BoreaRL：面向气候适应性北方森林管理的多目标强化学习环境
机器学习
2025-12-03 v2
摘要
北方森林储存了陆地碳的 30-40%，其中大量储存在气候脆弱的永久冻土土壤中，使其管理对气候减缓至关重要。然而，同时优化森林管理以实现碳封存和永久冻土保护面临复杂的权衡，当前工具无法充分解决这一问题。我们引入了 BoreaRL，这是第一个面向气候适应性北方森林管理的多目标强化学习环境，其特点是具有基于物理的耦合能量、碳和水通量模拟器。BoreaRL 支持两种训练范式：站点特定模式用于受控研究，以及通用模式用于在环境随机性下学习鲁棒策略。通过多目标强化学习算法的评估，我们揭示了一个基本的不对称性：碳目标比解冻（永久冻土保护）目标更容易优化，解冻导向的策略在两种范式下均表现出最小的学习进展。在通用设置中，标准的基于梯度下降的偏好条件方法失效，而一种朴素的站点选择方法通过策略性地选择训练片段取得了更优的性能。对学习策略的分析揭示了不同的管理理念，其中碳导向策略倾向于激进的 高密度针叶林，而有效的多目标策略则平衡物种组成和密度以保护永久冻土同时保持碳收益。我们的结果表明，鲁棒的气候适应性森林管理对当前多目标强化学习方法仍具有挑战性，确立了 BoreaRL 作为开发更有效方法的宝贵基准。我们开源 BoreaRL 以加速多目标强化学习在气候应用中的研究。
引用
@article{arxiv.2509.19846,
title = {BoreaRL: A Multi-Objective Reinforcement Learning Environment for Climate-Adaptive Boreal Forest Management},
author = {Kevin Bradley Dsouza and Enoch Ofosu and Daniel Chukwuemeka Amaogu and Jérôme Pigeon and Richard Boudreault and Pooneh Maghoul and Juan Moreno-Cruz and Yuri Leonenko},
journal= {arXiv preprint arXiv:2509.19846},
year = {2025}
}