De obesitaspandemie en de daarmee samenhangende ziekten behoren tot de meest urgente problemen voor de volksgezondheid. Interventies om de kwaliteit van het voedingspatroon op individueel niveau te verbeteren, zijn op de lange termijn vaak ineffectief, omdat ze geen rekening houden met contextuele factoren, zoals onze voedselomgeving, die ons voedingsgedrag beïnvloeden. Het doel van dit project is om de gecombineerde effectiviteit te bepalen van verschillende beleidsinterventies gericht op de voedselomgeving en de kwaliteit van het voedingspatroon, om obesitas en daarmee samenhangende ziekterisico's te voorkomen. Dit zal worden gedaan door het bouwen, kalibreren, valideren en toepassen van een ruimtelijk agent-based model.
Dit NWO Open Competitie L project is een samenwerking tussen UU GEO (Derek Karssenberg - FG, Sietze Norder – Copernicus, Judith Verstegen – SGPL) en Leiden Centre for Linguistics (groep van Rick van Gijn). Een taalfamilie ontstaat als gevolg van de diversificatie in de loop der tijd van de spraakvarianten van groepen die ooit één en dezelfde taal spraken, maar verschillende historische trajecten volgden. Deze sociaal-historische processen hebben overal ter wereld plaatsgevonden, maar ze hebben geleid tot radicaal verschillende patronen van diversiteit van het ene gebied tot het andere. Dit project probeert de wisselwerking tussen de biofysische omgeving en de sociale processen van diversificatie te begrijpen om de patronen van taalkundige diversiteit die we vandaag de dag zien te verklaren door middel van twee verschillende methoden: 1) een linguïstisch onderzoek, gecombineerd met een kwalitatieve contextualisatie, en 2) een ruimtelijk agent-based model dat simuleert hoe talen (agenten) veranderen, samenkomen, en divergeren over de tijd. De twee methoden worden ontwikkeld door twee PhD studenten, de eerste bij de Universiteit Leiden, en de tweede bij de Universiteit Utrecht. Zij werken samen aan casussen in Zuid-Amerika.
In dit project creeren we een free and open source software (FOSS) Python versie van het simulatiemodel IMAGE-land. Dit is een centraal onderdeel van het IMAGE integrated assessment model (IAM) dat gebruikt wordt om wereldwijde projecties te doen van veranderingen in landgebruik en de effecten van mogelijke beleidsmaatregelen hierop.
De eindproducten van dit project zijn bouwblokken op drie niveaus:
1. Hoog – de FOSS Python versie van IMAGE-land, een handleiding met voorbeeld, een "best-practices training" voor UU and PBL medewerkers, en een nieuw samenwerkingsverband tussen drie UU departementen en PBL.
2. Medium – in de FOSS: generieke landgebruiksklassen in Python.
3. Laag – generieke ruimtelijke operaties in PCRaster-LUE, die "out-of-the-box cluster computing" mogelijk maken, en die in de FOSS gebruikt en uitgebreid worden.
Zie interview hier.