Vid Himalayas södra spets, bönder i Kangra-regionen i Indiens Himachal Pradesh betar boskap bland böljande kullar och skogar. skogarna, under förvaltning av staten eller bondekooperativ, trivs. Men en ny studie från University of Illinois visar, till skillnad från statligt förvaltade skogar, bondekooperativ gynnar både skogshälsan och jordbrukarna direkt.

Fyndet i sig är kanske inte nytt-tidigare forskning och social-ekologisk teori tyder på att markägande leder till förbättrat förvaltning och förbättrade miljöresultat-men studien bekräftade slutsatsen på ett nytt sätt, med hjälp av maskininlärning.

"Detta är den första tillämpningen av maskininlärningsalgoritmer i naturresurspolitik och styrning, utvärdera hur politik faktiskt fungerar på plats, " säger Pushpendra Rana, postdoktor vid Institutionen för naturresurser och miljövetenskap vid U of I och huvudförfattare till studien publicerad i Miljöforskningsbrev .

Maskininlärning utnyttjar modern datorkraft för att utforska mönster i stora datamängder, en fördel jämfört med traditionella politiska effektutvärderingar. Miljöpolitikens effektivitet testas ofta empiriskt, med experimentella "behandlingar" (områden med ny policy på plats) och "kontroller" (business as usual). Forskare mäter fysiskt resultat som trädtillväxt eller markhälsa och gör jämförelser mellan behandlingar och kontroller. Arbetet kan ge korrekta uppskattningar av påverkan men är tidskrävande och ger bara en enda ögonblicksbild i tiden.

Med hjälp av satellitbilder från NASA, Ranas maskininlärningsalgoritm kunde samtidigt utvärdera politikens effektivitet i över 200 skogsförvaltningsregioner i Kangra, täcker en 14-årsperiod. Till skillnad från traditionella politiska effektutvärderingar, Algoritmen kunde ta en lång vy.

"Nuvarande tillvägagångssätt för utvärdering av effekter tenderar att titta på resultaten bara en gång - vid slutet av ett projekt. Vi mätte långsiktiga vegetationstillväxtbanor, tillåter oss att förstå förändringar på plats efter att olika policyer har implementerats, säger Daniel Miller, Ranas fakultets mentor och medförfattare på studien. "Det är viktigt att utvärdera på lång sikt, speciellt inom skogsbruket eftersom träd tar lång tid att växa."

Forskarna utvärderade effektiviteten av två skogsrevegeteringspolicyer, implementerade i Kangra med start 2002. Skogsskiften planterades och sköttes antingen av bondekooperativ, där bönder hade långvariga rättigheter till fastigheten och kunde bestämma var de skulle plantera träd, eller av staten, med mindre input från jordbrukarna.

När maskininlärningsalgoritmen utvärderade hela regionen som helhet, det misslyckades med att identifiera skillnader mellan de två politikområdena när det gäller vegetationstillväxt. Rana säger att traditionella utvärderingsmetoder kan ha tittat på det resultatet och kommit fram till att policyerna var utbytbara eller misslyckade.

"Traditionella metoder tittar vanligtvis bara på den genomsnittliga behandlingseffekten, och de kan inte förklara någon variation kring genomsnittet, " säger han. "Maskininlärning, tillsammans med teorin om social-ekologiska system, ger oss möjligheten att packa upp sammanhanget – i vilka sammanhang fungerar denna policy bra eller inte lika bra?"

Rana vet något om sammanhanget. Efter att ha tjänstgjort mer än 10 år med Indian Forest Service, han förklarar att när staten hade kontroll, de inhägnade nyplanterade träd med stängsel och begränsad tillgång till boskap. När algoritmen finslipade på statshanterade paket, den fann att strategin fungerade, men trädtillväxt var strikt en funktion av miljöfaktorer i dessa fall - saker som temperatur och nederbörd.

Omvänt, algoritmen plockade upp faktorer relaterade till människor för att förklara framgången för skogar som förvaltas av kooperativ – till exempel, antalet personer i området och hur mycket betesmark de hade tillgång till.

"Stärkare lokala institutioner och säker anställning under kooperativ ledning förklarar skillnaden i resultat mellan de två policyerna, " säger Rana. "När det gäller kooperativ skogsförvaltning, vi fann att en ökning av vegetationstillväxten kom med stöd för jordbrukarnas existerande försörjning, som att beta. Det här är jordbrukssamhällen där människor har små bitar mark, 5-10 hektar, och de är beroende av skogar för flera behov."

Med tanke på den nya metoden bekräftade allmänt accepterade tidigare resultat och använde allmänt tillgängliga data, forskarna tror att det skulle kunna användas som ett verktyg för miljöpolitisk utvärdering var som helst i världen.

"Skogar är verkligen viktiga för att utveckla en rad sociala och miljömässiga fördelar, inklusive begränsning av klimatförändringar, ge människor jobb, och mer, "Miller säger. "Vi investerar mycket i dem. Dessa investeringar översätts till policyer, men vi vet inte alltid om dessa policyer fungerar eller inte. Denna studie visar att vi kan utvärdera effektiviteten av naturresurspolitik på ett nytt och kraftfullt sätt."