Planification dans le risque et l'incertain : optimisation des stratégies de gestion spatiale des forêts

par Nicklas Forsell

Thèse de doctorat en Systèmes industriels


  • Résumé

    Cette thèse s'intéresse à l'optimisation de politiques de gestion à grande échelle dans le risque et l'incertain. Dans l'article I, nous nous concentrons sur le problème de résolution de problèmes de gestion à grande échelle des ressources naturelles spatiales et temporelles. Pour modéliser ce type de problème, le cadre des Processus Décisionnels de Markov sur Graphe (PDMG) peut être utilisé. Deux algorithmes pour le calcul de politiques de gestion de grande qualité sont proposés : le premier basé sur le Programmation Linéaire Approchée (PLA), le second sur une Itération de la Politique Approchée et sur une approximation de Champ Moyen (IPA-CM). L'efficacité et l'adéquation de ces algorithmes ont été démontrées par leur capacité à calculer des politiques de gestion quasi-optimales pour deux problèmes de gestion à grande échelle. La conclusion a été que ces deux algorithmes calculent des politiques de qualité semblable. Cependant, l'algorithme IPACM est souhaitable lorsque l'on requiert à la fois la politique et la valeur attendue de la politique calculée, alors que l'algorithme PLA est préférable lorsque seulement la politique est demandée. Dans l'article II, sont présentés certains algorithmes d'apprentissage par renforcement que l'on peut utiliser pour calculer des politiques de gestion pour des PDMG lorsque la fonction de transition ne peut être simulée parce que sa formulation explicite est inconnue. Des études sur l'efficacité de ces algorithmes dans le cas de trois problèmes de gestion nous ont amenés à conclure que certains de ces algorithmes pouvaient calculer des politiques quasi-optimales. Dans l'article III, nous avons utilisé le cadre PDMG pour optimiser des politiques de gestion forestière à long terme dans le cas d'événements liés aux risques de tempête stochastiques. Ce modèle a été démontré dans l'étude par l'étude d'un domaine forestier de 1 200 hectares, divisé en 623 parcelles. . .


  • Résumé

    This thesis concentrates on the optimization of large-scale management policies under conditions of risk and uncertainty. In paper I, we address the problem of solving large-scale spatial and temporal natural resource management problems. To model these types of problems, the framework of graph-based Markov decision processes (GMDPs) can be used. Two algorithms for computation of high-quality management policies are presented: the first is based on approximate linear programming (ALP) and __ the second is based on mean-field approximation and approximate policy iteration (MF-API). The applicability and efficiency of the algorithms were demonstrated by their ability to compute near-optimal management policies for two large-scale management problems. It was concluded that the two algorithms compute policies of similar quality. However, the MF-API algorithm should be used when both the policy and the expected value of the computed policy are required, while the ALP algorithm may be preferred when only the policy is required. In paper II, a number of reinforcement learning algorithms are presented that can be used to compute management policies for GMDPs when the transition function can only be simulated because its explicit formulation is unknown. Studies of the efficiency of the algorithms for three management problems led us to conclude that some of these algorithms were able to compute near-optimal management policies. In paper III, we used the GMDP framework to optimize long-term forestry management policies under stochastic wind-damage events. The model was demonstrated by a case study of an estate consisting of 1,200 ha of forest land, divided into 623 stands. We concluded that managing the estate according to the risk of wind damage increased the expected net present value (NPV) of the whole estate only slightly, less than 2%, under different wind-risk assumptions. Most of the stands were managed in the same manner as when the risk of wind damage was not considered. However, the analysis rests on properties of the model that need to be refined before definite conclusions can be drawn.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (144 p.)
  • Annexes : Bibliogr. p. 139-144

Où se trouve cette thèse ?

  • Bibliothèque : Université Paul Sabatier. Bibliothèque universitaire de sciences.
  • Disponible pour le PEB
  • Cote : 2009TOU30260
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.