Ce modèle simule la dynamique d'une population structurée par l'âge, un cas d'étude inspiré par la biologie de la conservation du Fou de Bassan, un oiseau marin à longue durée de vie.

Contrairement aux modèles précédents (exponentiel, logistique) où tous les individus étaient considérés comme identiques, ce modèle intègre une réalité biologique fondamentale : les chances de survie et la capacité à se reproduire dépendent de l'âge. Les jeunes sont vulnérables, les subadultes sont immatures, et seuls les adultes expérimentés contribuent à la croissance de la population. Ce phénomène, appelé structure d'âge, crée des dynamiques complexes comme l'inertie démographique et une sensibilité particulière à la mortalité des adultes.

Les Composants du Modèle :

• Variables d'état (Stocks) : La population n'est plus un seul effectif (N), mais est divisée en trois compartiments qui représentent les grands stades de la vie :

  • Yearlings : Les jeunes dans leur première année.

  • Subadults : Les individus immatures, qui ne se reproduisent pas encore.

  • Adults : Le noyau reproducteur de la population.

• Paramètres Fondamentaux : Les caractéristiques biologiques du Fou de Bassan déterminent les paramètres de son cycle de vie. Vous pouvez régler ces paramètres avec les curseurs :

  • Taux de Survie (... surv rate) : Ils sont spécifiques à chaque stade. Vous remarquerez que la survie est faible la première année et très élevée chez les adultes.

  • Taux de Fécondité (Per-capita birth rate) : Le nombre de descendants produits par individu, qui n'est non-nul que pour les adultes.

  • Taux de Transition (Transition rate to Adult) : La vitesse à laquelle les subadultes deviennent matures et rejoignent le groupe des reproducteurs.

• Flux :

  • Les flux de Mortalité et de Reproduction ne sont plus des moyennes globales, mais sont calculés spécifiquement pour chaque classe d'âge.

  • De nouveaux flux de Vieillissement apparaissent, représentant le passage des individus d'un stade à l'autre.

• Indicateurs : Le modèle permet d'observer des propriétés "émergentes" cruciales pour les biologistes de la conservation, comme la Distribution Stable en Stade et le taux de croissance à long terme (λ) de la population.

Votre Mission d'Exploration :

Votre objectif est de devenir un biologiste de la conservation et de comprendre la dynamique et la vulnérabilité d'une espèce à cycle de vie lent !

1. Commencez en simulant une réintroduction (uniquement des jeunes) pour observer le phénomène d'inertie démographique et le temps de récupération de la population.

2. Explorez l'importance de la structure d'âge en essayant de trouver la Distribution Stable en Stade (SSD), c'est-à-dire la proportion de chaque classe d'âge qui assure une croissance régulière.

3. Testez la résilience de la population : diminuez la survie des adultes et trouvez le seuil de viabilité en dessous duquel la population est condamnée.

4. Simulez une faible augmentation chronique de la mortalité adulte et observez la spirale de l'extinction à long terme.

Cliquez sur "SIMULATE" et explorez la dynamique de votre population !

Ce modèle simule la production de biomasse par une cohorte d’organismes pélagiques, inspiré d’un cas réel : le calamar commun (Loligo vulgaris). Véritable "sprinteur" des océans à la durée de vie très courte, le calamar convertit massivement et rapidement ses proies en biomasse, jouant un rôle de ressource clé pour les super-prédateurs marins et les pêcheries.

Ce modèle s’inscrit dans une logique fonctionnelle, et complète les approches démographiques classiques (exponentielle, logistique, Leslie), en intégrant une autre dimension essentielle de l’écologie : la production secondaire.

Contrairement aux modèles précédents centrés uniquement sur le nombre d’individus (N), ce modèle prend en compte la croissance individuelle en poids (W), et son interaction avec la survie de la cohorte pour estimer la production de biomasse totale. Chaque individu n’est pas seulement un effectif, mais aussi une quantité de matière, une composante mesurable du flux d’énergie dans l’écosystème.

Les Composants du Modèle :

Variables d’état (Stocks) :

• N : Nombre d’individus vivants dans la cohorte.
• W : Poids moyen des individus (grammes).
• Instant Biomass : Biomasse vivante instantanée de la cohorte, calculée comme N × W
• Secondary Production : Production cumulée de biomasse (incluant celle produite par les survivants et par les morts).

Flux :

• Gross Gain : Quantité de biomasse produite par la croissance individuelle à chaque pas de temps (N × variation de W).
• Gross Loss : Biomasse perdue via la mort des individus, c’est-à-dire le poids moyen multiplié par les décès.
• Production (flux) : Biomasse totale produite, incluant celle des survivants et des morts (Gross gain).
• Net Variation : Variation nette de la biomasse vivante (Gross gain − Gross loss), soit l'accumulation réelle dans la population.

Paramètres modifiables :

• Initial N : Nombre initiale de la cohorte (en milliers d'individus).
• Initial W : Poids moyen initial (en centaines de grammes).
• d : Taux de mortalité (proportion d’individus mourant à chaque pas de temps).
• g : Taux de croissance pondérale des individus.
• Wmax : Poids maximal asymptotique moyen (croissance indéterminée).

Remarque :
La relation entre taille et masse corporelle est supposée intégrée dans l'équation de croissance. La courbe de poids moyen (W) représente donc déjà l'évolution allométrique sans avoir à la modéliser séparément.

Indicateurs produits :

• Production secondaire nette cumulée : quantité totale de biomasse produite au cours de la vie de la cohorte.
• Biomasse instantanée : stock de matière vivante à un instant donné.
• Moment du pic de production : période durant laquelle la cohorte contribue le plus aux flux trophiques.

Votre Mission d'Exploration :

Votre objectif est de vous mettre dans la peau d’un écologue halieutique chargé d'évaluer le potentiel d'un stock de calamars, tout en comprenant son rôle fondamental dans la chaîne alimentaire océanique.

1. Simulez la dynamique par défaut pour comprendre l’interaction entre la croissance fulgurante de ces céphalopodes et leur forte mortalité.

2. Identifiez le temps de prélèvement optimal : Repérez le moment exact du pic de la "Biomasse instantanée". C'est à cet instant précis qu'une pêcherie obtiendrait le meilleur rendement, ou qu'un prédateur naturel trouverait le maximum de nourriture.

3. Observez le point de bascule : Vérifiez sur l'onglet des flux à quel moment le coût des pertes par mortalité (Gross Loss) excède définitivement la création de matière par croissance (Gross Gain).

4. Testez l'effet de l'environnement : Un réchauffement de l'eau accélère souvent la croissance des calamars mais augmente aussi leur mortalité. Modifiez simultanément g (à la hausse) et d (à la hausse). Comment cela décale-t-il le pic de biomasse dans le temps ?

5. Visualisez l'énergie transférée : Regardez l'asymptote finale de la "Production secondaire" pour chiffrer l'immense quantité totale de matière organique générée par cette seule cohorte sur une année.

Cliquez sur "SIMULATE" et explorez la dynamique de votre cohorte pélagique !
Ce modèle vous permet de relier la biologie individuelle à la structure des flux dans les écosystèmes, une étape clé en écologie fonctionnelle.

 

Ce modèle simule la dynamique d'une population structurée par l'âge, un cas d'étude inspiré par la biologie de la conservation du Fou de Bassan, un oiseau marin à longue durée de vie.

Contrairement aux modèles précédents (exponentiel, logistique) où tous les individus étaient considérés comme identiques, ce modèle intègre une réalité biologique fondamentale : les chances de survie et la capacité à se reproduire dépendent de l'âge. Les jeunes sont vulnérables, les subadultes sont immatures, et seuls les adultes expérimentés contribuent à la croissance de la population. Ce phénomène, appelé structure d'âge, crée des dynamiques complexes comme l'inertie démographique et une sensibilité particulière à la mortalité des adultes.

Les Composants du Modèle :

• Variables d'état (Stocks) : La population n'est plus un seul effectif (N), mais est divisée en trois compartiments qui représentent les grands stades de la vie :

  • Yearlings : Les jeunes dans leur première année.

  • Subadults : Les individus immatures, qui ne se reproduisent pas encore.

  • Adults : Le noyau reproducteur de la population.

• Paramètres Fondamentaux : Les caractéristiques biologiques du Fou de Bassan déterminent les paramètres de son cycle de vie. Vous pouvez régler ces paramètres avec les curseurs :

  • Taux de Survie (... surv rate) : Ils sont spécifiques à chaque stade. Vous remarquerez que la survie est faible la première année et très élevée chez les adultes.

  • Taux de Fécondité (Per-capita birth rate) : Le nombre de descendants produits par individu, qui n'est non-nul que pour les adultes.

  • Taux de Transition (Transition rate to Adult) : La vitesse à laquelle les subadultes deviennent matures et rejoignent le groupe des reproducteurs.

• Flux :

  • Les flux de Mortalité et de Reproduction ne sont plus des moyennes globales, mais sont calculés spécifiquement pour chaque classe d'âge.

  • De nouveaux flux de Vieillissement apparaissent, représentant le passage des individus d'un stade à l'autre.

• Indicateurs : Le modèle permet d'observer des propriétés "émergentes" cruciales pour les biologistes de la conservation, comme la Distribution Stable en Stade et le taux de croissance à long terme (λ) de la population.

Votre Mission d'Exploration :

Votre objectif est de devenir un biologiste de la conservation et de comprendre la dynamique et la vulnérabilité d'une espèce à cycle de vie lent !

1. Commencez en simulant une réintroduction (uniquement des jeunes) pour observer le phénomène d'inertie démographique et le temps de récupération de la population.

2. Explorez l'importance de la structure d'âge en essayant de trouver la Distribution Stable en Stade (SSD), c'est-à-dire la proportion de chaque classe d'âge qui assure une croissance régulière.

3. Testez la résilience de la population : diminuez la survie des adultes et trouvez le seuil de viabilité en dessous duquel la population est condamnée.

4. Simulez une faible augmentation chronique de la mortalité adulte et observez la spirale de l'extinction à long terme.

Cliquez sur "SIMULATE" et explorez la dynamique de votre population !

Ce modèle simule la dynamique de deux populations en compétition : l'Espèce 1 (Calandra oryzae) et l'Espèce 2 (Rhizopertha dominica). Il est inspiré des travaux fondateurs de Lotka et Volterra et permet de comprendre l'origine de l'exclusion compétitive ou de la coexistence.

Ce modèle s'inscrit dans la suite de notre cours sur la dynamique des populations. Après avoir étudié la dynamique proie-prédateur (une interaction Asymétrique de type +/−), ce modèle explore la deuxième interaction majeure des communautés : la compétition, une interaction symétriquement négative de type −/−.

Contrairement au modèle de prédation qui peut générer des cycles, ce modèle explore comment les interactions compétitives (la lutte pour une ressource commune) créent des comportements émergents différents : la convergence vers un équilibre stable (soit l'exclusion d'une espèce, soit la coexistence des deux).

Chaque population n'est pas isolée ; son taux de croissance est freiné à la fois par sa propre densité (compétition intraspécifique) et par l'abondance de l'espèce concurrente (compétition interspécifique).

Les Composants du Modèle :

Variables d’état (Stocks) :

• Species 1 : Abondance de la population de l'Espèce 1 (Calandra oryzae).

• Species 2 : Abondance de la population de l'Espèce 2 (Rhizopertha dominica).

Flux (représentant dX/dt et dY/dt) :

• Flux_S1 (dX/dt) : Taux de croissance net de l'espèce 1, déterminé par l'équation rX−bX2−cXY.

• Flux_S2 (dY/dt) : Taux de croissance net de l'espèce 2, déterminé par l'équation r′Y−b′Y2−c′XY.

Paramètres modifiables (Curseurs) :

• Species 1 : Abondance initiale de l'espèce 1.

  • Valeur initiale : 50

• Species 2 : Abondance initiale de l'espèce 2.

  • Valeur initiale :50

• r : Taux de croissance intrinsèque de l'espèce 1.

  • Valeur initiale : 0.8

• r_prime : Taux de croissance intrinsèque de l'espèce 2.

  • Valeur initiale : 0.1

• b : Coefficient d'auto-limitation de l'espèce 1 (compétition intraspécifique).

  • Valeur initiale : 0.005

• b_prime : Coefficient d'auto-limitation de l'espèce 2 (compétition intraspécifique).

  • Valeur initiale : 0.004

• c : Effet compétitif de l'espèce 2 sur l'espèce 1 (compétition interspécifique).

  • Valeur initiale : 0.002

• c_prime : Effet compétitif de l'espèce 1 sur l'espèce 2 (compétition interspécifique).

  • Valeur initiale : 0.003

Indicateurs produits :

• Graphique temporel : Montre l'évolution des deux populations. Convergent-elles vers la coexistence (Cas 4 du cours) ou l'une exclut-elle l'autre (Cas 1, 2, ou 3) ?

• Diagramme de phase : Montre la trajectoire du système vers un point d'équilibre stable. Le système converge-t-il vers un des axes (exclusion) ou vers un point central (coexistence) ?

Votre Mission d'Exploration :

Votre objectif est de vous mettre dans la peau de Birch (1953) pour recréer ses expériences et explorer les quatre issues possibles de la compétition.

1. Validez les croissances logistiques (Mission 1) : Mettez les coefficients d'interaction c et c_prime à 0. Que se passe-t-il ? (Note : les valeurs initiales de b et b_prime dans ce modèle sont des coefficients, pas des capacités de charge K).

2. Recréez Birch à 29°C (Mission 2) : À cette température, Calandra (Espèce 1) gagne. Trouvez un jeu de paramètres (en ajustant les r,b,c) qui mène à l'exclusion de l'Espèce 2. (C'est le Cas 1 du cours).

3. Recréez Birch à 32°C (Mission 3) : À cette température, Rhizopertha (Espèce 2) gagne. Modifiez les paramètres pour simuler ce changement environnemental et obtenir l'exclusion de l'Espèce 1. (C'est le Cas 2 du cours).

4. Cherchez la Coexistence (Mission 4) : Pouvez-vous trouver un jeu de paramètres (astuce : b et b_prime doivent être "grands" par rapport à c et c_prime) où les deux espèces coexistent ? (C'est le Cas 4 du cours).

5. Testez l'Équilibre Instable (Mission 5) : Tentez de créer le Cas 3 (compétition inter > intra). Si vous y parvenez, changez les abondances initiales de "Species 1" et "Species 2". L'issue de la compétition change-t-elle ?

Cliquez sur "SIMULATE" (ou "SCÉNARIO") et explorez la dynamique fondamentale qui régit la compétition et la coexistence !

Ce modèle simule la dynamique de deux populations en compétition : l'Espèce 1 (Calandra oryzae) et l'Espèce 2 (Rhizopertha dominica). Il est inspiré des travaux fondateurs de Lotka et Volterra et permet de comprendre l'origine de l'exclusion compétitive ou de la coexistence.

Ce modèle s'inscrit dans la suite de notre cours sur la dynamique des populations. Après avoir étudié la dynamique proie-prédateur (une interaction Asymétrique de type +/−), ce modèle explore la deuxième interaction majeure des communautés : la compétition, une interaction symétriquement négative de type −/−.

Contrairement au modèle de prédation qui peut générer des cycles, ce modèle explore comment les interactions compétitives (la lutte pour une ressource commune) créent des comportements émergents différents : la convergence vers un équilibre stable (soit l'exclusion d'une espèce, soit la coexistence des deux).

Chaque population n'est pas isolée ; son taux de croissance est freiné à la fois par sa propre densité (compétition intraspécifique) et par l'abondance de l'espèce concurrente (compétition interspécifique).

Les Composants du Modèle :

Variables d’état (Stocks) :

• Species 1 : Abondance de la population de l'Espèce 1 (Calandra oryzae).

• Species 2 : Abondance de la population de l'Espèce 2 (Rhizopertha dominica).

Flux (représentant dX/dt et dY/dt) :

• Flux_S1 (dX/dt) : Taux de croissance net de l'espèce 1, déterminé par l'équation rX−bX2−cXY.

• Flux_S2 (dY/dt) : Taux de croissance net de l'espèce 2, déterminé par l'équation r′Y−b′Y2−c′XY.

Paramètres modifiables (Curseurs) :

• Species 1 : Abondance initiale de l'espèce 1.

  • Valeur initiale : 50

• Species 2 : Abondance initiale de l'espèce 2.

  • Valeur initiale :50

• r : Taux de croissance intrinsèque de l'espèce 1.

  • Valeur initiale : 0.8

• r_prime : Taux de croissance intrinsèque de l'espèce 2.

  • Valeur initiale : 0.1

• b : Coefficient d'auto-limitation de l'espèce 1 (compétition intraspécifique).

  • Valeur initiale : 0.005

• b_prime : Coefficient d'auto-limitation de l'espèce 2 (compétition intraspécifique).

  • Valeur initiale : 0.004

• c : Effet compétitif de l'espèce 2 sur l'espèce 1 (compétition interspécifique).

  • Valeur initiale : 0.002

• c_prime : Effet compétitif de l'espèce 1 sur l'espèce 2 (compétition interspécifique).

  • Valeur initiale : 0.003

Indicateurs produits :

• Graphique temporel : Montre l'évolution des deux populations. Convergent-elles vers la coexistence (Cas 4 du cours) ou l'une exclut-elle l'autre (Cas 1, 2, ou 3) ?

• Diagramme de phase : Montre la trajectoire du système vers un point d'équilibre stable. Le système converge-t-il vers un des axes (exclusion) ou vers un point central (coexistence) ?

Votre Mission d'Exploration :

Votre objectif est de vous mettre dans la peau de Birch (1953) pour recréer ses expériences et explorer les quatre issues possibles de la compétition.

1. Validez les croissances logistiques (Mission 1) : Mettez les coefficients d'interaction c et c_prime à 0. Que se passe-t-il ? (Note : les valeurs initiales de b et b_prime dans ce modèle sont des coefficients, pas des capacités de charge K).

2. Recréez Birch à 29°C (Mission 2) : À cette température, Calandra (Espèce 1) gagne. Trouvez un jeu de paramètres (en ajustant les r,b,c) qui mène à l'exclusion de l'Espèce 2. (C'est le Cas 1 du cours).

3. Recréez Birch à 32°C (Mission 3) : À cette température, Rhizopertha (Espèce 2) gagne. Modifiez les paramètres pour simuler ce changement environnemental et obtenir l'exclusion de l'Espèce 1. (C'est le Cas 2 du cours).

4. Cherchez la Coexistence (Mission 4) : Pouvez-vous trouver un jeu de paramètres (astuce : b et b_prime doivent être "grands" par rapport à c et c_prime) où les deux espèces coexistent ? (C'est le Cas 4 du cours).

5. Testez l'Équilibre Instable (Mission 5) : Tentez de créer le Cas 3 (compétition inter > intra). Si vous y parvenez, changez les abondances initiales de "Species 1" et "Species 2". L'issue de la compétition change-t-elle ?

Cliquez sur "SIMULATE" (ou "SCÉNARIO") et explorez la dynamique fondamentale qui régit la compétition et la coexistence !

Ce modèle simule la dynamique de deux populations en interaction : une population de proies (X) et une population de prédateurs (Y). Il est inspiré des travaux fondateurs de Lotka et Volterra et permet de comprendre l'origine des cycles de population.

Ce modèle s'inscrit dans la suite de notre cours sur la dynamique des populations. Après avoir étudié la dynamique d'une seule population (exponentielle, logistique), ce modèle introduit la dynamique des communautés en couplant le destin de deux espèces.

Contrairement aux modèles précédents centrés uniquement sur le nombre d’individus (N), ce modèle explore comment les interactions trophiques (le fait de "manger" et d'"être mangé") créent des comportements émergents complexes, tels que les oscillations décalées et la stabilité du système.

Chaque population n'est pas isolée ; son taux de croissance ou de déclin dépend directement de l'abondance de l'autre.

Les Composants du Modèle :

Variables d’état (Stocks) :

• X (Proie) : Abondance de la population de proies.

• Y (Prédateur) : Abondance de la population de prédateurs.

Flux (représentant dX/dt et dY/dt) :

• Prey Births : Taux de croissance intrinsèque de la proie (rX).

• Prey Deaths : Mortalité de la proie, due à l'auto-limitation (bX2), à la prédation (cXY) et à la chasse (HX).

• Predator Births : Croissance du prédateur, qui dépend de sa capacité à convertir les proies mangées en nouveaux prédateurs (c′XY).

• Predator Deaths : Mortalité du prédateur, due à sa mort naturelle (mY) et à la chasse (HY).

Paramètres modifiables (Curseurs) :

• X (Proie) : Abondance initiale des proies.

  • Valeur initiale : 50

• Y (Prédateur) : Abondance initiale des prédateurs.

  • Valeur initiale : 15

• r (Taux de croissance des proies) : Taux de reproduction intrinsèque des proies.

  • Valeur initiale : 0.5

• b (Auto-limitation des proies) : Force de la compétition intraspécifique (l'effet logistique K).

  • Valeur initiale : 0

• m (Mortalité des prédateurs) : Taux de mortalité naturel (intrinsèque) des prédateurs.

  • Valeur initiale : 0.3

• c (Taux de prédation) : Efficacité de la chasse du prédateur sur la proie.

  • Valeur initiale : 0.02

• c_prime (Efficacité de conversion) : Capacité du prédateur à convertir une proie mangée.

  • Valeur initiale : 0.01

• H (Effort de Chasse) : Taux de mortalité externe (chasse, pêche) s'appliquant aux deux espèces.

  • Valeur initiale : 0

Indicateurs produits :

• Graphique temporel : Montre les oscillations et le décalage caractéristique entre le pic des proies et celui des prédateurs.

• Diagramme de phase : Montre la trajectoire du système (cercle, spirale) et révèle sa stabilité (neutre ou amortie).

• Abondance moyenne : Le niveau d'équilibre autour duquel les populations oscillent.

Votre Mission d'Exploration :

Votre objectif est de vous mettre dans la peau d'un écologue théoricien pour tester les fondements du modèle Lotka-Volterra et résoudre l'énigme de D'Ancona.

1. Validez les briques de base : Isolez les populations (Mission 1) pour vérifier la croissance logistique et le déclin exponentiel.

2. Recréez le "pendule" : Simulez le modèle original de Volterra (b=0) et explorez la stabilité neutre (Mission 2).

3. Testez la stabilité moderne : Ajoutez de l'auto-limitation (b>0) et observez la convergence vers un équilibre stable (Mission 3).

4. Explorez la physiologie : Testez l'effet d'un prédateur au "métabolisme lent" (Mission 4).

5. Résolvez l'énigme : Utilisez le modèle (b=0) et le curseur H (Chasse) pour recréer le "Paradoxe de la Chasse" (Mission 5).

Cliquez sur "SIMULATE" et explorez la dynamique fondamentale qui régit les interactions prédateurs-proies !

Ce modèle simule la dynamique de deux populations en interaction : une population de proies (X) et une population de prédateurs (Y). Il est inspiré des travaux fondateurs de Lotka et Volterra et permet de comprendre l'origine des cycles de population.

Ce modèle s'inscrit dans la suite de notre cours sur la dynamique des populations. Après avoir étudié la dynamique d'une seule population (exponentielle, logistique), ce modèle introduit la dynamique des communautés en couplant le destin de deux espèces.

Contrairement aux modèles précédents centrés uniquement sur le nombre d’individus (N), ce modèle explore comment les interactions trophiques (le fait de "manger" et d'"être mangé") créent des comportements émergents complexes, tels que les oscillations décalées et la stabilité du système.

Chaque population n'est pas isolée ; son taux de croissance ou de déclin dépend directement de l'abondance de l'autre.

Les Composants du Modèle :

Variables d’état (Stocks) :

• X (Proie) : Abondance de la population de proies.

• Y (Prédateur) : Abondance de la population de prédateurs.

Flux (représentant dX/dt et dY/dt) :

• Prey Births : Taux de croissance intrinsèque de la proie (rX).

• Prey Deaths : Mortalité de la proie, due à l'auto-limitation (bX2), à la prédation (cXY) et à la chasse (HX).

• Predator Births : Croissance du prédateur, qui dépend de sa capacité à convertir les proies mangées en nouveaux prédateurs (c′XY).

• Predator Deaths : Mortalité du prédateur, due à sa mort naturelle (mY) et à la chasse (HY).

Paramètres modifiables (Curseurs) :

• X (Proie) : Abondance initiale des proies.

  • Valeur initiale : 50

• Y (Prédateur) : Abondance initiale des prédateurs.

  • Valeur initiale : 15

• r (Taux de croissance des proies) : Taux de reproduction intrinsèque des proies.

  • Valeur initiale : 0.5

• b (Auto-limitation des proies) : Force de la compétition intraspécifique (l'effet logistique K).

  • Valeur initiale : 0

• m (Mortalité des prédateurs) : Taux de mortalité naturel (intrinsèque) des prédateurs.

  • Valeur initiale : 0.3

• c (Taux de prédation) : Efficacité de la chasse du prédateur sur la proie.

  • Valeur initiale : 0.02

• c_prime (Efficacité de conversion) : Capacité du prédateur à convertir une proie mangée.

  • Valeur initiale : 0.01

• H (Effort de Chasse) : Taux de mortalité externe (chasse, pêche) s'appliquant aux deux espèces.

  • Valeur initiale : 0

Indicateurs produits :

• Graphique temporel : Montre les oscillations et le décalage caractéristique entre le pic des proies et celui des prédateurs.

• Diagramme de phase : Montre la trajectoire du système (cercle, spirale) et révèle sa stabilité (neutre ou amortie).

• Abondance moyenne : Le niveau d'équilibre autour duquel les populations oscillent.

Votre Mission d'Exploration :

Votre objectif est de vous mettre dans la peau d'un écologue théoricien pour tester les fondements du modèle Lotka-Volterra et résoudre l'énigme de D'Ancona.

1. Validez les briques de base : Isolez les populations (Mission 1) pour vérifier la croissance logistique et le déclin exponentiel.

2. Recréez le "pendule" : Simulez le modèle original de Volterra (b=0) et explorez la stabilité neutre (Mission 2).

3. Testez la stabilité moderne : Ajoutez de l'auto-limitation (b>0) et observez la convergence vers un équilibre stable (Mission 3).

4. Explorez la physiologie : Testez l'effet d'un prédateur au "métabolisme lent" (Mission 4).

5. Résolvez l'énigme : Utilisez le modèle (b=0) et le curseur H (Chasse) pour recréer le "Paradoxe de la Chasse" (Mission 5).

Cliquez sur "SIMULATE" et explorez la dynamique fondamentale qui régit les interactions prédateurs-proies !