p. coquillard (unsa), e. wajnberg (inra), g. dauphin (stagiaire master 2, 2005, unsa-inra)
DESCRIPTION
Première partie : un exemple de simulation à événement discrets spatialisé (modèle dit « d’agent »). Apprendre ou ne pas apprendre: simulation du comportement d’un insecte parasitoide ( Trisolcus basalis ). P. Coquillard (UNSA), E. Wajnberg (INRA), - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/1.jpg)
Apprendre ou ne pas apprendre:simulation du comportement d’un insecte parasitoide (Trisolcus basalis)
P. Coquillard (UNSA),
E. Wajnberg (INRA),
G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)
Première partie : un exemple de simulation à événement discrets spatialisé (modèle dit « d’agent »)
![Page 2: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/2.jpg)
Le modèle biologique 1. Le ravageur
Nezara viridula
Hétéropteres, famille des Pentatomidae
Une aire de répartition très vaste
Un spectre d’hôtes très large
Un des insectes ravageurs de culture parmi les plus importants dans le monde
(Todd, 1989)
![Page 3: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/3.jpg)
Trissolcus basalis
Hyménoptère, famille des Scelionidae
Avantages :
- Haute spécificité avec N. viridula
- Parasitisme quelques jours après l’émergence
- Bonne capacité reproductrice
- Très bonne dispersion
- Recherche d’hôtes efficace
(Orr, 1988)
Le modèle biologique 2. Le parasitoïde
![Page 4: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/4.jpg)
Les femelles T. basalis associent la présence de kairomones de femelles N. viridula avec la présence d’œufs.
Le modèle biologique 3. La recherche d’hôtes
Les femelles T. basalis réagissent préférentiellement aux kairomones de femelles au stade “pré-oviposition” (Colazza et al., 1999).
![Page 5: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/5.jpg)
Changement d’état cognitif résultant d’une (ou plus) expérience(s)
Cognition : mécanismes par lesquels les animaux acquièrent, traitent, stockent l’information de l’environnement et agissent en fonction de cette même information (Shettleworth, 1998)
L’apprentissage
- C’est l’expérience de la présence et/ou l’absence d’œufs associée aux kairomones qui va déclencher l’apprentissage.
- C’est l’apprentissage d’une probabilité de trouver des kairomones ET des œufs hôtes ( P (œufs / kairomones) )
- Avec le temps et la répétition de l’expérience, la femelle va changer son comportement d’exploration des patchs de kairomones (modification du temps de résidence).
![Page 6: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/6.jpg)
Expérimentations
Patch de kairomones
Amas d’oeufs
Patch de
kairomones
oeufs
6 cm
Trajet de la femelle en l’absence de kairomones = parcourt extensif
Trajet de la femelle en présence d’un patch de kairomones = parcourt intensif
Colazza et al. (1999)
![Page 7: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/7.jpg)
1. Présentation aux femelles un patch de kairomones de N. viridula mâle (M) ou femelle (F) sans oeufs.
expert
naïveFFFMMFMM
50
100
150
200
250
a
a
b
a
a
b
b
1. Expériences de conditionnement(Peri et al., 2005)
2. Une heure plus tard, on représente aux mêmes femelles un patch de kairomones équivalent au premier,
Dans le cas FF l’animal a appris qu’en présence de kairomones de femelles on n’avait pas d’œufs hôtes.
![Page 8: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/8.jpg)
La raison principale de ces apprentissages devrait être l’optimisation de la fitness.
Les femelles de T. basalis pourraient apprendre deux choses
- Qualité globale de l’environnement (nombre de patchs de kairomones rencontrés avec ou sans amas œufs).
- Apprentissage de la qualité moyenne des patchs d’hôtes (nombre d’œufs d’un amas dans lesquels la femelle peut pondre).
Intérêt de l’apprentissage
![Page 9: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/9.jpg)
Objectifs de la modélisation
Les questions soulevées sont
• Comment l’apprentissage contribue t-il à l’exploitation d’environnements différents ?
• Comment la femelle T. basalis exploite t-elle son environnement ?
Des contraintes fortes
• Taille et forme des patchs uniformes
• Données seulement partielles concernant l’oubli/l’apprentissage
• Une motivation constante pour la ponte
• Une quantité d’œufs illimitée (synovigénèse)
• Ignorance des interactions entre animaux concurrents
• Ignorance de multiples effets des pontes sur les visites ultérieures
• Etc.
![Page 10: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/10.jpg)
Ce qu’il reste à déterminer par expérimentation
1. La vitesse de retour à la motivation initiale (vitesse de l’oubli)?
Nombreux travaux (dont Kaiser et al. (2003)) montrent que cette vitesse dépend du temps écoulé entre les deux derniers patchs ainsi du nombre d’expériences passées.
3. Jusqu’à quel niveau de motivation l’animal peut-il aller quand il rencontre des œufs?
2. Y-a-t’il lieu de distinguer mémoire à court terme et long terme ?
![Page 11: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/11.jpg)
Le modèle
• La taille de l’environnement
• Le nombre de patch de kairomones
• Le pourcentage de patch possédant des œufs
• L’agrégation des patchs (répartition spatiale)
• La capacité d’apprentissage (oui/non)
1. Paramètres et variables de forçage
![Page 12: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/12.jpg)
Le modèle choix méthologique
(1) Gestion du temps.
(2) Lancement de toutes les activités inconditionnelles activables au temps présent.
début
Gestion du temps (1)
Activités inconditionnelles (2)Déplacement extensif
Scruter les conditions
des activités (3)
Arrivée sur un pixel « 1 »
Déplacement intensif
Arrivée sur un pixel « 2 »
Ponte
Collecte des Statistiques
Fin
Fin de la simulation
(3) Scrutation des activités conditionnelles et leur déclenchement en fonction des conditions.
![Page 13: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/13.jpg)
Le modèle Organigramme du modèle de simulation
![Page 14: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/14.jpg)
Déplacement :
•extensif (vitesse angulaire faible, vitesse linéaire élevée)
•Intensif (vitesse angulaire élevée, vitesse linéaire faible)
Le modèle représentation de l’univers L’environnement est représenté par une grille, où chaque pixel représente une surface unitaire de 0.428×0.428 cm
Chaque pixel peut avoir trois états :
- blanc : pas de kairomone.- jaune : présence de kairomones.- noir : présence d’œufs.
![Page 15: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/15.jpg)
Le modèle Les univers générés
![Page 16: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/16.jpg)
Le Modèle La mémoire
Deux méthodes :
Fenêtre mémorielle (Cuthill et al., 1990)
Opérateur non linéaire (MacNamara, 1987)
Présent
Fenêtre mémorielle
Temps t Présent
Temps t+1
Capacité à stocker et à retrouver une information dupassé lointain ou proche (Dukas, 1998).
Temps t PrésentTemps t+1
Poids de l’information
Présent
Poids de l’information
![Page 17: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/17.jpg)
Qu’est ce que la femelle T. basalis apprend ?
temps
Temps de résidence (en sec.)
0 50 100 150 200
05
01
00
15
02
00
25
03
00
temps inter patch
tem
ps
de
ré
sid
en
ce s
ur
le p
roch
ain
pa
tch
Rencontre d’un patch sans
oeufs
90
220
Motivation à rester
Minit
Le modèle La mémoire
0 50 100 150 200
05
01
00
15
02
00
25
03
00
temps inter patch
tem
ps
de
ré
sid
en
ce s
ur
le p
roch
ain
pa
tch
cea
Ky bx
.1
M min
sortie
Temps inter patch
![Page 18: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/18.jpg)
Réalisation du modèle
Position à ti
Position à ti+1
Détection latérale au cours d’un déplacement unitaire
Choix aléatoire d’une direction à chaque pas de temps en utilisant une loi de distribution normale N(0, 15.8)
Choix aléatoire d’une vitesse linéaire N(3.41, 0.86)
![Page 19: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/19.jpg)
Résultats de simulation. Comportement du modèle
L’animal adopte une stratégie de recherche en spirale (Hoffman, 1983 )
Exemple d’une trajectoire simulée sur 10 000 pas de temps
![Page 20: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/20.jpg)
Résultats de simulation. Comportement du modèle
Le modèle intégrant des composantes stochastiques, il y a nécessité d’opérer des réplicats de simulation pour chaque combinaisons des paramètres initiaux (100 réplicats nécessaires).
Analyse spectrale du résultat de 100 réplicats
![Page 21: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/21.jpg)
Résultats de simulation. Résultats statistiques
Dans un milieu comportant une répartition agrégée de faible dimension
0
10
20
30
40
50
60
70
80
1 31 61 91 121 151 181 211 241 271 301 331 361 391 421 451 481
visites learn
moy+se
moy-se
visites ss learn
moy+se
moy-se
99 patchs, 15 agrégats, 50% oeufs
0
5
10
15
20
25
30
35
40
1 31 61 91 121 151 181 211 241 271 301 331 361 391 421 451 481
pontes learn
moy+se
moy-se
pontes ss learn
moy+se
moy-se
![Page 22: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/22.jpg)
Résultats de simulation. Résultats statistiques
Dans un milieu sans agrégation et de grande dimension
99 patchs, 50% oeufs
0
5
10
15
20
25
30
35
40
45
50
1 31 61 91 121 151 181 211 241 271 301 331 361 391 421 451 481
visites learn
moy+se
moy-se
visites ss learn
moy+se
moy-se
0
5
10
15
20
25
1 31 61 91 121 151 181 211 241 271 301 331 361 391 421 451 481
pontes learn
moy+se
moy-se
pontes ss learn
moy+se
moy-se
![Page 23: P. Coquillard (UNSA), E. Wajnberg (INRA), G. Dauphin (stagiaire MASTER 2, 2005, UNSA-INRA)](https://reader036.vdocuments.mx/reader036/viewer/2022062408/5681422b550346895dae4192/html5/thumbnails/23.jpg)
Conclusion
La modélisation permet de reproduire sans difficulté les dispositions spatiales des systèmes
On peut quantifier l’intérêt de certaines aptitude (apprentissage et / ou interactions ) face à des situations spatiales diverses
Le suivi spatio-temporel du déroulement des événements est beaucoup plus difficile…