SEARCH

SEARCH BY CITATION

Keywords:

  • active adaptive management;
  • Bayesian statistics;
  • decision theory;
  • revegetation;
  • urban ecology
  • ecología urbana;
  • estadística Bayesiana;
  • manejo adaptativo activo;
  • teoría de decisiones;
  • recuperación de vegetación nativa

Abstract: Active adaptive management balances the requirements of management with the need to learn about the system being managed, which leads to better decisions. It is difficult to judge the benefit of management actions that accelerate information gain, relative to the benefit of making the best management decision given what is known at the time. We present a first step in developing methods to optimize management decisions that incorporate both uncertainty and learning via adaptive management. We assumed a manager can allocate effort to discrete units (e.g., areas for revegetation or animals for reintroduction), the outcome can be measured as success or failure (e.g., the revegetation in an area is successful or the animal survives and breeds), and the manager has two possible management options from which to choose. We further assumed that there is an annual budget that may be allocated to one or both of the two options and that the manager must decide on the allocation. We used Bayesian updating of the probability of success of the two options and stochastic dynamic programming to determine the optimal strategy over a specified number of years. The costs, level of certainty about the success of the two options, and the timeframe of management all influenced the optimal allocation of the annual budget. In addition, the choice of management objective had a large influence on the optimal decision. In a case study of Merri Creek, Melbourne, Australia, we applied the approach to determining revegetation strategies. Our approach can be used to determine how best to manage ecological systems in the face of uncertainty.

Resumen: El manejo adaptativo activo equilibra los requerimientos de manejo con la necesidad de aprender sobre el ecosistema que está siendo manejado, lo que lleva a tomar mejores decisiones. Es difícil juzgar el beneficio de las acciones de manejo que aceleran la obtención de información, en relación con el beneficio de tomar la mejor decisión de manejo que se conozca en ese momento. Presentamos un primer paso en el desarrollo de métodos para optimizar las decisiones de manejo que incorporen tanto la incertidumbre como el aprendizaje por medio del manejo adaptativo. Asumimos que un gestor puede dedicar esfuerzo a unidades discretas (e.g., áreas para recuperación de vegetación nativa o animales para reintroducción), el resultado se puede medir como éxito o fracaso (e.g., la recuperación de la vegetación nativa en un área es exitosa o el animal sobrevive y se reproduce), y el gestor tiene dos opciones de manejo posibles para escoger. Posteriormente, asumimos que hay un presupuesto anual que puede ser asignado a una o ambas opciones y que el gestor deberá decidir a donde. Utilizamos actualización Bayesiana de la probabilidad de éxito de las dos opciones y programación dinámica estocástica para determinar la estrategia óptima para un número especificado de años. Los costos, el nivel de certidumbre sobre el éxito de las dos opciones y el marco de tiempo de manejo influyeron en la asignación óptima del presupuesto anual. Adicionalmente, la elección del objetivo de manejo tuvo gran influencia sobre la decisión óptima. En un caso de estudio en Merri Creek, Melbourne, Australia, aplicamos el método para determinar estrategias para la recuperación de la vegetación nativa. Nuestro método puede ser utilizado para determinar el mejor manejo de sistemas ecológicos a pesar de la incertidumbre.