Create an Insight Maker account to start building models. Insight Maker is completely free.


Start Now

Insight Maker runs in your web-browser. No downloads or plugins are needed. Start converting your ideas into your rich pictures, simulation models and Insights now. Features

Simulate

Explore powerful simulation algorithms for System Dynamics and Agent Based Modeling. Use System Dynamics to gain insights into your system and Agent Based Modeling to dig into the details. Types of Modeling

Collaborate

Sharing models has never been this easy. Send a link, embed in a blog, or collaborate with others. It couldn't be simpler. More

Free & Open

Build your models for free. Share them with others for free. Harness the power of Insight Maker for free. Open code mean security and transparency. More


Explore What Others Are Building

Here is a sample of public Insights made by Insight Maker users. This list is auto-generated and updated daily.

There are about fifteen known archetypes with an interesting set of relationships among them. Video There is a new version of this model at Frequently Recurring Structures
BCTD Archetype
There are about fifteen known archetypes with an interesting set of relationships among them.

There is a new version of this model at

Frequently Recurring Structures

Archetypes
Gene Bellinger
22
Overview A model which simulates the competition between logging versus adventure tourism (mountain bike ridding) in Derby Tasmania.  Simulation borrowed from the Easter Island simulation. How the model works. Trees grow, we cut them down because of demand for Timber amd sell the logs. Wit
BMA708 System Dynamics Economy Ecology Tourism Mountain biking Derby Tasmania Marketing Insights into Big Data Forestry
Overview
A model which simulates the competition between logging versus adventure tourism (mountain bike ridding) in Derby Tasmania.  Simulation borrowed from the Easter Island simulation.

How the model works.
Trees grow, we cut them down because of demand for Timber amd sell the logs.
With mountain bkie visits.  This depends on past experience and recommendations.  Past experience and recommendations depends on Scenery number of trees compared to visitor and Adventure number of trees and users.  Park capacity limits the number of users.  
Interesting insights
It seems that high logging does not deter mountain biking.  By reducing park capacity, visitor experience and numbers are improved.  A major problem is that any success with the mountain bike park leads to an explosion in visitor numbers.  Also a high price of timber is needed to balance popularity of the park. It seems also that only a narrow corridor is needed for mountain biking
Simulation of Derby Mountain biking versus logging
Steven D'Alessandro
21
Ce modèle simule l'évolution dynamique d'un paysage méditerranéen en utilisant une Chaîne de Markov . Il modélise la transition d'un paysage (composé de 5 états : Chênaie, Vigne, Pelouse, Garrigue, Pinède) à travers le temps, sous l'effet combiné de la succession naturelle et des perturbations (fe
Community dynamics

Ce modèle simule l'évolution dynamique d'un paysage méditerranéen en utilisant une Chaîne de Markov. Il modélise la transition d'un paysage (composé de 5 états : Chênaie, Vigne, Pelouse, Garrigue, Pinède) à travers le temps, sous l'effet combiné de la succession naturelle et des perturbations (feu, déforestation).

Ce modèle s'inscrit dans la suite de notre cours sur la dynamique des communautés. Après avoir étudié les interactions entre populations (modèles ODE de Lotka-Volterra), ce modèle fait le "grand saut" conceptuel vers la dynamique des paysages entiers. Il abandonne l'approche déterministe et continue (dx/dt) pour une approche stochastique (probabiliste) et à temps discret (π t+1​).

Contrairement aux modèles précédents qui cherchaient un équilibre de populations, ce modèle explore comment un système soumis à des probabilités de transition constantes converge vers une distribution stationnaire (un état d'équilibre stable du paysage).

Le paysage est modélisé comme un total de 100 hectares (ou 100%) répartis entre cinq "Stocks" (les 5 états). À chaque pas de temps, des "Flux" déplacent une proportion de la surface d'un stock à l'autre, en fonction des probabilités de la matrice de transition P.

Les Composants du Modèle

Variables d’état (Stocks) :

/!\ Le total doit faire 100 hectares (ha) /!\

  • Vi : Surface du paysage (en ha) à l'état de Vigne/Verger (culture)
  • Gr : Surface du paysage (en ha) à l'état de Pelouse (post-abandon/post-feu).
  • Ga : Surface du paysage (en ha) à l'état de Garrigue (évolution de la pelouse).
  • Pi : Surface du paysage (en ha) à l'état de Pinède (forêt pionnière).
  • Oak : Surface du paysage (en ha) à l'état de Chênaie (climax)

Flux (représentant les probabilités de transitions Pij​) :

  • Deforestation (Oak → Vi) : Action humaine de remise en culture.
  • Abandon (Vi → Gr) : Début de la succession secondaire
  • GrGa : Succession naturelle (embroussaillement)
  • GaPi : Succession naturelle (colonisation par les pins)
  • PiOak : Succession naturelle (maturation vers le climax).
  • Wildfire (Pi → Gr) : Perturbation par le feu qui réinitialise la succession
Note Importante : La somme de toutes les probabilités sortant d'un même stock doit être inférieure ou égale à 1.0. Le reste (1.0 - somme des sorties) est la probabilité implicite de rester dans le même état.
Indicateurs produits :

  • Graphique temporel : Montre l'évolution des 5 états (en hectares) au fil du temps (en pas de simulation). Les courbes convergent-elles vers la distribution stationnaire prédite par le cours ?

Votre Mission d'Exploration :

Votre objectif est d'utiliser ce modèle pour recréer les simulations du cours et explorer différents scénarios de gestion de paysage.

Cliquez sur "SIMULATE" et explorez la dynamique stochastique qui régit l'avenir de nos paysages !




Modèle de Succession (Chaîne de Markov)
Florian Orgeret
3 weeks ago
As initially proposed by Pr. William M White of Cornell University: http://www.geo.cornell.edu/eas/education/course/descr/EAS302/302_06Lab11.pdf http://www.eas.cornell.edu/
Environment
As initially proposed by Pr. William M White of Cornell University:
Global Carbon Cycle
France Caron
570
An adaptation of the URBAN1 Model from Navid Ghaffarzadegan, John Lyneis and George P Richardson's How small system dynamics models can help the public policy process. System Dynamics Review 27: 22-44 (2011) Researchgate link   and  eolss synopsis  based on LA Alfeld and AK Graham's Introduction t
Urban Health Care Policy Regional Forrester Community

An adaptation of the URBAN1 Model from Navid Ghaffarzadegan, John Lyneis and George P Richardson's How small system dynamics models can help the public policy process. System Dynamics Review 27: 22-44 (2011) Researchgate link  and eolss synopsis based on LA Alfeld and AK Graham's Introduction to Urban Dynamics 1976. Also p 195 (Dynamo Model Listing).

An element of Perspectives: The Foundation of Understanding and Insights for Effective Action. Register at http://www.systemswiki.org/

Urban Dynamics
Geoff McDonnell
23 10 months ago
Simple box model for atmospheric and ocean carbon cycle, with surface and deep water, including DIC system, carbonate alkalinity, weathering, O2, and PO4 feedbacks.  Includes NH and SH atmospheres and biosphere feedbacks.
Lab 10
Simple box model for atmospheric and ocean carbon cycle, with surface and deep water, including DIC system, carbonate alkalinity, weathering, O2, and PO4 feedbacks.  Includes NH and SH atmospheres and biosphere feedbacks.
Lab 10 Start
Gabe Bowen
21 4 weeks ago