laurent pérochon

1

PARIS

(PAsture-Ruminant Interaction Simulator)

Laurent Pérochon

laurent.perochon@clermont.inra.frINRA

Centre de Clermont-Ferrand / TheixURH / RAPA

63122 Saint Genès Champanelle

2

Contexte

Elevage d’herbivores / Prairie

Pâturage extensif = faible chargement

3

Nourrir les animaux et gérer l’écosystème prairialpar le pâturage et la récolte de fourrages

Les enjeux

4

Objectifs

Mieux comprendre les mécanismes du système afin d’aider à sa gestion

Troupeau Prairie

Eleveur

gèregère

défolie / se déplace

5

6

Les moyens utilisés

Expérimentation Simulation

7

Les connaissances initiales/

collaborationsEquipe RAPA, unité URHINRA• Expérimentation Animaux / Parcelles• 1 modèle à compartiments• 2 simulateurs multi-agents

Equipe FGEPINRA•Expérimentations Parcelle•1 modèle à compartiment

LIMOSUniversité Blaise Pascal•Simulateurs multi-agents•Travaux mathématiques•Modélisation UML

8

Les connaissances initiales/

collaborationsEquipe RAPA, unité URHINRA• Sauvant et al. 1996• Dumont et Hill 2001,2004

Equipe FGEPINRA•Carrére et al. 1997

LIMOSUniversité Blaise Pascal•Force et al. 2002•Hill 1996, 2000

9

Objectifs du simulateur

Simuler le système Troupeau / Prairie, afin de tester des hypothèses biologiques,et de prédire l’évolution du système au cours du temps.

Troupeau Prairiedéfolie / se déplace

Contrainte : prise en compte de l’hétérogénéité des animaux et de la végétation ainsi que leurs interactions

10

Précisions / Décisionsinitiales

11

Les échelles

Troupeau Prairie

Pour les définir il faut prendre en compte l’objectif, les contrainteset les interactions

AnimalMax 30

Station alimentaire(0,1 m2)

10 hectares

12

Processus continu

Croissance deLa plante

ProcessusphysiologiqueDe l’animal

Lent Rapide

Événements discrets

Horloge synchrone

Processus discret

Actions de l’animal

De la seconde pour Prendre une décision

à la minute pour marcher

Jour Après une séquence dedéfoliation, rumination,

buvée ou repos

Discrétisation

Temps

13

Spatial ou non ?

Prise en compte de l’hétérogénéité de la végétation, et des emplacements remarquables : point d’eau, aire de repos

Compétition entre individus et interaction spatiales des individus

OUI

14

Aléatoire ?

Hétérogénéité Variabilité

OUI

Processus décisionnels non déterministes

Conditions initiales aléatoire résultats

15

Comment faire ?

16

Qui et pourquoi ?

Equipe RAPA, unité URHINRA(Bio) R. Baumont : Animal ‘seul’(Bio) B. Dumont : spatial, social(Info, model) L. Pérochon

Equipe FGEPINRA•(Bio) P. Carrére végétation

LIMOSUniversité Blaise Pascal(conseil info, model) D. Hill(conseil maths) C. Mazel(info model végétation) C. Force

Stagiaires Isima Stagiaires Isima

17

Approches utilisées pour l’analyse

Multi-agents (Ferber 2000, Janssen 2002 ): animal

Multi-modèles (Fishwick, 1995)#niveaux d’abstractions#modèles en interactions

Modèles à compartiments :Physiologie animalStation alimentaire

18

Formalisme

Modèles à compartiments : diagrammes de Forrester (1969)Simulateur : Unified Modelling Langage

Modèle conceptuel

Avant la programmation

19

Programmation

Le simulateur : C++ (gcc)Interface homme-machine : Java (sun)Système d’exploitation Linux (Mandrake)

20

Analyse

21

PARIS

BIOLOGICAL-SOCIAL TECHNICAL

INTAKEENVIRONMENT

GRASSLANDPLOT USE

ANIMAL AGENT

TIME MATHEMATICS

SPATIAL INPUT/OUTPUT

Premier et deuxième niveaux conceptuels

Le simulateur

22

BIOLOGICAL-SOCIAL

INTAKEENVIRONMENT

PLOT USE

ANIMAL AGENT

GRASSLAND

Le modèle du domaine

23

Troisième niveau conceptuel

PLOT

GRASSLAND

RESTING SITE

WATER POINT

VEGETATION SITE

SITE

CELL

COMPARTMENT4

*

GR GVDR DV

< is linked to

PLANTCOMMUNITY

+ Equations

VEGETATION

ENVIRONMENT< influences

< defoliates

ANIMAL AGENT

information resource

perceives

Le modèle de la parcelle

GV : green vegetativeDV : dry vegetativeGR : green reproductiveDR : dry reproductive

24

faciès

Site 1

Site 2

Cellule

La représentation de la parcelle

25

BIOLOGICAL-SOCIAL

INTAKEENVIRONMENT

PLOT USE

ANIMAL AGENT

GRASSLAND

Le modèle du domaine

26

INTAKE

DECISION

ACTION CHOICE

PROXIMATE CELL CHOICE

DEFOLIATION

PERCEPTION

DIGESTION-METABOLISM

GRASSLAND

PLOT USE

Troisième niveau conceptuel

Le modèle Physiologique / Décisionnel

27

Repos

Buvée

Rumination

MangerDirection

Dir 1

Dir 2

(Dir1 + Dir2)/2

(2*Dir1 + Dir2)/3

Distance 3

Distance2 Distance 1Distance

Qualité

First the animal makes a choice between to graze, to drink, to ruminate or to rest.

Second, when the animal eats, the sub-model simulates proximate choices between vegetation cells.

Modelling the role of vegetation quality on proximate choices is based on vegetation characteristics or on potential intake rate .

Each cell will be characterized by an “interest” index integrating distance, direction and quality .

The model will allow testing different choice behaviours from matching behaviour (the probability to choose a cell equals to its relative interest index) to optimal choices (always the best cell is chosen).

28

BIOLOGICAL-SOCIAL

INTAKEENVIRONMENT

PLOT USE

ANIMAL AGENT

GRASSLAND

Le modèle du domaine

29

Troisième niveau conceptuelPLOT USE

INTAKE

WALKING

NUTRITIONSATISFACTION

MEMORYSITE CHOICE

LEADERSHIP MEMORY

MEMORIZING

FORGETTING

SITEREPRESENTATION

DISTANCESATISFACTION

PROXIMATEANIMAL DISTANCE

HERD DISTANCE

LEADER DISTANCE

COLLISION

Le modèle utilisation spatiale de la parcelle

30

This sub-model simulates social interactions between animals in the herd ,

Animals want to be at the same time not to be too far away from others, and not to close too .

when its intake rate of digestible matter on that site falls below a given threshold an animal can move to a new location .

It’s what we call a leader . Each animal can become at any time a leader, but some will use this possibility more often than others will.

the whole herd will follow it.

Amongst the animals, only a leader can take the whole group to a new grazing location,). Now, an animal not satisfied by the quality of the surrounding cells, can decided to move on another area of the plot. An area it think it have better cells. When a leader move on another area,

31

32

BIOLOGICAL-SOCIAL

INTAKEENVIRONMENT

PLOT USE

ANIMAL AGENT

GRASSLAND

Le modèle du domaine

33

Déplacement versle point d’eau

Boire

Repos sur place

Déplacement versl’aire de couchage

Repos

Percevoir végétation environnanteChoix de la végétation à mangerDéplacement vers la végétation à

mangerIngestionMémorisation spatialisée de la

végétation ingérée

[manger etla végétation est satisfaisante ]

[boire ]

[repos court ]

[ repos long ]

Essayerdevenir leader

[ Végétationinsatisfaisante ]

[ Ne devientpas leader ]

Choix d’un site mémorielde végétation

Déplacement vers le site

[ Devientleader ]

[ Distance au troupeau, aux voisinsou à un leader insatisfaisantes ]

Déplacement[ Distances correctes ]

Choix activité

Animal seul

������������ � ��������� � �� ��������������� � ��� ������� � �������� ���� � �������� ����activités

Troisième niveau conceptuel

[ Fin action ]

34

PARIS

BIOLOGICAL-SOCIAL TECHNICAL

INTAKEENVIRONMENT

GRASSLANDPLOT USE

TIME MATHEMATICS

SPATIAL INPUT/OUTPUT

ANIMAL AGENT

Premier et deuxième niveaux conceptuels

Le simulateur

35

Troisième niveau conceptuel

Le modèle Technique

TECHNICAL

TIME MATHEMATICS

SPATIAL INPUT/OUTPUT

EcheancierHorloge synchrone

Jour 1 Jour 2 Jour 3 …

Echéancier

temps

36

Choisir les événements

• Pour chaque instant important �un événement– Changement d’activité– Choix d’une cellule – Rumination – Lien social, leadership et isolement– Suivre un leader – Se rapprocher du troupeau – Arriver à une destination

37

Troisième niveau conceptuel

Le modèle Technique

TECHNICAL

TIME MATHEMATICS

SPATIAL INPUT/OUTPUT

Générateur de nombrepseudo aléatoire

Lois de probabilités

38

Troisième niveau conceptuel

Le modèle Technique

TECHNICAL

TIME MATHEMATICS

SPATIAL INPUT/OUTPUT

Matrice

(20,136)

Distance ?

39

Troisième niveau conceptuel

Le modèle Technique

TECHNICAL

TIME MATHEMATICS

SPATIAL INPUT/OUTPUTEntrées-Fichiers-Interface graphique

Animaux, végétation, événements, date de départ

Sorties-fichiers-visionneuse

Animal, groupe, parcelle, sites, cellule

40

Conception

41

GRASSLAND

[Carrère et al. 1997]

INTAKE

[Sauvant et al. 1996]

PLOT USE

PROTOTYPE OF GRASSLAND MODEL+ Growth & senescence– No defoliation

PROTOTYPE OF INTAKE MODEL+ Ingestion process+ Digestion-metabolism process���� Decision of activity- No interaction with other animals- Only one cell, constant parameters

CREATION OF AN ARTIFICIAL PLOT- No defoliation impact- No vegetation dynamics

TRAJECTORY GENERATOR- Only one animal- No defoliation impact- No vegetation dynamics

V & VV & VV & V

Firststep

INTERACTION BETWEEN THE INTAKE MODEL AND THE GRASSLAND MODEL+ Interaction between one animal and the vegetation+ Decision of activity+ Proximate cell choice+ Perception of the quality of the cells- Only one animal

INTERACTION BETWEEN INTAKE AND PLOT USE MODELS AND THE GRASSLAND MODEL+ Interaction between animals inside the herd+ Interaction between each animal and the vegetation

V & V

Secondstep

42

INTERFACE+ Initialization of replications+ Filtering of the outputs+ Management of output files

VIEWER+ Visualization of animal movements on a map representing the grassland

Currentstep

TECHNICAL PLOT USE

LEADER & MEMORY+ Leadership.+ Interactions between animals and the leader.+ Spatial memory

PARIS

V & V

V & V

[Dumont et Hill 2001]

Second step

43

Le prototype actuel

44

ModVege Simulateur

GenTraject

Maths

Mémoire

Param

Stats

Techno

UtilsAdaptateur

Les répertoires

45

Interface homme machine

46

47

48

49

Les sorties

50

51

Init vv

Faciès 1

Faciès 3

Faciès 4

Faciès 2

Faciès 4

Faciès 2

Faciès 1

Faciès 3

52

200 j vv

Faciès 1

Faciès 3

Faciès 4

Faciès 2

Faciès 4

Faciès 2

Faciès 1

Faciès 3

53

200 j perçu

Faciès 1

Faciès 3

Faciès 4

Faciès 2

Faciès 4

Faciès 2

Faciès 1

Faciès 3

54

200 j mémoire

Faciès 1

Faciès 3

Faciès 4

Faciès 2

Faciès 4

Faciès 2

Faciès 1

Faciès 3

55

Analyse des sorties

56

Visuelle / statistique

Troupeau / animal / Leader

Parcelle / Faciès / site (végétation et mémoire)

57

0

200

400

600

800

1000

1200

1400

1600

1800

2000

109 139 169 199 229 259

Jour

Qin

g (g

MS

/j) 5_750

5_1500

5_3000

5_6000

0

200

400

600

800

1000

1200

1400

1600

109 139 169 199 229 259

Jour

Din

g (m

in/j) 5_750

5_1500

5_3000

5_6000

0

1

2

3

4

5

6

109 139 169 199 229 259

Jour

Vite

sse

d'in

gest

ion

(g M

S/m

in)

5_750

5_1500

5_3000

5_6000

Evolution de la moyenne des quantités ingérées par j our de chaque animal, de leurs durées d’ingestion et de leurs vit esse d’ingestion

Nb Animaux,Nb m2

58

Le simulateur en bref

2000-200520.000 lignes de codes et de commentairesTemps de simulation : 2h30 pour 10 animaux sur 1 hectare pendant un an(1Go amd 3200+)Fichiers en sorties : 9 Go pour la végétation, pour un animal sur 100 jour 180 Mo3 équipes en collaborationInteractions informaticiens / biologistesMulti agents; multi modèles

59

P.Carrére, S. Schwinning and A.J. Parsons. 1997. A spatially explicit simulation ofherbivore-sard interaction, in: Vth Research conference of the British GrasslandSociety (Newton-Abbot, Devon, Uk, 1997) 169-170.B. Dumont et D.R.C. Hill 2001. Multi-agent simulation of group foraging in sheep: effects of spatial memory, conspecific attraction and plot size, Ecol. Model. 141 (2001) 201-215.B. Dumont et D.R.C. Hill 2004. Spatially explicit models of group foraging by herbivores : What can agent based models offer ? Anim. Res. 53 (2004) 419-428.J. Ferber 2000, Multi-agent systems – An introduction to distributed artificialintelligence (Addison Wesley, Readind, MA, 1999)Force et al. 2002. Design of a multimodel of a dairy cows herd attacked by mastitis Simulation Modelling Practice and Theory, Volume 10, Issue 8, 31 December2002, Pages 543-554 Forrester, J. W. (1969) Urban Dynamics, MIT Press, Cambridge, MA.

D.R.C. Hill 1996, Object Oriented analysis and simulation, Addison-Wesley. D.R.C. Hill, P. Coquillard, B. Garcia, M.K. Traore, C. Mazel and A.T. Campos, multimodeling and object orented design patterns application to bio-control simulation, in Proc. Arti. Int. Simul. Arizona 219-228 2000Janssen 2002, complexity and ecosystem management : the theory and pactice ofmulti-agent systems, Edward Elgar Publishing, Inc.D. Sauvant, R. Baumont et P. Faverdin, Development of a mechanistic model ofintake and chewing activities of sheep, J. Anim. Sci. 74 (1996) 2785-2802.

Références