Une mthodologie de modlisation pour grer la complexit des cosystmes estuariens

1
Une méthodologie de modélisation pour gérer la
complexité des écosystèmes estuariens

• Guillaume Prévost
• LIH
• Guillaume.prevost_at_univ-lehavre.fr

2
Plan

• Démarche
• Les écosystèmes sont des systèmes complexes
• Multi-scale model for fluid flow simulation
• Un meta-modèle
• Utilisation d'une ontologie
• Un environnement de simulation
• Une méthode de détection dorganisations comme
  outils danalyse
• Perspectives

3
Plan

• Démarche
• Les écosystèmes sont des systèmes complexes
• Multi-scale model for fluid flow simulation
• Un meta-modèle
• Utilisation d'une ontologie
• Un environnement de simulation
• Une méthode de détection dorganisations comme
  outils danalyse
• Perspectives

4
Démarche

• Approche systémique
• Fournir une méthodologie permettant de modéliser
  un écosystème et ses constituants
• Fournir les outils pour passer dun modèle
  développé suivant cette méthodologie à une
  simulation
• Fournir des outils danalyses des résultats

5
Plan

• Démarche
• Les écosystèmes sont des systèmes complexes
• Multi-scale model for fluid flow simulation
• Un meta-modèle
• Utilisation d'une ontologie
• Un environnement de simulation
• Une méthode de détection dorganisations comme
  outils danalyse
• Perspectives

6
Lapproche systémique

• Les écosystèmes sont
• des systèmes au sens de la théorie générale des
  systèmes
• des systèmes thermodynamiques (dissipatif)
• Des systèmes ouverts holarchiques (SOHOS)

7
Changer le niveau de description

• Les modèles différent par
• Leur echelle (spatiale ou temporelle)
• Leur manière de representer lespace (continu ou
  discret)
• Leur nature (individu-centré, analytique, )
• ?Modèle hybride multi-echelle

8
Plan

• Démarche
• Les écosystèmes sont des systèmes complexes
• Multi-scale model for fluid flow simulation
• Un meta-modèle
• Utilisation d'une ontologie
• Un environnement de simulation
• Une méthode de détection dorganisations comme
  outils danalyse
• Perspectives

9
Multi-scale model for fluid flow simulation

• Finding organizations which sum up many entities
  behaviors in a high level of description ?
  computable simulations
• Multi-scale models give pertinent information as
  emergence of systems which retro-act on
  constitutive components

10
Overview of the System

• Two layers
• Basic low level objects such as fluid particles.
• An organisational MAS representing the
  organisations both among the first layer but also
  inside the MAS itself.
• The MAS thus reifies a fractal aspect of the
  organisations.

11
Basic Layer

• Particles behaviour is based on Bio-Savart
  formula.
• These formula compute the speed and vorticity of
  the particles
• Computation in O(n²)

12
Detecting emergent vortexes among the basic
particles

• Vortex of various size and shapes are detected
  using the following steps
• Delaunays Triangulation
• Minimal spanning tree
• Clusters detection
• Convex hulls with constraintsthese hulls become
  the outer limit of an agent representing the
  emergent structure
• Illustrative sample in the following

13
Reification of the detected structure

• The particles included in the detected structure
  are taken off from the basic layer of the
  simulation
• An agent representing the structure is created in
  its place.

14
Life of an Agent

• Reifies a structure.
• Its proaction is mechanic.
• Its social aspects are trying to combine with
  agents of same vorticity and being weakened by
  close agents of opposite vorticity.
• Being weakened means reducing its size or
  changing its shape and creating smaller scale
  entities (agents or particles) to fine tune the
  interaction.
• This weakening can lead to the destruction of the
  agent.

15
Plan

• Démarche
• Les écosystèmes sont des systèmes complexes
• Multi-scale model for fluid flow simulation
• Un meta-modèle
• Utilisation d'une ontologie
• Un environnement de simulation
• Une méthode de détection dorganisations comme
  outils danalyse
• Perspectives

16
Lapproche

• On subdivise la biocénose en trois catégories
• Les producteurs
• Les consommateurs
• Les décomposeurs
• On divise lécosystème en compartiments reliés
  par des flux.

17
Un meta-modèle decosystème principaux concepts

• Regroupant modèles individu-centrés,
  populationnels et globaux sous un formalisme
  individu-centré
• Multi-niveau de modélisation et dobservation.
• Ecosystèmes séparés en compartiments spatiaux
  échangeant des flux.
• Entités liés par des interactions.

18
Un meta-modèle hybride holarchique à compartiments

• On a connaissance de copartiments
• Exemple de la Seine qui peut se décomposer en
  compartiments naturels
• Lespace permet de décomposer naturellement un
  ecosystème

19
Un meta-modèle hybride holarchique à compartiments
Exemple dune simulation hybride à trois
compartiments
20
Un meta-modèle hybride holarchique à
compartiment buts

• Permettre dutiliser plusieurs types de modèles
  existants qui différent par
• Leur nature (echelle, type, )
• Leur méthodologie (IBMs, equationnel, ...)
• Sadapter aux caracteristique des ecosystèmes
• Théorie general des systèmes
• Traversé par des flux structurant
• Holarchiques et ouverts
• compartimentaux
• Faciliter la tâche du modelisateur.

21
Modèle de chaîne trophique

• Nous utilisons un modèle de comportement basé sur
  une decomposition tri-partie
• Les producteurs vie vegetale
• Les consommateurs vie animales principalement
• Les décomposeurs les bacteries

22
Plan

• Démarche
• Les écosystèmes sont des systèmes complexes
• Multi-scale model for fluid flow simulation
• Un meta-modèle
• Utilisation d'une ontologie
• Un environnement de simulation
• Une méthode de détection dorganisations comme
  outils danalyse
• Perspectives

23
Une ontologie pour décrire les écosystemes

• Une ontologie, pour quoi faire ?- Donner une
  définition formelle des concepts dun domaine de
  connaissance
• - expliciter les liens entre les concepts-
  clarifier les partis-pris dune vision- partager
  la connaissance et la compréhension du domaine
  avec des non spécialistes

24
Une meta-ontologie pour notre meta-modèle

• Réalisée avec protégé2000
• Permet de convertir létude dun cas concret (un
  écosystème réel) en un modèle respectant les
  concepts de modélisation précédemment cités via
  le mécanisme dinstanciation
• Faites de concept (ou classe) et de relations
  (héritage ou lien nommé slot ) entre ces
  classes.

25
(No Transcript)
26
Linstanciation ?

• Lontologie définit des concepts et les liens ou
  rapport entre ces concepts
• Linstanciation consiste à donner des cas réels
  de ces concepts en définissant toutes les
  instances des concepts reliés au concept que lon
  détermine
• Dans le cas de notre meta-ontologie de modèle,
  linstanciation correspond à la modélisation dun
  problème concret.

27
Un exemple ?

• Nous traiterons un problèmes fictif simple
• Ecosystème où lon veut étudier la lumière
• La lumière varie dans le milieu
• Biocénose constitué de quatre espèces
• On étudie aussi les chaînes trophiques du milieu

28
Du problème au modèle

• On connaît les interactions possibles entre
  espèces

29
Le phytoplancton

• Que sait ton ?
• Le phytoplancton produit de loxygène, cest donc
  un producteur

30
Choix dun modèle

• Linstanciation de la classe Producer pose de
  nouvelles questions sur loxygène (modélisation
  ?), les sels minéraux et le choix dun modèle
  pour représenter les phytoplanctons.
• On choisit de les modéliser en tant que
  super-individu

31
Choix dun spacialisation

• La classe Coordinate2D
• Lespace associé

32
Les comportements du plancton

• On lui adjoint des behaviors
• De production
• De vieillissement
• De reproduction

33
Au final

• On répète le processus avec toutes les données du
  problèmes
• Linstanciation nous permet de préciser notre
  modèle et nous guide dans les étapes de la
  modélisation
• On obtient- Un écosystème décomposé en
  compartiments spatialisés via une grille et un
  espace continu à deux dimension et échangeant de
  loxygène.- Les compartiments ont pour
  attributs O2, sels minéraux, matière organique-
  le plancton et les bactéries sont des
  super-individus respectivement producteurs et
  décomposeurs localisés via leurs coordonnés sur
  la grille- les poissons sont des individus
  consommateurs localisés via leurs coordonnées
  dans lespace.

34
Plan

• Démarche
• Les écosystèmes sont des systèmes complexes
• Multi-scale model for fluid flow simulation
• Un meta-modèle
• Utilisation d'une ontologie
• Un environnement de simulation
• Une méthode de détection dorganisations comme
  outils danalyse
• Perspectives

35
Caractéristique de la plateforme

• Implémenté en java en utilisant ProActive
• Distribuable sur un réseau de machine
• Programmé en tant quAPI
• Prévu pour être utilisé via une interface

36
Quelques screenshots
37
Screenshots (suite)
38
Plan

• Démarche
• Les écosystèmes sont des systèmes complexes
• Multi-scale model for fluid flow simulation
• Un meta-modèle
• Utilisation d'une ontologie
• Un environnement de simulation
• Une méthode de détection dorganisations comme
  outils danalyse
• Perspectives

39
Comment détecter?

• Environnement basé sur les interactions entre
  entités
• Enregistrement des interactions de type prédation
  ou consommation avec évaluation de son effet sur
  les deux entités
• Constitution dun graphe dinteraction

40
Constitution du graphe

• Les sommets sont les entités ayant été en
  interactions
• Les arcs lient les entités qui ont interagit
• La valeur de larc (A,B) est égal à la somme des
  effets sur A des interactions entre A et B.

41
Rassemblement et stabilité

• On rassemble les entités ayant les mecs arcs
  incidents.
• La nature de lentité émergente dépend de celle
  de ses constituants
• Lentité émergente regroupe les comportements et
  états de ses éléments
• Elle est stable tant quelle conserve les arcs
  incidents de ses constituants.

42
Plan

• Démarche
• Les écosystèmes sont des systèmes complexes
• Multi-scale model for fluid flow simulation
• Un meta-modèle
• Utilisation d'une ontologie
• Un environnement de simulation
• Une méthode de détection dorganisations comme
  outils danalyse
• Perspectives

43
A venir

• Implémentation dun interface homme-machine pour
  faire le lien entre meta-ontologie et plateforme
• Fin dimplementation du changement dechelle
  suite aux détection
• Constitution des chaînes trophiques en cours de
  simulation