Académique Documents
Professionnel Documents
Culture Documents
Modelisation
UE BIOMATHEMATIQUE
S6
Rapport
Proies-predateurs
15 juin 2023
Table des matières
1 0
Mj (0, 0) = (8)
0 −A
1−X 0
Mj (0, 0) − XI2 = =⇒ det(Mj (0, 0) − XI2 ) = 0
0 −X − A
=⇒ (1 − X).(−X − A) = 0 =⇒ X = 1 et X = - A
Conclusion : le point (0, 0) est donc instable(l’une des valeurs propres est positive)
et il s’agit d’un point selle.
0 −1
Mj (1, 1) = (9)
A 0
−X −1
Mj (1, 1) − XI2 = =⇒ det(Mj (1, 1) − XI2 ) = 0
A −X
√ √
=⇒ X 2 + A = 0=⇒ X = i A et X = -i A
Conclusion : les valeurs propres sont des imaginaires purs, cela signiife que le point
(1, 1) est un centre. Les trajectoires stables(des cycles autours du point (1, 1), ce
qui prouve le caractere cyclique des trajectoires.
6. Fonctionnement Cyclique
Dans ce modèle avec une espèce super-prédatrice, nous aurons trois équations différen-
tielles pour représenter les populations des trois espèces au fil du temps. Supposons que la
proie soit représentée par P, le prédateur par H, et le super-prédateur par S. Les équations
différentielles peuvent être définies comme suit :
1. L’évolution de la population de proie (P ) : dP/dt = rP − aP H
2. L’évolution de la population de prédateur (H) : dH/dt = baP H − mH − cSH
3. L’évolution de la population de super-prédateur (S) : dS/dt = cSH − dS
Dans ces équations, les paramètres représentent les interactions entre les différentes es-
pèces :
• r : taux de croissance de la proie
• a : taux de prédation de la proie par le prédateur
• b : taux de prédation de la proie par le super-prédateur
• m : taux de mortalité du prédateur
• c : taux de prédation du prédateur par le super-prédateur
• d : taux de mortalité du super-prédateur
Ces équations décrivent les variations de population en fonction du temps, en prenant
en compte les interactions entre les différentes espèces. La première équation montre que
la population de proie croît de manière exponentielle, mais est réduite par la prédation
du prédateur. La deuxième équation représente l’effet de la prédation de la proie par
le prédateur, ainsi que la mortalité du prédateur. Enfin, la troisième équation reflète la
prédation du prédateur par le super-prédateur et la mortalité du super-prédateur.
CONCLUSION :
Ces équations tiennent compte de l’interaction entre les proies, les prédateurs et les super-
prédateurs, ainsi que de l’effet du polluant sur la population de proies. Elles permettent
de modéliser la dynamique complexe de ce système en prenant en compte les interactions
entre les différentes espèces et l’impact du polluant sur la population de proies.
Le modèle proie-prédateur est basé sur des équations différentielles qui décrivent l’évo-
lution des populations de proies et de prédateurs dans un environnement donné. Dans
cette version, nous introduisons également une troisième espèce, le super-prédateur, et la
présence d’un polluant qui peut affecter la vie des proies.
Le code Python utilise la méthode d’Euler pour effectuer une approximation numérique
des équations différentielles et simuler les dynamiques des populations au fil du temps.
Voici les étapes principales de la simulation :
1. Nous définissons les paramètres du modèle tels que le taux de croissance des proies
(r), la capacité de charge de l’environnement pour les proies (K), le taux de préda-
tion des proies par les prédateurs (a), le taux de conversion des proies en prédateurs
(b), le taux de mortalité des prédateurs (m) et le taux de mortalité des proies dû
au polluant (dP ).
2. Nous initialisons les populations initiales de proies, de prédateurs et de super-
prédateurs.
3. Nous définissons les paramètres de temps, tels que la taille du pas de temps (dt)
et le nombre de pas de temps (timesteps).
4. Nous créons des tableaux pour stocker les valeurs des populations de proies, de
prédateurs et de super-prédateurs à chaque pas de temps.
5. Nous exécutons une boucle de simulation sur le nombre de pas de temps spécifié. À
chaque itération, nous calculons les taux de variation des populations de proies, de
prédateurs et de super-prédateurs en fonction des équations différentielles modifiées
pour tenir compte de la présence du polluant. Ensuite, nous mettons à jour les
populations en ajoutant les taux de variation multipliés par le pas de temps.
6. Nous traçons les résultats de la simulation à l’aide de la bibliothèque de visuali-
sation matplotlib. Les populations de proies, de prédateurs et de super-prédateurs
sont affichées en fonction du temps.
Nous pouvons ajuster les paramètres du modèle, les populations initiales et les équations
différentielles selon notre scénario spécifique. Cette simulation numérique permet de vi-
sualiser comment les interactions entre les proies, les prédateurs, les super-prédateurs et
le polluant peuvent affecter les dynamiques des populations au fil du temps.
1 I. Un modèle proie-prédateur
[23]: import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
from scipy import integrate
res = np.array([
a * X[0] - b * X[0] * X[1],
(c * X[0] - d) * X[1] ])
return res
# Parametres.
a = 1.
b = 0.1
c = 0.075
d = 1.5
# Temps.
t = np.linspace(0, 15, 1000)
# conditions Initialles.
X0 = np.array([10, 5])
# Intégrer le système.
X = integrate.odeint(dX_dt, X0, t)
Gazelles, Lions = X.T
1
#
# Tracez la chronologie des populations.
#
a4_dims = (11.7, 8.27)
fig, ax = plt.subplots(figsize=a4_dims)
plt.plot(t, Gazelles, 'r-', label = 'Gazelles')
plt.plot(t, Lions, 'b-', label = 'Lions')
plt.grid(True)
plt.legend(loc='best')
plt.xlabel('Temps')
plt.ylabel('Population')
plt.title('Temps evolution')
fig.savefig('populations.png')
#
# Tracez le tracé de phase.
#
fig, ax = plt.subplots(figsize = a4_dims)
# Tracez la solution.
plt.plot( X[:,0], X[:,1], lw = 3.5 * value, color = col,
label = f'X0=({X0[0]:.2f}, {X0[1]:.2f})')
2
DX1, DY1 = dX_dt([X1, Y1])
# Normaliser et stabiliser.
M = np.hypot(DX1, DY1)
M[M == 0] = 1.
DX1 /= M
DY1 /= M
plt.title('affichage de phase')
Q = plt.quiver(X1, Y1, DX1, DY1, M, pivot = 'mid', cmap = plt.cm.jet)
plt.xlabel('Gazelles')
plt.ylabel('Lions')
plt.legend()
plt.grid()
plt.xlim(0, xmax)
plt.ylim(0, ymax)
fig.savefig('phases.png')
3
2 II.Chaîne alimentaire de trois espèces
[9]: import numpy as np
import matplotlib.pyplot as plt
for _ in range(timesteps):
dP_dt = r * P[-1] - a * P[-1] * H[-1]
dH_dt = b * a * P[-1] * H[-1] - m * H[-1] - c * S[-1] * H[-1]
dS_dt = c * S[-1] * H[-1] - d * S[-1]
P.append(P[-1] + dP_dt)
H.append(H[-1] + dH_dt)
S.append(S[-1] + dS_dt)
return P, H, S
4
# Parametres
r = 0.5 # taux de croissance de la proie
a = 0.01 # taux de prédation de la proie par le prédateur
b = 0.02 # taux de prédation de la proie par le super-prédateur
m = 0.2 # taux de mortalité du prédateur
c = 0.03 # taux de prédation du prédateur par le super-prédateur
d = 0.1 # taux de mortalité du super-prédateur
# Simulation
proie, predateur, super_predateur = simulation_predateur_proie(r, a, b, m, c,␣
↪d, P0, H0, S0, timesteps)
# Plot
time = np.arange(timesteps + 1)
5
””” CONCLUSION: Ce modèle proie-prédateur avec une troisième espèce, le super-prédateur, per-
met de mieux représenter les interactions complexes qui peuvent exister dans un écosystème. Il offre
la possibilité d’étudier comment la présence d’un super-prédateur peut influencer la dynamique des
populations de proies et de prédateurs, ainsi que les interactions entre ces trois niveaux trophiques.
”””
# Parameters
r = 0.8 # Taux de croissance des proies
K = 100 # Capacité de charge de l’environnement pour les proies
a = 0.03 # Taux de prédation des proies par les prédateurs
b = 0.04 # Taux de conversion des proies en prédateurs
m = 0.2 # Taux de mortalité des prédateurs
dP = 0.05 # Taux de mortalité des proies due au polluant
6
# Populations initiales
P0 = 80 # Population initiale de proies
H0 = 40 # Population initiale de prédateurs
S0 = 20 # Population initiale de super-prédateurs
# Paramètres de temps
dt = 0.1 # Taille du pas de temps
timesteps = 1000 # Nombre de pas de temps
# Boucle de simulation
P = P0
H = H0
S = S0
for i in range(timesteps):
prey[i] = P
predators[i] = H
super_predators[i] = S
dP_dt = r * P * (1 - (P + S) / K) - a * P * H - dP * P
dH_dt = b * a * P * H - m * H
dS_dt = 0.5 * a * P * H - 0.1 * S # Equation dynamique pour super-prédateur
P += dP_dt * dt
H += dH_dt * dt
S += dS_dt * dt
7
””” CONCLUSION: Cette simulation tient compte de l’interaction entre les proies, les prédateurs
et les super-prédateurs, ainsi que de l’effet du polluant sur la population de proies. Elles permettent
de simuler la dynamique complexe de ce système en prenant en compte les interactions entre les
différentes espèces et l’impact du polluant sur la population de proies. ”””