PNAS: Адаптивные стратегии на основе обучения с подкреплением для адаптации к изменению климата: применение для управления рисками прибрежных наводнений
Традиционные структуры управления рисками не подходят для долгосрочной адаптации к изменению климата, вследствие существенной неопределённости в климатических прогнозах. Исследование подчёркивает большой потенциал обучения с подкреплением (reinforcement learning, RL) в моделировании и информировании об адаптивном принятии решений по климату. Сосредоточившись на стратегиях защиты от прибрежных наводнений для Манхэттена в Нью-Йорке, которые включают непрерывные наблюдения за повышением уровня моря, авторы исследования демонстрируют существенную способность проектов на основе RL к снижению затрат по сравнению с традиционными численными методами. Более того, они демонстрируют способность RL справляться со сложными политическими проектами, экстремальными экономическими потерями, потенциальными ошибочными суждениями экспертов и, в более широком смысле, критическую роль систематического обучения и обновления в адаптации к изменению климата.
Традиционные вычислительные модели структур адаптации к климату неадекватно учитывают способность лиц, принимающих решения, учиться, обновлять и улучшать решения. Авторы исследуют потенциал обучения с подкреплением RL, метода машинного обучения, который эффективно получает знания из окружающей среды и систематически оптимизирует динамические решения, при моделировании и информировании об адаптивном принятии климатических решений. Рассматриваются меры по смягчению риска прибрежных наводнений для Манхэттена, Нью-Йорк, США и иллюстрируются преимущества постоянного включения наблюдений за повышением уровня моря в систематические разработки адаптивных стратегий. Было обнаружено, что при проектировании адаптивных морских дамб для защиты Нью-Йорка стратегия, полученная с помощью RL, значительно снижает ожидаемую суммарную стоимость на 6–36% при сценарии умеренных выбросов SSP2-4.5 (на 9–77% при сценарии высоких выбросов SSP5-8.5) по сравнению с традиционными методами. При рассмотрении нескольких адаптивных политик, включая размещение и отступление, а также защиту, подход RL приводит к дополнительному снижению затрат на 5% (15%), демонстрируя его гибкость в скоординированном решении сложных проблем разработки политики. RL также превосходит традиционные методы в контроле остаточного риска (т.е. низкой вероятности, но сильного воздействия) и в предотвращении потерь, вызванных дезинформацией о состоянии климата (например, глубокой неопределённостью), демонстрируя важность систематического обучения и обновления при решении экстремальных ситуаций и неопределённостей, связанных с адаптацией к изменению климата.