A neuro-dynamic programming approach to the optimal stand management problem.

Some ideas of neuro-dynamic programming (NDP) are illustrated by considering the problem of optimally managing a forest stand under uncertainty. Because reasonable growth models require state information such as height (or age), basal area, and stand diameter, as well as an indicator variable for treatments that have been performed on the stand, they can easily lead to very large state spaces that include continuous variables. Realistic stand management policies include silvicultural options such as pre-commercial and commercial thinning as well as post-harvest treatments. We are interested in problems that are stochastic in their basic growth dynamics, in market prices, and in disturbances, ranging from insects to fire to hurricanes. NDP algorithms are appropriate for problems with large dimensions that may lack a simple model of dynamics and stochastic processes. This paper looks at applying these ideas in the context of a multispecies model. Results show that policies obtained using NDP are optimal within a 95% confidence interval or better. The set of states and controls incorporated into our NDP model allows us to develop optimal policies with a level of detail not typically seen in the forestry literature. [ABSTRACT FROM AUTHOR]

Certains concepts de la programmation neuro-dynamique (PND) sont illustrés en abordant la problématique de l'aménagement optimal d'un peuplement forestier dans un contexte d'incertitude. Parce que les modèles de croissance acceptables exigent de l'information sur l'état, telle que la hauteur (ou l'âge), la surface terrière et le diamètre du peuplement, ainsi qu'une variable-indicateur pour les traitements qui ont été réalisés dans le peuplement, ils peuvent facilement mener à de très grands espaces d'état qui incluent des variables continues. Des politiques réalistes d'aménagement des peuplements incluent des options sylvicoles telles que les éclaircies précommerciale et commerciale ainsi que des traitements qui viennent après la récolte. Nous sommes intéressés par des situations dont la dynamique fondamentale de croissance, les prix du marché et les perturbations allant des insectes, aux feux et aux ouragans sont stochastiques. Les algorithmes de PND sont appropriés pour les problèmes de grande dimension pour lesquels il n'existe peut-être pas de modèle simple de la dynamique et des processus stochastiques. Cet article se penche sur l'application de ces concepts dans le contexte d'un modèle multi-espèces. Les résultats montrent que les politiques qui découlent de la PND sont optimales avec un intervalle de confiance de 95% ou plus. L'ensemble des états et contrôles incorporés dans notre modèle de PND nous permet de développer des politiques optimales avec un niveau de détails qu'on ne rencontre généralement pas dans la littérature forestière. [Traduit par la Rédaction] [ABSTRACT FROM AUTHOR]

Copyright of Canadian Journal of Forest Research is the property of Canadian Science Publishing and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)