Modelo de Levins aprimorado para 3 espécies

Anterior: Modelo espacialmente explícito para 2 espécies | Índice: Ecologia | Próximo: Modelo espacialmente explícito para 3 espécies

Para três espécies o modelo de Levins se torna:

$${\begin{aligned}{\frac {dx_{1}}{dt}}=&c_{1}x_{1}\left(1-D-x_{1}\right)-e_{1}x_{1}-\mu _{1}x_{1}y\\{\frac {dx_{2}}{dt}}=&x_{2}\left[c_{2}\left(1-D-x_{1}-x_{2}+x_{1}x_{2}\right)-\left(e_{2}+\mu _{2}y+c_{x_{1}}x_{1}\right)\right]\\{\frac {dy}{dt}}=&y\left[c_{y}\left[\left(x_{1}+x_{2}-x_{1}x_{2}\right)-y\left(x_{1}+x_{2}-x_{1}x_{2}\right)\right]-e_{y}\right]\\\end{aligned}}$$

Guanaco

$${\frac {dx_{1}}{dt}}=x_{1}\left[c_{1}\left(1-D-x_{1}\right)-\left(e_{1}+\mu _{1}y\right)\right]$$

Podemos perceber que é a mesma equação para a presa no modelo de duas 2 espécies, proporcional a população atual.

O termo responsável pelo aumento na população é o que representa a colonização. Podemos pensar em termos probabilísticos, que temos 3 eventos independentes:

• Probabilidade ${\textstyle x_{1}}$ de selecionar um fragmento com um guanaco disponível para tentar a colonização;
• Probabilidade ${\textstyle \left(1-D-x_{1}\right)}$ selecionar um fragmento disponível para ser colonizado;
• Probabilidade ${\textstyle c_{1}}$ de que cada tentativa de colonização tenha sucesso.

A queda na população acontece por dois termos que representam dois eventos diferentes:

• Extinção local: depende da taxa ${\textstyle e_{1}}$. Temos como dois eventos independentes a probabilidade $x_{1}$ selecionar um fragmento com guanaco e a probabilidade $e_{1}$ de que cada guanaco sofra a extinção local.
• Predação: depende da população de predadores ${\textstyle y}$ e a taxa de predação ${\textstyle \mu _{1}}$. Novamente podemos interpretar como três eventos independentes. Probabilidade $y$ de selecionarmos uma puma, probabilidade $x_{1}$ de selecionarmos um guanaco e probabilidade $\mu _{1}$ de ocorrer a predação a cada encontro. Assim como o modelo de Lotka-Volterra, a predação é proporcional a população de ambas as espécies.

Ovelha

$${\frac {dx_{2}}{dt}}=x_{2}\left[c_{2}\left(1-D-x_{1}-x_{2}+x_{1}x_{2}\right)-\left(e_{2}+\mu _{2}y+c_{x_{1}}x_{1}\right)\right]$$

A ovelha talvez tenha a dinâmica mais complexa do sistema, pois é tanto um competidor inferior ao gunaco, quanto uma presa para o puma, e isso interfere diretamente nos fragmentos disponíveis para a colonização. Pensando em probabilidade e conectando a probabilidade de ocorrer a colonização, é dada pela probabilidade de que cada tentativa de colonização tenha sucesso ${\textstyle c_{2}}$ e a probabilidade de selecionarmos um fragmento disponível pra as ovelhas é ${\textstyle P\left(F_{D}^{O}\right)}$. Lembrando que para o caso do guanaco, isso era apenas:

$$P\left(F_{D}^{G}\right)=\left(1-D-x_{1}\right)$$

Pois probabilidade de selecionarmos um fragmento destruído é ${\textstyle D}$, e de selecionarmos um fragmento ocupado por guanacos é ${\textstyle x_{1}}$, e são eventos independentes, isto é, nunca temos um fragmento destruído com guanacos. Então a probabilidade de selecionarmos um fragmento que o guanaco não pode colonizar é dado por ${\textstyle D+x_{1}}$, uma vez que são eventos mutuamente exclusivos. Por complementaridade a probabilidade de selecionarmos um fragmento que o guanaco pode colonizar é dado por ${\textstyle 1-\left(D+x_{1}\right)}$.

Agora precisamos considerar os fragmentos que estão destruídos e os ocupados por ovelhas ou guanacos. Mas a ocupação de guanacos e ovelhas não é exclusiva, isto é, temos fragmentos ocupados por guanacos e ovelhas. Então a probabilidade de selecionarmos um fragmento ocupado por guanaco ou ovelha é dado por ${\textstyle P\left(x_{1}\cup x_{2}\right)=x_{1}+x_{2}-x_{1}x_{2}}$, uma vez são eventos independentes. Sendo assim a probabilidade de selecionarmos um fragmento indisponível é dado por ${\textstyle D+x_{1}+x_{2}-x_{1}x_{2}}$. E novamente recorrendo a complementaridade, a probabilidade de selecionarmos um fragmento disponível para a ovelha é dada por então por ${\textstyle 1-\left(D+x_{1}+x_{2}-x_{1}x_{2}\right)}$.

De resto, a população diminui de forma semelhante ao guanaco:

• Termo de extinção local: proporcional a taxa de extinção local ${\textstyle e_{2}}$;
• Termo de predação: proporcional a população de predadores ${\textstyle y}$ e a taxa de predação ${\textstyle \mu _{2}}$.;
• Termo de deslocamento: ocorre devido a competição hierárquica e matematicamente é idêntico a predação, apenas substituímos $y\rightarrow x_{1}$ e $\mu _{2}\rightarrow c_{1}$.

Puma

$${\frac {dy}{dt}}=y\left[c_{y}\left[\left(x_{1}+x_{2}-x_{1}x_{2}\right)-y\left(x_{1}+x_{2}-x_{1}x_{2}\right)\right]-e_{y}\right]$$

Começando com a parte simples do que já discutimos, a população é reduzida devido a um fator de extinção ${\textstyle e_{y}}$, e não temos predação, pois o puma é próprio predador.

Diagrama de Veinn representando os conjuntos envolvidos no sistema.

Agora novamente a parte complexa reside na hora de levarmos em conta a probabilidade de selecionarmos um fragmento disponível. Precisamos considerar todos os fragmentos ocupados ocupados por guanacos ou ovelhas. E quando fazemos isso, precisamos tomar cuidado para não contar duas vezes fragmentos que estejam ocupados por ambas as espécies, então temos $P\left(x_{1}\cup x_{2}\right)=P\left(x_{1}\right)+P\left(x_{2}\right)-P\left(x_{1}\cap x_{2}\right)$. Além disso, também precisamos descontar os fragmentos que já estão ocupados por pumas, então precisamos descontar os que possuem guanaco e puma $P\left(x_{1}\cap y\right)$ , ovelha e puma $P\left(x_{2}\cap y\right)$. Porém novamente, não podemos descontar duas vezes os fragmentos que possuem ovelha, guanaco e puma, então é necessário "devolver" $P\left(x_{1}\cap x_{2}\cap y\right)$. Temos então:

$${\frac {dy}{dt}}=y\left[c_{y}\left[P\left(x_{1}\cup x_{2}\right)-P\left(x_{1}\cap y\right)-P\left(x_{2}\cap y\right)+P\left(x_{2}\cap y\cap x_{1}\right)\right]-e_{y}\right]$$

$${\frac {dy}{dt}}=y\left[c_{y}\left[P\left(x_{1}\right)+P\left(x_{2}\right)-P\left(x_{1}\cap x_{2}\right)-P\left(x_{1}\cap y\right)-P\left(x_{2}\cap y\right)+P\left(x_{2}\cap y\cap x_{1}\right)\right]-e_{y}\right]$$

Como são todos eventos independentes:

$${\frac {dy}{dt}}=y\left[c_{y}\left[P\left(x_{1}\right)+P\left(x_{2}\right)-P\left(x_{1}\right)P\left(x_{2}\right)-P\left(x_{1}\right)P\left(y\right)-P\left(x_{2}\right)P\left(x_{y}\right)+P\left(x_{1}\right)P\left(x_{2}\right)P\left(x_{y}\right)\right]-e_{y}\right]$$

E substituindo as probabilidades pelas frações:

$${\frac {dy}{dt}}=y\left[c_{y}\left[x_{1}+x_{2}-x_{1}x_{2}-x_{1}y-x_{2}y+x_{1}x_{2}y\right]-e_{y}\right]$$

$${\frac {dy}{dt}}=y\left[c_{y}\left[\left(x_{1}+x_{2}-x_{1}x_{2}\right)-y\left(x_{1}+x_{2}-x_{1}x_{2}\right)\right]-e_{y}\right]$$

E como ${\textstyle \left(x_{1}+x_{2}-x_{1}x_{2}\right)=P\left(x_{1}\cup x_{2}\right)}$, podemos reescrever como:

$${\frac {dy}{dt}}=y\left[c_{y}\left[P\left(x_{1}\cup x_{2}\right)-P\left(y\right)P\left(x_{1}\cup x_{2}\right)\right]-e_{y}\right]$$

Ou ainda:

$${\frac {dy}{dt}}=y\left[c_{y}\left(1-P\left(y\right)\right)P\left(x_{1}\cup x_{2}\right)-e_{y}\right]$$

Denotando o espaço complementar como ${\textstyle \left(1-P\left(y\right)\right)=P\left(y\right)^{c}}$:

$${\frac {dy}{dt}}=y\left[c_{y}P\left(y\right)^{c}P\left(x_{1}\cup x_{2}\right)-e_{y}\right]$$

Ou seja o termo de colonização é proporcional aos fragmentos ocupados pelas ovelhas e guanacos ${\textstyle P\left(x_{1}\cup x_{2}\right)}$ e os fragmentos livres das pumas ${\textstyle P\left(y\right)^{c}}$

Análise dos pontos de equilíbrio

Utilizando o software Mathematica pode-se obter os pontos de equilíbrio. Para este conjunto de equações diferenciais, de maneira geral, há 10 pontos de equilíbrio distribuídos da seguinte forma:

Posição dos pontos de equilíbrio estáveis à direita e os correspondente autovalores à esquerda.

• 1 ponto que nenhuma espécie sobrevive ${\textstyle \left(0,0,0\right)}$;
• 1 ponto que apenas o guanaco sobrevive: ${\textstyle \left(x_{j},0,0\right)}$;
• 1 ponto em que sobrevive apenas a ovelha: ${\textstyle \left(0,y_{j},0\right)}$;
• 1 ponto em que sobrevive apenas presas: ${\textstyle \left(x_{j},y_{j},0\right)}$;
• 2 pontos que sobrevivem apenas o guanaco e a puma ${\textstyle \left(x_{j},0,z_{j}\right)}$;
• 2 pontos que sobrevivem apenas a ovelha e a puma ${\textstyle \left(0,y_{j},z_{j}\right)}$;
• 2 ponto que todas espécies sobrevivem ${\textstyle \left(x_{j},y_{j},z_{j}\right)}$.

Para que seja possível efetuar uma análise, devido a complexidade dos pontos, será utilizado o seguinte conjunto de parâmetros: $c_{1}=0.2$,$c_{2}=0.4$, $c_{y}=0.06$, $e_{1}=0.05$, $e_{2}=0.01$, $\mu _{1}=0.2$ e $\mu _{2}=0.8$. Pode-se perceber que a destruição do sistema $D$ foi mantida como variável. Utilizando-se então o método de linearização da matriz Jacobiana, tem-se 5 pontos que possuem todos os autovalores negativos em alguma faixa de valores de $D$. Especificamente:

Posição dos pontos de equilíbrio instáveis à direita e os correspondente autovalores à esquerda.

• ${\textstyle D<0.35}$: Guanaco e puma sobrevivem:
  • Após ${\textstyle 0.35}$ até aproximadamente ${\textstyle 0.4}$ este ponto segue sendo um ponto de equilíbrio, mas instável.
• ${\textstyle 0.35<D<0.53}$: Todas as espécies sobrevivem;
• ${\textstyle 0.53<D<0.75}$: Todas as presas sobrevivem;
• ${\textstyle 0.75<D<0.975}$: Somente ovelha sobrevive;
• ${\textstyle 0.975<D<1}$: Nenhuma espécie sobrevive.

2 pontos de equilíbrio que ainda são estados possíveis, mas posuem ao menos um autovalor positivo, isto é, são pontos de equilíbrio instável. Estes pontos não possuem todos os autovalores positivo, o que implica que se o sistema estiver certas direções (dadas pelo autovetores correspondente aos autovalor negativo) vai se aproximar do ponto de equilíbrio. O primeiro ponto é um ponto de estabilidade em uma situação sem guanacos, os 2 autovetores com autovalores negativos estão no plano ${\textstyle x_{2}\times y}$ com ${\textstyle x_{1}=0}$, ou seja, um sistema sem guanacos se aproximaria deste ponto de equilíbrio.

Posição dos pontos de equilíbrio que não fazem sentido ecologicamente à direita e os correspondentes autovalores à esquerda.

E o segundo ponto tem diferentes comportamentos para diferentes faixas de ${\textstyle D}$. Em um primeiro momento ${\textstyle \left(D<D_{1}\right)}$ os autovetores de autovalor negativo estão em um plano sem predador ${\textstyle x_{1}\times x_{2}}$. Em um segundo momento ${\textstyle \left(D_{1}<D<D_{2}\right)}$ temos apenas um autovetor apontando no eixo dos guanacos, por fim ${\textstyle D>D_{2}}$ sem ovelhas, isto é, os 2 autovetores estão no plano ${\textstyle x_{1}\times y}$. Além disso, como comentamos, o primeiro ponto deixa de ser estável a partir de ${\textstyle 0.35}$, este continua sendo um ponto de equilíbrio, apresentando os 2 autovetores com o autovalor negativo no plano ${\textstyle x_{1}\times y}$, isto é, se não existir ovelhas, é um ponto de estabilidade. Em todo caso, podemos ver que ambos se comportam como estável apenas em situações em que alguma espécie está extinta, ou seja quando já temos um sistema de duas espécies.

Vale destacar que os pontos de equilíbrio fora do ’volume de estados possíveis’ e que possuem algum autovalor negativo, a direção no qual o sistema se aproximaria deste ponto, não passa pelo volume de estados possíveis. Por exemplo, para ${\textstyle D=0.8}$ há um ponto de equilíbrio em ${\textstyle \left(0,0.31,-0.068\right)}$, o que não é aceitável por possuir uma população de predador negativa. Porém o seu autovalor negativo possui o seguinte autovetor: ${\textstyle \left(-0.29,0.,0.95\right)}$, ou seja, o sistema nessa direção se aproxima deste ponto de equilíbrio. Porém esta direção não passa pelo volume de estados aceitáveis.

À esquerda um ponto de equilíbrio instável fora do volume de configurações aceitáveis e à direita um ponto de equilíbrio também instável, mas aceitável.

Na imagem anterior, à esquerda ponto mencionado anteriormente, mostrando como o autovetor não aponta em uma direção que passe pelo cubo de volumes aceitáveis. Agora, para ${\textstyle D=0.4}$, o mesmo ponto se desloca para um valor aceitável, ${\textstyle \left(0,0.37,0.10\right)}$, sem deixar de ser instável. Dois dos seus autovalores são negativos com os correspondentes autovetores ${\textstyle \left(0,1.00,-0.04\right)}$ e ${\textstyle \left(0,-0.91,0.41\right)}$. Então nestas direções o sistema se aproxima do ponto de equilíbrio, ou seja, apresentam um comportamento estável no plano em que não há guanacos, uma vez que nosso sistema é ${\textstyle \left(x_{1},x_{2},y\right)}$. Além dos 7 pontos discutidos aqui, há mais 3 pontos que não representam um estado acessível ao sistema, portanto não há interesse em analisá-los.

Plotando as frações ocupada ${\textstyle \times }$ a destruição do sistema, tem-se:

A fração ocupada por cada uma das espécies em função da destruição do sistema.

As diferentes condições de coexistência entre as espécies com o sistema em equilíbrio fica evidente. Além disso, plotando em 3 dimensões ${\textstyle \left(e_{y}\times D\times {\text{frações ocupadas}}\right)}$ tem-se:

Gráfico em 3 dimensões com a fração ocupada por cada uma das espécies em função da destruição do sistema e da taxa de extinção do predador.

Ou ainda como um diagrama de fases ${\textstyle e_{y}\times D\rightarrow \left[0.001,0.05\right]\times \left[0,0.99\right]}$:

Diagrama de fase sistema para o conjunto de parâmetros trabalhado.

Pode-se perceber todas combinações possíveis de sobrevivência: as duas presas sozinhas (G,O), presas coexistindo entre si (GO), cada presa coexistindo apenas com o predador (PO,PG), e a coexistência das três espécies (PGO) e ainda para uma faixa próxima ${\textstyle D\approx 1}$ a extinção total de todas as espécies. Podemos perceber que a destruição do sistema é o que mais pesa para a sobrevivência ou não das presas, sendo que o Guanaco tem vantagem para valores de destruição mais baixos devido a ser um competidor superior, e as ovelhas para maiores destruições, devido ao suporte humano.

Códigos

Os seguintes códigos foram executados no notebook do Mathematica. O primeiro código é responsável por identificar os pontos de equilíbrio do sistema:

Parametros = Rationalize[{c1 -> 4*0.05, c2 -> 4*0.1, cy -> 4*0.015, e1 -> 0.05,  e2 -> 0.01, ey -> 0.02, m1 -> 0.2, m2 -> 0.8}];
dx1 = (c1*x1*(1 - d - x1) - e1*x1 - m1*x1*y)/.Parametros;
dx2 = (x2*(c2*(1 - d - x1 - x2 + x1*x2) - (e2 + m2*y + c1*x1)))/.Parametros;
dy = (y*(cy*((x1 + x2 - x1*x2) - y*(x1 + x2 - x1*x2)) - ey))/.Parametros;
sol = Solve[dx1 == 0 && dx2 == 0 && dy == 0, {x1, x2, y}];

Os parâmetros podem ser facilmente removidos em caso de interesse. Para um ponto de equilíbrio $A$ , pode-se plotar a dependência da posição do ponto equilíbrio e do autovalor, ambos em relação à $D$, fazendo:

M = {{D[dx1, x1], D[dx1, x2], D[dx1, y]}, 
      {D[dx2, x1], D[dx2, x2], D[dx2, y]}, 
      {D[dy, x1],  D[dy, x2],  D[dy, y]}} /. Parametros
A = 9; 
AV = Eigenvalues[M/.sol[[A]]]; 
{Plot[{AV[[1]], AV[[2]], AV[[3]]}, {d, 0., 0.415}],
 Plot[{sol[[A]][[1]][[2]], sol[[A]][[2]][[2]], sol[[A]][[3]][[2]]}, {d, 0., 0.415},PlotStyle -> {Black, Blue, Red}, PlotLegends -> {"Guanaco", "Ovelha", "Puma"}]}

Além disso, pode-se plotar o autovalor e autovetor para um valor para um $D$ em específico:

A = 9; 
AV = Eigenvalues[M /. sol[[A]] /. d -> 0.39]; 
EV = Eigenvectors[M /. sol[[A]] /. d -> 0.39];
{{AV[[1]], EV[[1]]}, {AV[[2]], EV[[2]]}, {AV[[3]], EV[[3]]}}

O código abaixo é responsável por resolver numericamente o sistema de equações diferenciais e plotar o resultado:

parametros = Rationalize[{c1 -> 4*0.05, c2 -> 4*0.1, cy -> 4*0.015, e1 -> 0.05, e2 -> 0.01, ey -> 0.02, m1 -> 0.2, m2 -> 0.8}];
dest = {d -> 0.4};
tmax = 200;
dsol = NDSolve[{
      c1 x1[t] (1. - d - x1[t]) - e1 x1[t] - m1 x1[t] y[t] == x1'[t],
      c2 x2[t] (1. - d - x1[t] - x2[t] + x1[t]*x2[t]) - e2 x2[t] - m2 x2[t] y[t] - c1 x1[t] x2[t] == x2'[t],
      cy y[t] (x1[t] + x2[t] - x1[t]*x2[t] - y[t]*(x1[t] + x2[t] - x1[t]*x2[t])) - ey y[t] == y'[t],
      x1[0] == 0.2, x2[0] == 0.2, y[0] == 0.2} /. parametros /.dest, {x1, x2, y}, {t, 0, tmax}];
Plot[{x1[t] /. dsol, x2[t] /. dsol, y[t] /. dsol}, {t, 0, tmax}, PlotRange -> {0, Automatic}, PlotStyle -> {Black, Blue, Red}]

Para plotar o gráfico das frações ocupadas tendo como variável a destruição do sistema:

Manipulate[
 tmax = 10000;
 bifu1 = {}; bifu2 = {}; bifu3 = {};
 Do[
  dsol = Quiet@NDSolve[{
      c1 x1[t] (1. - d - x1[t]) - e1 x1[t] - m1 x1[t] y[t] == x1'[t],
      c2 x2[t] (1. - d - x1[t] - x2[t] + x1[t]*x2[t]) - e2 x2[t] - m2 x2[t] y[t] - c1 x1[t] x2[t] == x2'[t],
      cy y[t] (x1[t] + x2[t] - x1[t]*x2[t] - y[t]*(x1[t] + x2[t] - x1[t]*x2[t])) - ey y[t] == y'[t],
      x1[0] == 0.1, x2[0] == 0.1, y[0] == 0.1}, {x1, x2, y}, {t, 0, 
      tmax}
     ];
  AppendTo[bifu1, {d, First[x1[tmax] /. dsol]}]; 
  AppendTo[bifu2, {d, First[x2[tmax] /. dsol]}]; 
  AppendTo[bifu3, {d, First[y[tmax] /. dsol]}], {d, 0, 1, 0.01}];
  ListPlot[{bifu1, bifu2, bifu3}, PlotRange -> {{0, 1}, {0, 0.5}}, 
  Frame -> True, FrameLabel -> {Style["destruición", Large], Style["Ocupación", Large]}, 
  Joined -> True, PlotStyle -> {Directive[Thick, Black], Directive[Thick, Blue], Directive[Thick, Red]}],
  Style["COLONIZACIÓN",Bold], 
  {{c1, 4*0.05,  Style["Competidor superior", Black, Bold]}, 0,  1}, 
  {{c2, 4*0.1,   Style["Competidor inferior", Blue, Bold]}, 0, 1}, 
  {{cy, 4*0.015, Style["Cazador", Red, Bold]}, 0, 1},
  Style["EXTINCIÓN", Bold],
  {{e1, 0.05, Style["Competidor superior", Black, Bold]}, 0, 1}, 
  {{e2, 0.01, Style["Competidor inferior", Blue, Bold]}, 0, 1}, 
  {{ey, 0.02, Style["Cazador", Red, Bold]}, 0, 1},
  Style["DEPREDACIÓN", Bold], 
  {{m1, 0.2, Style["Competidor superior", Black, Bold]}, 0, 1}, 
  {{m2, 0.8, Style["Competidor inferior", Blue, Bold]}, 0, 1},
  ControlPlacement -> Left, SynchronousUpdating -> False]

E por fim, para gerar o gráfico em 3 dimensões onde além da destruição do sistema $D$ consideramos a taxa de extinção dos predadores também como variável:

Manipulate[
 tmax = 1000;
 bifu1 = {}; bifu2 = {}; bifu3 = {};
 Do[
  dsol = NDSolve[{
     c1 x1[t] (1. - d - x1[t]) - e1 x1[t] - m1 x1[t] y[t] == x1'[t],
     c2 x2[t] (1. - d - x1[t] - x2[t] + x1[t]*x2[t]) - e2 x2[t] - m2 x2[t] y[t] - c1 x1[t] x2[t] == x2'[t],
     cy y[t] (x1[t] + x2[t] - x1[t]*x2[t] - y[t]*(x1[t] + x2[t] - x1[t]*x2[t])) - ey y[t] == y'[t],
     x1[0] == 0.01, x2[0] == 0.01, y[0] == 0.01}, {x1, x2, y}, {t, 0, 
     tmax}
    ];
  AppendTo[bifu1, {ey, d, First[x1[tmax] /. dsol]}]; 
  AppendTo[bifu2, {ey, d, First[x2[tmax] /. dsol]}]; 
  AppendTo[bifu3, {ey, d, First[y[tmax] /. dsol]}], 
 {ey, 0., 0.5, 0.02}, {d, 0., 1, 0.05}];
 g1 = ListPlot3D[bifu1, ColorFunction -> "AvocadoColors"]; 
 g2 = ListPlot3D[bifu2, ColorFunction -> "AtlanticColors"]; 
 g3 = ListPlot3D[bifu3, ColorFunction -> "SolarColors",PlotRange -> All];
 Show[g1,g2,g3, ViewPoint -> {0, 0, Infinity}, AxesLabel -> {Style["extinción cazadores", Larger], 
 Style["área nodisponible", Larger], Style["ocupación", Larger]}],
 Style["COLONIZACIÓN", Bold],
 {{c1, 0.2, Style["Competidor superior", Black, Bold]}, 0, 1},
 {{c2, 0.35, Style["Competidor inferior", Blue, Bold]}, 0, 1},
 {{cy, 0.4, Style["Cazador", Red, Bold]}, 0, 1},
 Style["EXTINCIÓN", Bold],
 {{e1, 0.05, Style["Competidor superior", Black, Bold]}, 0, 1},
 {{e2, 0.02, Style["Competidor inferior", Blue, Bold]}, 0, 1},
 Style["DEPREDACIÓN", Bold],
 {{m1, 0.3, Style["Competidor superior", Black, Bold]}, 0, 1},
 {{m2, 0.2, Style["Competidor inferior", Blue, Bold]}, 0, 1},
 ControlPlacement -> Left, SynchronousUpdating -> False]

Principal material utilizado

1. Mathematical model of livestock and wildlife: Predationand competition under environmental disturbances (Fabiana Laguna e outros, Ecological Modelling)

Anterior: Modelo espacialmente explícito para 2 espécies | Índice: Ecologia | Próximo: Modelo espacialmente explícito para 3 espécies