Rappel de l’épisode précédent … Théorie neutre de la biodiversité et de la biogéographie 10 février 2009 Fonctions écologiques Certains traits écologiques déterminent des fonctions assurées par les espèces dans leur milieu (exemple R* de Tilman) Question : les fonctions écologiques sont‐elles les mêmes lorsque le nombre d’espèces varie ? Un test de cette hypothèse Interprétation 1 1 Interprétation 2 Systèmes complexes Structure d’un réseau d’interactions Réponse du réseau d’interactions au changements d’utilisation des terres Parasitoides Abeilles et guêpes Abondance relative Tylianakis et al. (2007) Réponse du réseau d’interactions au changements climatiques Modéliser la niche fondamentale Tylianakis et al. (2008) 2 Niche fondamentale Niche fondamentale Gecko de Bynoe (Heteronotia binoei) To d ay 00 0 -50 0 00 00 -10 00 -20 -15 0 T °C Kearney & Porter (2004) Niche fondamentale et modèles d’enveloppe bioclimatique Niche fondamentale Relier la présence/absence d’une espèce à des variables continues dans l’espace (conditions environnementales) Espèce envahissante (Bufo marinus) Vitesse de déplacement (fonction de la T°) Vitesse de prédation Disponibilité en eau Disponibilité en lieux de ponte Développement des œufs/larves Longueur de la saison de reproduction Kearney et al. (2008) Kearney & Porter (2009) Estimer la performance d’un modèle statistique de distribution d’espèces Types de données biologiques en entrée Présence/absence Présence seulement Abondance Types de covariables Variables climatiques Variables de sol Autres variables environnementales Elith & Leathwick (2009) Exemple 18 espèces de la California Natural Diversity Database, avec les propriétés suivantes : Occurrences réduites à 150 points par espèce Sous‐ensembles de taille (5, 10, 25, 50, 75, 100) pour chaque espèce (10 réplicats) 50 points pour l’évaluation Résolution spatiale: 1 km Données climatiques (Daymet) Données topographiques Elith et al. (2006) 3 CLASS Insect Amphibian Amphibian Amphibian Amphibian Amphibian Reptile Reptile Reptile Bird Bird Bird Bird Bird Bird Bird Mammal Mammal TAXA Danaus plexippus Ambystoma californiense Scaphiopus hammondii Rana aurora Rana boylii Rana muscosa Clemmys marmorata Phrynosoma coronatum Cnemidophorus hyperythrus Accipiter gentilis Buteo swainsoni Grus canadensis tabida Athene cunicularia Strix occidentalis caurina Polioptila californica Agelaius tricolor Spermophilus mohavensis Arborimus pomo Maxent COMMON NAME Monarch Butterfly California Tiger Salamander Western Spadefoot Red-legged Frog Foothill Yellow-legged Frog Mountain Yellow-legged Frog Western Pond Turtle Coast Horned Lizard Orange-throated Whiptail Northern Goshawk Swainson's Hawk Greater Sandhill Crane Burrowing Owl Northern Spotted Owl California Gnatcatcher Tricolored Blackbird Mohave Ground Squirrel Red Tree Vole Principe d’entropie maximale – approche de mécanique statistique pour prédire des distributions à partir d’informations incomplètes Steven J. Phillips, Robert P. Anderson, Robert E. Schapire. Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190:231-259, 2006. Projection de la distribution future des espèces HadCM3 2001‐2100 S’adapter ou périr A2 B2 + 3°C + 1°C Fraxinus americana R Shapire Fraxinus americana IPCC Scen. Extinctions en 2100 Probabilité de présence Probabilité de présence Colonisations réalisées en 2100 Zones potentielles en 2100 Adaptation locale Le génotype “local” est plus performant que l’“immigrant” 4 Mécanismes de l’adaptation Conditions nécessaires : Présence de variabilité génétique Nouvelles conditions environnementales Sélection de trait(s) phénotypique(s) Avantage des individus portant les traits sélectionnés (plus grande valeur sélective) Transmission héritable des traits (base génétique) Biogéographie insulaire ‘à l’équilibre’ Biogéographie insulaire Mainland MacArthur & Wilson (1967) 1967 Biogéographie insulaire Biogéographie insulaire Interprétation : plus de superficie => plus de milieux + plus de ressources => plus d’espèces Diamond (1975) 5 Equilibre? Théorie neutre Wilson & Simberloff (1969): défaunation artificielle de tous les arthropodes de petites îles au large de la Floride A la fin, la diversité était similaire à celle du début, mais la composition avait changé Une approche différente: Fisher (1943) Fisher (1943) Probabilité que la jième espèce est représentée par n individus (sachant que son abondance régionale λj est connue): Φn = nombre d’espèces avec n individus Φ n =α xn , n x = N N +α Pλ j (n) = exp(− λ j ) Ronald Fisher ( S = α ln 1 + N α ) λjn n! Distribution de Poisson (probabilité d’observer n fois l’espèce) Un seul paramètre : α Fisher (1943) Fisher (1943) On suppose que la distribution d’abondance relative régionale est connue. f(λ) est donc la probabilité qu’une espèce choisie au hasard ait une densité λ. La probabilité qu’une espèce soit représentée par n individus dans un échantillon de taille finie est alors ∞ ∞ 0 0 p( n) = ∫ Pλ (n) f (λ ) dλ = ∫ exp(− λ ) λn n! Pour une raison assez obscure, Fisher propose une forme fonctionnelle pour f(λ). Il choisit la distribution Gamma f k , m (λ ) = m − k λk −1 exp( −λ / m ) Γ(k ) f (λ ) dλ Fisher (1943). Distribution à deux paramètres (k,m), et Γ est la fonction Gamma (Γ(n)=1x2x…(n+1)) p(0) devrait être la probabilité qu’une espèce soit représentée par 0 individu dans l’échantillon 6 Fisher (1943) La limite k‐>0 La distribution d’abondance est alors une distribution binomiale négative. Si x = m/(m+k) : k →0 ∑π x (n) = −γ ln(1 − x ) = 1 r Ce modèle est alors relié au nombre d’espèces possédant n individus Φn pk , x (0) = (1 − x ) k On définit alors une version tronquée (n=0 n’est pas observable) p 'k , x ( n ) = xn , n π x (n) = lim p'k , x (n) = γ ⎛k ⎞ k pk , x (n) = ⎜⎜ ⎟⎟ x n (1 − x ) ⎝n⎠ Notez que p(0) est donné par Fisher propose finalement un modèle à 1 paramètre tel que k‐>0 Φ n = Sπ x ( n) = Sγ xn xr ≡α n r ∞ ∞ S = ∑ Φ n = −α ln(1 − x) ⎛k ⎞ 1 k × ⎜ ⎟ x n (1 − x ) , ∀n > 0 1 − (1 − x ) k ⎜⎝ n ⎟⎠ N = ∑ nΦ n = n =1 n =1 αx 1− x Un modèle dynamique stochastique Pn,k est la probabilité que l’espèce k possède n individus: ∞ ∑P n =1 n,k =1 La distribution d’abondance d’espèces Φn (nombre d’espèces avec exactement n individus) est égale à S Φ n = ∑ Pn ,k k =1 Formalisme Neutralité Pn,k = proba. qu’une espèce k contienne n individus (n>0) : dPn , k dt n −1 S ⎛ S b Φ n = ∑ Pn ,k = ∑ ⎜⎜ P0,k ∏ i ,k d k =1 ⎝ k =1 i =0 i +1, k = d n + 1, k Pn + 1, k + b n −1, k Pn −1, k − (d n , k + b n , k )Pn , k dn,k = proba. qu’une espèce k contenant n individus perde un individu bn,k = proba. qu’une espèce k contenant n individus gagne un individu Hypothèse neutre : les paramètre démographiques Processus de Markov A l’équilibre : ⎞ ⎟ ⎟ ⎠ bik et dik ne dépendent pas de k : n −1 S ⎛ S b Φ n = ∑ Pn ,k = ∑ ⎜⎜ P0,k ∏ i ,k k =1 ⎝ k =1 i = 0 d i +1, k ⎞ ⎟ ⎟ ⎠ n −1 Φ n = SP0 ∏ i =0 bi d i +1 Moran 1958 Karlin & McGregor 1967 7 Neutralité : Des cas particuliers Spéciation 1. Une communauté écologique neutre infinie avec spéciation 2. Une communauté écologique neutre finie avec spéciation 3. Un échantillon d’une communauté écologique neutre finie (large) avec spéciation Définition : divergence d’une lignée évolutive en deux Un problème complexe Ici, nous supposons que la spéciation est ponctuelle et immédiate (cas de la polyploïdisation chez les plantes) temps Communauté infinie avec spéciation Une communauté finie fermée avec spéciation bn = b.n, d n = d .n, b0 = ν Taille de la communauté: N individus N, ν {n1…nS} ν= taux de ‘spéciation’ = proba qu’une espèce passe de 0 à 1 individu Pas de limite à l’abondance des espèces SP0ν (b / d ) xn ≡α b n n → SP0ν x = b/d α= b n n −1 b Φ n = SP0 ∏ i d i =0 i +1 Φn = n −1 bi d i +1 Φ n = SP0 ∏ i =0 i =0 bi d i +1 → 1 −ν Γ(n ) = 1× 2 × K × (n − 1) Moran (1958) N! ∏ {(i ) N i =1 {n1…nS} NM, ν Φ n = SP0 ∏ (N − 1)ν Φi θ∑ Φ i ! (θ ) N i Φi } N = n −1 θ= Formule d’échantillonnage de Ewens P ({Φ1 , K , Φ N }θ ) = Taille du « réservoir régional d’espèces »: NM individus (NM>>N) θ ( N + 1 − n )n , n (N + θ − n )n ( x )y = Γ(x + y ) , Γ( x ) Notation Un échantillon dans une communauté large Φn = → Φn = θ ( N + 1 − n )n n ( N + θ − n )n θ= (N M − 1)ν 1 −ν θ = « nombre fondamental de la biodiversité » (Hubbell 2001) Watterson (1974) θS N! ∏ S i =1 ni ∏ j =1 N Φ j ! (θ ) N N taille finie, S espèces ni = nombre d’individus de l’espèce i Φj = nombre d’espèces avec j individus L(θ {n1 , K , n S }) = C θS (θ + N − 1)(θ + N − 2) K (θ + 1)θ N −1 ln (L(θ {n1 , K , n S }) ) = ln(C ) + S ln(θ ) − ∑ ln(θ + i ) i =0 dL(θ ) S N −1 1 =0⇒ =∑ dθ θ i =0 θ + i Ewens (1972) 8 Spéciation versus immigration Dans ce modèle il y a deux forces opposées: La dérive démographique qui tend à éroder la diversité Un autre « mécanisme » qui permet le maintien de la diversité. Nous avons supposé que ce mécanisme est la ‘spéciation’ (ou en tout cas une forme simple) Mais tout le raisonnement reste valide en supposant que le mécanisme est l’immigration (un individu appartenant à une espèce différente s’installe sur le site) Modèle neutre de la biodiversité de Hubbell Point d’étape sur les théories neutres Un modèle neutre de taille infinie est équivalent au modèle statistique de Fisher (1943) Pour un modèle neutre de taille finie où spéciation et extinction locale sont en équilibre (un paramètre θ), il existe une fonction de vraisemblance exacte (formule de Ewens) Pour un modèle neutre de taille finie où immigration et extinction sont en équilibre (un paramètre m), on peut calculer l’indice de Simpson (1‐F) Modèle neutre de la biodiversité Hypothèse : équivalence des espèces Seulement 2 paramètres Taux d’apparition de nouvelles espèces θ Réservoir régional Immigration: m Communauté locale Steve Hubbell Dynamique locale Probabilité 1‐ m Probabilité 1‐ ν Probabilité m Probabilité ν N = taille de la communauté locale m : taux d’immigration I = (N‐1)m/(1‐m) Dynamique régionale Paramètre θ = (NM -1) ×ν/(1−ν) θ : paramètre de diversité régionale = taux de spéciation régional NM : taille du réservoir régional ν : probabilité de spéciation 9 Distribution des abondances du modèle de Hubbell Immigration parfaite Cas m=1 (I‐>infty) : on retombe sur le cas du modèle de Ewens Application à la diversité des arbres dans une forêt tropicale Distribution : cas général P({Φ1 ,K , Φ N }θ , I ) = K ({n1 ,K , nS }, A) = N θ= IA N Φ j! (I )N ∑ K ({n ,K, n }, A) (θ ) A= S 1 S A s (n , a ) s (a ,1) ∏i=1 i s(ni ,1) i i a = A} ∑ S j S {a ,K,a ;∑ 1 θS N! Φ ∏ j =1 ( j ) N S i =1 i ( N M − 1)ν ( N − 1)m , I= 1 −ν 1− m Notation Barro Colorado Island, Panama s(x,y) = valeur absolue du nombre de Stirling du premier ordre : 50 ha (0.5 km2) 240,000 arbres identifiés Remesurés tous les 5ans y ( x) y = ∑ s ( y , i ) x i =1 i Steve Hubbell & Robin Foster Etienne Ecol. Lett. 2005 Inférence des paramètres pour les arbres d’une forêt tropicale Réservoir régional θ m Communauté locale Tabebuia ipe (Bignoniaceae) Zanthoxylum panamense (Rutaceae) Barro Colorado Island, Panama 10 Comparaison inter‐sites et inter‐modèles Autre test pour plusieurs sites Chave et al (2006) Jabot & Chave Am Nat (2011) Hypothèse de neutralité: est‐ce réaliste? Equivalence = « tous les individus d’une communauté ont les mêmes chances de reproduction et de mortalité » Hypothèse de neutralité: est‐ce réaliste? Croton bilbergianus (au moins à Barro Colorado) c’est faux: tests t sur les taux de recrutement et de mortalité des 63 espèces les plus abondantes entre 1990 et 1995: seulement 26 espèces sont « neutres » durant cette période. “According to the neutral theory, mostly what mechanisms remain once per capita relative fitnesses are equalized, are processes of ecological drift” (p 327) ‘Fitness equivalence’ = «toutes les espèces d’une communauté ont succès de reproduction» Alseis blackiana (au moins à Barro Colorado) ça marche: Chave (2004) Abondance régionale connue tests t sur les R0 des 63 espèces les plus abondantes entre 1990 et 1995: 54 espèces sont « neutres » durant cette période. Chave (2004) Interprétation du modèle Supposons que l’on connaît l’abondance relative des espèces dans le réservoir régional d’espèces {x1,…,xS} : ∏ (Ix ) S P ({n1 , K, nS }{x1 ,K , xS }, I ) = N! j =1 ∏ n! Si on a K sites d’échantillonnage: S j =1 j j n j (I )N S K ⎡ N ! ∏ j =1 (I i x j )nij P ((n1 , K, n K ) x, I ) = ∏ ⎢ S i ⎢ ( I i ) Ni n! i =1 ∏ ⎣⎢ j =1 ij ⎤ ⎥ ⎥ ⎦⎥ Jabot et al. (2008) Le paramètre m (ou I) varie d’un site à l’autre. Il peut être interprété comme un paramètre de filtrage environnemental 11 Test régional de la théorie de Hubbell Question comment la diversité varie‐t‐elle spatialement ? Similarité entre parcelles Modèle neutre spatialisé (1) Soient N sites et S espèces. (2) Un site se vide (chute d’arbre) (3) Les arbres des sites voisins dispersent des graines sur ce site (4) Des espèces viennent de l’extérieur à un taux ν fixe : taux de Taille de communauté : « spéciation/immigration » jusqu’à 4096x4096 individus Les arbres ont tous la même fécondité Toutes les graines ont la même chance de conquérir le site Cf Durrett et Levin (1996), Chave (2001) Equation vérifiée par F Similarité entre parcelle A et parcelle B : probabilité que deux arbres pris dans les deux parcelles appartiennent à la même espèce F ( A, B ) = ∑ pi ( A) pi ( B ) i Où pi est l’abondance relative de l’espèce i Dans le modèle spatialisé, on suppose une dispersion Gaussienne des graines (variance σ), et mutation ν. Ainsi, la similarité dépend de la distance géographique Formule approximée ⎡ ⎤ 1 − F (0, t ) ∂F (x, t ) P ( x) ⎥ = −2 F (x, t ) + 2(1 −ν ) ⎢ ∫ P(u) F (x − u, t )du + ρ ∂t ⎣ ⎦ x = position dans l’espace (2D) P(x) = probabilité de disperser à une distance ||x|| de l’origine ρ = densité des individus A l’équilibre, et en supposant que P est une fonction Gaussienne de variance σ2 F ( x) = (1 −ν )σ 2 ΔF (x) 2ν Où Δ est le Laplacien 12 Note sur le mode de dispersion des graines Ce modèle est asymptotiquement valide tant que la distribution possède un premier et un second moments. Par contre pour des distributions de dispersion type Lévy, le modèle n’est plus valide Cependant, une autre formule limite peut être démontrée (Chave & Leigh 2002) Exemple : distribution de Cauchy bidimensionnelle => F(r) ~ 1/r Test biogéographique de la théorie neutre Science 2002 13