A stochastic population model with hierarchic size-structure

Résumé technique : Un modèle de population stochastique à structure de taille hiérarchique

Énoncé du problème
L'article traite de la relation entre les formulations déterministes et stochastiques des modèles de population à structure de taille hiérarchique. Dans de tels systèmes, l'accès d'un individu aux ressources (et donc son taux de croissance) est déterminé par la présence d'individus plus grands. Bien que les modèles déterministes pour ces populations, souvent formulés sous forme d'équations aux dérivées partielles (EDP) ou d'équations à retard, soient bien étudiés, leur justification en tant qu'approximations de processus stochastiques fondés sur des individus reste une question théorique cruciale. Plus précisément, les auteurs cherchent à savoir si le taux de natalité stationnaire d'une équation de renouvellement déterministe peut être récupéré comme la limite de grande population du taux de natalité quasi-stationnaire d'un modèle individuel stochastique. Un défi majeur réside dans le fait que les systèmes stochastiques possédant un état absorbant (extinction) ne possèdent pas de véritable distribution stationnaire ; ils sont plutôt caractérisés par une distribution quasi-stationnaire (DQS) conditionnée par la non-extinction.

Méthodologie
Les auteurs développent deux modèles parallèles basés sur les mêmes hypothèses biologiques :

1. Modèle déterministe : Une équation de renouvellement pour le taux de natalité $b(t)$ par unité de surface. Le modèle suppose que les individus naissent avec une taille minimale $x_m$, croissent à un taux $g$ dépendant de la densité d'individus plus grands, ont une fertilité dépendante de la taille $\beta(x)$, et un taux de mortalité constant $\mu$. Le taux de croissance dépend de l'intégrale de la densité de population des individus plus grands que l'individu focal.
2. Modèle stochastique : Un processus basé sur des individus défini sur une surface finie $A$. L'état est représenté par l'historique des événements de naissance. Les individus naissent avec une taille $x_m$ et croissent selon un taux déterminé par le nombre d'individus plus âgés (ce qui, en raison de la taille de naissance commune et d'une croissance positive, équivaut au nombre d'individus plus vieux). Les événements de naissance et de mort surviennent comme des processus de Poisson avec des taux dépendant de l'état actuel de la population.

Pour comparer ces modèles, les auteurs :

• Dérivent une approximation heuristique $\bar{B}(A)$ pour le taux de natalité quasi-stationnaire du modèle stochastique. Cela est réalisé en supposant que, dans le régime quasi-stationnaire, les événements de naissance passés suivent un processus de Poisson avec un taux $\bar{B}(A)$. Cela permet de calculer la taille attendue d'un individu à un âge donné, conditionnée par le nombre d'individus plus âgés présents à la naissance.
• Formulent une équation de cohérence pour $\bar{B}(A)$ en exigeant que le nombre attendu de descendants par individu soit égal à un (la condition pour un équilibre non trivial).
• Analysent la limite du rapport $\bar{B}(A)/A$ lorsque le paramètre de surface $A \to \infty$.
• Utilisent des simulations numériques pour comparer les prédictions théoriques des deux modèles par rapport aux réalisations stochastiques, en examinant spécifiquement la relation taille-âge attendue et la distribution des tailles individuelles.

Contributions clés et résultats

1. Dérivation du taux quasi-stationnaire stochastique : Les auteurs dérivent une équation de cohérence explicite (Équation 19) pour le taux de natalité quasi-stationnaire approximatif $\bar{B}(A)$. Ils prouvent que si le nombre de reproduction de base $R_0 > 1$, cette équation possède une solution positive unique, à condition que la fonction de croissance $g$ soit décroissante et que la fonction de fertilité $\beta$ soit linéaire ($\beta(x) = \beta_0 x$).
2. Théorème de convergence : Le résultat théorique central (Théorème 2) établit que le taux de natalité stationnaire $\bar{b}$ de l'équation de renouvellement déterministe est la limite du taux de natalité quasi-stationnaire stochastique mis à l'échelle :
   $$\lim_{A \to \infty} \frac{\bar{B}(A)}{A} = \bar{b}$$
   Ceci confirme que le modèle déterministe est une approximation mécaniste valide du système stochastique dans la limite de grande population.
3. Validation numérique : Les simulations démontrent que pour des valeurs modérées du paramètre de surface $A$ (par exemple, $A=1$), le modèle déterministe fournit une approximation étonnamment précise du comportement du système stochastique, particulièrement lorsque le paramètre de compétition $z_0$ est grand (indiquant des effets non linéaires plus faibles).
4. Analyse des écarts : L'article identifie que le modèle déterministe a tendance à sous-estimer le taux de natalité quasi-stationnaire du modèle stochastique, particulièrement lorsque la compétition est forte (petit $z_0$). Les auteurs attribuent cela à la forte volatilité du taux de natalité de la population dans le modèle stochastique, pilotée par le comportement stochastique des quelques individus au sommet de la hiérarchie (les plus grands/les plus vieux), dont la dynamique ne peut être moyennée même lorsque la population totale augmente.

Signification et affirmations
L'article affirme que sa principale signification réside dans le lien rigoureux établi entre les descriptions déterministes et stochastiques des populations à structure hiérarchique. En reformulant la dynamique en termes d'histoires d'événements de naissance, les auteurs simplifient l'espace d'état, permettant au taux de natalité quasi-stationnaire d'être traité comme une valeur scalaire plutôt que comme un élément d'un espace de dimension infinie. Cette simplification facilite la preuve du résultat de convergence.

Les auteurs notent modestement que leur dérivation du taux quasi-stationnaire repose sur une hypothèse heuristique (que les événements de naissance passés suivent un processus de Poisson) et qu'une preuve rigoureuse de la convergence du véritable taux quasi-stationnaire vers cette approximation n'est pas fournie. Cependant, ils soutiennent que les preuves numériques appuient la validité de cette approximation, surtout à mesure que $A$ augmente. En outre, ce travail souligne que l'équivalence entre les modèles déterministe et stochastique est plus robuste lorsque la non-linéarité du système est adoucie (grand $z_0$) ou lorsque la population est proche du seuil d'extinction, où la dynamique est dominée par des individus uniques. L'article conclut que, bien que la formulation par l'histoire de la naissance soit puissante pour les modèles où la taille est strictement une fonction de l'âge, les généralisations impliquant une compétition dépendante de la taille ou des tailles de naissance variables nécessiteraient des variables d'état plus complexes au-delà de l'histoire de la naissance.