Thèse soutenue

Dynamique du modèle de Moran en environnement aléatoire
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Arnaud Personne
Direction : Arnaud GuillinFranck Jabot
Type : Thèse de doctorat
Discipline(s) : Mathématiques et Ecologie
Date : Soutenance le 13/12/2019
Etablissement(s) : Université Clermont Auvergne‎ (2017-2020)
Ecole(s) doctorale(s) : École doctorale des sciences fondamentales (Clermont-Ferrand)
Partenaire(s) de recherche : Laboratoire : Laboratoire de Mathématiques Blaise Pascal
Jury : Président / Présidente : Patrick Cattiaux
Examinateurs / Examinatrices : Sylvie Méléard, Charline Smadi
Rapporteurs / Rapporteuses : Patrick Cattiaux, Vincent Bansaye

Résumé

FR  |  
EN

Dans certains écosystèmes et plus particulièrement dans certaines forêts tropicales, différentes espèces ayant les mêmes exigences écologiques cohabitent sur un même milieu. Par exemple, certaines forêts présentent plus de cent espèces d’arbres différentes sur un hectare. Pour expliquer cette étonnante diversité, les scientifiques ont construit des modèles dans lesquels la composition de la communauté est uniquement due à la dispersion stochastique des individus. Le modèle mathématique étudié dan thèse s’inscrit dans cette lignée. Il a été suggéré par M.Kalyuzhni dans un article [9] où il justifie sa pertinence. Il est connu sous le nom de modèle de Moran en environnement aléatoire. Il s'agit donc d'étudier un processus de naissance et mort qui tient compte des aléas environnementaux (climats, maladies etc...) qui favorisent ou défavorisent de façon aléatoire certaines espèces. Pour étudier cette dynamique, on s’intéresse à l’approximation par une diffusion du modèle de Moran dans l’ échelle classique où l’accélération en temps est donnée par le carré de la taille de la population, l’avantage sélectif et l'immigration sont inversement proportionnels à cette taille qui tend vers l’infini. L’avantage sélectif varie aléatoirement et est modélisé par un processus markovien de sauts. On étudie la convergence en loi de la suite de processus, et donnons une estimation quantitative de l’erreur commise pour une population donnée. On s’intéresse ensuite à l’estimation des moments des fréquences au sein de la population, motivé en particulier par les indices de biodiversité comme l’indice de Simpson et s’appuyant sur les approximations obtenues. Dans le cas d’une sélection non nulle, l’équation différentielle stochastique régissant un moment fait appel au moment d’ordre supérieure. Pour surmonter cette difficulté, on met en place une méthode de fermeture des équations pour ramener l’ étude des premiers moments à un système d’ équations différentielles finies. Elle nécessite de contrôler l’erreur commise en négligeant les termes de degrés supérieur. Enfin, dans le cas de deux espèces et toujours avec des coefficients constants, on donne une estimation de la vitesse de convergence de la diffusion limite vers la probabilité stationnaire. Dans un second temps, on s'intéresse cette fois à un changement de temps proportionnel à la taille de la population. Ceci conduit à une convergence en loi du processus vers une limite déterministe caractérisée par une équation différentielle ordinaire. Le coefficient évoluant de façon aléatoire, à nouveau suivant un processus markovien de sauts, ce processus est un PDMP.On étudie alors la persistance des différentes espèces et les potentielles coexistences en temps long en s'appuyant un cadre développé par Benaïm et Schreiber : la persistance stochastique. Dans cette partie, on s’intéresse en particulier au cas où toutes les espèces persistent, avec deux environnements seulement : on montre que deux espèces peuvent persister mais pas trois. Avec plus d’environnements, la classification explicite est laissée ouverte mais un exemple de persistance avec trois espèces et trois environnements est donné.