規制された農業システムにおける低排出移行を支援する肥料計画戦略

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

🔬研究者:The RL-enhanced optimization approach for agricultural planning under carbon regulation is a methodological contribution for those working on AI applications in sustainability.

🏢実務担当者:Agricultural producers can use the model to evaluate investment in low-emission fertilizers under cap-and-trade, identifying cost-effective emission reduction pathways.

🏛政策担当者:The case study illustrates how cap-and-trade can incentivize low-emission fertilizer adoption, informing carbon market design for the agricultural sector.

農業生産は化学肥料（CF）に大きく依存しており、これが温室効果ガス（GHG）排出に大きく寄与している。低排出肥料（LEF）への移行はこれらの排出を削減する可能性があるが、追加の投資および運用コストを伴う。本稿では、LEFの採用を促進する排出量取引（cap-and-trade）炭素規制の下での肥料計画を研究する。我々は、需要、炭素排出量、および価格の不確実性の下で、LEF設備の最適な導入時期と容量、および対応する生産決定を決定する二段階確率混合整数線形計画モデルを提案する。第一段階はLEF容量における戦略的投資決定を表し、第二段階は従来肥料（CF）またはLEFを使用した生産量と炭素クレジットの取引を決定する。問題の計算複雑性に対処するため、我々は強化学習Q-learning強化可変近傍探索（QL-VNS）を開発する。一連のベンチマークインスタンスに対する計算実験により、提案手法が平均最適性ギャップ0.2%未満の高品質な解を生成し、古典的ヒューリスティックと比較して計算時間を大幅に削減することが示される。中国亜熱帯地域における茶生産に基づくケーススタディは、排出量取引メカニズムがLEFシステムを経済的に viable にし、排出を削減し、炭素クレジット取引を通じて追加収入を生み出す方法を示している。これらの結果は、低排出農業への費用対効果の高い経路を求める政策立案者および農業生産者に洞察を提供する。

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。

Agricultural production relies heavily on chemical fertilizers (CFs), which contribute significantly to greenhouse gas (GHG) emissions. Transitioning to low-emission fertilizers (LEFs) may reduce these emissions but involves additional investment and operational costs. This article studies fertilizer planning under a cap-and-trade carbon regulation that incentivizes the adoption of LEFs. We propose a two-stage stochastic mixed-integer linear programming model that determines the optimal timing and capacity of LEF installations and the corresponding production decisions under demand, carbon emissions, and price uncertainties. The first stage represents strategic investment decisions in LEF capacity, while the second stage determines production quantities using conventional (CF) or LEFs and the trading of carbon credits. To address the computational complexity of the problem, we develop a reinforcement Q-learning-enhanced variable neighborhood search (QL-VNS). Computational experiments on a set of benchmark instances show that the proposed approach yields high-quality solutions with average optimality gaps below 0.2%, while significantly reducing computational time compared with classical heuristics. A case study based on tea production in subtropical China illustrates how cap-and-trade mechanisms can make LEF systems economically viable, reduce emissions, and generate additional revenue through carbon credit trading. The results provide insights for policymakers and agricultural producers seeking cost-effective pathways towards low-emission farming.

• openalex https://doi.org/10.1080/01605682.2026.2691991first seen 2026-07-19 04:50:56