Flávia F. Feitosa SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional.

Apresentação em tema: "Flávia F. Feitosa SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional."— Transcrição da apresentação:

1 Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

2 Modelos Representações simplificadas de um objeto, estrutura, ideia ou sistema. Estas representações atendem a algum propósito!!! São menores, menos detalhados, menos complexos, ou tudo isso junto… Podem ser estáticos ou dinâmicos… Y i =  0 + X i  1

3 Um mapa é um modelo? Representação simplificada de um estado do sistema de interesse. Mas é estático! E os processos? Em busca de uma “Cartografia de Processos”…

4 Modelos de Simulação (Computacional) Inclui a representação de determinados processos/comportamentos do sistema de interesse Propósito de compreender melhor o comportamento do sistema ao longo do tempo, explicar padrões que observamos na realidade, dinâmicas não-lineares, retroalimentação do sistema…

5 Como comportamentos individuais geram padrões “macro” no nosso mundo... Um exemplo simples de simulação…

6 Bird Flocking o Modelo baseado em interações “bottom-up” o Nenhuma autoridade central o Cada pássaro reage ao seu vizinho

7 Bird Flocking Reynolds Model (1987) – Três regras www.red3d.com/cwr/boids/ Coesão: movimento em direção à posição média dos vizinhos/colegas. Separação: movimento buscando evitar aglomeração com outros colegas Alinhamento: manutenção da direção média dos vizinhos.

8 Bird Flocking Reynolds Model (1987) http://ccl.northwestern.edu/netlogo/models/Flocking

9 Complex Systems Systems composed of interconnected parts that as a whole exhibit one or more properties not obvious from the properties of the individual parts. “A Complex System is an entity, coherent in some recognizabe way but whose elements, interactions and dynamics generate structures and admit surprise and novelty that cannot be defined a priori” (Batty and Torrens, 2005: 745)

10 Complex Systems Complicated vs. Complex Emergence Small number of rules applied locally among many individuals can generate complex global patterns Self-organization No centralized authority

11 Complex Systems Non-linearity Generate unexpected and counter-intuitive global patterns that cannot be understood as a simple sum of the parts. Invalidates simple extrapolation. Path-dependence Highly affected by past states Adaptation Adapt to unexpected changes in its environment (e.g. avoiding obstacles)

12 What are complex adaptive systems?

13 Traditional Modelling Approaches Statistical modeling, Classical optimization, System dynamics modeling… o Top-down view o Linear o Correlation o Cause and effect reasoning o Often assume homogeneity o Some are static o Seeks to find some equilibrium representing the “solution” to the simulation Simulation models  Are “run” rather than “solved”

14 Autômatos Celulares o Objetos Computacionais, geralmente chamados de “células” o Situados no tempo e espaço o Caracterizados por “estados” o Os processos para a mudança de estado de cada célula são geralmente articulados como regras simples, chamadas de “regras de transição”. Nos modelos mais clássicos, como no “Jogo da Vida” de Conway, o estado de cada célula muda em função do estado das células vizinhas

15 Autômatos Celulares Objetos “fixos” no espaço! Mudanças de Estado não envolvem movimentos. Já a noção de AGENTES introduz a ideia de objetos móveis, e um pouco mais…

16 Agent-Based Modelling Another Alternative to traditional modeling paradigms What is an Agent? o Independent component (e.g. software object) o Do not have fixed location o Have a state and behavioral rules o Behavioral rules determine movements, interactions and changes in the agent’s state o The behavior can range from primitive reactive decision rules to complex adaptive intelligence. o They may represent a real world actor (family, government, …)

17 Agent-Based Modelling AGENTS o Capability to make independent decisions o They are usually unique, i.e., different from each other in such characteristics as size, location, resource reserves, and history o Act and interact with one another as well as the environment in which they exist according to some purpose. The simplest agent-based model structure AL

18 Agent-Based Modelling Goal Environment Representations Communication Action Perception Communication Gilbert, 2003

19 Agents are… Identifiable and self-contained Autonomous –Exercises control over its own actions Reactive –Responds to changes in its environment Goal-oriented –Does not simply act in response to the environment Mobile –Able to transport themselves

20 Agents are… Situated –Living in an environment with which interacts with other agents Communicative/Socially aware –Communicates with other agents Adaptive / Learning /Flexible –Changes its behavior based on its previous experience –Actions are not scripted Temporally continuous –Continuously running process

21 Types of ABM Minimalist Models o Based on a set of idealized assumptions o Abstract and artificial o Exploratory laboratories in which assumptions can be tested o Ex: Schelling, Sugarscape Model Decision Support Models o Descriptive and realistic o Usually large-scale applications o Designed to answer policy questions o Include real data to calibrate and to compare simulation outputs o Ex: MASUS (Multi-Agent Simulator for Urban Segregation) (Macal e North, 2005)

22 A Minimalist Model Schelling’s Model of Segregation Segregation is an outcome of individual choices But high levels of segregation mean that people are prejudiced?

23 Schelling’s Model of Segregation Schelling (1971) demonstrates a theory to explain the persistence of racial segregation in an environment of growing tolerance If individuals will tolerate racial diversity, but will not tolerate being in a minority in their locality, segregation will still be the equilibrium situation

24 Schelling’s Model of Segregation Schelling’s Model of Segregation < 1/3 Micro-level rules of the game Stay if at least a third of neighbors are “kin” Move to random location otherwise

25 Tolerance values above 30%: formation of ghettos http://ccl.northwestern.edu/netlogo/models/Segregation Schelling’s Model of Segregation

26 O Ciclo da Modelagem

27 Definir o propósito do modelo, as questões que buscamos responder

28 O Ciclo da Modelagem Segregação é um resultado da intolerância das famílias em relação à presença de outros grupos sociais?

29 O Ciclo da Modelagem Formular hipóteses/premissas a partir de nosso conhecimento preliminar sobre como o sistema funciona (Teorias)

30 O Ciclo da Modelagem Se as famílias toleram a diversidade racial, mas não toleram ser a minoria em sua vizinhança, a situação de equilíbrio ainda apresentará altos níveis de segregação.

31 O Ciclo da Modelagem Quais elementos/interações a serem considerados? Como serão representados? Autômatos? Agentes? Escolher escalas, entidades, variáveis, processos e parâmetros do modelo

32 Formulação do Modelo Como começar? o Traduzindo ideias em palavras, diagramas, equações, etc. o A formulação serve, inicialmente, para que possamos pensar explicitamente sobre todas as partes do modelo, identificar todas as decisões que precisamos tomar.

33

34 Helen Couclelis (CAMUSS 2012) “We are talking about systems, not about the essence of things. Systems don’t ‘exist’ ” “The real system is the universe of potentially acquirable data” Keynote Lecture da Helen, Porto, 10/11/2012: http://www.youtube.com/watch?feature=player_embedded&v=UTL_AylmNZo

35 Paradigmas de Representação “Divide-and-Conquer” vs. “Compose-and-Conquer” Bouquet, P et al. (2003). Theories and uses of context in knowledge representation and reasoning. Journal of Pragmatics 35, 455-484

36 Divide-and-Conquer Assume a existência de uma teoria global. Particiona um modelo global do mundo em peças menores e mais simples Bouquet, P et al. (2003). Theories and uses of context in knowledge representation and reasoning. Journal of Pragmatics 35, 455-484

37 Compose-and-Conquer Teorias locais do mundo situadas em uma rede de relações com outras teorias locais.

38 Formulação do Modelo Comunicar o modelo é importante! Leva a novas discussões e reformulação do modelo MODELO COMO UM OBJETO MEDIADOR

39 Supressão do modelo como ‘produto’ Foco no PROCESSO DE CONSTRUÇÃO do modelo Modelo de Simulação Computacional = Laboratório 1.Processo de construção deste laboratório (contínuo) 2.Design, uso e interpretação dos experimentos

40 O Ciclo da Modelagem

41 Plataformas TerraME (INPE/UFOP) http://www.terrame.org NetLogo Northwestern's Center for Connected Learning and Computer-Based Modeling http://ccl.northwestern.edu/netlogo/ Repast (University of Chicago) http://repast.sourceforge.net/

42 Elementos do NetLogo Turtles: Agentes. Podem ser diferenciados em diferentes tipos (breeds) Patches: Células regulares que representam o espaço Links: Conectam agentes (turtles) e permitem representar relações em rede. Observer: Pode ser entendido como um controlador do modelo e suas visualizações. Por exemplo, é o observador que “cria” agentes e gerencia variáveis globais.

43 O Ciclo da Modelagem Verificação, Comparação com Dados Reais, Simulação de Cenários, Análises de Sensibilidade

44 Lembrete Importante! MODELOS NÃO SÃO BOLAS DE CRISTAL !!!! “We may need to consider abandoning the dream of long-term prediction” Helen Couclelis, CAMUSS 2012

45 Modelos capturam apenas o que é PADRÃO, ou seja, o que é típico, estável, regular, recorrente, repetitivo, PREVISÍVEL. Futuro é uma mistura entre “padrão” e “ruído” Duas sugestões de leitura sobre o assunto: o Batty, M; Torrens, P (2005) Modelling and Prediction in a Complex World. Futures, v.37, n.7, p.745-766. o Couclelis, H. (2005) "Where has the future gone?" Rethinking the role of integrated land-use models in spatial planning. Environment and Planning A, v. 37, p. 1353-1371.

46 O Ciclo da Modelagem

47 Protocolo ODD (Overview, Design, Details) Estrutura útil na formulação, descrição e comunicação dos modelos Grimm, V., Berger, U., Bastiansen, F., Eliassen, S., Ginot, V., Giske, J., John, G.-C., Grand, T., Heinz, S. K., Huse, G., Huth, A., Jepsen, J. U. & al., E. (2006) A standard protocol for describing individual-based and agent-based models. Ecological Modelling 198: 115-126. Grimm, V., Berger, U., DeAngelis, D. L., Polhill, J. G., Giske, J. & Railsback, S. F. (2010) The ODD protocol: a review and first update. Ecological Modelling 221: 2760-2768. Elements of the ODD Protocol

48 1. Overview Propósito o Que sistema estamos modelando? o O que estamos querendo aprender com isso? Entidades, Variáveis e Escalas o Tipos de entidades: um ou mais tipos de agentes, o ambiente onde agentes vivem e interagem (geralmente composto por unidades locais – células), ambiente “global”. o Variáveis que caracterizam cada uma dessas entidades (estáticas ou dinâmicas)

49 1. Overview Entidades, Variáveis e Escalas o Escala temporal: resolução e extensão temporal o Escala espacial: resolução espacial Process Overview and Schedule o Estrutura dinâmica do modelo o Quais os processos que modificam as variáveis que caracterizam as entidades do modelo? o Em que ordem estes processos ocorrem?

50 2. Design Concepts Princípios Básicos o Conceitos, teorias, hipóteses, etc… o Como estes princípios estão incorporados no modelo? Emergência o Quais são as saídas e resultados importantes do modelo? Quais deles emergem do mecanismo de representação do comportamento dos agentes? Adaptação o Quais comportamentos adaptativos possuem os agentes? Como eles respondem a mudanças?

51 2. Design Concepts Objetivos o Quais são os objetivos a serem alcançados pelos agentes? Como o alcance destes objetivos pode ser mensurado (exemplo: “fitness” em ecologia, “utilidade” em economia)? Quais elementos de sucesso futuro estão presentes nesta medida (ex. sobrevivência durante o próximo ciclo, lucros, etc. ) Aprendizagem/Predição o Os agentes mudam seu comportamento em consequencia de sua experiência? o Os agentes são capazes de prever condições futuras no seu processo de adaptação? Como? o Como essa predição simulada utiliza mecanismos como memória e aprendizagem?

52 2. Design Concepts Sensibilidade/Apreensão o Quais variáveis ambientais e dos agentes são apreendidas pelos agentes e consideradas em seu comportamento. o Quais os mecanismos de apreensão são modeladas explicitamente, existem incertezas neste processo? Interação o Como os agentes interagem? Eles interagem diretamente uns com os outros ou esta interação é mediada? Estocasticidade o Como são os processos estocásticos (baseados em números pseudo-aleatórios) utilizados no modelo e por quê?

53 2. Design Concepts Coletivos o Agregação de agentes que afetam o estado ou comportamento dos indivíduos. o Coletivos são representados no modelo? Como? Observação o Quais saídas do modelo são utilizadas para observar as dinâmicas simuladas? o Que tipo de saída/medida é necessária para testar o modelo e resolver o problema para o qual o modelo foi desenvolvido?

54 Design Concepts

55

56

57 3. Details Inicialização o Condições iniciais da simulação o Quantos agentes? Quais os valores iniciais das variáveis? Dados de Entrada o Arquivos de dados importados ao longo das simulações Sub-Modelos

58 Outros Exemplos de Modelos Minimalistas o Wealth distribution o Virus Transmission o Climate Change o …

59 Wealth Distribution Wealth Distribution Brazil ranks among the world's highest nations in the Gini coefficient index of inequality (G = 0.55) Source: Wikipedia

60 G = 0: Perfect equality (everybody has same wealth) G = 1: Perfect inequality (all is owned by one individual) Wealth Distribution: Gini Ratio Wealth Distribution: Gini Ratio

61 Wealth Distribution – Sugarscape Model Wealth Distribution – Sugarscape Model “The rich get richer and the poor get poorer” Sugarscape Model – Epstein & Axtell (1996) Illustrate Pareto’s Law Most of the people are poor, fewer are middle class, and very few are rich: 80/20 rule

62 Wealth Distribution – Sugarscape Model Agents o Collect grain and eat grain to survive o Grain accumulation = WEALTH o Vision: high is good o Metabolism: low is good Movement: move to cell within vision with more grains Replacement: Replace dead agent with random new agent Grain grows back with rate R

63 Wealth Distribution – Sugarscape Model Initial conditions: randomly distributed

64 Wealth Distribution – Sugarscape Model Uniform random assignments of vision and metabolism still result in unequal distribution of wealth HOW????

65 Wealth Distribution Non-linear distribution of wealth  Resembles a power law The "probability" or fraction of the population f(x) that owns a small amount of wealth per person (x) is rather high, and then decreases steadily as wealth increases PROBABILITY DENSITY FUNCTION Pareto Distribution

66 Virus Transmission

67 http://ccl.northwestern.edu/netlogo/models/Virus

68 Virus Transmission Baseline Recover >Recover <

69 Greenhouse Effect

70 http://ccl.northwestern.edu/netlogo/models/ClimateChange

71 Greenhouse Effect BaselineAlbedoCO 2

72 Decision Support Models

73 MASUS: Multi-Agent Simulator for Urban Segregation

74 Obstacles that contribute to perpetuate poverty Impacts of Segregation Policies to minimize segregation demand: A better understanding of the dynamics of segregation and its causal mechanisms

75 The Complex Nature of Segregation The Process Matters!

76 Multi-Agent Simulator for Urban Segregation MASUS Scientific tool to explore alternative scenarios of segregation Support planning actions by offering insights about the impact of policy strategiesPurpose Improve the understanding about segregation and its relation with different contextual mechanisms

77 MASUSMethodologicalSteps

78 MASUS Conceptual Model

79 MASUSMethodologicalSteps

80 São José dos Campos, Brazil São Paulo State Study Area City of São José dos Campos

81 MASUS: Process Schedule MASUS: Process Schedule

82 Decision-making sub-model ALTERNATIVES Not Move Move within the same neighborhood Move to the same type of neighborhood (n alternatives) Move to a different type of neighborhood (m alternatives) Higher probability to choose alternative with higher utility

83 Decision-making sub-model Decision-making sub-model Nesting Structure of the Model

84 NMNL: Affluent Households LevelChoiceVariableCoef.Std. err. 1 st Move Age of the household head-0.040 *** 0.011 Renter2.542 *** 0.425 Renter * household income-9.4(10 -5 )-7.5(10 -5 ) 2 nd Move within the same neigh.Constant-2.532 *** 0.693 Move to the same type of neighborhood Constant-2.464 *** 0.855 Type A neighborhood0.4770.661 Type B neighborhood0.0620.495 Kids * Type A-0.3680.636 Move to another type of neighborhood Constant-3.457 *** 1.053 Type A neighborhood-0.2560.732 Type B neighborhood1.760 *** 0.709 Kids * Type A1.49 ** 0.784 3 rd Generic variables Land price/ income-0.0840.053 Real estate offers1.4(10 -3 ) *** 5.1(10 -4 ) Distance from orig. neighborhood-4.9(10 -5 ) ** 2.5(10 -5 ) Distance to CBD2.3(10 -5 )2.9(10 -5 ) Prop. of high-income families0.960 ** 0.503

85 MASUS: Process Schedule MASUS: Process Schedule

86 MASUSMethodologicalSteps

87 Operational Model

88 MASUSMethodologicalSteps

89 Simulation Experiments Comparing simulation outputs with empirical data Testing theoretical issues Testing anti-segregation policy strategies

90 Comparison with Empirical Data Initial condition: São José dos Campos in 1991 Import GIS layers (households, environment) Import GIS layers (households, environment) Set parameters Set parameters Run 9 annual cycles Compare simulated results with real data (year 2000)

91 Comparison with Empirical Data Dissimilarity Index (local scale) Initial State (1991) Simulated Data (1991-2000) Real Data (2000) 0.54 0.31 0.15 0.51 0.30 0.19 0.51 0.30 0.19

92 Comparison with Empirical Data Isolation Poor Households (local scale) Initial State (1991) Real Data (2000) 0.54 0.51 Simulated Data (1991-2000)

93 Comparison with Empirical Data Isolation Affluent Households (local scale) Initial State (1991) Real Data (2000) 0.15 0.19 Simulated Data (1991-2000)

94 Testing a theory How does inequality affect segregation? Relation between both phenomena has caused controversy in scientific debates Experiment Compare 3 scenarios 1991-2000 Scenario 1: Previous run (baseline) Scenario 2: Decreasing inequality Scenario 3: Increasing inequality

95 Testing a theory Inequality (Gini) Proportion Poor HH Proportion Affluent HH Scenario 1 (Original) Scenario 2 (Low-Ineq.) Scenario 3 (High-Ineq.) Dissimilarity Isolation Poor HH Isolation Affluent HH

96 Testing policy strategies Experiment Compare 3 scenarios Scenario 1 no voucher (baseline) Scenario 2 200 – 1700 vouchers Scenario 3 400 – 4200 vouchers Poverty Dispersion vs. Wealth Dispersion Poverty Dispersion: housing vouchers to poor families

97 Testing policy strategies Scenario 1 No voucher (baseline) Scenario 2 200 - 1700 vouchers (2.3%) Scenario 3 400 - 4200 vouchers (5.8%) Dissimilarity Isolation Poor HH Isolation Affluent HH 2.3 - 3.5 % 5.8 - 10.7% 2.3 - 1.7 % 5.8 - 3.4% 2.3 - 5.7 % 5.8 - 8.3 %

98 Testing policy strategies Poverty Dispersion Demands high and continous investment to decrease poverty isolation Poverty Dispersion vs. Wealth Dispersion Slows down the increase in segregation, but does not change the trends

99 Testing policy strategies Poverty Dispersion vs. Wealth Dispersion Experiment Compare 2 scenarios Scenario 1 (baseline) Scenario 2 new areas for upper classes Urban areas in 1991 Undeveloped areas for upper classes Wealth Dispersion: Incentives for constructing residential developments for upper classes in poor regions of the city

100 Testing policy strategies Scenario 1 baseline Scenario 2 new areas for upper classes Dissimilarity Isolation Poor HH Isolation Affluent HH

101 Testing policy strategies Wealth Dispersion Produces long-term outcomes Poverty Dispersion vs. Wealth Dispersion More effective at decreasing large-scale segregation E.g. Dissimilarity 2010 local scale (700m): - 19% large scale (2000m): - 36%

102 Testing policy strategies Wealth Dispersion Positive changes in the spatial patterns of segregation Poverty Dispersion vs. Wealth Dispersion Baseline 2010 Wealth Dispersion 2010

103 Laboratory for testing theories and policy approaches on segregation Does not focus on making predictions Exploratory tool, framework for assembling relevant information Multi-Agent Simulator for Urban Segregation MASUS

104 Um contador de histórias Modelos de simulação contam uma história A história pode ser boa ou não… Pode ser sobre o presente, passado ou futuro… FERRAMENTA PARA COMPARTILHAR VISÕES, LEVANTAR DÚVIDAS, ESTRUTURAR DISCUSSÕES E DEBATES Mas oferece uma outra maneira de examinar a situação!