ベイズ的信念に基づく直接政策探索による内生的学習を伴う適応的水供給計画

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Offers a novel methodological framework for adaptive planning that combines Bayesian learning with direct policy search, applicable to climate adaptation research.

🏢実務担当者:Water utilities and infrastructure planners can use this approach to make cost-effective investment decisions under climate uncertainty by dynamically updating beliefs.

🏛政策担当者:Policymakers in climate adaptation can consider this framework for informing infrastructure investment strategies that are robust to evolving climate information.

抄録 気候変動の不確実性は水供給計画に課題を突きつける。そこでは、長寿命のインフラが変化する条件下で確実な供給を確保しなければならない。適応的計画は、必要に応じてのみインフラを段階的に拡張することでこれに対処し、不要な投資を削減する。強化学習アプローチであるDirect Policy Search（DPS）は、システム状態に基づいてインフラをいつ、どの程度拡張するかを指定する適応ルールを特定するために広く使用されてきた。しかし、標準的なDPSは静的な気候不確実性を仮定しており、新たな情報が出現するにつれて不確実性を更新する可能性を見落としているため、気候が進化するにつれて過剰投資または過小投資につながる可能性がある。我々は、適応的計画における気候不確実性についての学習を考慮するために、ベイズ学習をDPSに統合する新しいフレームワークであるBayesian‐Belief DPSを紹介する。これは、進化する気候不確実性を表す信念状態をDPSの状態空間に含めることで行う。信念状態は、新しい観測が利用可能になるにつれてガウス過程回帰を用いて更新される。例えば、今世紀末の気候に関する不確実性は初期に最も大きいが、データが蓄積されるにつれて時間とともに減少する。我々はBayesian‐Belief DPSをケニアのモンバサのケーススタディに適用し、そこでは意思決定ルールが100年間の計画期間にわたるインフラ開発を最適化する。我々は、多様な気候およびインフラシナリオにわたって政策パフォーマンスを比較し、学習が計画を改善する時期を評価する。結果は、Bayesian‐Belief DPSが堅牢性と費用対効果を向上させることを示唆しており、特に過去の傾向が将来の変化を線形的に予測しない非線形気候下、および将来の気候に関する誤った仮定が高い後悔につながる可能性がある長寿命投資において顕著である。気候信念を内生的にモデル化することにより、Bayesian‐Belief DPSは、深い不確実性の下での適応的計画のためのスケーラブルで一般化可能なフレームワークを提供する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Abstract Climate change uncertainty challenges water supply planning, where long‐lived infrastructure must ensure reliable supply under evolving conditions. Adaptive planning addresses this by incrementally expanding infrastructure only as needed, reducing unnecessary investments. Direct Policy Search (DPS), a reinforcement learning approach, has been widely used to identify adaptive rules that specify when and how much to expand infrastructure based on system conditions. However, standard DPS assumes static climate uncertainty, overlooking the potential to update uncertainty as new information emerges, potentially leading to over‐ or under‐investment as the climate evolves. We introduce Bayesian‐Belief DPS, a novel framework that integrates Bayesian learning into DPS to account for learning about climate uncertainty in adaptive planning. We do this by expanding the DPS state space to include a belief state, representing evolving climate uncertainty. The belief state is updated using Gaussian process regression as new observations become available. For instance, uncertainty about end‐of‐century climate is greatest early on but declines over time as data accumulates. We apply Bayesian‐Belief DPS to a case study in Mombasa, Kenya, where decision rules optimize infrastructure development over a 100‐year horizon. We compare policy performance across diverse climate and infrastructure scenarios to assess when learning improves planning. Results suggest Bayesian‐Belief DPS enhances robustness and cost‐effectiveness, especially under nonlinear climates, where past trends do not linearly predict future change, and for long‐lived investments, where incorrect assumptions about future climate can lead to high regret. By endogenously modeling climate beliefs, Bayesian‐Belief DPS offers a scalable, generalizable framework for adaptive planning under deep uncertainty.

• openalex https://doi.org/10.1029/2025wr041645first seen 2026-05-29 04:46:09 · last seen 2026-05-31 05:16:56