Larissa Maiara Fraga Frederico Gadelha Guimarães

Uso da Computação Evolutiva na calibração de modelos dinâmicos espacialmente explícitos para a simulação de fenômenos geográficos

Larissa Maiara FragaFrederico Gadelha Guimarães

Modelagem Ambiental

Modelos computacionais;

Reproduzem fenômenos geográficos ;

Contribuem para o ganho do conhecimento científico no que diz respeito ao seu funcionamento.

Modelagem Ambiental

Melhor compreensão do funcionamento dos sistemas terrestres;

Fornecimento de prognósticos sobre o comportamento futuro desses sistemas; permitindo análise nas tomadas de decisão a

respeito de ações humanas ou institucionais;

Disseminação de tecnologias produzidas;

Modelagem Ambiental

Principais campos de simulação:

Sistemas ecológicos;

Sistemas climáticos;

Sistemas públicos de saúde;

Sistemas hidrológicos;

Sistemas de uso do solo.

TerraME

Ambiente de desenvolvimento e suporte a modelagem ambiental espacial dinâmica;

Suporta modelos de computação baseados em autômatos celulares;

Apresenta como resultado mapas que mostram a distribuição espacial de um padrão ou de uma variável contínua.

Modelo espacial dinâmico

Representação abstrata de um fenômeno que evolui no tempo e espaço;

Baseado em: descrições de entidades; Processos; Relações entre eles;

TerraME

Controle de Incêndio

Drenagem da Chuva

Impacto da construção de estradas

Lava vulcânica

Simula os fluxos de lava;

MAGFLOW;

O modelo foi aplicado para reproduzir um fluxo de lava formado durante a erupção do Etna 2001;

Lava Vulcânica

Nicolosi e Belpasso

Modelos Ambientais com Funções Estocásticas

Resultado da simulação varia para um mesmo conjunto de valores nos parâmetros de calibração;

Função objetivo do problema de calibração torna-se uma função com ruído.

Algoritmos evolutivos têm se mostrado eficientes em otimização com ruído em diversos contextos.

Otimização Evolucionária em Ambientes Incertos

Na computação evolucionária, as incertezas são divididas em quatro categorias distintas:

Função de fitness ruidosa;

Parâmetros mudam depois da otimização;

Função de fitness aproximada;

O valor ótimo do problema muda.

Otimização Evolucionária em Ambientes Incertos

Na computação evolucionária, as incertezas são divididas em quatro categorias distintas:

Função de fitness ruidosa;

Parâmetros mudam depois da otimização;

Função de fitness aproximada;

O valor ótimo do problema muda.

Função de Fitness Ruidosa

Seleção Modificável:

Um indivíduo é aceito se e somente se ele superar o seu pai dentro de um limiar (threshold) pré-definido.

Esse limiar é calculado de acordo com a variância estimada do modelo: Desvio padrão; Porcentagem;

Seleção Modificável

Escolha dos parâmetros:

Limiar: Executa-se o modelo inúmeras vezes; Desvio padrão;

Porcentagem: Porcentagem sugerida pela literatura; [0.5 , 1]

Módulo de calibração

Modelo Escolhido

“Modelos Dinâmicos Integrados para Simulação da Ecologia do vetor Aedes

aegypti”;

Objetivo: Propor modelos para o comportamento dinâmico espacial de populações de Aedes aegypti em áreas urbanas;

Modelo para simulação da Dinâmica Populacional do Vetor Aedes aegypti

Cidade do Rio de Janeiro, RJ

Modelo para simulação da Dinâmica Populacional do Vetor Aedes aegypti

Cidade do Rio de Janeiro, RJ

Modelo para simulação da Dinâmica Populacional do Vetor Aedes aegypti

• Fonte dos dados: Fiocruz-RJ;

• Dados semanais: 54 semanas;

• Contagem de ovos: ovitrampa (Fay and Eliason, 1966);

• Dados de temperatura: Estação Meteorológica do Galeão;

Simulação de Monte Carlo no modelo

Um valor para a “capacidade de suporte” é escolhido aleatoriamente dentro do intervalo [100,1000];

10.000 experimentos são realizados e em cada um deles é avaliada a capacidade de suporte escolhida através do cálculo do erro;

Proposta Geral

Substituir a calibração de modelos ambientais utilizando Monte Carlo por Algoritmos Genéticos;

Perguntas?

[email protected]