Francesco Giannino » 17.Introduzione a modelli individual-based (IBM)

Indice della lezione

Introduzione ai modelli individual-based, e differenze con i modelli di comunità aggregata.

Modelli di comunità aggregata

Community model (CM)

Nei modelli di comunità aggregata, le popolazioni sono modellate come un unico elemento, attraverso una variabili di stato che rappresenta le caratteristiche “medie” della popolazione.

I modelli matematici ecologici classici sono rappresentati con questo approccio (equazione logistica, Lotka-Volterra modello, variabile modello di Stato, Tilman modello,…).

E’ possibile introdurre alcune complessità sulla approccio modellistico di comunità aggregata rappresentando ad esempio i modelli ad età, in cui gli individui sono raggruppati in classi.

Community model: pro

• Semplice da implementare, utilizzando strumenti di sistema dinamici o librerie numeriche.
• Disponibilità di numerose classi di modelli gia studiati.
• La complessità computazionale del modello non dipende dal numero degli individui della comunità (possono quindi modelizzare comunità con un gran numero di individui).
• Facile processo di scal-up.
• Sono disponibili numerosi strumenti matematici (teorici e numerici).
• Matematicamente molto “attraente”: approccio continuo (deterministici e / o stocastico).
• Risultati adatti per analisi.

Community model: contro

• Il sistema biologico viene “costretto” in modelli matematici: approccio inadatto per rappresentare una complessità biologica
• è assunto un semplice ciclo di vita ( “zero-complessità “), in cui il modello descrive solo il comportamento medio del individuo
• le interazione tra gli individui non sono modellizate
• la distribuzione spaziale delle risorse non e’ modellizzata
• i ricercatori sono costretti ad aggregare (in valori medi) le loro conoscenze e informazioni

Modelli a scala di individuo

I modelli a scala di individuo (individual-based model, IBM) sono stati introdotti con i due lavoro 1988, Huston et al.; 1992, DeAngelis and Gross.

Gli IBM descrivono la popolazione come un insieme di individui con proprietà singole e quindi anche differenti.

Il comportamento dinamico di tutto il sistema (comunità) deriva quindi dalla interazione della dinamica dei singoli individui.

IBM utilizza un approccio modellisitco e di programmazione “buttom-up” (o reduzionistico)

Individual-based model: pro

• La proprietà emergente del modello è data dalla integrazione delle interazioni tra gli individui.
• Ogni individuo è descritto dalle sue caratteristiche.
• La distribuzione spaziale delle risorse sono considerate.
• E’ possibile “inserire” le osservazioni e conoscenze direttamente nel modello.
• Dal punto di vista di programmazione il modello è intrinsecamente parallelo.

Individual-based model: contro

• Non sono facili da implementare.
• Pochissimi strumenti (modellistici, programmazione) sono stati ideati “ad hoc”.
• I linguaggi di programmazione utilizzati sono Fortran, C, C++, difficile da usare per dei ricercatori non “esperti” e con poche competenze di programmazione.
• Problemi computazionali con il processo di scal-up.
• Pochissimi tool user friendly sono stati sviluppati per permettere ai ricercatori ecologi/biologi lo sviluppo di IBM.

Individual-based model: campi di applicazione

Ecologia e Biologia

• Pesci (Individual-Based Fish Population Model Applied to Management Issues (1991), Deangelis et all)
• Mammiferi (Model of Animal Behavior (MOAB) , J. Carter)
• Uccelli (Channel Island bald eagle and peregrine falcon populations (1994), G. Swartzman)
• Insetti (Multi-Agent Simulation of Honey Bee Colonies, D. Sumpter)
• Foreste (Individual-based model of plant communities (2002) Mazzoleni, Giannino and Toraldo)
• Batteri (BacSim, a simulator for individual-based modelling of bacterial colony growth (1998), J. Kreft, J. Wimpenny)
• Ecosistemi (The implementation and visualisation of a large spatial individual-based model using fortran 90 (1996),T. Hopkins and D. Morse.)
  

Individual-based model: campi di applicazione

Comportamenti umani

• Sociologia (Agency and Interaction, Peter J. Burke)
• Comunicazione interpersonale (Formal Approaches to Innate and Learned Communication: Laying the Foundation for Language (1997), M. Oliphant)
• Traffico (MITSIM: Microscopic Traffic Simulator for Evaluation of Dynamic Traffic Management Systems developed at MIT’s Intelligent Transportation Systems, Q. Yang and H. Koutsopoulos)

Economia (Agent-Based Computational Economics, L. Tesfatsion)

IBM/CM: le strategie di implementazione

Confronto tra i due approcci modellistici IBM e CM in funzione delle due diverse strategie Top down e bottom-up

Conclusioni

I modelli individual-based permettono di simulare la dinamica delle popolazioni in maniera molto piu “realistica” rispetto ai modelli di comunità aggregata, in particolare considerano:

• La dinamica della comunità come una proprietà emergente del sistema, ottenuta attraverso l’interazione dei singoli individui
• Le interazioni spaziali
• L’analisi del disturbo
• I cambiamenti dell’ambiente circostante

Le difficoltà di implementazioni e i problemi computazioni degli IBM sono attualmente ancora un fattore limitante per una rapida e profonda diffusione di questo approccio modellistico.