Encontro 5 — Dinâmica de sistemas¶
Modelagem Dinâmica Espacial · LambdaGeo/UFMA
Sem Python instalado? O selo acima abre este notebook no Google Colab, no navegador. Lá, use Arquivo → Salvar uma cópia no Drive antes de mudar qualquer coisa: sem a cópia, o que você escrever se perde ao fechar a página.
Dinâmica de sistemas descreve o mundo como estoques (o que se acumula: água, floresta, pessoas) e fluxos (o que entra e sai a cada passo). Ainda não há espaço: cada modelo é um único lugar. O espaço chega no próximo encontro, com os autômatos celulares.
Rode as células na ordem. Nas células marcadas com 🔧 você troca um número e roda de novo; nas marcadas com ✏️ você responde.
Ao final, você deve saber:
- Identificar estoques, fluxos e parâmetros num modelo.
- Reconhecer retroalimentação de reforço e de equilíbrio.
- Encontrar o equilíbrio de um modelo pela conta e pela simulação.
- Comparar uma simulação do DisSModel com a do TerraME.
Referência. Este encontro segue as aulas 3 a 8 (dinâmica de sistemas, retroalimentação, epidemias, caos, predador-presa e Daisyworld) do curso de modelagem do INPE com o TerraME (CST-323/CAP-465, de Pedro R. Andrade, Gilberto Câmara e Francisco Gilney Bezerra). Os modelos são portes dos pacotes do TerraME para o DisSModel, que é proposto como alternativa em Python ao TerraME; por isso cada um é comparado com a saída do original (O TerraME como referência).
0. Preparação¶
No Colab, a célula abaixo instala o DisSModel e o pacote de dinâmica de sistemas (cerca de 1 minuto). No laboratório o ambiente já está instalado e ela não instala nada.
import sys
if "google.colab" in sys.modules:
%pip install -q "dissmodel==0.6.6" "dissmodel-sysdyn @ git+https://github.com/DisSModel/dissmodel-sysdyn.git@v0.2.0"
import contextlib, io
import pandas as pd
import matplotlib.pyplot as plt
from dissmodel.core import Environment, Model
from dissmodel_sysdyn.models import Tub, SIR, PredatorPrey
A função abaixo roda um modelo por um número de passos e anota numa tabela o valor das variáveis no início e depois de cada passo. Você só vai usá-la; não precisa mudar nada.
def simular(Modelo, passos, variaveis, **parametros):
"""Roda `Modelo` por `passos` passos e devolve uma tabela com as `variaveis`."""
env = Environment(start_time=1, end_time=passos)
modelo = Modelo(**parametros)
linhas = [{"passo": 0, **{v: getattr(modelo, v) for v in variaveis}}]
class Anotador(Model): # roda depois do modelo, a cada passo
def execute(self):
linhas.append({"passo": self.env.now(), **{v: getattr(modelo, v) for v in variaveis}})
Anotador()
with contextlib.redirect_stdout(io.StringIO()):
env.run()
return pd.DataFrame(linhas).set_index("passo")
1. Um estoque, um fluxo: a banheira¶
A banheira começa com 40 litros e perde 5 litros por passo. Opcionalmente, recebe uma quantidade de água a cada tantos passos.
| Elemento | No modelo |
|---|---|
| Estoque | water (água na banheira) |
| Fluxo de saída | out_flow por passo |
| Fluxo de entrada | in_flow, a cada in_period passos |
banheira = simular(Tub, passos=20, variaveis=["water"], water=40, out_flow=5)
banheira.head(10)
| water | |
|---|---|
| passo | |
| 0 | 40.0 |
| 1 | 35.0 |
| 2 | 30.0 |
| 3 | 25.0 |
| 4 | 20.0 |
| 5 | 15.0 |
| 6 | 10.0 |
| 7 | 5.0 |
| 8 | 0.0 |
| 9 | 0.0 |
banheira.plot(marker="o", title="Banheira sem entrada", ylabel="litros");
O relógio do DisSModel funciona como o do TerraME: Environment(start_time=1, end_time=20) executa os passos 1, 2, …, 20 (o último inclusive). A linha passo 0 é o estado antes do primeiro passo.
🔧 Agora com entrada: a cada 10 passos entram 20 litros. Troque in_flow e in_period e veja o que acontece.
banheira2 = simular(Tub, passos=30, variaveis=["water"],
water=40, out_flow=5, in_flow=20, in_period=10)
banheira2.plot(marker="o", title="Banheira com entrada periódica", ylabel="litros");
✏️ Pergunta 1. Com out_flow=5 e in_period=10, que valor de in_flow faz o nível voltar ao mesmo ponto a cada 10 passos, num ciclo que se repete? Calcule antes (quanto sai em 10 passos?) e confirme rodando.
2. Seu primeiro modelo: floresta e desmatamento¶
Um modelo do DisSModel é uma classe com dois métodos:
setup: guarda os valores iniciais e os parâmetros (roda uma vez);execute: o que acontece a cada passo.
Neste modelo, a cada ano uma fração da floresta é desmatada e uma área fixa se regenera.
class Floresta(Model):
def setup(self, floresta=1000.0, taxa_desmatamento=0.02, regeneracao=5.0):
self.floresta = floresta # estoque (km²)
self.taxa_desmatamento = taxa_desmatamento # fração desmatada por ano
self.regeneracao = regeneracao # km² que voltam por ano
def execute(self):
desmatado = self.taxa_desmatamento * self.floresta # fluxo de saída
self.floresta = self.floresta - desmatado + self.regeneracao
floresta = simular(Floresta, passos=150, variaveis=["floresta"])
floresta.plot(title="Floresta remanescente", ylabel="km²", xlabel="ano");
A floresta não vai a zero: ela para num valor. É o equilíbrio, o ponto em que o que sai é igual ao que entra:
taxa × floresta = regeneração → floresta = regeneração / taxa = 5 / 0,02 = 250 km²
🔧 Comece com floresta=100 (menos que o equilíbrio). O que acontece?
comparacao = pd.DataFrame({
"começa com 1000": simular(Floresta, 150, ["floresta"], floresta=1000)["floresta"],
"começa com 100": simular(Floresta, 150, ["floresta"], floresta=100)["floresta"],
})
ax = comparacao.plot(title="Dois começos, um equilíbrio", ylabel="km²", xlabel="ano")
ax.axhline(5 / 0.02, color="gray", linestyle="--");
✏️ Pergunta 2. Uma política reduz a taxa de desmatamento de 2% para 1% ao ano. Qual o novo equilíbrio? Calcule e confirme mudando taxa_desmatamento. Quanto tempo leva para chegar perto dele?
3. Retroalimentação: uma epidemia (SIR)¶
A população se divide em três estoques: Suscetíveis, Infectados e Recuperados. A cada passo:
- novos infectados = infectados × contatos × probabilidade × (fração de suscetíveis);
- novos recuperados = infectados / duração.
Há duas retroalimentações. Quanto mais infectados, mais novos infectados (reforço). Quanto menos suscetíveis restam, mais devagar a doença avança (equilíbrio).
variaveis_sir = ["susceptible", "infected", "recovered"]
sir = simular(SIR, passos=30, variaveis=variaveis_sir, contacts=6)
sir.plot(title="SIR, 6 contatos por dia", ylabel="pessoas", xlabel="dia");
🔧 Distanciamento: compare 6, 4 e 3 contatos por dia, agora em 100 dias para a epidemia terminar nos três casos. Olhe o tamanho e o dia do pico de infectados.
picos = []
fig, ax = plt.subplots()
for contatos in [6, 4, 3]:
r = simular(SIR, passos=100, variaveis=variaveis_sir, contacts=contatos)
r["infected"].plot(ax=ax, label=f"{contatos} contatos")
picos.append({"contatos": contatos,
"pico (pessoas)": round(r["infected"].max()),
"dia do pico": r["infected"].idxmax(),
"nunca infectados": round(r["susceptible"].iloc[-1])})
ax.set(title="Infectados", xlabel="dia", ylabel="pessoas"); ax.legend()
pd.DataFrame(picos)
| contatos | pico (pessoas) | dia do pico | nunca infectados | |
|---|---|---|---|---|
| 0 | 6 | 3558 | 13 | 249 |
| 1 | 4 | 1733 | 20 | 1718 |
| 2 | 3 | 677 | 32 | 4005 |
✏️ Pergunta 3. Além de baixar o pico, o que o distanciamento muda no número de pessoas que nunca se infectam? Por que isso é efeito da retroalimentação?
4. Dois estoques que dependem um do outro: predador e presa¶
As presas crescem sozinhas e morrem ao encontrar predadores; os predadores morrem sozinhos e crescem ao comer presas (modelo de Lotka-Volterra).
pp = simular(PredatorPrey, passos=500, variaveis=["prey", "predator"])
fig, (a1, a2) = plt.subplots(1, 2, figsize=(11, 4))
pp.plot(ax=a1, secondary_y="predator", title="Ao longo do tempo")
a2.plot(pp["prey"], pp["predator"]); a2.set(xlabel="presas", ylabel="predadores", title="Uma variável contra a outra");
As populações oscilam: muitas presas → os predadores crescem → as presas caem → os predadores caem → as presas voltam.
O equilíbrio, onde nada muda, vem das próprias taxas:
- presas = morte do predador / ganho por presa = 0,02 / 0,00002 = 1000
- predadores = crescimento da presa / perda por predador = 0,08 / 0,001 = 80
🔧 Comece exatamente no equilíbrio (prey=1000, predator=80) e depois um pouco fora dele (prey=1000, predator=70).
fig, ax = plt.subplots()
for presas, predadores in [(1000, 80), (1000, 70), (1000, 40)]:
r = simular(PredatorPrey, 500, ["prey", "predator"], prey=presas, predator=predadores)
ax.plot(r["prey"], r["predator"], label=f"início ({presas}, {predadores})")
ax.plot(1000, 80, "k*", markersize=12)
ax.set(xlabel="presas", ylabel="predadores"); ax.legend();
✏️ Pergunta 4. No modelo da floresta, começar fora do equilíbrio levava de volta a ele. Aqui, o que acontece? O que isso diz sobre usar um modelo para prever o futuro?
5. É o mesmo modelo do TerraME?¶
O dissmodel-sysdyn traduz os exemplos do pacote sysdyn do TerraME. Para conferir a tradução, guardamos a saída do TerraME para cada modelo (os goldens, no repositório terrame-goldens, versão 0.1.0) e comparamos.
Lemos a saída do SIR do TerraME direto do repositório:
URL = "https://raw.githubusercontent.com/LambdaGeo/terrame-goldens/v0.1.0/goldens/sysdyn/{}.csv.gz"
terrame = pd.read_csv(URL.format("sir")).set_index("step")
terrame.head()
| susceptible | infected | recovered | contacts | |
|---|---|---|---|---|
| step | ||||
| 0 | 9998.000000 | 2.000000 | 0.000000 | 6 |
| 1 | 9995.000600 | 3.999400 | 1.000000 | 6 |
| 2 | 9989.004499 | 7.995801 | 2.999700 | 6 |
| 3 | 9977.023986 | 15.978414 | 6.997600 | 6 |
| 4 | 9953.111433 | 31.901760 | 14.986807 | 6 |
nosso = simular(SIR, passos=30, variaveis=variaveis_sir)
diferenca = (nosso - terrame[variaveis_sir]).abs()
print("maior diferença em cada variável:")
print(diferenca.max())
print("\nidênticos, número a número?", (nosso.values == terrame[variaveis_sir].values).all())
maior diferença em cada variável: susceptible 0.0 infected 0.0 recovered 0.0 dtype: float64 idênticos, número a número? True
Diferença zero: os dois programas fazem as mesmas contas na mesma ordem. Isso não aconteceu de primeira. A ordem dos termos de uma soma muda o último dígito (lembre do encontro 4), e o código do DisSModel foi ajustado para seguir a ordem do TerraME.
🔧 Faça o mesmo para a banheira ("tub", 8 passos, variável water) e para predador-presa ("predator_prey", 500 passos, variáveis prey e predator).
casos = {"tub": (Tub, 8, ["water"]),
"predator_prey": (PredatorPrey, 500, ["prey", "predator"])}
for nome, (Modelo, passos, vs) in casos.items():
ref = pd.read_csv(URL.format(nome)).set_index("step")[vs]
r = simular(Modelo, passos, vs)
print(f"{nome:15s} maior diferença: {(r - ref).abs().max().max():.1e} idênticos: {(r.values == ref.values).all()}")
tub maior diferença: 0.0e+00 idênticos: True
predator_prey maior diferença: 0.0e+00 idênticos: True
✏️ Pergunta 5. O modelo dá exatamente o mesmo número que o TerraME. Isso prova que o modelo SIR está certo para uma epidemia real?
Para casa¶
- No modelo
Floresta, acrescente uma segunda saída: uma área fixa de 3 km² desmatada por ano para estradas, além da fração. Qual o novo equilíbrio? Escreva a conta antes de rodar. - No SIR, troque
duration(dias de doença) de 2 para 4, com 6 contatos. O que muda no pico? Explique pela retroalimentação. - Escolha um processo da sua pesquisa e desenhe, à mão, seus estoques, fluxos e retroalimentações (diagrama de estoque e fluxo). Traga para o próximo encontro.
Para visualizar no navegador¶
Os modelos do dissmodel-sysdyn também rodam num demo no navegador, sem instalar nada: DisSModel System Dynamics Explorer. Escolha o modelo na barra lateral, mude os parâmetros e clique em Run Simulation (a interface é em inglês).
- 🔧 SIR: mude
contactseprobabilitye veja o pico de infectados subir, descer e chegar mais cedo ou mais tarde, como na Parte 3. - 🔧 PredatorPrey: mude
prey_growthepred_deathe veja as oscilações da Parte 4 mudarem de amplitude e de período. - Explore um modelo que não vimos em aula, como
Daisyworld(um planeta que regula a própria temperatura) ouLorenz(caos). Cada um traz a descrição em "About this model".
O demo é para ver e experimentar. Para guardar o que você fez, com semente e registro, use o notebook (encontro 4).