[论文解读] Decision support for sustainable forest harvest planning using multi-scenario multiobjective robust optimization

Babooshka Shavazipour|arXiv (Cornell University)|May 26, 2024

Forest Management and PolicyEnvironmental Science被引用 3

一句话总结

本文提出了一种新颖的多场景多目标鲁棒优化方法，用于在深度不确定性下实现可持续森林采伐调度，采用包含108项目标的混合整数规划模型，以最小化三种材种在各时期之间木材产量与需求的偏离程度。该方法生成了109个Pareto最优解，并在1,000个场景下进行压力测试，使规划者能够识别出在多种不确定未来中均表现稳健且符合偏好的解决方案。

ABSTRACT

Reproducibility artifacts for: Shavazipour, B., & Sundström, L. E. (2024). Decision support for sustainable forest harvest planning using multi-scenario multiobjective robust optimization. arXiv preprint arXiv:2405.16612. Abstract. Sustainable forest management requires handling uncertainty introduced from various sources, considering different conflicting economic, environmental, and social objectives, and involving multiple decision-making periods. This study proposes an interactive and intuitive decision-support approach for sustainable, robust forest harvest scheduling in multiple periods in a short-term (6-12 months) planning horizon. The approach includes a novel multi-scenario multiobjective mixed-integer optimization problem that allows forest planners to separately study the trade-offs between demand satisfactions for multiple assortments in different planning periods. Moreover, it provides an intuitive robust analysis to support forest planners in dealing with uncertainty and investigating potential variations of the outcomes as the consequences of uncertainty in tactical forest planning problems.We validate the proposed decision-support approach in a Swedish case study with 250 forest stands, three assortments (pine, spruce, deciduous trees), and a twelve-month harvest planning horizon. We demonstrate how the proposed approach supports a forest practitioner in trade-offs and robust analyses and finding the most preferred robust solution.

研究动机与目标

• 应对战术森林采伐调度中的深度不确定性挑战，其中不同材种的木材蓄积量不可预测，且难以用概率分布进行建模。
• 克服传统采伐调度模型将需求满足情况在各时期聚合的局限性，从而避免隐藏导致工业损失的月度不匹配问题。
• 开发一种交互式决策支持框架，使森林规划者能够分析经济（需求满足）、环境和社会等冲突目标在多个时间周期内的权衡关系。
• 将鲁棒性分析整合到决策过程中，识别出在广泛可能的未来情景中均表现稳定的解决方案，而非仅针对单一平均情景进行优化。
• 为森林从业者提供一种实用且经过验证的工具，通过在不确定性下对候选计划进行压力测试，减轻认知负荷并提升决策质量。

提出的方法

• 基于混合整数规划框架构建多场景多目标鲁棒优化（MORO）模型，包含108项目标，每个目标对应一个材种、时期与场景的组合（3种材种 × 12个时期 × 3种情景）。
• 采用成效标量化函数，通过迭代求解多目标问题，生成109个Pareto最优解，以平衡所有时期与情景下需求偏离之间的权衡。
• 应用领域准则鲁棒性度量方法，对1,000个随机生成的情景集合中的每个候选解进行评估，检验其在深度不确定性下的性能稳定性。
• 实施交互式决策支持界面，使规划者能够探索权衡关系、比较解决方案，并根据自身偏好选择最满意的稳健解。
• 为每块林地设置三种不同情景（最低、平均和最高可能的木材蓄积量）来代表深度不确定性，避免依赖假设的概率分布。
• 构建模型以最小化每个规划时期内各材种的计划产量与需求之间的绝对偏离，确保月度精度，减少因不匹配导致的工业损失。

Figure 1: Schematic illustration of the multi-scenario multi-objective robust optimization approach (adapted from Shavazipour, Kwakkel & Miettinen ( 2021 ) ).

实验结果

研究问题

• RQ1 如何改进森林采伐调度以应对多个规划时期内多种材种木材蓄积量估计的深度不确定性？
• RQ2 与时间聚合相比，对每个时期和每种材种分别建模需求偏离，对采伐调度的质量与鲁棒性有何影响？
• RQ3 如何利用多场景多目标优化方法，在深度不确定性下生成并评估多样化、稳健的Pareto最优解？
• RQ4 在1,000个随机生成的情景下进行压力测试，能在多大程度上提升候选采伐计划在现实战术规划中的可靠性？
• RQ5 交互式决策支持系统是否能有效减轻认知负荷，并增强规划者在复杂权衡中选择首选稳健解的信心？

主要发现

• 所提出的方法通过多场景多目标优化成功生成了109个Pareto最优解，实现了对12个时期和三种木材材种的全面权衡分析。
• 在1,000个随机生成情景下的压力测试揭示了解决方案性能的显著差异，表明名义或平均情景下的解在现实不确定性下往往失效。
• 通过交互式系统识别出的最满意稳健解在多种情景下均表现出一致性能，最小化了各时期内的产量短缺与过剩。
• 该方法优于传统单情景或需求聚合模型，能够捕捉原本被隐藏的月度不匹配问题，降低工业损失风险。
• 原型已通过领域专家验证，确认其具备实际可用性，并具备在现实战术森林规划中推广应用的潜力。
• 本研究首次展示了在战术森林采伐调度中应对深度不确定性的可行决策支持框架，突破了以往仅限于战略规划与随机模型的局限。

Figure 2: Forest stands in Southern Sweden included in the case study. The size of markers is proportional to the mean values of the volume of the dominating assortment.