LogoLogo

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

Forsell, Nicklas (2009). Planification dans le risque et l'incertain : optimisation des stratégies de gestion spatiale des forêts.

[img]PDF (L'auteur ne souhaite pas la mise en ligne de sa thèse. L'exemplaire papier peut être consulté ou emprunté à la BU Sciences de Toulouse.) - nécessite un logiciel de visualisation PDF comme GSview, Xpdf or Adobe Acrobat Reader
29Kb

Résumé en francais

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. Nous en avons conclu que la gestion de ce domaine forestier dans le risque de dommages causés par la tempête n'accroissait que légèrement la valeur actuelle nette (NPV) de cette propriété, moins de 2% en fait, dans des hypothèses différentes de risques de tempête. La plupart des parcelles étaient gérées de la même façon qu'on le faisait en ne tenant pas compte des risques de tempêtes. Cependant, cette analyse repose sur des propriétés du modèle qui ont besoin d'être affinées avant de pouvoir en tirer des conclusions définitives.

Sous la direction du :
Directeur de thèse
Sabbadin, Régis
Garcia, Frédérick
Eriksson, Ljusk Ola
Wilkström, Peder
Ecole doctorale:Systèmes
laboratoire/Unité de recherche :Unité de Biométrie et Intelligence Artificielle (BIA), INRA UR875
Mots-clés libres :Gestion forestière - Planification dans le risque et l'incertain - Processus spatiaux - Processus de Décision de Markov Factorisés - Processus de Décision de Markov Multiagent collaboratifs - Modèles graphiques - Optimisation - Apprentissage par Renforcement
Sujets :Informatique
Déposé le :01 Sep 2010 11:27