Simulación en silvicultura y agricultura

La simulación basada en agentes puede ser una herramienta útil para la planificación forestal y agrícola, ya que puede ayudar a simular y comprender las complejas interacciones entre las entidades del sistema. La simulación basada en agentes es un método para el diseño y análisis de sistemas complejos. El método implementa el comportamiento de un sistema microscópico con agentes que interactúan entre sí y con el entorno en el que se encuentran. Los agentes tienen atributos, comportamientos, algunos de los cuales son internos y otros tienen lugar en forma de interacciones con los agentes que los rodean. Este tipo de modelado contribuye al análisis de políticas. Lo hace estudiando el impacto de los cambios de comportamiento en el sistema en su conjunto. También analiza el impacto resultante de la absorción de impactos externos. Simulación basada en agentespor lo tanto, suele tratar temas estratégicos. Este artículo cubre la simulación basada en agentes para el modelado del crecimiento de plantas. La planificación agrícola y forestal puede hacer uso de dichos modelos para la previsión y la toma de decisiones.

Aplicaciones ejemplares en silvicultura y agricultura

La simulación basada en agentes puede, por ejemplo, modelar el crecimiento y desarrollo de los árboles en un bosque y las interacciones entre los árboles y el medio ambiente. El modelo puede simular cómo diferentes factores, como la composición del suelo, el clima y la competencia por los recursos, afectan el crecimiento y la supervivencia de árboles individuales y la salud general del bosque. El modelo también puede probar diferentes estrategias de gestión forestal, como el raleo o la tala rasa, y su impacto en el ecosistema forestal.

La simulación basada en agentes puede modelar las interacciones entre diferentes cultivos, ganado y el medio ambiente en un sistema agrícola. El modelo puede simular cómo diferentes factores, como la calidad del suelo, el clima y las infestaciones de plagas, afectan el crecimiento y el rendimiento de los cultivos y la salud y productividad del ganado. Además, el modelo puede probar diferentes prácticas agrícolas, como la rotación de cultivos o el uso de fertilizantes, y su impacto en el sistema agrícola.

Modelo de simulación de crecimiento de plantas pequeñas en Python

El siguiente modelo de simulación en Python demuestra el modelado basado en agentes y el concepto subyacente. Usando, en este caso, solo NumPy y matplotlib , implementé un modelo simple de simulación de crecimiento de plantas basado en agentes desde cero. En este modelo simple, los árboles crecen en celdas de cuadrícula en un mapa de cuadrícula y, cuando pasan de una edad específica, se reproducen en las celdas disponibles circundantes. Las plantas mueren después a una edad específica. El crecimiento de la planta también se ve afectado por la luz solar y la altura de la planta ya obtenida.

import numpy as np
import matplotlib.pyplot as plt

# global constants
GRID_SIZE = 10
INITIAL_PLANTS = 50
MAX_PLANT_HEIGHT = 10
MAX_PLANT_LIFETIME = 10
PLANT_REPRODUCTION_PROBABILITY = 0.1
SUNLIGHT_RANGE = (0.0, 1.0)

class Plant:
    def __init__(self, x, y):
        self.x = x
        self.y = y
        self.height = 1
        self.lifetime = 0

    def grow(self, sunlight):
        if self.height < MAX_PLANT_HEIGHT:
            self.height += sunlight

        self.lifetime += 1

    def reproduce(self):
        if np.random.uniform(0, 1) < PLANT_REPRODUCTION_PROBABILITY:
            return Plant(self.x, self.y)
        else:
            return None

class Grid:
    def __init__(self, size):
        self.size = size
        self.plants = []

        # initialize plants
        for i in range(INITIAL_PLANTS):
            x = np.random.randint(0, self.size)
            y = np.random.randint(0, self.size)
            plant = Plant(x, y)
            self.plants.append(plant)

    def update(self):
        sunlight_map = self.get_sunlight_map()

        # grow existing plants
        for plant in self.plants:
            sunlight = sunlight_map[plant.x, plant.y]
            plant.grow(sunlight)

            # check if plant has reached max lifetime or height
            if plant.lifetime >= MAX_PLANT_LIFETIME or plant.height >= MAX_PLANT_HEIGHT:
                self.plants.remove(plant)
            else:
                # reproduce if possible
                new_plant = plant.reproduce()
                if new_plant is not None:
                    self.plants.append(new_plant)

    def get_sunlight_map(self):
        # generate a random sunlight map for the grid
        return np.random.uniform(SUNLIGHT_RANGE[0], SUNLIGHT_RANGE[1], size=(self.size, self.size))

    def plot(self):
        # create a plot of the grid with the plants
        fig, ax = plt.subplots()
        ax.imshow(self.get_sunlight_map(), cmap='Greens', interpolation='nearest')

        for plant in self.plants:
            ax.plot(plant.y, plant.x, 'bo', markersize=plant.height)

        plt.show()

# create a grid object and plot it
grid = Grid(GRID_SIZE)
grid.plot()

# update the grid and plot it again
for i in range(10):
    grid.update()
    grid.plot()

Este es un modelo basado en cuadrículas, y así es como se ve después de 1 iteración:

simulación de crecimiento de plantas basada en agentes

Y así es como se ve la altura de la planta (tamaño de las parcelas escalares) después de 10 iteraciones:

simulación abm del crecimiento de las plantas

En una próxima publicación de blog, mostraré cómo estos tipos de modelos se implementan fácilmente con mi propia biblioteca abm_framework . Puedes leer más sobre esa biblioteca aquí:

Enlace : marco de simulación basado en agentes en Python
Enlace : marco ABM para simulación en Python

Los modelos más grandes tomarán muchos más y más atributos bien pensados y modelos de comportamiento, pero los implementarán basados en el mismo concepto o en uno similar. Por ejemplo, brote y propagación de enfermedades, diferentes especies de plantas con diferente resistencia a la propagación de enfermedades. O el impacto de los veranos secos frente a los húmedos podría analizarse con un modelo de simulación basado en agentes similar a este. La calidad del suelo o el hacinamiento serían algunos ejemplos más de mecanismos que podrían implementarse en dicho modelo para comprender su impacto.

Es importante entender que un buen modelo en este caso no es necesariamente un modelo con miles de atributos, sino una definición de modelo y escenario que responda de manera efectiva a una pregunta de investigación u objetivo de análisis definido. Por ejemplo, ¿el «comportamiento X» tiene un impacto significativo en el «KPI Y» ?

Contenido relacionado con la simulación basada en agentes en la silvicultura

Los siguientes artículos lo llevarán más lejos en su comprensión de la simulación basada en agentes y sus aplicaciones. También incluyen algunos ejemplos que implementé con abm_framework :