具有猎物阿利效应及广食性捕食者繁殖受限增长的捕食者 - 被捕食者系统的时空动力学
《Mathematics and Computers in Simulation》:Spatiotemporal dynamics of a prey–predator system with Allee effect in prey and reproduction-limited growth of a generalist predator
【字体:
大
中
小
】
时间:2026年08月29日
来源:Mathematics and Computers in Simulation 4.0
编辑推荐:
- 一种空间泛化捕食者模型,纳入了Allee效应和替代食物支持。
- 对稳定性、持续性、Hopf、Turing以及Turing–Hopf动力学进行了严格分析。
- 弱非线性分析预测了条纹、混合模式和六角形模式的转换。
- 数值模拟揭示了螺旋波、靶波、迷宫结构和行波结构。
-
- 一种空间泛化捕食者模型,纳入了Allee效应和替代食物支持。
- 对稳定性、持续性、Hopf、Turing以及Turing–Hopf动力学进行了严格分析。
- 弱非线性分析预测了条纹、混合模式和六角形模式的转换。
- 数值模拟揭示了螺旋波、靶波、迷宫结构和行波结构。
- Lyapunov诊断和分岔分析证实了时空混沌动力学。
**引言**
相互作用种群的研究始终表明,相对简单的非线性机制可以产生复杂的动力学行为,尤其在考虑空间效应时更是如此。数学建模在此背景下是一种基本工具,能够系统研究生态系统的定性特征,包括稳定性特性、振荡动力学和模式形成的起始。继Lotka [1]和Volterra [2]的开创性贡献之后,捕食者-猎物模型已大幅发展,纳入了广泛的生态机制,包括Allee效应[3][4][5]、合作捕猎[5][6]、替代食物供应[7]、群体防御[8]、同域捕食[9]、反捕食行为[10]、栖息地复杂性以及猎物避难所[11]、捕食者干扰[12]、阶段结构动力学[13]、时间延迟[14][15]和 harvesting 效应[14][16]。在反应-扩散框架内研究这些生态现象,通过反应项纳入局部相互作用动力学、通过扩散纳入空间扩散,从而为种群动力学提供了现实描述,其中局部动力学决定时间行为,扩散驱动空间不稳定性[17]。然而,不含扩散项的时间种群模型无法考虑物种在空间中的移动,此类模型可通过纳入代表扩散过程的扩散过程自然地扩展为反应-扩散系统[17]。Turing[18]的开创性贡献提供了一个严格的框架,证明了空间异质模式可以通过反应-扩散机制从均匀状态中产生。Philip Segel和John L. Jackson[19]是最早对扩散驱动不稳定性进行清晰数学分析并将Alan Turing的思想用于解释生态系统中空间模式形成的学者之一。大约在同一时期,Alfred Gierer和Hans Meinhardt[20]扩展了Turing反应-扩散框架,并通过数值模拟研究了其性质。自那以后,反应-扩散模型已成为理解局部相互作用和空间扩散如何驱动生态系统中自组织的基本工具。即使是简单的模型也能产生广泛的时空模式,反映了自然环境的内在异质性。这类反应-扩散系统产生了丰富的时空模式谱,包括稳态Turing模式(如冷点、热点、迷宫模式、条纹及混合斑点-条纹模式)以及振荡动力学,如行波、螺旋波和时空混沌[17]。这些模式在生态环境中被广泛观察到,通常与种群的聚集和空间结构相关[17][21]。因此,反应-扩散系统已被广泛用于研究各种背景下的物种分布和模式形成,包括鱼皮色素沉着[22]、哺乳动物皮毛花纹[23]、珊瑚礁生态系统[24]、捕食者-猎物系统[8][19]、肿瘤生长动力学[25]、植被动力学[26]和贻贝床组织[27]。最近的研究还通过Turing、Turing–Hopf、Turing–Turing及其他高阶码分岔分析,研究了反应-扩散系统中的时空动力学,运用正规形理论描述扩散驱动的不稳定性以及空间非均匀稳态、周期振荡和准周期时空模式的产生[28][29][30][31]。
研究最为广泛的模型之一是带有自扩散的空间扩展Gause型捕食者-猎物系统[30][32][33][34][35],由以下系统给出:
$$\frac{\partial N}{\partial T} = NG(N,K) - P\Phi(N,P) + D_1\Delta N,$$
$$\frac{\partial P}{\partial T} = eP\Phi(N,P) - dP + D_2\Delta P,$$
$$\frac{\partial N}{\partial \nu} = \frac{\partial P}{\partial \nu} = 0, \quad (x,y) \in \partial\Omega, \quad T > 0,$$
$$N(x,y,0) = N_0(x,y) \geq 0, \quad P(x,y,0) = P_0(x,y) \geq 0, \quad (x,y) \in \Omega.$$
其中 $N = N(x,y,T)$ 和 $P = P(x,y,T)$ 分别表示空间位置 $(x,y) \in \Omega$ 和时间 $T > 0$ 时猎物与捕食者的空间分布密度。齐次Neumann边界条件 $\frac{\partial N}{\partial \nu} = \frac{\partial P}{\partial \nu} = 0$ 对应于边界上的零通量,表明没有任何物种能够进入或离开该区域。区域 $\Omega \subset \mathbb{R}^n$($n \geq 1$ 表示区域的空间维度)由光滑边界 $\partial\Omega$ 包围,其中 $\nu$ 表示向外指向的单位法向量。函数 $G(N,K)$ 表示在无捕食情况下猎物的每 capita 增长率,$K$ 为环境容纳量。功能响应 $\Phi(N,P)$ 描述捕食者对猎物的每 capita 捕食率,可能同时依赖于猎物和捕食者的密度,从而反映捕食者干扰等效应。参数 $e \in (0,1)$ 为转化效率,$d$ 为捕食者的自然死亡率。系数 $D_1$ 和 $D_2$ 分别表示猎物和捕食者的自扩散率,$\Delta$ 为拉普拉斯算子,描述空间中的随机运动。假设 $G(N,K)$ 和 $\Phi(N,P)$ 满足标准生物学条件(见[15])。特别地,$G(N,K)$ 可能在低猎物密度下表现出负密度依赖或正密度依赖。文献[33]研究了具有常数扩散率的广义反应-扩散Gause型捕食者-猎物模型,严格分析了非恒定正解的存在性、扩散驱动的不稳定性以及Hopf分岔。当 $\Phi(N,P) = \Phi(N)$ 时,功能响应仅依赖于猎物。已充分证实,在缺乏额外机制的情况下,具有标准猎物依赖型功能响应的相应扩散系统——如Holling II型:$\Phi(N) = \frac{cN}{1 + ahN}$、Ivlev型:$\Phi(N) = c(1 - e^{-aN})$、三角型:$\Phi(N) = c\arctan(aN)$、Holling III型:$\Phi(N) = \frac{cN^2}{1 + ahN^2}$ 以及广义Holling IV型:$\Phi(N) = \frac{cN}{1 + BN + aN^2}$($B > -2a$)——无法表现出Turing不稳定性[36][37][38][39]。其中 $a, c, h$ 为正常数,$B$ 可正可负。相比之下,关于扩散Gause型捕食者-猎物系统的研究表明,行波动力学和非Turing空间模式的涌现[39][40]。此外,具有捕食者依赖型功能响应和自扩散的Gause型捕食者-猎物系统中也会出现稳态模式形成。
传统的仅依赖猎物的捕食者-猎物模型受到多位生态学家的质疑[41][42][43],他们认为捕食者的捕食率 $\Phi(N)$ 不能仅作为猎物密度的函数来充分描述,而应同时依赖于猎物和捕食者的密度,即 $\Phi(N,P)$。在许多生态情境中,捕食者必须主动搜寻猎物,并在利用共享资源时常常经历竞争或相互干扰。这些生态因素为将捕食者依赖型功能响应纳入捕食者-猎物模型提供了强烈动力。此类公式的典型例子包括Hassell–Varley型功能响应[44]、Beddington–DeAngelis型[45][46][47][48]以及Crowley–Martin型[49]。这些模型捕捉了比例依赖型公式的关键定性特征[50],同时避免了其一些众所周知的数学困难,特别是与低种群密度相关的困难。文献[12]为捕食者依赖型响应提供了实证支持,该研究分析了19个捕食者-猎物系统的数据,并证明Beddington–DeAngelis、Crowley–Martin和Hassell–Varley形式在广泛的种群密度范围内对捕食者摄食动力学提供了更好的描述。其中,Beddington–DeAngelis功能响应通常提供最佳拟合。由[45][47]最初引入的Beddington–DeAngelis功能响应为:
$$\Phi(N,P) = \frac{cN}{pN + qP + a},$$
其中 $c$ 表示最大捕食率,$a$ 为饱和常数,$p$ 衡量猎物依赖型饱和,$q$ 量化捕食者干扰。该公式通过在分母中加入额外项 $qP$ 扩展了经典的Holling II型功能响应,以反映摄食过程中捕食者之间的相互干扰。与猎物依赖型模型不同,具有自扩散的比例依赖型捕食者-猎物系统可以存在非恒定稳态,因此稳态模式可以因自扩散而产生[51][52]。此外,具有自扩散的捕食者依赖型系统中也会出现稳态空间模式,例如具有Beddington–DeAngelis功能响应(参见公式(2))[53]和Crowley–Martin功能响应 $\Phi(N,P) = \frac{cN}{(1+pN)(1+qP)}$[54]的系统。其中 $c, p, q$ 为正常数。在Leslie–Gower捕食者-猎物系统中也会出现稳态空间模式[29]。
在种群生态学中,Allee效应描述了一种现象:个体适合度随种群密度增加而提高,尤其在低密度时更为显著。该概念最初由W. C. Allee提出,此后在理论和实证研究中受到广泛关注[4][55][56][57]。许多生物种群依赖于社会互动来提高存活和繁殖,如合作防御、协同觅食和父母照料。这些机制可以产生人口统计学Allee效应,即每 capita 增长率随种群规模增加而改善[57][58]。从保护角度来看,Allee效应尤为重要,因为它增加了小种群或衰退种群灭绝的脆弱性[55][56][59]。一种常见的分类区分了弱Allee效应和强Allee效应[60]。在强Allee效应情况下,存在一个临界种群阈值,低于该阈值的种群将不可避免地走向灭绝;而弱Allee效应仅降低低密度下的个体适合度,而不引入此类阈值。为将Allee效应纳入种群模型,已提出多种经典logistic增长函数的修正方案。一种常用方法是加法公式(参见[5][61]),即在标准logistic增长 $G(N,K) = rN\left(1 - \frac{N}{K}\right)$ 的基础上增加额外的密度依赖项,得到:
$$G(N,K) = rN\left(1 - \frac{N}{K}\right) - \frac{mN}{N + b}.$$
其中 $N$ 表示猎物密度,$r$ 为内禀增长率,$K$ 为环境容纳量,$m$ 衡量Allee效应的强度,$b$ 为半饱和常数。在该框架下,当 $m < b$ 时模型表现出弱Allee效应,而当 $m > b$ 时则出现强Allee效应[61]。将Allee效应纳入时空Gause型模型增强了系统的动力学复杂性,导致行波和时空混沌的产生;但这并不必然导致Turing不稳定性。在文献中,据报道经常将额外机制纳入由Gause型反应动力学控制的时空模型中以诱发Turing不稳定性。例如,(i) 在功能响应中加入合作捕猎机制,已被证明可以促进时空捕食者-猎物模型中Turing模式的涌现[62];(ii) 在反应-扩散捕食者-猎物系统中纳入延迟和Allee效应可以诱发Turing分岔并导致复杂空间模式的形成[63];(iii) 反捕食行为已被证明会影响扩散捕食者-猎物模型中的Turing分岔和模式形成[64];(iv) 在具有Allee效应的捕食者-猎物模型中的非线性交叉扩散已被证明可以诱发Turing不稳定性并产生多样的空间模式[65];(v) 纳入双重Allee效应、自扩散和捕食者依赖型功能响应已被证明可以诱发Turing模式并产生物种的非均匀空间分布[66];(vi) 将捕食者 harvesting 纳入比例依赖型反应-扩散捕食者-猎物模型已被证明可以诱发Turing不稳定性并产生多样的时空模式[16]。生态学文献中已记录了一些Allee效应的生态实例,包括岛屿狐、海鸟、非洲野犬、珊瑚、灯心草和自交不亲和开花植物,在这些案例中,种群密度降低导致存活率或繁殖成功率下降[3][4][6][55][56][67][68][69][70]。
受上述研究的启发,我们考虑了一种自扩散捕食者-猎物模型,该模型在猎物中纳入了Allee效应,并采用了Bogdanov–Takens型捕食者依赖型功能响应,其中捕食者具有泛化性质。
考虑在无猎物情况下的捕食者时间动力学:
$$\frac{dP}{dt} = P\left(b(P) - d(P)\right),$$
其中 $b(P)$ 和 $d(P)$ 分别表示每 capita 出生率和死亡率。对于有性繁殖种群,成功繁殖需要雄性和雌性个体之间的相遇。假设性别比恒定且均匀混合,有性繁殖种群的繁殖遵循质量作用机制,总出生率与 $P^2$ 成正比。然而,这种二次增长会导致种群无界增长,这在生态上是不现实的。为考虑密度依赖限制和高种群密度下繁殖力的饱和(即新后代产生速率),我们将每 capita 出生率建模为有界每 capita 繁殖率:
$$b(P) = \frac{hP}{n + P},$$
其中 $h > 0$ 表示捕食者因有性繁殖而产生的内禀增长率,$n > 0$ 表示影响繁殖力的饱和参数。因此,总繁殖项取以下形式:
$$Pb(P) = \frac{hP^2}{n + P}[71][72].$$
我们进一步假设在所相关的种群范围内死亡率与密度无关,即 $d(P) = d > 0$。因此,所得模型(4)为:
$$\frac{dP}{dt} = \frac{hP^2}{n + P} - dP.$$
因子 $(n + P)^{-1}$ 引入了Beverton–Holt型繁殖力饱和,反映了密度依赖约束(如资源限制或配对干扰),并确保种群增长有界。在低密度区域($P \ll n$),公式(5)简化为:
$$\frac{dP}{dt} \approx \frac{h}{n}P^2 - dP,$$
这反映了配对受限的繁殖。另一方面,对于 $P \gg n$,公式(5)简化为:
$$\frac{dP}{dt} \approx (h - d)P,$$
表明繁殖力饱和和每 capita 增长有界。
从生态学角度来看,这一内在增长项可以被视为由替代食物资源所提供的能量所支持的繁殖过程,从而使捕食者即使在缺乏目标猎物的情况下仍能持续存活。本文的主要目标是提出并深入分析一个新的捕食者-猎物模型的时空动力学,该模型中的广食性捕食者表现出具有密度依赖增长的特性,能够反映有性繁殖的限制,同时猎物种群中存在阿利效应。据我们所知,在现有文献中,包含具有密度依赖增长的广食性捕食者(且该增长能够反映有性繁殖限制)的捕食者-猎物系统的空间图案动力学在很大程度上仍未被充分探索。我们的主要目标是在图灵区域内部和外部对该系统进行分
析,重点关注所提出的具有Beddington-DeAngelis功能性响应的捕食者-猎物模型中静止和非静止时空图案的涌现。我们特别强调对时空混沌的表征,并通过图案快照、时间序列分析、最大值-最小值分岔图以及最大Lyapunov指数(LLE)的计算来验证这一点。
**模型构建**
在本研究中,我们建立并分析了一个空间扩展的捕食者-猎物模型,其中猎物种群按照加性阿利效应的形式(见公式(3))演化,该效应能够反映低种群密度下生长减缓和脆弱性增加的现象。捕食者动力学由捕食诱导增长、内在密度依赖增长和自然死亡率的组合作用所支配。猎物与捕食者之间的相互作用通过Beddington-DeAngelis功能性响应来描述。
**图灵不稳定性与弱非线性分析**
在本节中,我们的目标是推导系统(7)图灵不稳定性的条件,然后使用多尺度方法对系统(7)在不稳定性阈值附近进行弱非线性分析,将其约化为描述静止图灵图案稳定性的振幅方程。
**时空系统的数值模拟**
在本节中,我们进行了广泛的数值模拟,以研究由(7)描述的捕食者-猎物系统中扩散驱动的空间图案的涌现和长期演化。这些模拟旨在验证和补充通过图灵不稳定性分析和弱非线性振幅方程推导所得到的解析预测。通过对连续反应-扩散系统(7)进行离散化来获得其数值解。
**数值方法:最大Lyapunov指数**
在本节中,我们将使用主要工具——最大Lyapunov指数(LLE)来验证系统模型(7)在适当参数选择下时空混沌的涌现。
要确定系统是否表现出时空混沌,我们必须测量其对初始条件的敏感依赖性。衡量这一点的最可靠指标是LLE,记为λmax,它量化了系统中两条无穷接近的轨道在相空间中随时间发散的平均指数速率。
- A
**结论**
本研究对在捕食者-猎物系统中产生的复杂时空动力学进行了深入生态学理解,其中猎物种群受到加性阿利效应的影响,而捕食者种群增长由两个主要机制调节:(i)由猎物消耗驱动的增长;(ii)由改进的Beverton-Holt机制支配的内在密度依赖增长。后者能够反映繁殖饱和以及替代食物资源可能提供的支持。
**CRediT作者贡献声明**
Amrit Bose:撰写——初稿、软件、方法论、调查研究、形式化分析。Tapan Saha:撰写——审稿与编辑、撰写——初稿、可视化、验证、形式化分析、概念构思。Uttam Ghosh:撰写——审稿与编辑、撰写——初稿、指导、形式化分析、概念构思。Pallav Jyoti Pal:撰写——初稿、可视化、验证、软件、方法论、调查研究、形式化分析、概念构思。
**代码可用性**
本研究中使用的部分计算代码已在https://github.com/amrritbose2013/allee-reaction-diffusion公开。其他代码可通过合理要求向通讯作者索取。
**出版同意**
所有作者均已审阅并批准了本稿件的最终发表版本。
**伦理批准与参与同意**
本文不包含任何作者进行的人类受试者或动物研究。
**资助**
作者未获得针对本工作的任何特定资助。
**利益冲突声明**
作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。
Amrit Bose | Tapan Saha | Uttam Ghosh | Pallav Jyoti Pal