Publications du Service canadien des forêts

Moran effect on nonlinear population processes. 2005. Royama, T. Ecological Monographs 75: 277-293.

Année : 2005

Disponible au : Centre de foresterie de l'Atlantique

Numéro de catalogue : 25414

La langue : Anglais

Disponibilité : Commander une copie papier (gratuite)

Sélectionner

Résumé

Ma recherche porte sur l'applicabilité de l'effet Moran dans le cas des processus liés à une population naturelle. Au départ, l'effet Moran, c'est-à-dire les perturbations corrélées non liées à la densité qui provoquent une synchronisation parmi des populations locales dont le nombre oscille indépendamment l'une de l'autre, a été conçu comme un attribut d'un système de modélisation linéaire. Cependant, il ne s'applique qu'approximativement aux populations naturelles, car par nature, elles n'ont pas une structure de densité linéaire, étant donné qu'aucun animal n'a une capacité illimitée de reproduction. On constate que le degré d'approximation, établi d'après le degré de corrélation entre les populations en cause, dépend des écarts dans les perturbations aléatoires, étant donné que la structure est liée à la densité. En particulier, si le processus non perturbé lié à la densité converge vers une densité d'équilibre, l'approximation est valable lorsque les écarts sont égaux entre les populations en cause et qu'ils sont comparativement petits, mais elle perd de sa valeur à mesure que les écarts et leurs différences augmentent. Dans le cas des processus qui ne convergent pas lorsqu'ils ne sont pas perturbés, mais qui démontrent des oscillations liées, le degré d'approximation tend à diminuer considérablement, voire à disparaître complètement, même si les écarts dans les perturbations ne sont pas considérables. Un modèle de coefficient de corrélation est souvent invalide si les processus de la population observée à mettre en corrélation sont en corrélation automatique et limités en longueur. Pour déterminer s''il y a invalidité, il faut en quelque sorte estimer les perturbations non liées à la densité à partir des données recueillies. Trois méthodes sont envisagées (moyenne mobile, régression linéaire et régression non linéaire), et leurs avantages et leurs inconvénients sont examinés. Les résultats de la présente étude quant aux interprétations (ou aux diagnostics) des modèles de fonctions de corrélation croisée sont résumés.