Verhulsta :
W obu przypadkach populacja ma dwa punkty równowagi w 0 (wymieranie) iw K (populacja stacjonarna). Model wzrostu logistycznego w czasie ciągłym charakteryzuje się tym, że każda ściśle pozytywna populacja (nawet składająca się z niemożliwej „części jednostki”) dąży do swojej nośności K. Problem ten jest często rozwiązywany przez dodanie terminu efektu Allee .
Od przewidywalnego do chaotycznegoPopulacja o stabilnej lub cyklicznej dynamice może ewoluować w kierunku dynamiki chaotycznej. Ewolucja ta może być spowodowana zmianami warunków środowiskowych, drapieżnictwem lub zjawiskiem rozproszenia. Przejście to zostało opisane matematycznie przez kilka modeli, które w zależności od badanych parametrów (rozproszenie, drapieżnictwo, warunki środowiskowe) prowadzą do chaotycznej dynamiki.
Model czasu ciągłego: Verhulst i FeigenbaumModel ten został początkowo odkryty przez Verhulsta w 1840 roku, a następnie podjęty ponownie prawie sto lat później przez fizyka Mitchella Feigenbauma. Aby opisać przejście od dynamiki okresowej do dynamiki chaotycznej, Mitchell Feigenbaum ustanowił trajektorię zwaną „kaskadą podwajania okresu” (patrz teoria chaosu ). Model ten reprezentowany przez diagram bifurkacji przedstawia zatem następstwa dynamiki w funkcji wewnętrznego tempa wzrostu odnotowanych populacji r .
Otrzymujemy zatem następujące interpretacje:
Jest to prosty model, który również stara się analizować przejście od stabilnej lub cyklicznej dynamiki do chaotycznej dynamiki w dyskretnym czasie: opisuje liczbę osobników w populacji w czasie t + 1 w porównaniu z liczbą osobników w tej samej populacji w czas t .
Ten model jest napisany:
Otrzymujemy wtedy taką samą strukturę grafu, czyli diagram bifurkacji, jak w przypadku modelu czasu ciągłego, ale pokazujący zmiany przy różnych szybkościach wzrostu r .
Tutaj otrzymujemy następujące interpretacje:
Pomiędzy dwoma chaotycznymi zdarzeniami można zaobserwować powroty do dynamiki cyklicznej dzięki dziwnym atraktorom (patrz: teoria chaosu ).
W okresach chaotycznych najmniejsza zmienność wartości początkowych będzie miała bardzo silny wpływ na prognozowanie przyszłych wartości, w przeciwieństwie do dynamiki stabilnej i cyklicznej. Tę niestabilność można podsumować pytaniem Lorenza Edwarda: „Czy trzepotanie skrzydeł motyla w Brazylii powoduje tornado w Teksasie?” ” .
Dynamika chaotyczna jest zatem nieprzewidywalna na dłuższą metę, mówimy o „efektu motyla”.
Kiedy ktoś znajdzie się w środowisku stochastycznym, chaotyczna dynamika może losowo doprowadzić do wyginięcia, inwazji mutantów lub utrzymania populacji. Jednak chaos jest bardzo rzadki w środowisku naturalnym, więc prawdopodobieństwo wyginięcia populacji z powodu chaosu jest bardzo niskie. Niektórzy badacze sugerują nawet, że chaotyczne zachowanie może dać przewagę ewolucyjną, która pozwoliłaby mutantom na inwazję populacji.
Chaos poprzez eksperymentowanieIstnieje stosunkowo niewiele eksperymentów demonstrujących chaotyczną dynamikę w populacji. Eksperymenty te miały na celu skonfrontowanie modeli matematycznych z różnymi rodzajami dynamiki (stabilną, cykliczną lub chaotyczną), które można znaleźć w przyrodzie. Jednak te formuły nie mają zastosowania. Wykorzystywane zbiorowiska są wybierane ze względu na ich prostotę: ekosystemy zredukowane do maksymalnie 3 gatunków, których tempo wzrostu i reprodukcji jest bardzo niskie, dzięki czemu eksperymenty są szybkie; zaniedbywane czynniki zewnętrzne w stosunku do populacji. W naturze warunki środowiskowe są zmienne, łańcuchy pokarmowe są często złożone, a tempo wzrostu / reprodukcji znacznie wolniejsze, więc doświadczenia te nie są reprezentatywne.
Warunki środowiskowe prowadzące do chaosu są więc rzadko spotykane w przyrodzie. Rzeczywiście, aby zaobserwować chaotyczną dynamikę podczas fazy stacjonarnej, konieczny jest długi okres stabilności warunków środowiskowych podczas fazy przejściowej. W przeciwieństwie do matematyków ekolodzy mają mieszane opinie na temat istnienia chaosu w przyrodzie.
Drugie rozszerzenie poprzednich modeli wprowadza sprzężoną dynamikę wielu gatunków. Dość klasycznym przedstawicielem tej rodziny modeli są równania konkurencji Lotki-Volterry:
N 1 (odpowiednio N 2 ) to liczba osobników pierwszego (odpowiednio drugiego) gatunku oraz ich tempo wzrostu r 1 (odpowiednio r 2 ) i nośność K 1 (odpowiednio K 2 ). Termin konkurencji α 12 przedstawia wpływ gatunku 2 na populację gatunku 1 i odwrotnie dla α 21 .W zależności od parametrów model ten prowadzi do wyginięcia jednego z dwóch gatunków, do dynamiki cyklicznej lub do zbieżności układu w kierunku punktu równowagi, w którym przetrwają dwa gatunki. Nowoczesna teoria koegzystencji używa tego modelu do opracowania narzędzi matematycznych do przewidywania współistnienie w sytuacjach, w których występują więcej niż dwa gatunki.
W naukach społecznych demografia zastrzega sobie badanie populacji ludzkich, które różnią się od populacji zwierzęcych nie tyle wartościami parametrów biologicznych (długość życia, odstęp między pokoleniami itp.), ile świadomością tego. co pozwala na przesłuchanie zainteresowanych. Osoby mają wiek, czyli datę urodzenia. Są one przedmiotem wydarzeń, takich jak małżeństwo i prokreacja, których identyfikacja zakłada albo sondaż zainteresowanych ( spis lub sondaż), albo odpowiednich instytucji ( stan cywilny ). Ta identyfikacja wymaga znajomości nazwisk osób, co następnie znika podczas przetwarzania danych. Ewidencja miejsc urodzenia, zamieszkania i śmierci zakłada również, w szczególności dla badań migracji, uznany podział geograficzny. Jakość i postęp wiedzy demograficznej zależą zatem od instytucji administracyjnych niezbędnych do gromadzenia danych i zapewnienia tajemnicy.
Badanie precyzji liczebności populacji ludzkiej, uzyskanej za pomocą ankiety lub obliczeń, lub datowania wydarzeń demograficznych, w szczególności urodzeń i zgonów, wnosi zatem do gry psychologię jednostek, ich zaufanie lub nieufność do ludzi śledczy i rachmistrzowie, ich wybiórcza pamięć wydarzeń rodzinnych, stopień przynależności do instytucji klasyfikacyjnych.
Teoria przejścia demograficznego pomaga wyjaśnić ewolucję populacji świata od 1800 do 2100