Multi-sites fisheries modeling with Itô stochastic differential equations and stochastic optimization problem

Resumo Técnico: Modelagem de Pesca em Múltiplos Sítios com Equações Diferenciais Estocásticas de Itô e Otimização Estocástica

Definição do Problema
O artigo aborda a modelagem e a otimização de pescas em múltiplos sítios, focando especificamente em sistemas que utilizam Dispositivos de Agregação de Peixes (DAPs/FADs). Embora modelos determinísticos tenham dominado historicamente a dinâmica populacional, eles falham em considerar a variabilidade natural e incertezas, como as mudanças climáticas e distúrbios ecológicos. Os autores propõem uma estrutura para modelar a evolução da biomassa de peixes e dos esforços de pesca em múltiplos sítios ($L$) e em um estoque offshore ($s$) utilizando processos estocásticos. O desafio central envolve a formulação de um sistema que capture flutuações aleatórias em nascimentos, mortes, migrações e atividades de pesca sem incorrer em custos computacionais proibitivos, particularmente no cálculo das raízes quadradas de matrizes necessárias para as formulações padrão de equações diferenciais estocásticas (SDEs). Além disso, o artigo busca resolver um problema de otimização estocástica para maximizar os lucros da pesca sob essas restrições dinâmicas e incertas.

Metodologia
A pesquisa emprega uma metodologia de duas partes: modelagem estocástica e otimização estocástica.

1. Modelagem Estocástica (Formulação de SDE):

   • Do Discreto ao Contínuo: Os autores começam definindo um processo estocástico de tempo discreto para um sistema com $L$ sítios. Eles enumeram todas as possíveis mudanças de estado (nascimentos, mortes, migrações entre sítios e o estoque offshore, e movimentos de barcos) ao longo de um pequeno intervalo de tempo $\Delta t$.
   • Drift (Deriva) e Difusão: A partir dessas transições discretas, eles derivam o vetor de expectativa (termo de deriva, $f$) e a matriz de covariância ($V$).
   • Sistemas Equivalentes: A formulação padrão de SDE $dX_t = f(t, X)dt + B(t, X)dW(t)$ requer $B = V^{1/2}$. Os autores observam que calcular a raiz quadrada de uma matriz $(2L+1) \times (2L+1)$ é computacionalmente caro e carece de fórmulas explícitas para $L$ grande.
   • Decomposição de Matriz: Para evitar o cálculo direto da raiz quadrada da matriz, os autores utilizam uma formulação equivalente $dX_t = f(t, X)dt + H(t, X)dW^{**}(t)$, onde $V = HH^T$. A matriz $H$ é construída explicitamente usando matrizes em blocos que representam nascimentos, mortes, migrações e movimentos de barcos. Esta abordagem evita a necessidade de calcular $V^{1/2}$ diretamente, utilizando a estrutura explícita de $H$, que é derivada das probabilidades de transição subjacentes. Ao utilizar a construção explícita de $H$, evita-se o custo numérico de decompor a matriz de covariância completa $V$. Para $L \ge 3$, a matriz $H$ possui dimensões $(2L+1) \times (L+1)^2$, o que significa que possui mais colunas do que a dimensão do estado, mas sua construção explícita contorna o ônus computacional de calcular a raiz quadrada da matriz $V$.
   • Generalização: O modelo é detalhado primeiro para $L=2$ sítios e depois generalizado para $L \ge 3$ sítios, incorporando crescimento logístico para populações de peixes e taxas de capturabilidade específicas.

2. Otimização Estocástica:

   • Função Objetivo: O objetivo é maximizar o lucro total esperado ao longo de um horizonte de tempo $[0, T]$, definido como a diferença entre a receita (preço da captura $\times$ capturabilidade $\times$ biomassa $\times$ esforço) e os custos (custo por unidade de esforço).
   • Restrições: A otimização está sujeita às dinâmicas de SDE derivadas. Um tempo de parada $\tau$ é definido como o primeiro momento em que o estoque atinge zero ou o tempo $T$, o que ocorrer primeiro.
   • Programação Dinâmica: O problema é resolvido utilizando o Princípio da Programação Dinâmica, levando a uma equação de Hamilton-Jacobi-Bellman (HJB). A função valor $U(x, t)$ representa o lucro futuro esperado máximo.
   • Simplificação para Controle: Para a fase de otimização, os autores simplificam a matriz de difusão $H$ para $H_1$, excluindo termos relacionados aos custos de movimento de barcos e vendas, focando exclusivamente na dinâmica biológica e de captura relevante para a variável de controle (esforço de pesca).

Principais Contribuições

• Sistemas de SDE Equivalentes: O artigo propõe e estabelece a equivalência entre a formulação padrão de SDE (que requer $V^{1/2}$) e uma formulação alternativa usando uma matriz $H$, tal que $V=HH^T$. Esta alternativa é teoricamente sólida e numericamente mais eficiente, pois evita o fardo computacional de calcular raízes quadradas de matrizes para sistemas de alta dimensão ao construir $H$ explicitamente a partir de matrizes em blocos.
• Estrutura Estocástica de Múltiplos Sítios: Os autores desenvolvem um modelo estocástico abrangente para pescas em múltiplos sítios que contabiliza explicitamente a migração de peixes entre sítios e um estoque offshore, bem como o movimento de embarcações de pesca entre os sítios.
• Solução de Otimização Estocástica: O estudo formula e resolve um problema de controle ótimo estocástico para pescas em múltiplos sítios. Ao acoplar as dinâmicas de SDE com a equação HJB, os autores derivam estratégias de esforço de pesca ideais que maximizam o lucro sob incerteza.

Resultos

• Validação Numérica: Os autores realizaram simulações numéricas utilizando o método de Euler-Maruyama com 500 trajetórias de amostra para casos com $L=2$ e $L=10$ sítios.
• Confirmação de Equivalência: Comparações entre a formulação padrão (usando a matriz $B=V^{1/2}$) e a formulação proposta (usando a matriz $H$) mostraram que os valores esperados para biomassa e esforços de pesca eram quase idênticos. Os erros absolutos entre os dois métodos foram baixos, validando a equivalência teórica e a utilidade da formulação $H$ para reduzir a complexidade computacional.
• Resultados da Otimização: Simulações da equação HJB revelaram que a função valor aumenta com os níveis de estoque e biomassa, mas diminui com o esforço de pesca. As políticas de esforço de pesca otimizadas derivadas do modelo demonstram que é possível equilibrar retornos econômicos com sustentabilidade ecológica mesmo na presença de choques estocásticos.

Significância e Alegações
O artigo afirma contribuir para o campo da gestão pesqueira ao fornecer uma estrutura estocástica rigorosa que preenche a lacuna entre a modelagem teórica e a eficiência numérica.

• Contribuição Teórica: Oferece uma alternativa matematicamente equivalente, porém computacionalmente mais leve, às formulações padrão de SDE, tornando a modelagem de pescas complexas e de alta dimensão mais viável.
• Aplicação Prática: Os resultados sugerem que métodos de otimização estocástica são necessários para um controle robusto nas pescas modernas, que enfrentam incertezas inerentes. A estrutura proposta apoia o desenvolvimento de estratégias de colheita adaptativas e políticas de múltiplos sítios sustentáveis.
• Limitações e Trabalhos Futuros: Os autores reconhecem modestamente que seu modelo assume parâmetros constantes (ex: taxas de migração) e não inclui estrutura de idade ou interações complexas entre espécies (predador-presa). Eles propõem trabalhos futuros para estender o modelo para a gestão baseada em ecossistemas, incorporar interações tróficas e acoplar modelos de pesca com modelos climáticos. Também sugerem explorar esquemas numéricos avançados (ex: Milstein, Runge-Kutta) além do método de Euler-Maruyama utilizado neste estudo.