On Valuing Information in Adaptive-Management Models

To authenticate to the full-text of this article, please visit this link: http://dx.doi.org/10.1111/j.1523-1739.2009.01443.x Byline: ALANA L. MOORE (*[dagger][double dagger]), MICHAEL A. McCARTHY (*) Keywords: active adaptive management; Bayesian statistics; decision theory; optimal monitoring; terminal rewards; revegetation Abstract: 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. Abstract (Spanish): Valoracion de la Informacion en Modelos de Manejo Adaptativo Resumen: El manejo adaptativo activo considera los beneficios de la utilizacion de estrategias que pueden ser suboptimas en el corto plazo pero pueden proporcionar informacion adicional que facilitara un mejor manejo en el futuro. En muchos problemas de manejo adaptativo que han sido estudiados, las politicas optimas activas y pasivas (considerar el aprendizaje cuando se disenan politicas y diseno de politicas con base en la mejor informacion disponible, respectivamente) son muy similares. Esto parece paradojico; cuando hay incertidumbre sobre la mejor accion, los manejadores deben gastar poca energia en el diseno de programas activos para aprender sobre el sistema que estan 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 estan confinados al estudio de caso particular en el escenario modelado, mientras que en la realidad la informacion obtenida de estudios locales a menudo es aplicada mas ampliamente. Segundo, los objetivos de manejo que incorporan la varianza de una estimacion pueden poner mayor enfasis en el aprendizaje que los objetivos utilizados mas comunmente 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 revegetacion. Explicitamente incorporamos los costos de monitoreo en el modelo. El valor de las recompensas terminales y la eleccion del objetivo influyeron en la diferencia entre las soluciones adaptativas activas y pasivas. La consideracion explicita del costo de monitoreo proporciono una perspectiva diferente de como afectaron al aprendizaje la recompensa terminal y el objetivo de manejo. Los estados para los que era optimo 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 optimo cuando los beneficios esperados de las opciones consideradas son similares y cuando la amortizacion del aprendizaje de sus beneficios es grande. Author Affiliation: (*)School of Botany, University of Melbourne, Parkville, Victoria 3010, Australia ([dagger])Department of Mathematics and Statistics, University of Melbourne, Parkville, Victoria 3010, Australia Article History: Paper submitted March 18, 2009; revised manuscript accepted September 30, 2009. Article note: ([double dagger]) email moa@unimelb.edu.au