[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,61 +2,253 @@
|
||||
id: wiki-2026-0508-ecology-and-ecosystem-modeling
|
||||
title: Ecology and Ecosystem Modeling
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-ECOLOGY]
|
||||
aliases: [ecosystem modeling, agent-based ecology, Lotka-Volterra, food web, population dynamics]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: [Science, _systems, Ecology, Modeling]
|
||||
confidence_score: 0.92
|
||||
verification_status: applied
|
||||
tags: [ecology, ecosystem, abm, lotka-volterra, simulation, biodiversity, food-web]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: Python / NetLogo / Mesa
|
||||
framework: NumPy / scipy / Mesa
|
||||
---
|
||||
|
||||
# [[Ecology and Ecosystem Modeling|Ecology and Ecosystem Modeling]] (생태학 및 생태계 모델링)
|
||||
# Ecology and Ecosystem Modeling
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "생명체와 환경이 얽히고설킨 거대한 에너지 흐름의 지도를 그리는 일." 개별 생명체의 행동을 넘어, 이들이 군집 속에서 어떻게 상호작용하고 자원을 순환시키는지 파악하기 위해 수학과 컴퓨터 시뮬레이션을 활용하는 학문이다.
|
||||
## 매 한 줄
|
||||
> **"매 species 매 environment 의 interaction 의 mathematical / computational simulate"**. 매 Lotka-Volterra (predator-prey), 매 food web, 매 ABM (agent-based). 매 modern: 매 deep learning + 매 climate model coupling.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Population Dynamics**: 개체수가 환경 수용력(Carrying Capacity)에 맞춰 어떻게 늘고 줄어드는지 연구 (로지스틱 회귀 등).
|
||||
- **Trophic Levels**: 생산자, 소비자, 분해자 사이의 에너지 전달 효율 분석.
|
||||
- **Model Types**:
|
||||
- **Agent-based Models (ABM)**: 개별 유닛의 규칙을 바탕으로 전체 군집의 창발적 행동 관찰.
|
||||
- **Compart[[Mental Models|Mental Models]]**: 에너지나 영양소가 각 구획(질소, 탄소 등)을 흐르는 양을 계산.
|
||||
- **Utility**: 기후 변화에 따른 멸종 확률 예측, 전염병 확산 경로 파악, 지속 가능한 농업 설계.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- 자연은 인간의 모델보다 훨씬 더 복잡하고 비선형적(카오스 이론)이다. 특정 종을 보호하려던 노력이 먹이사슬의 붕괴를 가져오는 '의도치 않은 결과'가 빈번하다. 최근에는 인공지능이 위성 데이터와 수천 개의 변수를 실시간 학습하여, 고전적인 통계 모델이 놓치던 미세한 생태적 변화를 파악하는 '디지털 트윈 기반 생태 관리'가 도입되고 있다.
|
||||
### 매 model type
|
||||
- **Differential equation**: 매 Lotka-Volterra, SIR-like.
|
||||
- **Matrix model** (Leslie): 매 age-structured.
|
||||
- **Individual-based** (IBM/ABM): 매 agent.
|
||||
- **Network-based**: 매 food web.
|
||||
- **Spatial**: 매 PDE / cellular automata.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Complex-Adaptive-Systems , Self-Organized-Criticality
|
||||
- Modern Tech: [[Digital-Twin-Technology|Digital-Twin-Technology]]
|
||||
### 매 famous
|
||||
- **Lotka-Volterra**: 매 predator-prey oscillation.
|
||||
- **NetLogo Wolves-Sheep**: 매 ABM textbook.
|
||||
- **Madingley Model**: 매 global-scale ecosystem.
|
||||
- **EwE (Ecopath with Ecosim)**: 매 marine fisheries.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. **Conservation**: 매 endangered species.
|
||||
2. **Fisheries**: 매 stock assessment.
|
||||
3. **Invasive species**: 매 spread.
|
||||
4. **Climate adaptation**: 매 range shift.
|
||||
5. **Disease ecology**: 매 zoonotic.
|
||||
6. **Restoration**: 매 rewilding scenario.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 modern AI
|
||||
- **Species distribution**: 매 ML predict.
|
||||
- **Image classification**: 매 camera trap.
|
||||
- **Bioacoustic**: 매 bird ID.
|
||||
- **Foundation model**: 매 GeoCLIP, BioCLIP.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### Lotka-Volterra
|
||||
```python
|
||||
import numpy as np
|
||||
from scipy.integrate import odeint
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
def lv(state, t, alpha, beta, delta, gamma):
|
||||
prey, pred = state
|
||||
dprey = alpha * prey - beta * prey * pred
|
||||
dpred = delta * prey * pred - gamma * pred
|
||||
return [dprey, dpred]
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
t = np.linspace(0, 50, 1000)
|
||||
sol = odeint(lv, [10, 5], t, args=(0.5, 0.1, 0.05, 0.5))
|
||||
```
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### Logistic growth (carrying capacity)
|
||||
```python
|
||||
def logistic(N, t, r, K):
|
||||
return r * N * (1 - N / K)
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
t = np.linspace(0, 30, 300)
|
||||
N = odeint(logistic, 5, t, args=(0.5, 100))
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### Leslie matrix (age-structured)
|
||||
```python
|
||||
def leslie_step(pop, fecundity, survival):
|
||||
L = np.zeros((len(pop), len(pop)))
|
||||
L[0, :] = fecundity
|
||||
for i in range(len(pop) - 1):
|
||||
L[i + 1, i] = survival[i]
|
||||
return L @ pop
|
||||
|
||||
# 매 example
|
||||
pop = np.array([100, 80, 50, 20])
|
||||
fec = np.array([0, 0.5, 1.5, 0.8])
|
||||
surv = np.array([0.6, 0.7, 0.5])
|
||||
for _ in range(20): pop = leslie_step(pop, fec, surv)
|
||||
```
|
||||
|
||||
### Agent-based (Mesa)
|
||||
```python
|
||||
from mesa import Agent, Model
|
||||
from mesa.space import MultiGrid
|
||||
from mesa.time import RandomActivation
|
||||
|
||||
class Sheep(Agent):
|
||||
def step(self):
|
||||
self.energy -= 1
|
||||
if grass_at(self.pos): self.energy += 5
|
||||
# 매 move
|
||||
x, y = self.random.choice(self.model.grid.get_neighborhood(self.pos, True))
|
||||
self.model.grid.move_agent(self, (x, y))
|
||||
# 매 reproduce
|
||||
if self.energy > 20:
|
||||
self.energy /= 2
|
||||
self.model.add_sheep(self.pos, self.energy)
|
||||
# 매 die
|
||||
if self.energy <= 0: self.model.kill(self)
|
||||
|
||||
class Wolf(Agent):
|
||||
def step(self):
|
||||
# 매 hunt sheep
|
||||
sheep_nearby = self.model.grid.get_cell_list_contents([self.pos])
|
||||
sheep_nearby = [a for a in sheep_nearby if isinstance(a, Sheep)]
|
||||
if sheep_nearby:
|
||||
self.energy += 20
|
||||
self.model.kill(sheep_nearby[0])
|
||||
|
||||
class Ecosystem(Model):
|
||||
def __init__(self, n_sheep, n_wolves, w, h):
|
||||
self.grid = MultiGrid(w, h, torus=True)
|
||||
self.schedule = RandomActivation(self)
|
||||
for _ in range(n_sheep): self.add_sheep((random_pos), 10)
|
||||
for _ in range(n_wolves): self.add_wolf((random_pos), 20)
|
||||
def step(self): self.schedule.step()
|
||||
```
|
||||
|
||||
### Food web (network)
|
||||
```python
|
||||
import networkx as nx
|
||||
|
||||
G = nx.DiGraph()
|
||||
# 매 edge: prey → predator
|
||||
G.add_edges_from([
|
||||
('grass', 'rabbit'), ('grass', 'mouse'),
|
||||
('rabbit', 'fox'), ('mouse', 'fox'),
|
||||
('mouse', 'owl'), ('rabbit', 'eagle'),
|
||||
])
|
||||
|
||||
# 매 trophic level
|
||||
def trophic_level(G, species):
|
||||
if G.in_degree(species) == 0: return 1
|
||||
preys = list(G.predecessors(species))
|
||||
return 1 + np.mean([trophic_level(G, p) for p in preys])
|
||||
```
|
||||
|
||||
### Species distribution model (MaxEnt-style)
|
||||
```python
|
||||
from sklearn.ensemble import RandomForestClassifier
|
||||
|
||||
def fit_sdm(presences, absences, env_features):
|
||||
X = np.vstack([presences, absences])
|
||||
y = np.array([1] * len(presences) + [0] * len(absences))
|
||||
clf = RandomForestClassifier(n_estimators=200).fit(X, y)
|
||||
return clf
|
||||
|
||||
def project(clf, future_env_grid):
|
||||
return clf.predict_proba(future_env_grid)[:, 1] # 매 suitability
|
||||
```
|
||||
|
||||
### Spatial spread (cellular automaton)
|
||||
```python
|
||||
def spread_step(grid, infected_value=1, p_spread=0.3):
|
||||
new_grid = grid.copy()
|
||||
H, W = grid.shape
|
||||
for i in range(1, H - 1):
|
||||
for j in range(1, W - 1):
|
||||
if grid[i, j] == 0:
|
||||
neighbors = grid[i-1:i+2, j-1:j+2].sum() - grid[i, j]
|
||||
if neighbors > 0 and np.random.rand() < 1 - (1 - p_spread) ** neighbors:
|
||||
new_grid[i, j] = infected_value
|
||||
return new_grid
|
||||
```
|
||||
|
||||
### Camera trap classifier (BioCLIP)
|
||||
```python
|
||||
from transformers import CLIPModel, CLIPProcessor
|
||||
model = CLIPModel.from_pretrained('imageomics/bioclip')
|
||||
|
||||
def classify_animal(image, candidate_species):
|
||||
inputs = processor(text=candidate_species, images=image, return_tensors='pt')
|
||||
out = model(**inputs)
|
||||
return candidate_species[out.logits_per_image.argmax().item()]
|
||||
```
|
||||
|
||||
### Bird sound (BirdNET-style)
|
||||
```python
|
||||
def detect_birds(audio, sr=48000, window_s=3):
|
||||
# 매 chunked inference
|
||||
chunks = chunk(audio, window_s * sr)
|
||||
return [birdnet_model.predict(c) for c in chunks]
|
||||
```
|
||||
|
||||
### Sensitivity analysis
|
||||
```python
|
||||
from SALib.sample import saltelli
|
||||
from SALib.analyze import sobol
|
||||
|
||||
problem = {
|
||||
'num_vars': 4,
|
||||
'names': ['alpha', 'beta', 'delta', 'gamma'],
|
||||
'bounds': [[0.1, 1], [0.05, 0.2], [0.01, 0.1], [0.1, 1]],
|
||||
}
|
||||
param_values = saltelli.sample(problem, 1024)
|
||||
Y = np.array([simulate(p)[-1, 0] for p in param_values]) # 매 final prey
|
||||
Si = sobol.analyze(problem, Y)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 2-3 species | Lotka-Volterra ODE |
|
||||
| Age structure | Leslie matrix |
|
||||
| Behavioral | ABM (Mesa / NetLogo) |
|
||||
| Network | Food web graph |
|
||||
| Range / spatial | SDM + CA |
|
||||
| Fisheries | Ecopath / EwE |
|
||||
| Camera trap data | BioCLIP / DL |
|
||||
|
||||
**기본값**: 매 question-driven — 매 quick population → ODE; 매 behavioral → ABM; 매 modern data → ML SDM.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Ecology]] · [[Systems-Biology]]
|
||||
- 변형: [[Lotka-Volterra]] · [[Agent-Based-Model]] · [[Food-Web]]
|
||||
- 응용: [[Conservation-Biology]] · [[Fisheries]] · [[Climate-Change]]
|
||||
- Adjacent: [[Cellular-Automata]] · [[Species-Distribution-Model]] · [[BioCLIP]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 conservation. 매 invasive species. 매 climate adaptation.
|
||||
**언제 X**: 매 hard physics (use mechanistic instead).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Ignore stochasticity**: 매 small population.
|
||||
- **Single-scale**: 매 cross-scale interaction 의 miss.
|
||||
- **Calibrate to single dataset**: 매 over-fit.
|
||||
- **No sensitivity analysis**: 매 parameter uncertainty.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (May, Levin Mathematical Ecology).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-04-20 | Auto-reinforced |
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — ODE / ABM / food web / SDM / sensitivity code |
|
||||
|
||||
Reference in New Issue
Block a user