Pattern formation in a diffusive intraguild predation model with nonlocal interaction effects
Notice bibliographique
Résumé
In this paper, we investigate the spatiotemporal pattern formation in a diffusive intraguild predation (IGP) model with a nonlocal interaction term in the growth of the shared resource, which extends previous studies of local reaction-diffusion IGP model. We first perform the stability and Hopf bifurcation analyses for the unique positive equilibrium of the corresponding non-spatial system, and give analytical formulas to determine the direction and stability of the bifurcating periodic solutions. Then the linear stability analysis for the nonlocal model shows that the nonlocal interaction is a key mechanism for the formation of Turing patterns. Numerical simulations show that low conversion rate from resource to IG predator can induce stationary Turing patterns, intermediate conversion rate can induce regular oscillatory patterns, and high conversion rate can induce irregular spatiotemporal chaotic patterns for certain diffusive rate. The impact of nonlocal interaction on the resulting patterns with certain diffusive rate is further explored by numerical simulations, which show that nonlocal interaction can induce pattern transition from stationary Turing patterns to non-stationary oscillatory patterns, and even to spatiotemporal chaotic patterns with the increase of the nonlocal interaction tensity. In addition, spatiotemporal chaotic patterns are found in the Turing-Hopf parametric space, which enrich pattern dynamics for diffusive IGP models with nonlocal interactions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».