O documento discute a aplicação da inteligência artificial na construção de modelos ecológicos. Ele apresenta conceitos como modelos, sistemas, dinâmica de sistemas e como a IA pode ser útil para a modelagem ecológica, especialmente no que se refere à organização de conhecimento e avaliação de hipóteses. Algumas técnicas de IA aplicadas em ecologia são discutidas, como sistemas dinâmicos, redes neurais, algoritmos genéticos e lógica fuzzy.

1. Inteligência Artificial
Aplicada à Construção de
Modelos Ecológicos
Mini-Curso Semana da Biologia da UnB
Prof. Dr. Paulo Salles e Adriano Souza

2. Programa
 Objetivos do Mini-curso
 Parte I – Introdução
 Definições de Inteligência Artificial (IA) e modelos
 Modelagem e o potencial de uso da IA para estudos de ecologia
 Parte II – Discussão de aplicações de IA em modelagem ecológica
 Algumas técnicas de IA aplicadas em ecologia (Sistemas
Dinâmicos, Redes Neurais Artificiais, Algoritmos Genéticos, Fuzzy
Logic, Raciocínio Qualitativo)
 Parte III - Exercícios sobre como construir modelos ecológicos, utilizando o
software DynaLearn (www.dynalearn.eu).
 Modelos Qualitativos (DynaLearn)
 Padrões de modelos
 Construção de modelos em DynaLearn
 Discussão

3. Objetivos do Minicurso
 Discutir alguns dos mais importantes paradigmas de
modelagem ecológica baseados em Inteligência
Artificial;
 Demostrar, por meio de atividades práticas, como
construir modelos para representar problemas
ecológicos.

4. Definição de Inteligência Artificial
 É a teoria e desenvolvimento de sistemas
computacionais capazes de realizar tarefas que
normalmente requerem inteligência humana, tais como
percepção visual, reconhecimento de
linguagem, tomada de decisão, e tradução entre
linguagens.

5. MaioresproblemasdaIA Raciocínio
Representação de
conhecimento
Planejamento e agendamento
automatizado
Aprendizagem de máquina
Processamento de linguagem
natural
Visão computacional
Robótica
Inteligência Geral ou IA Forte
Abordagens Tradicionais
* Busca de algoritmos
* Lógica
Abordagens modernas
* Redes Neurais
* Redes Bayesianas
* Algoritmos evolutivos

6. Então, qual é o significado
ou importância da IA para a
ecologia e para os
ecólogos?

7. E na Ecologia?
Inteligência
Artificial
Representação
de conhecimento
Correspondência
de Padrões
Inferência Busca
Sistemas
Especialistas
Sistemas de
bases de dados
Inteligentes
Modelagem
em IA
Robótica
Visão e
processamento
de imagem
Entendimento
de Sistemas
Complexos
Processamento
de linguagem
natural
Raciocínio
computacional e
comprovação de
teoremas
...
Manejo de recursos naturais
Escopo de áreas de aplicação da
IA como aplicada ao MRN.
Adaptado de Coulson et al. (1987)

9. 1987
Coulson et al.
Sistemas especialistas para
solução de problemas e
tomada de decisão
Sistemas de Informação
Geográfica Inteligentes
Modelos de IA de
comportamento animal e
ecologia
Object-oriented
paradigma
1989
Rykiel
Modelagem e simulação
Integração de
conhecimento qualitativo e
quantitativo
Desenvolvimento teórico
1998
Struss
Desenvolvimento e uso de
modelos aprimorados
Modelagem conceitual e
solução de problemas
Modelagem qualitativa e
sistemas baseados em
modelos
É necessário uma aproximação na colaboração entre especialista de um domínio e pesquisadores de
Inteligência Artificial para o desenvolvimento de soluções para problemas específicos

10. E na Ecologia?
3 maneiras em que as tecnologias de IA podem ser úteis
para o desenvolvimento teórico:
Organização de bases de conhecimento compatíveis com
computadores, incluindo conhecimento qualitativo e
quantitativo;
Avaliação rápida de pressupostos, hipóteses ou outras ideias em
um contexto teórico;
Determinar as consequências e a consistência lógica de longas e
complicadas trajetórias de raciocínio ecológico.
Rykiel (1989)

11. E na Ecologia?
 Talvez o impacto mais imediato de tecnologias de IA
será na forma como ecólogos organizam, desenvolvem
e implementam modelos.
 Um ambiente computacional ecológico deve permitir
que o ecólogo pense muito mais no problema
ecológico e muito menos na mecânica computacional.
Rykiel (1989)

12. Antes de continuar
precisamos saber o que é
um modelo!
 Palpites?

13. Modelo
 Modelos são representações
formais, abstratas e
manipuláveis de sistemas
físicos, a partir dos quais pode-
se fazer simulações do
comportamento do sistema
na realidade e estabelecer
comunicação entre pessoas
que dominem a linguagem
usada para a modelagem.
Sistema
 É uma unidade que consiste de
um ou mais elementos (objetos)
estruturalmente
conectados, cujos estados
dependem uns dos outros.
 Portanto, são componentes
essenciais de um sistema os
OBJETOS e a ESTRUTURA.
 Exs.: o sistema digestivo
humano, uma bicicleta
Definições de Modelo e Sistema

14. S1
S4
S3
S2
SISTEMA
ALÇAS DE
RETROALIMENTAÇÃO
Ambiente
BORDA DO
SISTEMA
ESTRUTURA DO
SISTEMA
ELEMENTOS DO
SISTEMA
ENTRADA NO
SISTEMA
SAÍDA NO
SISTEMA
Conceitos básicos de um sistema e seu
ambiente. Adaptado de Bossel (1986)

15. A finalidade do sistema
Um sistema tem uma finalidade (ou pode-se
atribuir uma finalidade a ele):
Recebe algum input do ambiente, realiza alguma
transformação nesse input e produz algum output.
Portanto, o desenvolvimento de certos estados
é mais provável do que de outros estados.

16. Um modelo deve ter uma finalidade
 A construção de um modelo é uma atividade
seletiva, parcialmente subjetiva, que se baseia na
experiência, em evidências
empíricas, julgamentos, intuições.
 A seleção dos elementos e das relações estruturais mais
importantes dependerá dos objetivos da análise do
sistema.
 Um modelo deve ter, portanto, uma finalidade.
 Estudo de uma floresta para fins econômicos e
 Estudo sobre a sucessão na floresta requerem análises diferentes.
 Para finalidades diferentes, devem ser construídos modelos

17. Para que construir modelos?
Construir e usar modelos contribui para…
Compreender a estrutura do sistema;
Predizer o comportamento do sistema;
Controlar variáveis para obter determinados
resultados.

18. Como modelos podem ser usados?
 Pesquisa científica;
 Tomada de decisões e manejo;
 Aplicações educacionais e treinamento.
Cada uso tem requisitos diferentes.

19. Modelos em ecologia
Construir modelos em ecologia é tarefa complexa, porque...
1. Conhecimentos ecológicos são heterogêneos, incluem tanto
conhecimentos qualitativos como quantitativos;
2. É difícil coletar dados e fazer experimentos;
3. Os dados disponíveis são incompletos, inexatos, incertos e expressos em
termos qualitativos;
4. Os fundamentos teóricos e as leis (ou first principles) ainda estão em
desenvolvimento.
 Novas abordagens para a modelagem ecológica são necessárias!

20. Modelos em ecologia
A maior parte dos modelos usados em ecologia
pertencem a duas classes:
 Modelos Estatísticos
 resultam em demonstrações de relações empíricas entre fatores
ecológicos (parâmetros);
 embora úteis e importantes, não conseguem capturar a
complexidade dos sistemas ecológicos.
 Modelos Estruturais
 usados como meio de generalizar o entendimento sobre a
estrutura e o funcionamento de sistemas ecológicos;
 aumentam a capacidade de fazer previsões sobre o
comportamento e de controlar tais sistemas.

21. Modelos Estatísticos
MODELOS
ESTÁTICOS
Sistema real
Observações
Regressão,
correlação
Modelo

22. Modelos Estruturais
MODELOS
DINÂMICOS
Sistema real
Modelo

23. Abordagens da IA
em Ecologia
Dinâmica de
Sistemas
Lógica Difusa
(Fuzzy Logic)
Algoritmos
Genéticos
Redes
Neurais
Artificiais
Raciocínio
Qualitativo
É uma abordagem para entender o comportamento de sistemas
complexos no tempo. Ele lida com ciclos de retroalimentação interna
e atrasos que afetam o comportamento do sistema como um todo.

24. A Dinâmica de Sistemas é um bom
paradigma para modelagem ecológica
por que...
1. Constrói-se em conceitos existentes
2. É diagramático
3. É amplamente usado
4. Estimula uma abordagem em camadas
 Estrutura conceitual antes dos detalhes matemáticos
5. Se aplica a uma ampla variedade de problemas
ambientais e ecológicos

25. http://en.wikipedia.org/wiki/File:LSE_pond.jpg#filelinks

26. Um ecosistema simples
Grama
Veado campeiro
CO2
Árvore
CO2
Simples
ecossistema em
que o carbono
move-se entre os
componentes
etiquetados

27. Modelo de um ecosistema simples
CO2
atmosférico
Grama
g C
Absorção
DeCO2
pelasplantas
Morte,
Excreção,
respiração
Consumo
CO2
Atmosférico,
dejetos líquidos
e sólidos
Veado
g C

28. Símbolos de Sistemas Dinâmicos
Compartimento
Fluxo
Nuvem
Variável
Influência

29. Exemplo: Modelo predador-presa de
Lotka e Volterra
 Cada presa tem um número constante de
descendentes por ano
 Cada predador se alimenta de uma proporção
constante da população de presas por ano
 A reprodução do predador é diretamente proporcional
ao consumo de presas
 Uma proporção constante da população de
predadores morre por ano

31. PARÂMETROS:
Coelhos = 5000
Raposas = 45
Reprodução de coelhos = 0.5*coelhos
Predação = comidos por raposa*raposa
Reprodução de raposas = 0.01*predação
Mortalidade de raposas = 0.2*raposas
rraposas = 0.01*comidos_por_raposa
Comidos por raposa = 0.01*coelhos
Modelo Predador-presa construido em
SIMILI

32. Raposa Coelho

33. Crescimento população de árvores
Parâmetros:
tamanho = 3
crescimento = cr*(1-tamanho/25)
cr = rand_const(0.1,0.3)
inicial = 5
recrutamento = 2
mortalidade = tamanho>17
total = sum({tamanho})
X = rand_const(0,100)
Y = rand_const(0,100)

34. Simulação de
modelo quantitativo
em SIMILE para
crescimento de
árvores

35. Abordagens da
IA em Ecologia
Dinâmica
de Sistemas
Lógica Difusa
(Fuzzy Logic)
Algoritmos
Genéticos
Redes
Neurais
Artificiais
Raciocínio
Qualitativo
É uma possível maneira de lidar com incerteza, capaz de capturar informações
imprecisas, descritas em linguagem natural, e convertê-las para um formato numérico.
A Lógica Fuzzy utiliza palavras em vez de números, os valores verdades são expressos
linguisticamente: quente, muito
frio, verdade, longe, perto, próximo, rápido, vagaroso, médio, normal, muito, pouco, etc.
admite valores lógicos intermediários entre o FALSO (0) e o VERDADEIRO (1); por exemplo o valor
médio 'TALVEZ' (0,5). Isto significa que um valor lógico difuso é um valor qualquer no intervalo de
valores entre 0 e 1

36. Precisão e significância no mundo real
Um peso de
1500 kg se
aproxima da
sua cabeça a
45,3 m/s
CUIDADO!
Precisão Significado
Às vezes tudo o que você precisa saber é aquilo que faz toda a diferença e
a lógica difusa é uma boa maneira de conseguir essa informação. Isso vale
também para modelos de raciocínio qualitativo!
What? LOL

37. Conhecimento Objetivo
 Usado na formulação de
problemas de
Engenharia → modelos
matemáticos
Conhecimento Subjetivo
 Representa a informação
linguística que é
geralmente impossível
de quantificar usando
matemática tradicional
Definição

38. Exemplo
• Esta estrela é azul?
– Verdadeiro
Qual a melhor resposta?
• Este hexágono é azul ?
Fuzzy não é probalidade
• Fuzzy é associado a possibilidade
• Fuzzy é associado a associações parciais
• Exemplos:
– 10% do conteúdo dessa bebida é um veneno
mortal
– Aquela bebida tem 10% de chance de ser
um veneno mortal
– Qual copo você beberia?
- Um carro que custa 20 mil reais é barato, o
que custa 25 mil é caro! E um carro que custa
23 mil reais?
• Este cubo é azul?
– Falso
Função de pertencimento

39. Porque usar Lógica Fuzzy ?
 Grande parte da compreensão humana sobre os acontecimentos
dos fatos é imprecisa
 Em muitos casos, a precisão pode ser um tanto inútil, enquanto
instruções vagas podem ser melhor interpretadas e realizadas
 Exemplo de compreensão humana
 Invulgar:
“Comece a frear 10 metros antes do sinal PARE”
 Vulgar:
“Comece a frear perto da faixa dos pedestres”
 Sistemas Especialistas devem trabalhar com informações vindas do
mundo real (muitas delas imprecisas) devem ser capazes de
reconhecer, representar, manipular, interpretar e usar imprecisões

40. Em Ecologia
 Em muitas situações, principalmente em perícia ambiental, análises
de riscos etc., nos deparamos com situações de extrema
subjetividade, onde as variáveis envolvidas dependem única e
exclusivamente da opinião e da experiência das pessoas
envolvidas.
 Em se tratando de considerar a experiência e a opinião de
especialistas, nos deparamos com situações em que devemos
inferir a respeito de variáveis características “dos mundos dos
especialistas”:
 Muito quente;
 Inclinado;
 Gravíssimo etc.
40

41. Abordagem de
agrupamento difuso para
delinear zonas
agroecológicas
Agrupamento difuso de
dados ecológicos difusos
Abordagem difusa para
avaliação de impacto
ambiental
Modelagem difusa em
dinâmica de populações

42. Abordagens da
IA em Ecologia
Dinâmica
de Sistemas
Lógica Difusa
(Fuzzy Logic)
Algoritmos
Genétics
Redes
Neurais
Artificiais
Raciocínio
Qualitativo
São programas computacionais projetados para encontrar o modelo de melhor desempenho
através da aplicação de princípios de seleção natural e sobrevivência do mais adaptado

43. Origem
 Os algorítimos genético (AG ou GA) foram criados em
1975 por John Holland da Universidade de Michigan, Los
Angeles
 São modelos computacionais que imitam os
mecanismos de “evolução natural”para resolver
problemas de otimização.
 Os AGs tratam de encontrar a melhor solução de um
dado problema entre um conjunto de soluções
possíveis.

44. Cria aleatoriamente uma população de soluções
Seleciona Indivíduos parentais
Produz filhos (Crossover e Mutação)
Elimina indivíduos não adaptados
Continua até um indivíduo atingir o critério de sucesso
(alcançar um r2 > 0,6 para dados medidos versus
calculados)

45. Na ecologia...
 AG tem sido usado para a otimização de parâmetros, descobertas de
equações e procura de padrões.

46. Distribuição potencial de espécies

48. Predições com AG
Cenário:
 Sustentabilidade;
 Mudanças globais;
 Uso de pesticidas e fertilizantes;
 Introdução de espécies;
 Aumento da população humana;
 Fronteiras agrícolas.
A representação de fenômenos ecológicos é crítica para a predição em sistemas
ecológicos.
 Black box:
O usuario pode inferir as regras do resultado, mas não em detalhes suficientes para fazer
generalizações sobre os mecanismos ecológicos que levaram as distribuições preditas

49. A próxima geração
AG híbridos
 Petel et al. (1998) – AG + Rede Neural
 Objetivo: projetar novas moléculas que matariam bactérias.
 D’Angelo-Morrall et al. – AG + Estatística de Agrupamento
 Objetivo: prever a toxicidade de organismos aquáticos em uma
ampla variedade de substâncias chimicas
A hibridização é uma nova fronteira dos AGs e tem
um grande potencial na modelagem ecológica.

50. Abordagens da
IA em Ecologia
Dinâmica
de Sistemas
Lógica Difusa
(Fuzzy Logic)
Algoritmos
Genéticos
Redes
Neurais
Artificiais
Raciocínio
Qualitativo
São programas computacionais projetados para processar informação de forma semelhante ao
que ocorre em neurônios biológicos no cérebro humano.
Uma rede treinada de maneira razoável tem a habilidade de generalizar quando é apresentada
à entradas que não estão presentes em dados já conhecidos por ela.
A principal força na estrutura de redes neurais reside em sua habilidades de adaptação e
aprendizagem. A habilidade de adaptação e aprendizagem pelo ambiente significa que
modelos de redes neurais podem lidar com dados imprecisos e situações não totalmente
definidas.

51. Em um neurônio biológico
 Recebe diversos sinais de outros neurônios ou
terminações nervosas
 Os sinais podem ser recebidos com diferentes
intensidades (pesos) nas sinapses receptoras
 O neurônio soma as entradas
 Sob circunstâncias apropriadas (entradas com nível
suficiente), o neurônio “dispara” um sinal elétrico (saída)

52. Em um neurônio biológico
 A saída de um neurônio pode ser a entrada de diversos
outros neurônios (rede)
 A memória é distribuída, residindo nas sinapses (nos
pesos).
 A resposta a um estímulo pode alterar a “força” (o
peso) de uma sinapse  aprendizado através de
experiência.
 Neurotransmissores em uma sinapse podem ser
excitatórios ou inibitórios.

53. O diagrama abaixo representa o
modelo matemático de um neurônio...

54. Redes Neurais Artificiais
Não Supervisionada
Kohonen (1989)
SOM
Feedforward
Rummelhardt et al. (1986)
Feedback
Pineda (1987)
Aprendem a classificar dados através do reconhecimento de
diferentes padrões sem focar nas saídas desejadas (supervisão) de
maneira similar quando uma pessoa está aprendendo a
reconhecer o rosto de alguém sem ajuda de um professor
Análise de padrões
Dados transversais
Análise de padrões
Séries Temporais
Modelagem
preditiva
Dados transversais
Modelagem
preditiva
Séries Temporais

55. Em síntese
 Durante o processo de aprendizagem os neurônios:
 organizam-se e tornam-se ordenados entre si
 especializam-se em detectar determinadas características dos
padrões de entrada
 O SOM é, portanto, caracterizado pela:
 formação de um mapa topológico dos padrões de entrada
 a localização espacial dos neurônios na grade após o
aprendizado são indicativas das características estatísticas
contidas nos padrões de entrada

56. CAMADA DE
ENTRADA
ORDENAÇÃO E
AGRUPAMENTO
DAS ENTRADAS
MAPEAMENTO E
AGRUPAMENTO
DAS ENTRADAS
Biomassas de
fitoplâncton
pesos
neurônios

57. >20ªC
<=15ªC
>15ªC<=20ªC
Estudo de caso: Lago Kasumigaura (Japão)
Teste de hipóteses sobre a preferência de temperatura de Microcystis e Cyclotella
Exemplo de dados transversais

58. Modelos Ecológicos Qualitativos

59. Abordagens da IA
em Ecologia
Dinâmica de
Sistemas
Redes
Neurais
Artificiais
Algoritmos
Genéticos
Lógica Difusa
(Fuzzy Logic)
Raciocínio
Qualitativo
É uma área da IA que cria representações para as propriedades contínuas
do mundo para dar suporte a raciocínio com pouca informação

60. Descreva com 1 palavra o que representa essa figura

61. Motivação
 As pessoas tiram conclusões úteis e sutis sobre o mundo
físico sem usar nenhum tipo de equação matemática;
 Cientistas e engenheiros parecem usar algum tipo de
raciocínio qualitativo quando tentam entender um
problema e quando estão interpretando os resultados
de simulações;
 Construir modelos sobre a cognição humana e criar
software para robôs requer a compreensão de como se
pensa qualitativamente

62. O que queremos dizer com Raciocínio
Qualitativo?
 O objetivo primário do Raciocínio Qualitativo é
 … fazer predições sobre o comportamento de um
sistema físico em termos não-numéricos,
 … preservando todas as diferenças no comportamento
mais importantes de um sistema real,
 … dada apenas uma descrição da estrutura do
sistema.

63. 1984, ano de ouro do QR
 O periódico Artificial Intelligence publica as 3 mais
influentes abordagens para RQ:
 Centrada nos processos (Forbus, 1984)
 Centrada nos componentes (de Kleer e Brown, 1984)
 Centrada nas restrições (Kuipers, 1984, 1986)

64. Modelagem composicional
 Representar componentes menores e mais simples em
modelos parciais (fragmentos de modelo)
 e então combinar esse modelos parciais para obter
uma descrição mais complexa do sistema.
 Assim, pode-se criar diferentes representações do
sistema, com diferentes níveis de complexidade.
Falkenhainer e Forbus, 1991

65. Basic model patterns
69
Single rate and process
Two processes one SV
Short network
Long network - branching
Direct feedback loop double negative
Indirect feedback loop
negative, long chain
Inequality reasoning

66. Modelo Qualitativo Predador-presa

67. Combined basic patterns
73

68. Complex model patterns
74
dN/dt = rN( 1- N/K)

69. Exercícios
 Exercício ecología de populações

70. Building models from texts76
“The impacts of the erosion without control go
beyond the environmental area. It includes risks
and prejudice to the Brazilian energetic matrix, due
to the siltation of the reservoirs of big hydroelectric
plants; social impacts due to the rural exodus,
economic impacts due to high costs of water
treatment for human consumption, and impacts on
human health caused by water born diseases.”

71. 77
“The impacts of the erosion without control go beyond the environmental area. It includes risks and
prejudice to the Brazilian energetic matrix, due to the siltation of the reservoirs of big hydroelectric plants;
social impacts due to the rural exodus, economic impacts due to high costs of water treatment for human
consumption, and impacts on human health caused by water born diseases.”

72. 78
“The impacts of the erosion without control go beyond the environmental area. It includes risks and
prejudice to the Brazilian energetic matrix, due to the siltation of the reservoirs of big hydroelectric
plants; social impacts due to the rural exodus, economic impacts due to high costs of water treatment
for human consumption, and impacts on human health caused by water born diseases.”

73. DynaLearn curriculum
79
Transfer to
different
domains
Using ecological
principles to
organize lessons
DYNALEARN
Developing specific
cognitive and
reasoning skills
Systems Thinking
Model
patterns
System
behaviour
patterns
How to build
advanced models
Understanding
environmental
science topics
Interdisciplinarity

74. Concluding remarks
DynaLearn a curriculum for environmental
science explores themes and relevant topics for
the present aiming at the development of
cognitive and reasoning skills.
The pedagogical approach is learning by
modelling, exploring a set of model patterns to
get a handle on
how to represent domain knowledge in
qualitative
system dynamics models.
One important educational goal to be achieved
is the development of learners’ systems thinking.
80