Simulação e modelo de campo médio

Uma teoria de campo médio em redes complexas pode ser definida como como uma teoria em que se assume que os elementos da rede interagem com igual força com qualquer outro elemento da rede. Olhando para o modelo de 2 presas e 1 predador, supondo uma grade ${\textstyle 3\times 3}$ tendo ${\textstyle D=3/9}$ dos fragmento destruídos, um estado possível da rede, em uma representação de grafos, poderia ser:

Rede formada por uma grade

3\times 3

com

1/3

dos fragmentos destruídos.

Onde cada elemento representa um fragmento da grade que não está destruído. Por questões de representação foi omitido, mas é importante lembrar que cada elemento da rede pode interagir também consigo mesmo. Então cada fragmento da grade, ou elemento desta rede, pode estar livre ou ocupado pelas espécies, com qualquer uma das combinações possíveis de ocupação. Podemos perceber que não é um modelo de campo médio. Para compreender melhor os modelos de campo médio que são propostos, vamos tentar construir um modelo de rede que se aproxime melhor do que é proposto no campo campo médio, isto é, utilizar as considerações do mesmo na construção da rede. O principal componente é ignorar a distribuição espacial das espécies. Uma representação em grafo deste nova rede poderia por exemplo:

Rede formada por uma grade

3\times 3

com

1/3

dos fragmentos destruídos.

Ou seja, qualquer elemento pode interagir com qualquer outro, não há mais a restrição de distância como no modelo original. Na prática, durante a implementação então será considerado que cada agente pode colonizar qualquer outro agente da rede, assim como o predador pode predar qualquer presa na rede, de forma análoga o competidor superior também pode deslocar qualquer competidor inferior. Basicamente os eventos síncronos serão os seguintes:

Colonização: para cada elemento ocupado pela espécie ${\textstyle \alpha }$ , sorteia-se um outro elemento aleatoriamente, se este for disponível para colonização, a probabilidade desta ocorrer é ${\textstyle c_{\alpha }}$ .
Extinção local: se o elemento estiver colonizado pela espécie ${\textstyle \alpha }$ ,há uma probabilidade ${\textstyle e_{\alpha }}$ de ocorrer extinção local desta espécie.
Predação: para cada elemento ocupado pelo predador sorteia-se outros dois elementos aleatoriamente, cada um dos elementos sorteados tem como alvo uma espécie ${\textstyle \alpha }$ diferente. Em ambos os casos então, se o elemento sorteado este estiver ocupado pela presa ${\textstyle \alpha }$ , a predação pode ocorrer com uma probabilidade ${\textstyle \mu _{\alpha }}$ .
Deslocamento competitivo: para cada elemento ocupado pelo competidor superior sorteia-se outro elemento aleatoriamente, se este estiver ocupado pelo competidor inferior então há uma probabilidade ${\textstyle c_{1}}$ de ocorrer a remoção do competidor inferior..

A proposta acima consiste de que em cada passo seja percorrido cada elemento da rede. Então para cada elemento realiza-se as 4 etapas anteriores de maneira síncrona de acordo com a ocupação da mesma. Outra proposta seria para cada passo, realizar apenas uma vez cada uma das etapas. Então nesta proposta quando envolver a interação entre duas espécies sorteia-se os dois elementos aleatoriamente, e quando envolver apenas uma espécie apenas um elemento é sorteado.

Um detalhe importante é a quantidade de conexões que cada agente pode ter. Por exemplo, na simulação original uma espécie ${\textstyle \alpha }$ ocupando um fragmento, poderia colonizar os 4 fragmentos primeiro-vizinhos (desde que estivessem disponível). Nesta proposta, cada vez que estamos avaliando a dinâmica de um elemento com uma espécie, avaliamos se ocorreu ou não a colonização em um único outro elemento. Sendo ${\textstyle k_{i}}$ quantidade de conexões possíveis em um elemento ${\textstyle i}$ , poderíamos considerar que a probabilidade de um agente ${\textstyle i}$ se conectar com um agente ${\textstyle j}$ seja dado por ${\textstyle A_{ij}={\frac {k_{i}k_{j}}{N_{k}}}}$ , onde ${\textstyle N}$ é a quantidade total de conexões que existem na rede.

Comparando este modelo proposto, com o seguinte modelo de campo médio:

{\begin{aligned}{\frac {dx_{1}}{dt}}=&c_{1}x_{1}\left(1-D-x_{1}\right)-e_{1}x_{1}-\mu _{1}x_{1}y\\{\frac {dx_{2}}{dt}}=&x_{2}\left[c_{2}\left(1-D-x_{1}-x_{2}+x_{1}x_{2}\right)-\left(e_{2}+\mu _{2}y+c_{1}x_{1}\right)\right]\\{\frac {dy}{dt}}=&y\left[c_{y}\left[\left(x_{1}+x_{2}-x_{1}x_{2}\right)-y\left(x_{1}+x_{2}-x_{1}x_{2}\right)\right]-e_{y}\right]\end{aligned}}

Tem-se então, para ${\textstyle D=0.4}$ :

À esquerda a solução numérica para o sistema de equações do modelo de campo médio e à direita o resultado da simulação da rede.

Observa-se um comportamento bastante semelhante. A mesma ideia foi trabalhada com o modelo de 2 herbívoros com dinâmica de fragmentos . Neste caso o modelo de campo médio é:

{\begin{aligned}{\dot {x}}_{1}=&c_{1}\left(h-x_{1}\right)x_{1}-e_{1}x_{1}\\{\dot {x}}_{2}=&c_{2}\left(h-x_{1}-x_{2}+x_{1}x_{2}\right)x_{2}-e_{2}x_{2}\\{\dot {h}}=&-\gamma x_{2}\left(t-\tau _{0}\right)h\left(t-\tau _{0}\right)+\gamma x_{2}\left(t-\tau _{0}-\tau _{r}\right)h\left(t-\tau _{0}-\tau _{r}\right)\end{aligned}}

A dinâmica de colonização e deslocamento é essencialmente a mesma do modelo interior, a novidade concentra-se na dinâmica dos fragmentos. Após o instante ${\textstyle \tau _{0}}$ , quando percorre-se a rede no passo atual ${\textstyle n}$ para avaliar a dinâmica de ${\textstyle x_{1}}$ e ${\textstyle x_{2}}$ , ao mesmo tempo explora-se a rede no passo ${\textstyle n-\tau _{0}}$ (no passado), onde caso o elemento esteja ocupado por ${\textstyle x_{2}}$ , então seleciona-se outro elemento aleatoriamente e uma vez que este represente um fragmento não destruído, há uma probabilidade ${\textstyle \gamma }$ de que seja destruído. De modo análogo após o instante ${\textstyle \tau }$ avalia-se a rede atrasada no passo ${\textstyle n-\tau }$ , e novamente caso o elemento esteja ocupado pela espécie ${\textstyle x_{2}}$ , seleciona-se outro elemento aleatoriamente, porém agora caso este esteja destruído, então há a probabilidade $\gamma$ de ser recuperado. O resultado desta etapa da dinâmica de fragmentos, seja a destruição ou a recuperação do fragmento, é aplicado na rede atual em algum elemento aleatório.

À esquerda a solução numérica para o sistema de equações do modelo de campo médio e à direita o resultado da primeira tentativa de simulação da rede.

Quando foi implementado este modelo proposto, pode-se perceber um comportamento qualitativo próximo, mas menos semelhante que o caso anterior. A principal diferença parece ser pelo comportamento das ovelhas. Um dos motivos que pode ser, é que quando olhamos o termo de colonização das ovelhas no modelo de campo médio, a componente referente à quantidade de fragmento disponíveis para colonização é ${\textstyle \left(h-x_{1}-x_{2}+x_{1}x_{2}\right)}$ . Isto decorre porque precisamos descontar não só o fragmento disponívis, mas também os fragmentos que estão ocupados por ovelhas ou guanacos. A a probabilidade de selecionar um fragmento ocupado por um ou outro é ${\textstyle P\left(x_{1}\cup x_{2}\right)=P\left(x_{1}\right)+P\left(x_{2}\right)-P\left(x_{1}\cap x_{2}\right)}$ , como foi considerado eventos independentes, então ${\textstyle P\left(x_{1}\cap x_{2}\right)=x_{1}x_{2}}$ . Porém conforme a dinâmica evolui, a distribuição das ovelhas e dos guanacos não é mais completamente aleatório e independente, pois as ovelhas não podem ocupar fragmentos já ocupados por guanacos. Isto é, a quantidade de fragmentos ocupados por ovelhas e guanacos na simulação é menor do que o previsto considerando que sejam eventos aleatórios. Conforme a ocupação dos fragmentos se aproxima de 100% e a população de guanaco cresce, as ovelhas encontram menos fragmento disponíveis para colonizar do que o previsto pelo campo médio.

Por isto foi adicionado uma etapa de ’espalhamento’ no começo de cada passo, ou seja todos os indivíduos são aleatoriamente redistribuídos ao longo da rede, inclusive os fragmentos destruídos também são redistribuídos. Desta forma obteve-se os eguinte resultado:

Pode-se observar que o resultado se aproxima melhor do modelo de campo médio que o resultado anterior. Caso houvesse interesse em aproximar ainda mais os modelos, uma sugestão seria explorar a quantidade de conexões entre os fragmentos de uma forma mais elaborada ou ainda a relação entre a passagem do tempo nas equações diferenciais e na simulação. Mas acredito que neste momento já foi demonstrado semelhanças suficientes entre os modelos. Para esta simulação foi adotado o equivalente a 2 passos no modelo de agentes como ${\textstyle 1t}$ , por exemplo, no sistema de equações foi utilizado ${\textstyle \tau _{0}=50\left[{\text{tempo}}\right]}$ e no modelo de agentes ${\textstyle \tau _{0}=100\left[{\text{passos}}\right]}$ , mas manteve-se a mesma razão ${\textstyle {\frac {\tau _{0}}{\tau _{r}}}}$ .

Resultado da simulação da rede com a etapa de espalhamento inserida.

Códigos

Os códigos referente à solução dos sistemas de equações diferenciais estão disponíveis nas respectivas páginas. Sobre as redes, ambos os códigos foram desenvolvidos em Python, e para a primeira rede discutida o código utilizado foi:

# -*- coding: UTF-8 -*-
# "Rede média" para o modelo de 2 herbívoros e um carnívoro
# Jhordan Silveira de Borba
# sbjhordan@gmail.com
#Bibliotecas
import numpy as np                                      # Biblioteca de funções matemáticas
import copy                                             # Biblioteca com funções para copiar
import random                                           # Biblioteca para gerar números aleatórios
#CONDIÇÕES INICIAIS ------------------------------------------------------
maxt = 5000     #tiempo total de cada realizacion
Lx   = 200      #tamaño del sustrato
Ly   = 200
#Fracciones iniciales
D    = 0.4  #fraccion inicial de sitios destruidos
x10  = 0.2  #fraccion inicial de sitios libres ocupados por x1
x20  = 0.2  #fraccion inicial de sitios libres ocupados por x2
y0   = 0.2  #fraccion inicial de sitios ocupdos por guanacos e ovelhas ocupados por y
#Tasas
M=4               
cx1   = M*0.05   #colonizaciones       
cx2   = M*0.1        
cy    = M*0.015     
ex1   = 0.05     #extinciones       
ex2   = 0.01      
ey    = 0.02
mx1y  = 0.2      #depredaciones       
mx2y  = 0.8            
con=1            #controle de registro
#Inicializaciones
s  = np.full((Lx, Ly), [1])   #matriz de habitat (1=sitio disponible, 0=destruido)
x1 = np.full((Lx, Ly), [0])   #1 = sitio ocupado, 0 sitio vazio
x2 = np.full((Lx, Ly), [0])   #1 = sitio ocupado, 0 sitio vazio
y  = np.full((Lx, Ly), [0])   #1 = sitio ocupado, 0 sitio vazio
#Colonização inicial
for i in range(1,Lx-1): 
    for j in range (1,Ly-1): 
        if (np.random.rand() < D): s[i,j]=0
        if (np.random.rand() < x10/(1-D) and s[i,j]==1): x1[i,j]=1
        if (np.random.rand() < x20/(1-D) and s[i,j]==1): x2[i,j]=1
        if (np.random.rand() <  y0/(1-D) and s[i,j]==1):  y[i,j]=1
for i in range(Lx): #destruimos los bordes del habitat
    s[i,0]=0
    s[i,Ly-1]=0
for j in range(Ly):
    s[0,j]=0
    s[Lx-1,j]=0
#Lazo temporal
fx1=sum(sum(x1))/((Lx)*(Ly))
fx2=sum(sum(x2))/((Lx)*(Ly))
fy =sum(sum(y)) /((Lx)*(Ly))
f = open("redemedia2015.dat", "w")
f.write("	"+str(0)+"	"+str(fx1)+"	"+str(fx2)+"	"+str(fy)+"\n")
for it in range(maxt):
    if (float(it)%(float(maxt)/100)==0.):
        print("Porcentagem: "+str(it*100/maxt))  # Exibe o passo atual
    x1old=copy.copy(x1)              #poblaciones del paso anterior
    x2old=copy.copy(x2)
    yold=copy.copy(y)
    for i in range (1,Lx-1):
        for j in range (1,Ly-1): 
            # COLONIZAÇÃO+++++++++++++++++++++++++++++++++++++++++++++++++++++
            if (s[i,j]==0):
                for c in range(1):
                    m=random.randint(1,Lx-1)
                    n=random.randint(1,Ly-1)
                    if (s[m,n]==1 and x1old[m,n]==0):
                        if (np.random.rand()<= cx1):
                            x1[m,n]=1
            # Ovelha
            if (x2old[i,j]==1):
                for c in range(1):
                    m=random.randint(1,Lx-1)
                    n=random.randint(1,Ly-1)
                    if (s[m,n]==1 and (x1old[m,n]==0 and x2old[m,n]==0)):
                        if (np.random.rand()<= cx2):
                            x2[m,n]=1              
            # Puma
            if (yold[i,j]==1):
                for c in range(1):
                    m=random.randint(1,Lx-1)
                    n=random.randint(1,Ly-1)
                    if (x1old[m,n]==1 or x2old[m,n]==1):
                        if (np.random.rand()<= cy):
                            y[m,n]=1  
            #EXTINÇÃO LOCAL++++++++++++++++++++++++++++++++++++++++++++++++++++
            #Guanaco
            if (x1old[i,j]==1):
                if (np.random.rand()<= ex1):
                    x1[i,j]=0            
            #Ovelha
            if (x2old[i,j]==1):
                if (np.random.rand()<= ex2):
                    x2[i,j]=0
            #Puma
            if (yold[i,j]==1):
                if (np.random.rand()<= ey):
                        y[i,j]=0
            #PREDAÇÃO++++++++++++++++++++++++++++++++++++++++++++++++++++++++
            if (x1old[i,j]==1):
                m=random.randint(1,Lx-1)
                n=random.randint(1,Ly-1)
                if (yold[m,n]==1):
                    if (np.random.rand()<= mx1y):
                        x1[i,j]=0
            if(x2old[i,j]==1):
                m=random.randint(1,Lx-1)
                n=random.randint(1,Ly-1)
                if (yold[m,n]==1):
                    if (np.random.rand()<= mx2y):
                        x2[i,j]=0              
            #DESLOCAMENTO+++++++++++++++++++++++++++++++++++++++++++++++++++
            if (x2old[i,j]==1):
                m=random.randint(1,Lx-1)
                n=random.randint(1,Ly-1)
                if ( x1old[m,n]==1):
                    if (np.random.rand()<= cx1):
                        x2[i,j]=0                  
    if(con==1): 
        fx1=sum(sum(x1))/((Lx)*(Ly))
        fx2=sum(sum(x2))/((Lx)*(Ly))
        fy =sum(sum(y)) /((Lx)*(Ly))
        f.write("	"+str(it+1)+"	"+str(fx1)+"	"+str(fx2)+"	"+str(fy)+"\n")
        con=0
    con=con+1
# CÁLCULOS FINAIS -----------------------------------------------------
f.close()

E para a segunda rede, tivemos as duas tentativas foram:

# -*- coding: UTF-8 -*- 
# "Rede média" para o modelo de 2 herbívoros com dinâmica dos fragmentos 
# Jhordan Silveira de Borba 
# sbjhordan@gmail.com
#Bibliotecas
import numpy as np                                      # Biblioteca de funções matemáticas
import copy                                             # Biblioteca com funções para copiar
import random                                           # Biblioteca para gerar números aleatórios
#CONDIÇÕES INICIAIS ------------------------------------------------------
maxt = 500      #tiempo total de cada realizacion
Lx   = 100      #tamaño del sustrato en la coordenada x
Ly   = 100
#Fracciones iniciales
x10  = 0.3  #fraccion inicial de sitios ocupados por x1
x20  = 0.3  #fraccion inicial de sitios ocupados por x2
h0   = 1.   #fraccion inicial de sitios disponibles
#Tasas               
cx1   = 0.04         #colonizaciones       
cx2   = 0.7        
ex1   = 0.01         #extinciones       
ex2   = 0.01      
to    = 100          #Tempo de ocupação  
tr    = 20           #Tempo de recuperação
g     = 0.1          #Taxa de variação dos fragmentos
t     = tr+to
con1=1               #Controle do registro
#Inicializaciones
sh =[]                        # Histórico da matriz de habitat
x2h=[]                        # Histórico da matriz de ovelhas
s  = np.full((Lx, Ly), [1])   # matriz de habitat (1=sitio disponible, 0=destruido)
x1 = np.full((Lx, Ly), [0])   # 1 = sitio ocupado, 0 sitio vazio
x2 = np.full((Lx, Ly), [0])   # 1 = sitio ocupado, 0 sitio vazio
sh.append(s)
x2h.append(x2)
for i in range(Lx):           # Distribuição inicial
  for j in range (Ly):
    if (np.random.rand() < (1-h0) ): s[i,j]=0
    if (np.random.rand() < x10/h0 and s[i,j]==1): x1[i,j]=1
    if (np.random.rand() < x20/h0 and s[i,j]==1): x2[i,j]=1
#Lazo temporal
fx1=sum(sum(x1))/((Lx)*(Ly))
fx2=sum(sum(x2))/((Lx)*(Ly))
fs =sum(sum(s)) /((Lx)*(Ly))
f = open("temporal2019.dat", "w")
f.write("	"+str(0)+"	"+str(fx1)+"	"+str(fx2)+"	"+str(fs)+"\n")
for it in range(maxt):
    if (float(it)%(float(maxt)/100)==0.):
        print("Porcentagem: "+str(it*100/maxt))  # Exibe o passo atual       
    #ESPALHAMENTO
    nx1=sum(sum(x1))
    nx2=sum(sum(x2))
    ns =sum(sum( s))
    s  = np.full((Lx, Ly), [0])   # matriz de habitat (1=sitio disponible, 0=destruido)
    x1 = np.full((Lx, Ly), [0])   # 1 = sitio ocupado, 0 sitio vazio
    x2 = np.full((Lx, Ly), [0])   # 1 = sitio ocupado, 0 sitio vazio
    for i in range (max(nx1,nx2,ns)): #Quantidade máxima de animais que vamos espalhar
        if(i<ns):                     #Esoalhando os fragmentos 
            (a,b)=(random.randint(0,Lx-1),random.randint(0,Ly-1))
            while(True):
                if(s[a,b]==0):        #Se escolhemos um fragmento destruído
                    s[a,b]=1          #Revitalizamos
                    break             #E saímos do loop
                else:                 #Se não repetimos
                    (a,b)=(random.randint(0,Lx-1),random.randint(0,Ly-1))
        if(i<nx1):                    #Competidor superior
            (a,b)=(random.randint(0,Lx-1),random.randint(0,Ly-1))
            while(True):
                if(x1[a,b]==0):
                    x1[a,b]=1
                    break
                else:
                    (a,b)=(random.randint(0,Lx-1),random.randint(0,Ly-1))
        if(i<nx2):                    #Competidor inferior
            (a,b)=(random.randint(0,Lx-1),random.randint(0,Ly-1))
            while(True):
                if(x2[a,b]==0):
                    x2[a,b]=1
                    break
                else:
                    (a,b)=(random.randint(0,Lx-1),random.randint(0,Ly-1))              
    sold =copy.copy(s )
    x1old=copy.copy(x1)              #poblaciones del paso anterior
    x2old=copy.copy(x2)      
    for i in range (0,Lx-1):
        for j in range (0,Ly-1):
        #COLONIZAÇÃO+++++++++++++++++++++++++++++++++++
            #Guanaco
            if (x1old[i,j]==1):
                for a in range(1):
                    m=random.randint(0,Lx-1)
                    n=random.randint(0,Ly-1)
                    if (sold[m,n]==1 and x1old[m,n]==0):
                        if (np.random.rand()<= cx1):
                            x1[m,n]=1                
            #Ovelha
            if (x2old[i,j]==1):
                for a in range(1):
                    m=random.randint(0,Lx-1)
                    n=random.randint(0,Ly-1)
                    if (sold[m,n]==1 and (x1old[m,n]==0 and x2old[m,n]==0)):
                        if (np.random.rand()<= cx2):
                            x2[m,n]=1
            #EXTINÇÃO     
            #Guanaco
            if (x1old[i,j]==1):
                if (np.random.rand()<= ex1):
                        x1[i,j]=0
            #Ovelha
            if (x2old[i,j]==1):
                if (np.random.rand()<= ex2):
                        x2[i,j]=0   
            #DESLOCAMENTO+++++++++++++++++++++++++++++++++++++++++++++++++++
            if (x2old[i,j]==1):
                m=random.randint(0,Lx-1)
                n=random.randint(0,Ly-1)
                if ( x1old[m,n]==1):
                    if (np.random.rand()<= cx1):
                        x2[i,j]=0            
            #Dinâmica dos patches+++++++++++++++++++++++++++++++++++++++++++                      
            if(it+2>to):                       #Se passou o primeiro período de ocupação
                if (x2h[to-1][i,j]==1):        #Então há destruição de fragmentos
                    m=random.randint(0,Lx-1)
                    n=random.randint(0,Ly-1)
                    if (sh[to-1][m,n]==1):
                        if(np.random.rand()<=g):
                            li=np.where(s==1)  #Elementos que são 1
                            if(len(li[0])==1):
                                k=0
                            elif(len(li[0])>1):
                                k=random.randint(0,len(li[0])-1) #Sorteio do elemento
                                s[li[0][k],li[1][k]]=0
            if(it+2>t):                        #Se passou do período de oucpação e recuperação 
                if (x2h[t-1][i,j]==1):         #Há recuperação do habitat
                    m=random.randint(0,Lx-1)
                    n=random.randint(0,Ly-1)
                    if (sh[t-1][m,n]==1):
                        if(np.random.rand()<=g):
                            li=np.where(s==0)  
                            if (len(li[0])==1):
                                k=0
                            elif(len(li[0])>1):
                                k=random.randint(0,len(li[0])-1) 
                                s[li[0][k],li[1][k]]=1                              
    sh.insert(0,copy.copy(s))   #Adiciona o estado atual no histórico
    x2h.insert(0,copy.copy(x2))
    if (it>=t):                 #Exclui estados que não serão mais utilizados
        sh.pop()
        x2h.pop()
    if (con1==1):      
        fx1=sum(sum(x1))/((Lx)*(Ly))
        fx2=sum(sum(x2))/((Lx)*(Ly))
        fs =sum(sum(s ))/((Lx)*(Ly))
        f.write("	"+str(it+1)+"	"+str(fx1)+"	"+str(fx2)+"	"+str(fs)+"\n")
        con1=0           
    con1=con1+1
f.close()

Principais materiais utilizados

Minicurso de Redes complexas (Silvio Ferreira, ENMM-Covid19)

Simulação e modelo de campo médio

Códigos

Principais materiais utilizados

Menu de navegação

Pesquisa