flávia f. feitosa [email protected] ser 301 – análise espacial de dados geográficos...

104
Flávia F. Feitosa [email protected] SER 301 – SER 301 – Análise Espacial de Dados Geográficos Análise Espacial de Dados Geográficos Introdução à Modelagem Introdução à Modelagem e Simulação Computacional e Simulação Computacional R ede H idrográfica R ede Estradas P istas de pouso São Félix do Xingu Tucum ã e O urilândia Altam ira U ruará C anopus Vila C entral Taboca Sudoeste R ede H idrográfica R ede Estradas P istas de pouso São Félix do Xingu Tucum ã e O urilândia Altam ira U ruará C anopus Vila C entral Taboca Sudoeste Tucum ã Sudoeste Ladeira V erm elha M inerasul C arapanã Belém S ão Félix A raguaína A ltam ira V ila C anopus N ereu Tancredo N eves Taboca V ila dos C rentes P orto Estrela V ila C entral P ontalina V ila C aboclo P rim avera Redenção M etrópole C idades C idades Setores Localidades >50.000 hab <50.000 hab U rbanos Tucum ã Sudoeste Ladeira V erm elha M inerasul C arapanã Belém S ão Félix A raguaína A ltam ira V ila C anopus N ereu Tancredo N eves Taboca V ila dos C rentes P orto Estrela V ila C entral P ontalina V ila C aboclo P rim avera Redenção M etrópole C idades C idades Setores Localidades >50.000 hab <50.000 hab U rbanos

Upload: internet

Post on 18-Apr-2015

110 views

Category:

Documents


5 download

TRANSCRIPT

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

Flávia F. [email protected]

SER 301 – SER 301 – Análise Espacial de Dados GeográficosAnálise Espacial de Dados Geográficos

Introdução à Modelagem Introdução à Modelagem e Simulação Computacionale Simulação Computacional

Rede Hidrográfica

Rede Estradas

Pistas de pouso

São Félix do Xingu

Tucumã e Ourilândia

Altamira

Uruará

Canopus

VilaCentral

Taboca

Sudoeste

Rede Hidrográfica

Rede Estradas

Pistas de pouso

São Félix do Xingu

Tucumã e Ourilândia

Altamira

Uruará

Canopus

VilaCentral

Taboca

Sudoeste

Tucumã

Sudoeste

Ladeira Vermelha

Minerasul

Carapanã

Belém

São Félix

Araguaína

AltamiraVila Canopus

Nereu

Tancredo Neves

Taboca

Vila dos Crentes

Porto Estrela

Vila Central

Pontalina

Vila Caboclo

Primavera

Redenção

Metrópole Cidades Cidades Setores Localidades>50.000 hab <50.000 hab Urbanos

Tucumã

Sudoeste

Ladeira Vermelha

Minerasul

Carapanã

Belém

São Félix

Araguaína

AltamiraVila Canopus

Nereu

Tancredo Neves

Taboca

Vila dos Crentes

Porto Estrela

Vila Central

Pontalina

Vila Caboclo

Primavera

Redenção

Metrópole Cidades Cidades Setores Localidades>50.000 hab <50.000 hab Urbanos

Page 2: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

ModelosModelos

Representações simplificadas de um objeto, estrutura, ideia ou Representações simplificadas de um objeto, estrutura, ideia ou sistema. Estas representações atendem a algum sistema. Estas representações atendem a algum propósitopropósito!!!!!!São menores, menos detalhados, menos complexos, ou tudo isso junto…São menores, menos detalhados, menos complexos, ou tudo isso junto…Podem ser estáticos ou dinâmicos…Podem ser estáticos ou dinâmicos…

Yi = 0 + Xi 1

Page 3: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Um mapa é um modelo? 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”…

Page 4: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Modelos de Simulação Modelos de Simulação (Computacional)(Computacional)

Inclui a representação de determinados Inclui a representação de determinados processos/comportamentos do sistema de interesseprocessos/comportamentos do sistema de interesse

Propósito de compreender melhor o comportamento Propósito de compreender melhor o comportamento do sistema ao longo do tempo, explicar padrões que do sistema ao longo do tempo, explicar padrões que

observamos na realidade, dinâmicas não-lineares, observamos na realidade, dinâmicas não-lineares, retroalimentação do sistema…retroalimentação do sistema…

Page 5: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Como comportamentos individuais geram Como comportamentos individuais geram padrões “macro” no nosso mundo... padrões “macro” no nosso mundo...

Um exemplo simples de simulação… Um exemplo simples de simulação…

Page 6: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Bird FlockingBird FlockingoModelo baseado em

interações “bottom-up”

o Nenhuma autoridade central

o Cada pássaro reage ao seu vizinho

Page 7: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Bird FlockingBird Flocking Reynolds Model (1987) – Três regrasReynolds 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.

Page 8: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Bird FlockingBird Flocking Reynolds Model (1987)Reynolds Model (1987)

http://ccl.northwestern.edu/netlogo/models/Flocking

Page 9: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Complex SystemsComplex 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)

Page 10: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Complex SystemsComplex Systems

Complicated vs. Complex

EmergenceSmall number of rules applied locally among many individuals can generate complex global patterns

Self-organization No centralized authority

Page 11: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Complex SystemsComplex Systems

Non-linearityGenerate unexpected and counter-intuitive global patterns that cannot be understood as a simple sum of the parts. Invalidates simple extrapolation.

Path-dependenceHighly affected by past states

AdaptationAdapt to unexpected changes in its environment (e.g. avoiding obstacles)

Page 12: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

What are complex adaptive systems?What are complex adaptive systems?

Page 13: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Traditional Modelling ApproachesTraditional Modelling Approaches

Statistical modeling, Classical optimization, System dynamics modeling…o Top-down viewo Linearo Correlationo Cause and effect reasoningo Often assume homogeneityo Some are statico Seeks to find some equilibrium representing the “solution” to the problem

Simulation models Are “run” rather than “solved”

Page 14: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Autômatos CelularesAutômatos Celulareso Objetos Computacionais, geralmente chamados de “células”o Situados no tempo e espaçoo 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

Page 15: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Autômatos CelularesAutômatos CelularesObjetos “fixos” no espaço!

Mudanças de Estado não envolvem movimentos.

Já a noção de AGENTES introduz a ideia de objetos móveis, e um pouco mais…

Page 16: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Agent-Based ModellingAgent-Based ModellingAnother Alternative to traditional modeling paradigms

What is an Agent?

o Independent component (e.g. software object) o Do not have fixed locationo Have a state and behavioral ruleso 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, …)

Page 17: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Agent-Based ModellingAgent-Based ModellingAGENTS

o Capability to make independent decisionso 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 structureA L

Page 18: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Agent-Based ModellingAgent-Based Modelling

Goal

Environment

Representations

Communication

ActionPerception

Communication

Gilbert, 2003

Page 19: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Agent-Based ModellingAgent-Based Modelling

Isento da limitação da tratabilidade matemática.

Ao invés de descrever um sistema apenas com variáveis que representam o estado do sistema como um todo, modelamos seus componentes individualmente

Page 20: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Agent-Based ModellingAgent-Based Modelling

Útil para a representação de sistemas compostos por agentes autônomos, que interagem entre si e com o ambiente, diferem um do outro no espaço e tempo e apresentam comportamentos que são importantes para como o sistema funciona.

Trata múltiplos níveis de um problema: do local ao global, do individual ao coletivo

EXEMPLOS???

Page 21: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Agents are…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

Page 22: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Agents are…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

Page 23: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Types of ABMTypes of ABMMinimalist Models

o Based on a set of idealized assumptionso Abstract and artificialo Exploratory laboratories in which assumptions can be testedo Ex: Schelling, Sugarscape Model

Decision Support Modelso Descriptive and realistico Usually large-scale applicationso Designed to answer policy questionso Include real data to calibrate and to compare simulation outputso Ex: MASUS (Multi-Agent Simulator for Urban Segregation)

(Macal e North, 2005)

Page 24: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

A Minimalist Model A Minimalist Model Schelling’s Model of SegregationSchelling’s Model of SegregationSegregation is an outcome of individual choices

But high levels of segregation mean that people are prejudiced?

Page 25: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Schelling’s Model of SegregationSchelling’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

Page 26: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Schelling’s Model of SegregationSchelling’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

Page 27: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Tolerance values above 30%: formation of ghettos

http://ccl.northwestern.edu/netlogo/models/Segregation

Schelling’s Model of SegregationSchelling’s Model of Segregation

Page 28: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da Modelagem

Page 29: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da ModelagemDefinir o propósito do

modelo, as questões que buscamos responder

Page 30: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da ModelagemSegregação é um resultado

da intolerância das famílias em relação à presença de outros grupos sociais?

Page 31: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da Modelagem

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

Todo modelo é uma representação simplificada que serve a um propósito.

A simplificação é importante para que se construa uma compreensão gradual do problema.

O propósito, que pode ser traduzido através de uma pergunta, serve como um filtro para que se decida o que incluir/ignorar em um modelo.

Page 32: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da ModelagemFormular

hipóteses/premissas a partir de nosso

conhecimento preliminar sobre como o sistema

funciona(Teorias)

Page 33: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da ModelagemSe 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.

Page 34: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da Modelagem

Quais fatores tem forte influência sobre o fenômeno de interesse?

Estes fatores são independentes ou interagem entre si?

São afetados por outros fatores importantes?

Momento de combinar conhecimentos, uma fase de “brainstorming”

Gráficos, Diagramas, etc. são bem vindos!!!

Page 35: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional
Page 36: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Formulação do ModeloFormulação do Modelo

Comunicar o modelo nas suas diversas fases é importante!

Leva a novas discussões e reformulação do modelo

MODELO COMO UM OBJETO MEDIADOR

Page 37: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

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

Page 38: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da Modelagem

Quais elementos/interações a serem considerados?

Como serão representados?

Autômatos? Agentes? Escolher escalas,

entidades, variáveis, processos e parâmetros

do modelo

Page 39: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Formulação do ModeloFormulação do Modelo

É hora de pensar nos detalhes do modelo

o Ideias representadas em palavras, diagramas deverão ser traduzidas em algoritmos, equações, etc.

oA formulação serve, inicialmente, para que possamos pensar explicitamente sobre todas as partes do modelo, identificar todas as decisões que precisamos tomar.

Page 40: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da Modelagem

Page 41: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da Modelagem

A implementação permite-nos explorar, de maneira lógica e rigorosa, as consequências de nossas premissas.

Implementar um modelo não é difícil, mas fazer ciência com ele sim!!!

Page 42: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

PlataformasPlataformasTerraME (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/

Page 43: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Elementos do NetLogoElementos do NetLogoTurtles: 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.

Page 44: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da Modelagem

Verificação, Comparação com Dados Reais,

Simulação de Cenários, Análises de

Sensibilidade

Page 45: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Lembrete Importante!Lembrete Importante!MODELOS NÃO SÃO BOLAS DE CRISTAL !!!!

“We may need to consider abandoning the dream of long-term prediction”

Helen Couclelis, CAMUSS 2012

Page 46: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

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:oBatty, M; Torrens, P (2005) Modelling and Prediction in a Complex World. Futures, v.37, n.7, p.745-766.oCouclelis, 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.

Page 47: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da Modelagem

Page 48: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

O Ciclo da ModelagemO Ciclo da Modelagem

É um processo iterativo!!!

Nossos modelos podem ser sempre melhorados de alguma forma: -São muito simples ou muito complexos-Podemos nos dar conta de que estamos fazendo as perguntas erradas…-O ciclo não precisa ser seguido inteiramente de maneira contínua, “loops” menores são desejáveis

Page 49: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Protocolo ODD Protocolo ODD (Overview, Design, Details)(Overview, Design, Details)

Estrutura útil na formulação, descrição e comunicação dos modelosEstrutura 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

Page 50: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

1. Overview1. OverviewPropósito

o Que sistema estamos modelando? o O que estamos querendo aprender com isso?

Entidades, Variáveis e Escalaso 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)

Page 51: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

1. Overview1. Overview

Entidades, Variáveis e Escalaso Escala temporal: resolução e extensão temporalo Escala espacial: resolução espacial

Process Overview and Scheduleo Estrutura dinâmica do modeloo Quais os processos que modificam as variáveis

que caracterizam as entidades do modelo? o Em que ordem estes processos ocorrem?

Page 52: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

2. Design Concepts2. Design ConceptsPrincípios Básicos

o Conceitos, teorias, hipóteses, etc… o Como estes princípios estão incorporados no modelo?

Emergênciao Quais são as saídas e resultados importantes do modelo?

Quais deles emergem do mecanismo de representação do comportamento dos agentes?

Adaptaçãoo Quais comportamentos adaptativos possuem os agentes?

Como eles respondem a mudanças?

Page 53: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

2. Design Concepts2. Design ConceptsObjetivos

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/Prediçãoo Os agentes mudam seu comportamento em consequência

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?

Page 54: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

2. Design Concepts2. Design ConceptsSensibilidade/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?

Interaçãoo Como os agentes interagem? Eles interagem diretamente

uns com os outros ou esta interação é mediada?

Estocasticidadeo Como são os processos estocásticos (baseados em números

pseudo-aleatórios) utilizados no modelo e por quê?

Page 55: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

2. Design Concepts2. Design ConceptsColetivos

o Agregação de agentes que afetam o estado ou comportamento dos indivíduos.

o Coletivos são representados no modelo? Como?

Observaçãoo 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?

Page 56: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

3. Details3. DetailsInicialização

o Condições iniciais da simulaçãoo Quantos agentes? Quais os valores iniciais das

variáveis?

Dados de Entradao Arquivos de dados importados ao longo das

simulações

Sub-Modelos

Page 57: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Outros Exemplos de Modelos Outros Exemplos de Modelos MinimalistasMinimalistas

oWealth distribution

oVirus Transmission

oClimate Change

o…

Page 58: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Wealth DistributionWealth Distribution Brazil ranks among the world's highest nations in the Gini

coefficient index of inequality (G = 0.55)

Source: Wikipedia

Page 59: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

G = 0: Perfect equality (everybody has same wealth)

G = 1: Perfect inequality (all is owned by one individual)

Wealth Distribution: Gini RatioWealth Distribution: Gini Ratio

Page 60: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Wealth Distribution – Sugarscape ModelWealth Distribution – Sugarscape Model

“The rich get richer and the poor get poorer”

Sugarscape Model – Epstein & Axtell (1996)

Illustrates Pareto’s Law

Most of the people are poor, fewer are middle class, and very few are rich: 80/20 rule

Page 61: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Wealth Distribution – Sugarscape ModelWealth 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

Page 62: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Wealth Distribution – Sugarscape ModelWealth Distribution – Sugarscape ModelInitial conditions: randomly distributed

Page 63: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Wealth Distribution – Sugarscape ModelWealth Distribution – Sugarscape Model

Uniform random assignments of vision and metabolism still result in unequal distribution of wealth

HOW????

Page 64: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Wealth DistributionWealth Distribution

Non-linear distribution of wealth Resembles a power lawThe "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

Page 65: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Virus TransmissionVirus Transmission

Page 66: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Virus TransmissionVirus Transmission

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

Page 67: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Virus TransmissionVirus TransmissionBaseline Recover > Recover <

Page 68: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Greenhouse EffectGreenhouse Effect

Page 69: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Greenhouse EffectGreenhouse Effect

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

Page 70: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Greenhouse EffectGreenhouse EffectBaseline Albedo CO2

Page 71: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

EXERCÍCIO PARA PRÓXIMA AULA EXERCÍCIO PARA PRÓXIMA AULA (29/11)(29/11)

Selecionar um modelo minimalista e descrevê-lo Selecionar um modelo minimalista e descrevê-lo de acordo com os princípios do protocolo ODDde acordo com os princípios do protocolo ODD

Page 72: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Decision Support ModelsDecision Support Models

Page 73: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

MASUS: Multi-Agent Simulator for MASUS: Multi-Agent Simulator for Urban SegregationUrban Segregation

Page 74: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Obstacles that Obstacles that contribute to contribute to

perpetuate povertyperpetuate poverty

Impacts of SegregationImpacts of Segregation

Policies to minimize segregation demand:Policies to minimize segregation demand: A better understanding of the dynamics of A better understanding of the dynamics of

segregation and its causal mechanismssegregation and its causal mechanisms

Page 75: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

The Complex Nature of SegregationThe Complex Nature of Segregation

The Process Matters!The Process Matters!

Page 76: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Multi-Agent Simulator for Urban SegregationMulti-Agent Simulator for Urban SegregationMASUSMASUS

Scientific tool to explore alternative scenarios of segregation

Support planning actions by offering insights about the impact of policy strategies

PurposePurpose

Improve the understanding about segregation and its relation with different contextual mechanisms

Page 77: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

MASUSMASUSMethodologicalMethodologicalStepsSteps

1. Problem analysis and objective formulation

2. Conceptual model framework

3. Theoretical specification 4. Data collection

5. Empirical parameterization

6. Programming in NetLogo

7. Verification

10. Analyses of simulated results

Next version of MASUS

Are the empirical results consistent with the theoretical specification ?

Is the program executing what is stated in the theoretical specification ?

8. Simulation experiments

9. Validation

Are the simulation outputs appropriate to represent the real target-system?

Y

NN

N

N

N

Y

Y

Page 78: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

MASUS Conceptual ModelMASUS Conceptual Model

Page 79: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

MASUSMASUSMethodologicalMethodologicalStepsSteps

1. Problem analysis and objective formulation

2. Conceptual model framework

3. Theoretical specification 4. Data collection

5. Empirical parameterization

6. Programming in NetLogo

7. Verification

10. Analyses of simulated results

Next version of MASUS

Are the empirical results consistent with the theoretical specification ?

Is the program executing what is stated in the theoretical specification ?

8. Simulation experiments

9. Validation

Are the simulation outputs appropriate to represent the real target-system?

Y

NN

N

N

N

Y

Y

Page 80: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

São José dos Campos, BrazilSão José dos Campos, Brazil

São Paulo StateStudy Area

City of São José dos Campos

Page 81: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

MASUS: Process ScheduleMASUS: Process Schedule

Page 82: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Decision-making sub-modelDecision-making sub-model

ALTERNATIVESALTERNATIVES• 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 Higher probability to choose alternative with higher utilityutility

Page 83: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Decision-making sub-modelDecision-making sub-model

Nesting Structure of the ModelNesting Structure of the Model

Page 84: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

NMNL: Affluent HouseholdsNMNL: Affluent HouseholdsLevel Choice Variable Coef. Std. err.

1st MoveAge of the household head -0.040*** 0.011

Renter 2.542*** 0.425

Renter * household income -9.4(10-5) -7.5(10-5)

2nd

Move within the same neigh. Constant -2.532 *** 0.693

Move to the same type

of neighborhood

Constant -2.464 *** 0.855

Type A neighborhood 0.477 0.661

Type B neighborhood 0.062 0.495

Kids * Type A -0.368 0.636

Move to another

type of neighborhood

Constant -3.457 *** 1.053

Type A neighborhood -0.256 0.732

Type B neighborhood 1.760 *** 0.709

Kids * Type A 1.49 ** 0.784

3rd Generic

variables

Land price/ income -0.084 0.053

Real estate offers 1.4(10-3) *** 5.1(10-4)

Distance from orig. neighborhood -4.9(10-5) ** 2.5(10-5)

Distance to CBD 2.3(10-5) 2.9(10-5)

Prop. of high-income families 0.960 ** 0.503

Page 85: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

MASUS: Process ScheduleMASUS: Process Schedule

Page 86: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

MASUSMASUSMethodologicalMethodologicalStepsSteps

1. Problem analysis and objective formulation

2. Conceptual model framework

3. Theoretical specification 4. Data collection

5. Empirical parameterization

6. Programming in NetLogo

7. Verification

10. Analyses of simulated results

Next version of MASUS

Are the empirical results consistent with the theoretical specification ?

Is the program executing what is stated in the theoretical specification ?

8. Simulation experiments

9. Validation

Are the simulation outputs appropriate to represent the real target-system?

Y

NN

N

N

N

Y

Y

Page 87: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Operational ModelOperational Model

Page 88: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

MASUSMASUSMethodologicalMethodologicalStepsSteps

1. Problem analysis and objective formulation

2. Conceptual model framework

3. Theoretical specification 4. Data collection

5. Empirical parameterization

6. Programming in NetLogo

7. Verification

10. Analyses of simulated results

Next version of MASUS

Are the empirical results consistent with the theoretical specification ?

Is the program executing what is stated in the theoretical specification ?

8. Simulation experiments

9. Validation

Are the simulation outputs appropriate to represent the real target-system?

Y

NN

N

N

N

Y

Y

Page 89: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Simulation ExperimentsSimulation Experiments

Comparing simulation outputs with Comparing simulation outputs with empirical dataempirical data

Testing theoretical issuesTesting theoretical issues

Testing anti-segregation policy strategiesTesting anti-segregation policy strategies

Page 90: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Comparison with Empirical DataComparison with Empirical Data

Initial condition: São José dos Campos in Initial condition: São José dos Campos in 19911991• Import GIS layers (households, environment)Import GIS layers (households, environment)

• Set parametersSet parameters

Run 9 annual cyclesRun 9 annual cycles

Compare simulated results with real data Compare simulated results with real data (year 2000)(year 2000)

Page 91: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Comparison with Empirical DataComparison with Empirical DataDissimilarity 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

Page 92: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Comparison with Empirical DataComparison with Empirical DataIsolation Poor Households (local scale)

Initial State (1991)

Real Data (2000)

0.54 0.51 0.51

Simulated Data (1991-2000)

Page 93: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Comparison with Empirical DataComparison with Empirical DataIsolation Affluent Households (local scale)

Initial State (1991)

Real Data (2000)

0.15 0.19 0.19

Simulated Data (1991-2000)

Page 94: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Testing a theoryTesting a theory

How does inequality affect segregation? 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 inequalityScenario 3: Increasing inequality

Page 95: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Testing a theoryTesting 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

Page 96: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Testing policy strategiesTesting 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 DispersionPoverty Dispersion vs. Wealth Dispersion

Poverty Dispersion: housing vouchers to poor families

Page 97: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Testing policy strategiesTesting 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 %

Page 98: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Testing policy strategiesTesting policy strategies

Poverty DispersionPoverty Dispersion

Demands high and continous investment to decrease Demands high and continous investment to decrease poverty isolationpoverty isolation

Poverty Dispersion vs. Wealth DispersionPoverty Dispersion vs. Wealth Dispersion

Slows down the increase in segregation, but does not Slows down the increase in segregation, but does not change the trendschange the trends

Page 99: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Testing policy strategiesTesting policy strategies

Poverty Dispersion vs. Wealth DispersionPoverty Dispersion vs. Wealth Dispersion

ExperimentExperiment Compare 2 scenariosCompare 2 scenarios

Scenario 1 (baseline)

Scenario 2 new areas for upper classes

Urban areas in 1991Undeveloped areas for upper classes

Wealth Dispersion: Wealth Dispersion: Incentives for constructing residential Incentives for constructing residential developments for upper classes in poor regions of the citydevelopments for upper classes in poor regions of the city

Page 100: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Testing policy strategiesTesting policy strategies

Scenario 1 baseline

Scenario 2 new areas for upper

classes

Dissimilarity Isolation Poor HH

Isolation Affluent HH

Page 101: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Testing policy strategiesTesting policy strategies

Wealth DispersionWealth Dispersion

Produces long-term outcomesProduces long-term outcomes

Poverty Dispersion vs. Wealth DispersionPoverty Dispersion vs. Wealth Dispersion

More effective at decreasing large-scale segregationMore effective at decreasing large-scale segregation

E.g. Dissimilarity 2010E.g. Dissimilarity 2010

local scale (700m): - 19%local scale (700m): - 19%

large scale (2000m): - 36%large scale (2000m): - 36%

Page 102: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Testing policy strategiesTesting policy strategies

Wealth DispersionWealth Dispersion

Positive changes in the spatial patterns of segregationPositive changes in the spatial patterns of segregation

Poverty Dispersion vs. Wealth DispersionPoverty Dispersion vs. Wealth Dispersion

Baseline2010

Wealth Dispersion2010

Page 103: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Laboratory for testing theories and policy approaches Laboratory for testing theories and policy approaches on segregationon segregation

Does Does notnot focus on making predictions focus on making predictions

Exploratory tool, framework for assembling relevant Exploratory tool, framework for assembling relevant informationinformation

Multi-Agent Simulator for Urban SegregationMulti-Agent Simulator for Urban SegregationMASUSMASUS

Page 104: Flávia F. Feitosa flavia@dpi.inpe.br SER 301 – Análise Espacial de Dados Geográficos Introdução à Modelagem e Simulação Computacional

Um cUm contador de históriasontador de históriasModelos 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!