SEARCH

SEARCH BY CITATION

Keywords:

  • active adaptive management;
  • Bayesian statistics;
  • decision theory;
  • optimal monitoring;
  • terminal rewards;
  • revegetation
  • estadística Bayesiana;
  • manejo adaptativo activo;
  • monitoreo óptimo;
  • recompensas terminales;
  • revegetación;
  • teoría de decisiones

Abstract: Active adaptive management looks at the benefit of using strategies that may be suboptimal in the near term but may provide additional information that will facilitate better management in the future. In many adaptive-management problems that have been studied, the optimal active and passive policies (accounting for learning when designing policies and designing policy on the basis of current best information, respectively) are very similar. This seems paradoxical; when faced with uncertainty about the best course of action, managers should spend very little effort on actively designing programs to learn about the system they are managing. We considered two possible reasons why active and passive adaptive solutions are often similar. First, the benefits of learning are often confined to the particular case study in the modeled scenario, whereas in reality information gained from local studies is often applied more broadly. Second, management objectives that incorporate the variance of an estimate may place greater emphasis on learning than more commonly used objectives that aim to maximize an expected value. We explored these issues in a case study of Merri Creek, Melbourne, Australia, in which the aim was to choose between two options for revegetation. We explicitly incorporated monitoring costs in the model. The value of the terminal rewards and the choice of objective both influenced the difference between active and passive adaptive solutions. Explicitly considering the cost of monitoring provided a different perspective on how the terminal reward and management objective affected learning. The states for which it was optimal to monitor did not always coincide with the states in which active and passive adaptive management differed. Our results emphasize that spending resources on monitoring is only optimal when the expected benefits of the options being considered are similar and when the pay-off for learning about their benefits is large.

Resumen: El manejo adaptativo activo considera los beneficios de la utilización de estrategias que pueden ser subóptimas en el corto plazo pero pueden proporcionar información adicional que facilitará un mejor manejo en el futuro. En muchos problemas de manejo adaptativo que han sido estudiados, las políticas óptimas activas y pasivas (considerar el aprendizaje cuando se diseñan políticas y diseño de políticas con base en la mejor información disponible, respectivamente) son muy similares. Esto parece paradójico; cuando hay incertidumbre sobre la mejor acción, los manejadores deben gastar poca energía en el diseño de programas activos para aprender sobre el sistema que están manejando. Consideramos dos posibles razones por las que las soluciones adaptativas activas y pasivas a menudo son similares. Primero, los beneficios del aprendizaje a menudo están confinados al estudio de caso particular en el escenario modelado, mientras que en la realidad la información obtenida de estudios locales a menudo es aplicada más ampliamente. Segundo, los objetivos de manejo que incorporan la varianza de una estimación pueden poner mayor énfasis en el aprendizaje que los objetivos utilizados más comúnmente que intentan maximizar un valor esperado. Exploramos estos temas en un estudio de caso de Merri Creek, Melbourne, Australia, en el que el objetivo fue elegir entre dos opciones para revegetación. Explícitamente incorporamos los costos de monitoreo en el modelo. El valor de las recompensas terminales y la elección del objetivo influyeron en la diferencia entre las soluciones adaptativas activas y pasivas. La consideración explícita del costo de monitoreo proporcionó una perspectiva diferente de cómo afectaron al aprendizaje la recompensa terminal y el objetivo de manejo. Los estados para los que era óptimo monitorear no coincidieron siempre con los estados en los que hubo diferencias en el manejo adaptativo activo y pasivo. Nuestros resultados enfatizan que el gasto de recursos en monitoreo solo es óptimo cuando los beneficios esperados de las opciones consideradas son similares y cuando la amortización del aprendizaje de sus beneficios es grande.