Badacze zaproponowali nową metodę analizy wrażliwości dla modeli agro-ekologicznych opartych na agentach, które muszą radzić sobie ze złożonością rzeczywistych systemów decyzyjnych. Zamiast tradycyjnego podejścia traktującego parametry jako niezależny wektor, naukowcy traktują strukturę decyzji jako drzewo hierarchiczne, w którym wiele parametrów aktywuje się dopiero, gdy wyższa-poziomowa decyzja je uaktywni.
Klasyczne globalne analizy wrażliwości okazują się nieadekwatne dla tego typu rozgałęzionych przestrzeni, ponieważ presupozytywnie zakładają niezależne wejścia w ustalonej przestrzeni kartezjańskiej. Zespół zamiast tego koduje plan zarządzania uprawami z platformy modelowania MAELIA jako hierarchiczną przestrzeń projektowania zawierającą zarówno zmienne kategoryczne jak i numeryczne. Nowa metoda random-forest-supervised HSIC-ANOVA umożliwia ranking głównych efektów i interakcji bezpośrednio na drzewie decyzji, traktując decyzje rzadko i zawsze aktywne na równych zasadach.
Zastosowanie tej metody do wyników symulacji - takich jak spływ azotu, zmiana zawartości węgla organicznego w glebie i prognozy plonów - wykazuje, że może dostarczać interpretowalne i ukierunkowane na decyzje wnioski. To oznacza, że rolnicy i decydenci mogą teraz lepiej zrozumieć, które konkretne wybory zarządzania uprawami faktycznie napędzają wyniki agroekologiczne, co ma potencjał do poprawy skuteczności praktyk rolnych zorientowanych na zrównoważony rozwój.