Tahiti-2010 Exploration qualitative d’un écosystème : - à l’aide de patrons de scénarios - par la synthèse de contrôleur Christine LARGOUËT Agrocampus Ouest, centre de Rennes IRISA, Equipe DREAM Marie-Odile CORDIER Université de Rennes I IRISA, Equipe q p DREAM Introduction → Intérêt des modèles de simulation en écologie → Difficulté de représentation des écosystèmes → Modélisation qualitative : une alternative pour les systèmes complexes l ett mall connus → Formalisme des SED pour représenter un écosystème – Démarche générique pour construire un modèle qualitatif et temporel – Ensemble d’automates temporisés synchronisés → Exploitation du modèle à l’aide de scénarios prédéfinis – Langage de haut niveau reposant sur la logique TCTL – Mise en œuvre à l’aide de techniques de model-checking → Application de la synthèse de contrôleur - Déterminer de la stratégie optimale pour un état souhaité du système → Application écosystème marin soumis à des pressions de pêche Résumé de l’approche User-oriented simulation Predictive scenarios Scenarios on potential policies Unified representation for different sub-systems Questions Q into Fisheries stakeholders parameters translation Efficient and qualitative answers Automatic generation Qualitative model Knowledge integration Learning Numerical models Expert Knowledge Ecosysteme Results interpretation L’année dernière on vous a présenté.... Ecosystème simplifié Réseau trophique Modèle qualitatif générique Qualitative model :– aframework general framework Modèle constitué de 3 entités • Contraintes exogènes non contrôlables. • Impact important sur le système (cyclone orage) système (cyclone, orage) • Contrainte temporelle sur certains événements • Actions décidées par les hommes : usagers ou politiciens • Actions contrôlables • Impact plus ou moins important • Interactions entre composants I t ti t t • Chaque espèce décrite par un modèle qualitatif • Influence causale entre espèces Given ES, ENV and AP are redefined for every new scenario ES fixé, ENV et AP redéfini pour chaque nouveau scénario Pressions Anthropiques (PA) Modèle général redéfini pour chaque scénario (ajout possible de contraintes temporelles) Etats : Pression de pêche Evolution graduelle de la pression de pêche medium high low null Transitions : Tous les événements sont synchronisés pression de pêche PP0 Contexte environnemental (ENV) Modèle général redéfini pour chaque scénario réchauffement climatique catastrophe Formalisation des automates d’espèces Topologie des automates d’espèces : Etats : état à l’équilibre état transitoire H: M: L: E: automate [ predateur ] High Medium Low Extinct M PPmh? t :=0 Chaque changement de niveau de biomasse a un p sur les p proies et les p prédateurs impact biomasse biomasse biomasse prédateur biomasse proie L contraintes Les t i t temporelles t ll reflètent flèt t lla dynamique des relations proie prédateur t < 40 t > 30 aml! Ecosystème (ES) espèce SP0 Ecosystème (ES) espèce SP1 espèce SP0 pression de pêche PP0 Cette année : - définition des patrons de scénarios - application à un cas réel Model-checking en TCTL Formules logiques en TCTL model-checking 2 opérateurs é t modaux d : Formule TCTL* TCTL Automate Model Checker Tools: Kronos, UPPAAL diagnostic binaire FALSE TRUE Trajectoires TCTL : Timed Computation Tree Logic quantifieurs : ∃, ∀ ◇, □ propriétés des états ∃□ ◇pppotentially pinvariantly reachable h pblp p ∀ ∃□p always ∀◇p inevitably Scenarios Pattern (1) pour une date t WhichStates ➟ ensemble des états possibles pour une propriété p : WhichDate ➟ date de la première occurrence time t pour un état Si et une propriété p : WhichDate-Si ➟ date de la première occurrence ti time t Scenarios Pattern (2) Stability La propriété p reste toujours satisfaite à partir de Si Always Une propriété p est-elle toujours satisfaite ? Safety Une propriété indésirable p est-elle possible? ? Résultats Redéfinition de AP : nouvelle politique de pêche pression de pêche PP0 ENV reste le modèle générique pression de pêche PP1 Application des patrons de scénarios Scénario de type WhichStates pour t= 50 p pour tt= 70 Résultats : Danger Low Mediu m High Danger sp 0 (2) sp 0 sp 1 p ((2)) sp 1 sp 1 sp 2 (1) sp 3 (2) 2 trajectoires (1) (1) Low Mediu m (1) (2) (2) sp 2 (3) sp 3 (3) 3 trajectoires Scé Scénario a o de type ype WhichDate c ate pour une situation obtenue précédemment (SP1 en danger) Résultat : t = 68 High Application des patrons de scénarios Scénario de type Always La biomasse de SP3 reste toujours moyenne Résultats : Faux Scénario de type yp Safety y 1- Situation indésirable avec toutes les espèces ayant une biomasse faible ou en danger Ré lt t : Résultats Situation possible 2- Pour une situation indésirable avec toutes les espèces en danger Résultats : Situation impossible Application au lagon d’Uvéa (Nouvelle-Calédonie) Application Uvea atoll lagoon (New Caledonia) Ecopath model of the Uvea atoll lagoon (Bozec et al. 2004) Estimation des temps de passage entre états Step 1: formalization of species automata pred_1 pred_2 clock variable: t time constraints: guard & invariant prey Time constraints reflect the dynamics of predator-prey relationships ++ + prey Génération automatique du réseau d’automates Generation of species automata f3 f4 f5 sp5 sp1 sp4 sp3 sp2 sp1 sp2 predators j species i preys h dB i Production - Predation - Fishing - Other mortality dt gi c h hi (Bh,Bi) c j ij ( B i , B j ) F i B i Mo i B i Modèle de Lotka-Voltera f3 f4 f5 Scenario 1 Elevated fishing pressure f sp5 H • f_H = 10 * f_N (sp3, sp4, sp5) sp4 sp3 p N • WhichStates query = L t all possible states at any date? sp2 sp1 f3 f4 f5 Scenario 2 Rotational fishing closure sp5 f f H H N N L L 0 24 48 72 96 t sp4 sp3 p sp2 sp1 0 24 48 72 96 t f3 f4 f5 Scenario 3 Adaptative fishing pressure sp5 sp_L ? f f H H N N L L sp2 sp1 sp N ? sp_N 0 24 48 72 96 rotational (24/24 mo) t sp4 sp3 p 0 24 48 72 adaptative 96 t EcoMata → Permet la définition et l’exploration d’un système de type proieprédateur → Définition d’un réseau trophique + pressions de pêche et perturbations → Génération automatique du réseau d’automates → Exploration de l’écosystème à l’aide des patrons de scénarios → Repose sur le model-checker d’UPPAAL → Diffusion libre (si autorisation UPPAAL) → Démonstration Dé t ti en fi fin d’ d’exposé é Toujours cette année : application de la synthèse de contrôleur Synthèse de contrôleur Idée générale : La synthèse de contrôleur consiste, étant donné un système partiellement spécifié, spécifié à déterminer un automate dont la synchronisation avec le système vérifie une spécification donnée. Dans notre cas de figure, le système est l'écosystème défini comme un ensemble d'automates en interaction, l'automate à déterminer est celui des pressions de pêches appliquées, et la spécification donnée est l'état de satisfaction souhaité par les écologues. Objectif : Répondre à un type de scénario essentiel pour les décideurs, correspondant aux questions « comment faire pour? » « Quelle politique de pêche appliquer pour que l'écosystème atteigne un état souhaité". « Quelle politique de pêche appliquer pour que l'écosystème évite un état non souhaité". peut être résolu en appliquant la synthèse de contrôleur sur les automates. Contrôleur pour les automates temporisés Automates temporisés : automates munis d'horloges qui évoluent de manière continue et synchrone y avec le temps. p Etant donnés - Les comportements d'un système S - Des événements contrôlables et incontrôlables. - Et une propriété Trouver un contrôleur C, automate C dont les transitions sont des événements contrôlables, tq. (C || S) ├ , Le contrôle des automates temporisés dans (O. Maler et al. [6]), (F.Cassez et al. [7]) s'inspire de la théorie des jeux. 9 Événement contrôlable Objectif de sûreté: éviter l’état bad Événement non contrôlable I Objectif d'atteignabilité : atteindre l‘état goal A winning strategy would consist in taking c1 immediately in all states (l0, x) with x ≤1; taking c2 immediately in all states (l1, x) with x≥ 2; g c4 immediatelyy in all state (l2, ( x)) taking delaying in all states (l3, x) with x < 1 until the value of x is 1 at which point the edge c3 is taken. UPPAAL TIGA -UPPAAL TIGA is an extension of UPPAAL - it implements an efficient on-the-fly algorithm for gg games based on timed g game automata with solving respect to reachability and safety properties. Bilan - Perspectives → Modélisation qualitative par SED → Adaptée aux systèmes de type prédateur prédateur-proie proie → Prédictions qualitatives suffisantes pour l’aide à la décision → Construction automatique d’automates à l’aide d’un modèle écologique simplifié → Scénarios → Langage de haut-niveau facile à manipuler par les gestionnaires → Efficacité due au model-checking g → Synthèse de controleur → Répondre aux requêtes de type « comment faire pour? » → Utilisation de Uppal-Tiga Uppal Tiga + voir théorie des jeux avec coûts (optimiser la réponse) → Application à un écosystème de type différent (transfert de flux) → Intégration des facteurs socio-économiques → Comparaison avec l’approche de J. Dambacher