Repository navigation
Expand file tree
/
Copy pathcode
More file actions
985 lines (872 loc) · 40.6 KB
/
Copy pathcode
File metadata and controls
985 lines (872 loc) · 40.6 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# 30 agosto 2015
# poblacion = [tiempo] [x][y] [especieA][especieB][...]
import sys, copy, random, os, glob, math
import numpy as np
import time
from itertools import combinations, product
from scipy.integrate import odeint
from scipy.signal import convolve2d
from matplotlib import pyplot as plt
from matplotlib import colorbar as cbar
from matplotlib import colors as colors
"""
CORRIDAS
"""
def guardarexperimento(momento, m1, v1, ci):
"""
Este metodo guarda tres archivos con el nombre
momento-{m, v, c}.txt
usando el metodo savetxt de numpy.
Para cargarlos hay que usar el metodo, también de numpy, loadtxt
M = np.loadtxt('ejemplo.txt')
entonces, en la variable M contiene lo leído
"""
pref = '-'.join(momento.split())
print 'Abriendo archivo para guardar datos'
narch = pref+'-m.txt'
fh = open( narch, 'w' )
fh.write( '#Matriz \n')
np.savetxt(fh, m1)
fh.close()
narch = pref+'-v.txt'
fh = open( narch, 'w' )
fh.write( '#Tazas de reproduccion \n' )
np.savetxt(fh, v1)
fh.close()
narch = pref+'-c.txt'
fh = open( narch, 'w' )
fh.write( '#Condiciones iniciales\n' )
np.savetxt(fh, ci)
fh.close()
print 'Datos guardados en ', narch
def migracion_esp(X, tp, L):
"""
Funcion que asigna cuánta poblacion migra
dependiendo del parche en el que esté.
Los valores de migración están guardados en el
diccionario L
L['b'] = valor bosque
L['m'] = valor milpa
L['i'] = valor intensivo
X es la matriz de dimensión 3 X(x,y,i) donde
la especie i-esima tiene su representación para
todos los parches
t es la distribución de tipos de parche en todo el
espacio
"""
s = X.shape
t = np.array(tp)
P = np.zeros(s, dtype=float)
G = np.zeros(s, dtype=float)
R = np.zeros(s, dtype=float)
#print "Especies "
for idx in range(s[2]):
esp = X[:,:,idx]
dm = esp.shape
xesp, yesp = dm
#print "Espacio de la especie ", idx, ": ", xesp,":",yesp
loss_e = np.zeros( dm, dtype=float )
gain_e = np.zeros ( dm, dtype=float )
for x in range(xesp):
for y in range(yesp):
loss_e[x,y] = esp[x,y] * L[t[x,y]]
for x in range(-1,dm[0]):
for y in range(-1,dm[1]):
gain_e[x,y] = (loss_e[(x-1)%dm[0],(y-1)%dm[1]]+loss_e[(x-1)%dm[0],y%dm[1]]+loss_e[(x-1)%dm[0],(y+1)%dm[1]]+loss_e[x%dm[0],(y-1)%dm[1]]+loss_e[x%dm[0],(y+1)%dm[1]]+loss_e[(x+1)%dm[0],(y-1)%dm[1]]+loss_e[(x+1)%dm[0],y%dm[1]]+loss_e[(x+1)%dm[0],(y+1)%dm[1]])/8
P[:,:,idx] = loss_e
G[:,:,idx] = gain_e
R[:,:,idx] = esp +( gain_e - loss_e )
return R
def correr_aleatorizado_sin_matriz( n_especies, t_total, f, r_alea, a_alea, plot=False): #integra sistema con la ecuación lotka-volterra
global x_0
# x_0 = 1/(np.random.random(n_especies)) #pob inicial aleatoria mayor a 1 EL NORMAL
x_0 = Nombres[actual][0] #iniciando con condiciones guardadas
# x_0 = puntofijo #inciando desde los puntos fijos
t = np.linspace(0,t_total,t_total+1)
x = odeint(f, x_0, t, args=(r_alea,a_alea))
if plot:
fig = plt.figure()
fig.add_subplot(111)
plt.plot(t, x)
plt.show()
return x[-1]
#correr_2DMM iteraciones migración y muerte y luego lotka:
def correr_2DMM(poblacion_0, tipo, t_total, n_especies, f, r_alea, a_alea, m_milpa, m_intensivo, D, vecinos):
#corre simulacion en 2D
poblacion = [poblacion_0] #inicializa array poblacion de 3 dimensiones con forma (x,y,n_especies)
for t in range(t_total):
temp = np.zeros_like(poblacion[-1])
for i in range(iter_difymuerte):
for i in range(x_celdas): #para todo x y
for j in range(y_celdas):
if tipo[i][j] == 'm': #milpa
temp[i][j] = muerte(poblacion[-1][i][j], m_milpa)
elif tipo[i][j] == 'i': #intensivo
temp[i][j] = muerte(poblacion[-1][i][j], m_intensivo)
elif tipo[i][j] == 'b':
temp[i][j] = poblacion[-1][i][j]
#migracion
#for i in range(n_especies):
#si quieres variar la taza de migracion por especie aqui es donde debes de variarla
temp = migracion_esp(temp, tipo, Disp)
poblacion.append(temp)
#interacciones ecologicas y muerte
for i in range(x_celdas): #para todo x y
for j in range(y_celdas):
if tipo[i][j] == 'b': #interacciones ecologicas
temp[i][j] = odeint(f, poblacion[-1][i][j], [0,1], args=(r_alea,a_alea))[-1]
poblacion.append(temp)
return np.array(poblacion)
#correr_2DL lotka y luego iteraciones migración y muerte:
def correr_2DL(poblacion_0, tipo, t_total, n_especies, f, r_alea, a_alea, m_milpa, m_intensivo, D, vecinos):
#corre simulacion en 2D
poblacion = [poblacion_0] #inicializa array poblacion de 3 dimensiones con forma (x,y,n_especies)
for t in range(t_total):
temp = np.zeros_like(poblacion[-1])
#interacciones ecologicas y muerte
for i in range(x_celdas): #para todo x y
for j in range(y_celdas):
if tipo[i][j] == 'b': #interacciones ecologicas
temp[i][j] = odeint(f, poblacion[-1][i][j], [0,1], args=(r_alea,a_alea))[-1]
for i in range(iter_difymuerte):
for i in range(x_celdas): #para todo x y
for j in range(y_celdas):
if tipo[i][j] == 'm': #milpa
temp[i][j] = muerte(poblacion[-1][i][j], m_milpa)
elif tipo[i][j] == 'i': #intensivo
temp[i][j] = muerte(poblacion[-1][i][j], m_intensivo)
#migracion
#for i in range(n_especies):
#si quieres variar la taza de migracion por especie aqui es donde debes de variarla
temp = migracion_esp(temp, tipo, Disp)
poblacion.append(temp)
return np.array(poblacion)
#correr_2D un paso de lotka por un paso de migración y muerte:
def correr_2D(poblacion_0, tipo, t_total, n_especies, f, r_alea, a_alea, m_milpa, m_intensivo, D, vecinos):
#corre simulacion en 2D
poblacion = [poblacion_0] #inicializa array poblacion de 3 dimensiones con forma (x,y,n_especies)
for t in range(t_total):
temp = np.zeros_like(poblacion[-1])
#interacciones ecologicas y muerte
for i in range(x_celdas): #para todo x y
for j in range(y_celdas):
if tipo[i][j] == 'b': #interacciones ecologicas
temp[i][j] = odeint(f, poblacion[-1][i][j], [0,1], args=(r_alea,a_alea))[-1]
elif tipo[i][j] == 'm': #milpa
temp[i][j] = muerte(poblacion[-1][i][j], m_milpa)
elif tipo[i][j] == 'i': #intensivo
temp[i][j] = muerte(poblacion[-1][i][j], m_intensivo)
#migracion
#for i in range(n_especies):
#si quieres variar la taza de migracion por especie aqui es donde debes de variarla
temp = migracion_esp(temp, tipo, Disp)
poblacion.append(temp)
return np.array(poblacion)
"""
VALORES INICIALES
"""
def genera_tipo_matriz_agroecologica(x_celdas, y_celdas, n_bosque=0, posicion_bosque=[], n_milpa=0, posicion_milpa=[]): #Distribucion de matriz agroecologica
#recibe una lista de tuples o un comando
#ej: [(2,3),(4,1),(2,2)]
tipo = [['i' for i in range(y_celdas)] for j in range(x_celdas)] #inicializa todo con intensivo
if posicion_bosque == "extremos":
posicion_bosque = [(0,0),(x_celdas-1, y_celdas-1)]
if posicion_milpa == "stepping": #method for square matrix
posicion_milpa = [(i,i) for i in range(n_milpa,x_celdas-1,n_milpa)]
if posicion_bosque == "random" or posicion_milpa == "random":
#genera todas las posibles coordenadas
pairs = [(x,y) for x in [i for i in range(x_celdas)] for y in [j for j in range(y_celdas)]]
random.shuffle(pairs) #randomisa
#quita los bosque y milpas ya declarados
if type(posicion_bosque) == list:
for p in posicion_bosque:
try: pairs.remove(p)
except: pass
if type(posicion_milpa) == list:
for p in posicion_milpa:
try: pairs.remove(p)
except: pass
#selecciona n_bosques y n_milpas
if posicion_bosque == "random":
posicion_bosque = random.sample(pairs,n_bosque)
for p in posicion_bosque: #quita para no confundir a random milpa
try: pairs.remove(p)
except: pass
if posicion_milpa == "random":
posicion_milpa = random.sample(pairs,n_milpa)
for p in posicion_bosque: #escribe bosques en matriz
tipo[p[0]][p[1]] = 'b'
for p in posicion_milpa: #escribe bosques en matriz
tipo[p[0]][p[1]] = 'm'
return tipo
def genera_poblacion_inicial(tipo_matriz_agroecologica, n_especies, p0_bosque=0, p0_milpa=0, p0_intensivo=0): #Poblacion inicial
if type(p0_bosque)==float: #all same value
p0_bosque = [p0_bosque for i in range(n_especies)]
elif type(p0_bosque)==int: #users
p0_bosque = [p0_bosque for i in range(n_especies)]
elif p0_bosque=="eq_caos":p0_bosque = [ 0.3013, 0.4586, 0.1307, 0.3557]
if type(p0_milpa)==float: #all same value
p0_milpa = [p0_milpa for i in range(n_especies)]
elif type(p0_milpa)==int: #users
p0_milpa = [p0_milpa for i in range(n_especies)]
if type(p0_intensivo)==float: #all same value
p0_intensivo = [p0_intensivo for i in range(n_especies)]
elif type(p0_intensivo)==int: #users
p0_intensivo = [p0_intensivo for i in range(n_especies)]
poblacion_0 = copy.deepcopy(tipo)
for x in range(len(tipo)): #inicializar poblaciones
for y in range(len(tipo[0])):
if tipo[x][y] == 'b':
if p0_bosque=="random": poblacion_0[x][y] = [1/random.random() for i in range(n_especies)]
else: poblacion_0[x][y] = p0_bosque
if tipo[x][y] == 'm':
if p0_milpa=="random": poblacion_0[x][y] = [random.random() for i in range(n_especies)]
else: poblacion_0[x][y] = p0_milpa
if tipo[x][y] == 'i':
if p0_intensivo=="random": poblacion_0[x][y] = [random.random() for i in range(n_especies)]
else: poblacion_0[x][y] = p0_intensivo
#poblacion_0[1][1] = [0,0,0,0,0,0,0,0,0,0] #para vaciar los 4 bosques de las esquinas
#poblacion_0[1][8] = [0,0,0,0,0,0,0,0,0,0]
#poblacion_0[8][1] = [0,0,0,0,0,0,0,0,0,0]
#poblacion_0[8][8] = [0,0,0,0,0,0,0,0,0,0]
return np.array(poblacion_0) #array de 3 dimensiones con forma (x,y,n_especies)
def matriznicho(s_especies=10, c_conectancia= 0.2): #hace la matriz de interacciones con 0, 1 y -1s
f_matrizbuena = False
while not f_matrizbuena:
ni = [random.random() for _ in xrange(s_especies)]
array_ni = np.array(ni)
# print array_ni
ci = [np.random.random()*x for x in ni]
array_ci = np.array(ci)
# print array_ci
ripre = np.random.beta(1,(1.0/(2*c_conectancia))-1,s_especies) #c_conectancia <= .5
array_ripre = np.array(ripre)
# print array_ripre
ri = array_ripre * array_ni
# print ri
rimedios = ri/2
# print rimedios
extizq = array_ci - rimedios
# print extizq
extder = array_ci + rimedios
# print extder
redtrof = np.zeros(shape=(s_especies,s_especies)) #inicializa matriz de especies vs especies en ceros
for i in range(len(array_ni)):
for j in range(len(extizq)):
if array_ni[i] >= extizq[j] and array_ni[i] <= extder[j]:
redtrof[i,j] = -1
redtrof[j,i] = 1 #aij=-1 en la matriz trófica si j se come a i, aji=-1
else: pass
np.fill_diagonal(redtrof, -1) #pone diagonal negativa
# print redtrof #devuelve la matriz trófica
#comparar filas y columnas, devuelve los pares idénticos
f_identica = False
for i in range(len(redtrof)): #generate pairs
for j in range(i+1,len(redtrof)):
if np.array_equal(redtrof[i],redtrof[j]): #compare rows
if np.array_equal(redtrof[:,i],redtrof[:,j]): #compare columns
# print (i, j)
f_identica = True
else: pass
#devuelve especies disconexas
f_disconexa = False
for i in range(len(redtrof)):
if sum(np.absolute(redtrof[i])) <= 1:
if sum(np.absolute(redtrof[:,i])) <= 1:
# print i,
f_disconexa = True
# else: print "cool"
#calcula conectancia
f_conectancia = False
links = (np.sum(np.absolute(redtrof))/2)-s_especies
# print "links existentes", links
conectanciae = links/s_especies**2
# print "conectancia empirica", conectanciae
if np.absolute(conectanciae - c_conectancia) > .03:
f_conectancia = True
if not f_identica and not f_disconexa and not f_conectancia:
# print redtrof
return redtrof
f_matrizbuena=True
def a_aleatorizada(n_especies, a): #toma la matriz trofica "a" creada con el modelo de nicho y aleatoriza sus magnitudes, conservando el signo
global amodificada
amodificada = np.zeros([n_especies, n_especies]) #para hacer interacciones negativas menos fuertes cambiando -1 por algo negativo mayor
for i in range(len(a)):
for j in range(len(a)):
if a[i,j]==-1:
amodificada[i,j]=-0.1 #valor por el cual se sustituyen los -1
else:
amodificada[i,j]=a[i,j] #lo demás se queda igual
M = np.zeros([n_especies, n_especies])
for i in range(len(M)):
for j in range (len(M)):
M[i,j] = np.random.uniform(0,2) #aleatorizados de [0,2]
# M[i,j] = np.absolute(np.random.normal()) #aleatorizados con el valor absoluto de un aleatorio con dist normal
matrizaleatorizada = M*amodificada #a_alea con interacc negativas menos fuertes
# matrizaleatorizada = M*a #a_alea con interacciones negativas y positivas aleatorias en el mismo intervalo
return matrizaleatorizada
def nicho_taza_crecimiento(a): #establecer taza crecimiento dependiendo de si la especie es basal (+1) o no (-1)
r = np.empty(len(a))
matrizr = a*-1 #ahora nos interesan los 1s en las columnas
r.fill(-1) #inicializa array de rs con -1s
matrizr[matrizr<=0] = 0 # hace 0 todo lo que no son unos
#print matrizr
for i in range (len(matrizr)):
#print sum(matrizr[:,i])
if sum(matrizr[:,i])==1: #suma los unos en cada columna
r[i]=1 #si sólo hay un uno, la especie es basal, su r se hace 1
return r
def r_aleatorizado(r): #toma el vector de r y aleatoriza sus magnitudes, conservando el signo
raleatorio = np.empty(len(r))
for i in range (len(r)):
if r[i]==1:
raleatorio[i]=r[i]*np.random.uniform(0,10) #r positivas ente 0 y 2.5
else:
raleatorio[i]=r[i]*np.random.random() #r negativas entre -1 y 0
# raleatorio = [np.random.uniform(0,2.5)*x for x in r]
# raleatorio = [np.random.normal(2.5)*x for x in r] #aleatorizado con dist normal con centro no cero
return raleatorio
def vector_identidades(n_especies, a): #hace un vector que indica si cada especie es basal, intermedia o top
identidades = np.zeros(n_especies) #inicia vector con ceros, terminará 0=intermedia, 1=basal, 2=top
#Basales (sólo un -1 en la matriz de nicho original)
matrizbasales = a*-1 #ahora sólo no simportan los 1
matrizbasales[matrizbasales<=0] = 0
# print matrizr
for i in range (len(matrizbasales)):
# print sum(matrizr[:,i])
if sum(matrizbasales[:,i])==1: #si son basales (solo tienen un uno)
#print "la especie", i, "es basal"
identidades[i]=1
else: pass
#Top (al menos dos -1 y ningún 1 en la original)
matriztop = a*1
matriztop[matriztop >= 0] = 0
for i in range (len(a)):
if sum(a[:,i]) == sum(matriztop[:,i]):
#print "la especie", i, "es top"
identidades[i]=2
else: pass
return identidades
"""
FUNCIONES
"""
def d_lotkavolterra_alea(x,t,r_alea, a_alea): #ecuacion de lotka volterra generalizada
dx = x*(r_alea+np.dot(a_alea,x))
return dx
def migracion(x, D, tipo='linea',limite='fill'):
# recibe matriz de celdas con poblaciones y coeficiente difusion
# regresa nueva matriz de celdas con poblaciones np.array
# D es una lista de valores tal que cada entrda indica lo siguiente
# D[0] = el tipo de la celda actual, es decir, puede valer 'm','b','i'
# D[1] = es la tasa de difusion para ese mismo tipo de celda
# D[2] = es la tasa de difusion para cualquier otro (bosque)
# tipo determina el numero de vecinos
# linea, vecinos4, vecinos8, y especial
# limite es cerrado o circular
# fill o wrap
if tipo == 'linea': # Migracion linea 1D
if limite == 'fill': #cerrado
#calcular perdida
loss = np.array([1.] + [2. for i in range(len(x[0])-2)] + [1.])
loss = (D/2.0) * loss * x[0]
#calcular ganancia
D = np.array([D/2.0,0,D/2.0])
gain = np.convolve(x[0], D, 'same')
if limite == 'wrap': #circular
#calcular perdida
loss = D * x[0]
#calcular ganancia
D = np.array([D/2.0,0,D/2.0])
gain = np.convolve(x, D, 'full') #np.convolve(x, D, 'full')
gain[1]+=gain[-1] #wrap
gain[-2]+=gain[0] #wrap
gain = gain[1:-1] #reduce
return [x[0] + gain - loss]
# Migracion matriz 2D
elif tipo == 'vecinos4':
#calcular perdida
if limite == 'fill': #cerrado
loss = np.array([[2] + [3 for i in range(len(x[0])-2)] + [2]] + [[3] + [4 for i in range(len(x[0])-2)] + [3] for j in range(len(x)-2)] + [[2] + [3 for i in range(len(x[0])-2)] + [2]])
loss = (D/4.0) * loss * x
if limite == 'wrap': #circular
loss = D * x
print loss
print sum(sum(loss))
#calcular ganancia
D = np.array([[0,D/4.0,0],[D/4.0,0,D/4.0],[0,D/4.0,0],]) #matriz dispercion
gain = convolve2d(x, D, mode='same', boundary=limite)
print gain
print sum(sum(gain))
#calcula total
return x + gain - loss
elif tipo == 'vecinos8':
ca = D[0]
tda = D[1]
tdb = D[2]
#calcular perdida
if limite == 'fill': #cerrado, este mundo no lo vamos a usar porque son demasiadas interpretaciones
loss = np.array([[3] + [5 for i in range(len(x[0])-2)] + [3]] + [[5] + [8 for i in range(len(x[0])-2)] + [5] for j in range(len(x)-2)] + [[3] + [5 for i in range(len(x[0])-2)] + [3]])
loss = (D/8.0) * loss * x
#if ca=='i' or ca=='m':
# loss = (tda/8.0) * loss * x
#elif ca=='b':
# loss = (tdb/8.0) * loss * x
if limite == 'wrap': #circular
loss = tda*x if ca=='m' or ca=='i' else tdb*x
#calcular ganancia
D = np.array([[D/8.0,D/8.0,D/8.0],[D/8.0,0,D/8.0],[D/8.0,D/8.0,D/8.0],]) #matriz dispercion
gain = convolve2d(x, D, mode='same', boundary=limite)
#calcula total
return x + gain - loss
# Si se pasa directamente un array de dispercion
elif tipo == 'especial':
#calcular perdida
loss = sum(sum(D)) * x
#calcular ganancia
gain = convolve2d(x,D,mode='same', boundary='wrap')
#calcula total
return x + gain - loss
def muerte(x, m):
# recibe x = poblacion
# m = taza muerte cte o np.array
# regresa x = poblacion superviviente np.array
x = x - x*m
return x
"""
GRAFICAS
"""
def plot_xy(name, x, y, title='',labels=[], x_label='', y_label=''): #grafica x contra y
#recibe x como numpy.array
#Ejemplo imprimir poblacion vs tiempo
#plot_xy(name, x, t, title,labels, x_label='Tiempo', y_label='Poblacion')
plt.clf()
try:
for i in range(len(x[0])): #grafica cada x contra y
#print i, labels[i]
plt.plot(y, x[:,i], label=labels[i])
except: plt.plot(y, x)
plt.xlabel(x_label)
plt.ylabel(y_label)
plt.title(title)
plt.legend(loc=0)
plt.plot()
#save plot
f_format = name.split('.')[-1]
name = name.split('.')[0]
plt.savefig(name+'.'+f_format, format=f_format, bbox_inches='tight')
plt.show()
def plotHeatmap(name, data , x_label='' , y_label='', x_tick_labels=[], y_tick_labels=[]):
#data is a 2x2 array normalized [0,1]
plt.clf()
fig, ax = plt.subplots()
#delete top and right axis
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.get_xaxis().tick_bottom()
ax.get_yaxis().tick_left()
## put the major ticks at the middle of each cell
ax.set_xticks(np.arange(data.shape[1])+0.5, minor=False)
ax.set_yticks(np.arange(data.shape[0])+0.5, minor=False)
## want a more natural, table-like display
##ax.invert_yaxis()
##ax.xaxis.tick_top()
ax.set_xticklabels(x_tick_labels, rotation=90, minor=False)
ax.set_yticklabels(y_tick_labels, minor=False)
#set colorbar
cdict = {'red': [(0.0, 1.0, 1.0),(0.01, 0.5, 0.5),(0.5, 0.0, 0.0),(1.0, 0.0, 0.0)],
'green': [(0.0, 1.0, 1.0),(0.1, 1.0, 1.0),(1.0, 0.0, 0.0)],
'blue': [(0.0, 1.0, 1.0),(0.5, 1.0, 1.0),(1.0, 0.5, 0.5)]}
my_cmap=colors.LinearSegmentedColormap('my_colormap',cdict,256)
#heatmap = ax.pcolor(data, cmap=plt.cm.Blues)
heatmap = ax.pcolor(data, cmap=my_cmap, vmin=0, vmax=1)
cbar = plt.colorbar(heatmap)
plt.title(name)
plt.xlabel(x_label)
plt.ylabel(y_label)
plt.plot()
#save plot
f_format = name.split('.')[-1]
name = name.split('.')[0]
plt.savefig(name+'.'+f_format, format=f_format, bbox_inches='tight')
#plt.show()
def plot_lineas_especies(name, x, t_total, labels=[]):
#graficar sum xy para todas las especies
#print np.shape(labels)
t = np.linspace(0,t_total+1,t_total+1)
plot_xy(name, x, t, 'especies_vs_tiempo', labels)
def plot_diagramas_fase(name, x, t_total, labels=[]):
t = np.linspace(0,t_total+1,t_total+1)
for i,j in combinations ([n for n in range(len(x[0]))],2):
plot_xy(name.split('.')[0] + '_'+labels[i]+labels[j]+'.' + name.split('.')[-1], x[:,i], x[:,j], 'fase_'+labels[i]+labels[j])
def heatmaps_especie_en_tiempo(name,poblacion, n=[], labels=[]):
ter = '.'+name.split('.')[-1]
name = name.split('.')[0]
#graficar heatmap especie en un tiempo dado
#n debe ser un array
if type(n) == int: n = [n]
for i in range(n_especies):
plotHeatmap(name+label[i]+'_t0'+ter, poblacion[0,:,:,i]) #estado inicial
plotHeatmap(name+label[i]+'_tf'+ter, poblacion[-1,:,:,i]) #estado final
for j in n: #grafica vector de tiempos
plotHeatmap(name+label+'_t'+str(j)+ter, poblacion[j,:,:,i])
def heatmap_tipo(name,tipo,m_milpa=.5,m_intensivo=1):
for i in range(len(tipo)):
for j in range(len(tipo[0])):
if tipo[i][j] == 'b': tipo[i][j] = 1.
if tipo[i][j] == 'm': tipo[i][j] = 1-m_milpa
if tipo[i][j] == 'i': tipo[i][j] = 1-m_intensivo
tipo = np.array(tipo)
plotHeatmap(name, tipo) #estado inicial
"""
MEDIDAS DE BIODIVERSIDAD
"""
def shannonwiener(x): #índice de shannon para el sistema sin espacio o para una sola celda
#recibe poblacion x que es un vector con 10 entradas
tot=np.sum(x)
pi=[]
for i in range(len(x)):
p_i=x[i]/tot
if p_i>0:
pi.append(p_i)
lnpi=np.array(np.log(pi))
mult=pi*lnpi
suma=np.sum(mult)
return suma*-1
def nefectivo(sh): #num efectivo para el sistema sin espacio
#recibe índice de shannon
return math.exp(sh)
def alpha_shannon(pob): #índice de shannon para el sistema completo
#recibe poblacion[-1] con forma [x=10][y=10][sp=10]
#regresa float
#H' = -\sum(p_i * ln(p_i))
sp = np.sum(np.sum(pob, axis=0),axis=0) #sumar valores en xy. valor total de cada especie
tot = np.sum(sp) #total sp
pi=[]
for i in range(len(sp)):
p_i=sp[i]/tot
if p_i>0:
pi.append(p_i)
lnpi=np.array(np.log(pi))
mult=pi*lnpi
suma=np.sum(mult)
return suma*-1
"""
M M A III N N
MM MM AA I NN N
M M M A A I N N N
M M AAAA I N NN
M M A A III N N
"""
"""
PARAMETROS
"""
n_especies = 10 # numero especies
x_celdas = 10 # numero celdas en x
#para 1D x=1
y_celdas = 10 # numero celdas en y
# si 1 modelo en 1D
a = matriznicho(n_especies)
a_alea = a_aleatorizada(n_especies, a)
r = nicho_taza_crecimiento(a)
r_alea = r_aleatorizado(r)
numerodemilpas = 0
#iden = vector_identidades(n_especies, a)
#puntofijo = -(np.dot(np.linalg.inv(a_alea), r_alea)) #para calcular puntos fijos
#D = 0.3 #coeficiente de difusión/migracion total cte o np.array para función migración
Disp = {'b':0.3, 'm':1.0, 'i':1.0} #tasas dipersión para nueva función migracion_esp
m_milpa = 0.3 #taza muerte negra cte o np.array
m_intensivo = 0.6 #taza muerte blanca cte o np.array
h = 0.001 #diferencial de cambio en t (euler y graficas)
t_total = 1000 #tiempo total de simulacion
iter_difymuerte = 1 #iteraciones de dif y muerte entre cada una de lotka volterra
now = time.strftime('%c')
"""CORRIDAS"""
"""para correr valores guardados"""
os.chdir('/Users/personal2/Desktop/equilibrio2')
CI = glob.glob('*-c.txt')
Nombres = dict()
idx=1
for nci in CI:
pn = nci[:-5]
ntc = pn+"v.txt"
nma = pn+"m.txt"
ci = np.loadtxt(nci)
tc = np.loadtxt(ntc)
ma = np.loadtxt(nma)
Nombres[idx] = [ci,tc,ma]
idx += 1
actual= int(sys.argv[1]) #número de corrida a utilizar. va de 1 a n.
print CI[actual-1]
"""corre el sistema aleatorizado sin matriz espacial"""
x= correr_aleatorizado_sin_matriz(n_especies, t_total, d_lotkavolterra_alea, r_alea, a_alea, True) #corre la ecuación con valores recién generados
#x= correr_aleatorizado_sin_matriz(n_especies, t_total, d_lotkavolterra_alea, Nombres[actual][1], Nombres[actual][2], True) #la corre con valores guardados
#sh=shannonwiener(x)
#print ((sum([i>0.0001 for i in x]))/(n_especies*1.0)) #cuantas sobrevivieron con x mayor a 0.0001
#print nefectivo(sh) # num efectivo de especies
#print sh # índice de shannon-wiener
#for i in range(len(x)): print x[i] #total de cada especie
#print sum(x) #suma total
"""características de la matriz de interacciones"""
#Para ver CONDICIONANTE de la matriz:
#print " de a_alea", np.linalg.cond(a_alea)
#print " de amodificada", np.linalg.cond(amodificada)
#para ver valores sigulares:
#_,s1,_ = np.linalg.svd(amodificada)
#_,s2,_ = np.linalg.svd(a_alea)
#print "Valores singulares de amodificada ", s1,"\n"
#print "Valores singulares de a_alea ", s2, "\n"
#print"determinante", np.linalg.det(a_alea)
#print "eigenvalores", np.linalg.eigvals(a_alea)
"""Para GUARDAR experimento si alguna condición se cumple"""
#if ((sum([i>0.0000 for i in x]))/(n_especies*1.0))*100 <100: #qué porcentaje de las especies sobrevivieron
#now = time.strftime('%c')
#guardarexperimento(now, a_alea, r_alea, x_0)
"""correr muchos y GUARDAR SISTEMAS DONDE SOBREVIVE el x% """
#for n in range(100):
# n_especies = 10
# a = matriznicho(n_especies)
# r = nicho_taza_crecimiento(a)
# a_alea = a_aleatorizada(n_especies, a)
# r_alea = r_aleatorizado(r)
# h = 0.001
# t_total = 500
# x= correr_aleatorizado_sin_matriz(n_especies, t_total, d_lotkavolterra_alea, r_alea, a_alea, False)
# if ((sum([i>0.0000 for i in x]))/(n_especies*1.0))*100 == 100:
# print "se guarda"
# now = time.strftime('%c')
# guardarexperimento(now, a_alea, r_alea, x_0)
"""Distribucion de matriz agroecologica"""
#tipo = genera_tipo_matriz_agroecologica(x_celdas, y_celdas, n_bosque=5, posicion_bosque=[(1,1),(1,8),(5,5),(8,1),(8,8)], n_milpa=numerodemilpas, posicion_milpa="random") #con 5 bosques
#tipo = genera_tipo_matriz_agroecologica(x_celdas, y_celdas, n_bosque=10, posicion_bosque=[(1,1),(1,8),(5,5),(8,1),(8,8),(2,1),(7,1),(2,8),(7,8),(5,4)], n_milpa=numerodemilpas, posicion_milpa="random") #con 10 bosques
#print tipo
"""Poblacion inicial"""
#poblacion_0 = genera_poblacion_inicial(tipo, n_especies, p0_bosque = Nombres[actual][0], p0_milpa=0, p0_intensivo=0)
#poblacion_0 = genera_poblacion_inicial(tipo, n_especies, p0_bosque = 'random', p0_milpa=0, p0_intensivo=0)
#poblacion_0 = genera_poblacion_inicial(tipo, n_especies, p0_bosque = x_0, p0_milpa=0, p0_intensivo=0)
#print CI[actual-1] #escribe nombre dle archivo abierto
#print "numero de milpas", numerodemilpas
#poblacion = correr_2D(poblacion_0, tipo, t_total, n_especies, d_lotkavolterra_alea, r_alea, a_alea, m_milpa, m_intensivo, Disp, 'vecinos8')
#poblacion = correr_2DMM(poblacion_0, tipo, t_total, n_especies, d_lotkavolterra_alea, Nombres[actual][1], Nombres[actual][2], m_milpa, m_intensivo, Disp, 'vecinos8')
#hay correr_2D, correr_2DMM o correr_2DL
#for idx in range(n_especies):
# print "Especie ",idx
# print poblacion[-1,:,:,idx]
"""medidas para sistemas que llegan a punto fijo"""
#riqueza=[]
#for idx in range(n_especies):
# print np.sum(poblacion[-1,:,:,idx]) #suma de cada especie en la última iteración
# if np.sum(poblacion[-1,:,:,idx])>0.0001: riqueza.append(1) #vivos arriba de 0.0001
#print "sum(x)", np.sum(poblacion[-1,:,:,:]) #suma total en la última iteración
#sumbosques=np.sum(poblacion[-1,1,1,:])+np.sum(poblacion[-1,1,8,:])+np.sum(poblacion[-1,5,5,:])+np.sum(poblacion[-1,8,1,:])+np.sum(poblacion[-1,8,8,:]) #suma total en los 5 bosques en la última iteración
#print "sum bosques", sumbosques #sum(x) bosques
#print "sum matriz", np.sum(poblacion[-1,:,:,:])-sumbosques #sum(x) matriz
#print "riqueza", np.sum(riqueza)
#shannon = alpha_shannon(poblacion[-1])
#print "shannon", shannon
#print "nefec", nefectivo(shannon)
#
#
##riqueza promedio en bosques y matriz y alfa y beta
#riqb=[]
#riqm=[]
#for i in range(len(tipo)):
# for j in range(len(tipo)):
# if tipo[i][j] == 'b':
# riquezas=(poblacion[-1,i,j,:]>0.0001).sum()
# riqb.append(riquezas)
# else:
# riquezas2=(poblacion[-1,i,j,:]>0.0001).sum()
# riqm.append(riquezas2)
#print "riq bosques", np.mean(riqb) #riqueza promedio en bosques
#print "riz matriz", np.mean(riqm) #riqueza promedio en matriz
#promtot=float(np.sum(riqb)+np.sum(riqm))/(x_celdas*y_celdas)
#print "riq promedio", promtot #riqueza promedio total
#print "riq beta", np.sum(riqueza)/promtot #riqueza beta
#
##shannon promedio en bosques y matriz y alfa y beta
#shanpromb=[]
#shanpromm=[]
#for i in range(len(tipo)):
# for j in range(len(tipo)):
# if tipo[i][j] == 'b':
# shanpromb.append(shannonwiener(poblacion[-1,i,j,:]))
# else:
# shanpromm.append(shannonwiener(poblacion[-1,i,j,:]))
#print "shannon bosques", np.mean(shanpromb) #shannon promedio en bosques
#print "shannon mat", np.mean(shanpromm) #shannon promedio en matriz
#print "shannon prom", (np.sum(shanpromb)+np.sum(shanpromm))/(x_celdas*y_celdas) #shannon promedio total
#print "shannon beta", shannon-((np.sum(shanpromb)+np.sum(shanpromm))/(x_celdas*y_celdas)) #shannon beta
"""medidas para sistemas oscilantes"""
#riqueza=[]
#promedios=[]
#for idx in range(n_especies):
# promedio=np.mean(np.sum(np.sum(poblacion[-200:,:,:,idx],1),1)) #promedio de cada especie en las últimas 200 iteraciones
# print promedio
# promedios.append(promedio) #pone el promedio de cada especie en una lista
# if np.mean(np.sum(np.sum(poblacion[-200:,:,:,idx],1),1))>0.0001: riqueza.append(1) #si el promedio de cada sp está arriba de 0.0001, agrega 1 a la lista "riqueza"
#print "sum(x) promedio", np.sum(promedios) #suma promedio de las especies con las últimas 200 iteraciones
#sumbosques=np.mean(np.sum(poblacion[-200:,1,1,:],1))+np.mean(np.sum(poblacion[-200:,1,8,:],1))+np.mean(np.sum(poblacion[-200:,5,5,:],1))+np.mean(np.sum(poblacion[-200:,8,1,:],1))+np.mean(np.sum(poblacion[-200:,8,8,:],1)) #suma total en los 5 bosques en la última iteración
#print "sum(x) bosques promedio", sumbosques #sum(x) bosques
#print "sum(x) matriz promedio", np.sum(promedios)-sumbosques #sum(x) matriz
#print "riqueza promedio", np.sum(riqueza)
#poblacionpromedio=np.mean(poblacion[-200:,:,:,:],0) #promedia sobre eje tiempo: arroja array de forma (10,10,10) con las poblaciones promedio de las últimas 200 iteraciones
#shannon = alpha_shannon(poblacionpromedio)
#print "shannon", shannon
#print "nefectivo", nefectivo(shannon)
#
##riqueza promedio en bosques y matriz y alfa y beta
#riqb=[] #aquí irá la riqueza en cada celda bosque para depués promediar
#riqm=[] #aquí irá la riqueza en cada celda matriz para depués promediar
#for i in range(len(tipo)):
# for j in range(len(tipo)):
# if tipo[i][j] == 'b':
# riquezas=(np.mean(poblacion[-200:,i,j,:],0)>0.001).sum() #usa array promediado en eje tiempo
# riqb.append(riquezas)
# else:
# riquezas2=(np.mean(poblacion[-200:,i,j,:],0)>0.001).sum() #usa array promediado en eje tiempo
# riqm.append(riquezas2)
#print np.mean(riqb) #riqueza promedio en bosques
#print np.mean(riqm) #riqueza promedio en matriz
#promtot=float(np.sum(riqb)+np.sum(riqm))/(x_celdas*y_celdas)
#print promtot #riqueza promedio total
#print np.sum(riqueza)/promtot #riqueza beta
#
##shannon promedio en bosques y matriz y alfa y beta
#shanpromb=[]
#shanpromm=[]
#for i in range(len(tipo)):
# for j in range(len(tipo)):
# if tipo[i][j] == 'b':
# shanpromb.append(shannonwiener(np.mean(poblacion[-200:,i,j,:],0))) #usa array promediado en eje tiempo
# else:
# shanpromm.append(shannonwiener(np.mean(poblacion[-200:,i,j,:],0))) #usa array promediado en eje tiempo
#print np.mean(shanpromb) #shannon promedio en bosques
#print np.mean(shanpromm) #shannon promedio en matriz
#print (np.sum(shanpromb)+np.sum(shanpromm))/(x_celdas*y_celdas) #shannon promedio total
#print shannon-((np.sum(shanpromb)+np.sum(shanpromm))/(x_celdas*y_celdas)) #shannon beta
"""Graficas varias"""
#heatmap_tipo('tipo.png',tipo)
#heatmaps_especie_en_tiempo('especie.png',poblacion, labels = map(str, range(n_especies)))
#sum_xy = np.sum(np.sum(poblacion, axis=1),axis=1) #calcula sum en xy para cada especie
#plot_lineas_especies('sum_xy.png', sum_xy, t_total, labels=map(str, range(n_especies)))
#print "sumxy:", sum_xy[-1]
"""para correr desde 95 hasta 0"""
#n_especies = 10 # numero especies
#x_celdas = 10 # numero celdas en x
# #para 1D x=1
#y_celdas = 10 # numero celdas en y
# # si 1 modelo en 1D
#
#a = matriznicho(n_especies)
#a_alea = a_aleatorizada(n_especies, a)
#r = nicho_taza_crecimiento(a)
#r_alea = r_aleatorizado(r)
#
#numerodemilpas = 90
#
#Disp = {'b':0.3, 'm':1.0, 'i':1.0} #tasas dipersión para nueva función migracion_esp
#
#m_milpa = 0.3 #taza muerte cte o np.array
#m_intensivo = 0.6 #taza muerte cte o np.array
#
#h = 0.001 #diferencial de cambio en t (euler y graficas)
#t_total = 1000 #tiempo total de simulacion
#iter_difymuerte = sys.argv[1] #input("num iteraciones dif y muerte?") #iteraciones de dif y muerte entre cada una de lotka volterra
#print "iteraciones", iter_difymuerte
#
#now = time.strftime('%c')
#
##para correr valores guardados
#os.chdir('/Users/personal2/Desktop/ciclo')
#CI = glob.glob('*-c.txt')
#Nombres = dict()
#idx=1
#for nci in CI:
# pn = nci[:-5]
# ntc = pn+"v.txt"
# nma = pn+"m.txt"
# ci = np.loadtxt(nci)
# tc = np.loadtxt(ntc)
# ma = np.loadtxt(nma)
# Nombres[idx] = [ci,tc,ma]
# idx += 1
#actual= sys.argv[2] #input ("actual?" ) #número de corrida a utilizar. va de 1 a n.
#print "actual", actual
##print CI[actual-1] #escribe nombre dle archivo abierto
#print "de 90 a 0"
#
#for n in range(19):
#
# tipo = genera_tipo_matriz_agroecologica(x_celdas, y_celdas, n_bosque=10, posicion_bosque=[(1,1),(1,8),(4,5),(8,1),(8,8),(2,1),(7,1),(2,8),(7,8),(5,4)], n_milpa=numerodemilpas, posicion_milpa="random")
# print numerodemilpas
#poblacion_0 = genera_poblacion_inicial(tipo, n_especies, p0_bosque = Nombres[actual][0], p0_milpa=0, p0_intensivo=0)
#poblacion = correr_2DMM(poblacion_0, tipo, t_total, n_especies, d_lotkavolterra_alea, Nombres[actual][1], Nombres[actual][2], m_milpa, m_intensivo, Disp, 'vecinos8')
#aquí pegar medidas para equilibrio o ciclo, según el caso
#riqueza=[]
#for idx in range(n_especies):
# #print np.sum(poblacion[-1,:,:,idx]) #suma de cada especie en la última iteración
# if np.sum(poblacion[-1,:,:,idx])>0.0001: riqueza.append(1) #vivos arriba de 0.0001
#print np.sum(poblacion[-1,:,:,:]) #suma total en la última iteración
#sumbosques=np.sum(poblacion[-1,1,1,:])+np.sum(poblacion[-1,1,8,:])+np.sum(poblacion[-1,5,5,:])+np.sum(poblacion[-1,8,1,:])+np.sum(poblacion[-1,8,8,:]) #suma total en los 5 bosques en la última iteración
#print sumbosques #sum(x) bosques
#print np.sum(poblacion[-1,:,:,:])-sumbosques #sum(x) matriz
#print np.sum(riqueza)
##shannon = alpha_shannon(poblacion[-1])
##print "shannon", shannon
##print "nefec", nefectivo(shannon)
#
#
##riqueza promedio en bosques y matriz y alfa y beta
#riqb=[]
#riqm=[]
#for i in range(len(tipo)):
# for j in range(len(tipo)):
# if tipo[i][j] == 'b':
# riquezas=(poblacion[-1,i,j,:]>0.0001).sum()
# riqb.append(riquezas)
# else:
# riquezas2=(poblacion[-1,i,j,:]>0.0001).sum()
# riqm.append(riquezas2)
#print np.mean(riqb) #riqueza promedio en bosques
#print np.mean(riqm) #riqueza promedio en matriz
#promtot=float(np.sum(riqb)+np.sum(riqm))/(x_celdas*y_celdas)
#print promtot #riqueza promedio total
##print "riq beta", np.sum(riqueza)/promtot #riqueza beta
#riqueza=[]
#promedios=[]
#for idx in range(n_especies):
# promedio=np.mean(np.sum(np.sum(poblacion[-200:,:,:,idx],1),1)) #promedio de cada especie en las últimas 200 iteraciones
# #print promedio
# promedios.append(promedio) #pone el promedio de cada especie en una lista
# if np.mean(np.sum(np.sum(poblacion[-200:,:,:,idx],1),1))>0.0001: riqueza.append(1) #si el promedio de cada sp está arriba de 0.0001, agrega 1 a la lista "riqueza"
#print np.sum(promedios) #suma promedio de las especies con las últimas 200 iteraciones
#sumbosques=np.mean(np.sum(poblacion[-200:,1,1,:],1))+np.mean(np.sum(poblacion[-200:,1,8,:],1))+np.mean(np.sum(poblacion[-200:,5,5,:],1))+np.mean(np.sum(poblacion[-200:,8,1,:],1))+np.mean(np.sum(poblacion[-200:,8,8,:],1)) #suma total en los 5 bosques en la última iteración
#print sumbosques #sum(x) bosques
#print np.sum(promedios)-sumbosques #sum(x) matriz
#print np.sum(riqueza)
##poblacionpromedio=np.mean(poblacion[-200:,:,:,:],0) #promedia sobre eje tiempo: arroja array de forma (10,10,10) con las poblaciones promedio de las últimas 200 iteraciones
##shannon = alpha_shannon(poblacionpromedio)
##print "shannon", shannon
##print "nefectivo", nefectivo(shannon)
#
##riqueza promedio en bosques y matriz y alfa y beta
#riqb=[] #aquí irá la riqueza en cada celda bosque para depués promediar
#riqm=[] #aquí irá la riqueza en cada celda matriz para depués promediar
#for i in range(len(tipo)):
# for j in range(len(tipo)):
# if tipo[i][j] == 'b':
# riquezas=(np.mean(poblacion[-200:,i,j,:],0)>0.001).sum() #usa array promediado en eje tiempo
# riqb.append(riquezas)
# else:
# riquezas2=(np.mean(poblacion[-200:,i,j,:],0)>0.001).sum() #usa array promediado en eje tiempo
# riqm.append(riquezas2)
#print np.mean(riqb) #riqueza promedio en bosques
#print np.mean(riqm) #riqueza promedio en matriz
#promtot=float(np.sum(riqb)+np.sum(riqm))/(x_celdas*y_celdas)
#print promtot #riqueza promedio total
##print np.sum(riqueza)/promtot #riqueza beta
#
#
# numerodemilpas-=5