Maskinlæring opdager vigtigheden af ​​landforvaltning i bevaringspolitikken

På den sydlige spids af Himalaya, landmænd i Kangra -regionen i Indiens Himachal Pradesh græsser kvæg blandt bølgende bakker og skove. Skovene, under ledelse af staten eller landmandskooperativer, trives. Men en ny undersøgelse fra University of Illinois viser, i modsætning til statsdrevne skove, landmandskooperativer gavner både skovsundheden og landmændene direkte.

Selve opdagelsen er muligvis ikke ny - tidligere forskning og social-økologisk teori tyder på, at jordejerskab fører til forbedret forvaltning og forbedrede miljømæssige resultater - men undersøgelsen bekræftede konklusionen på en ny måde, ved hjælp af maskinlæring.

"Dette er den første anvendelse af maskinlæringsalgoritmer i naturressourcepolitik og -styring, evaluere, hvordan politikker rent faktisk fungerer på stedet, " siger Pushpendra Rana, postdoktoral forskningsassistent i Institut for Naturressourcer og Miljøvidenskab ved U of I og hovedforfatter på undersøgelsen offentliggjort i Miljøforskningsbreve .

Maskinlæring udnytter moderne computerkraft til at udforske mønstre i store datasæt, en fordel i forhold til traditionelle politiske konsekvensevalueringer. Effektiviteten af ​​miljøpolitikken testes ofte empirisk, med eksperimentelle "behandlinger" (områder med nye politikker på plads) og "kontroller" (business as usual). Forskere måler fysisk resultater som trævækst eller jordsundhed og foretager sammenligninger mellem behandlinger og kontroller. Arbejdet kan give nøjagtige estimater af påvirkning, men er tidskrævende og giver kun et enkelt øjebliksbillede i tide.

Ved hjælp af satellitbilleder fra NASA, Ranas maskinlæringsalgoritme var i stand til samtidig at evaluere politikeffektivitet i over 200 skovforvaltningsregioner i Kangra, dækker en 14-årig periode. I modsætning til traditionelle politiske konsekvensevalueringer, algoritmen var i stand til at se langt.

"Nuværende tilgangsevalueringsmetoder har en tendens til kun at se på resultaterne én gang – ved afslutningen af ​​et projekt. Vi målte langsigtede vegetationsvækstbaner, giver os mulighed for at forstå ændringer på stedet, efter at forskellige politikker er blevet implementeret, " siger Daniel Miller, Ranas fakultets mentor og medforfatter på studiet. "Det er vigtigt at evaluere på lang sigt, især i skovbruget, fordi træer tager lang tid om at vokse."

Forskerne evaluerede effektiviteten af ​​to skovrevegetationspolitikker, implementeret i Kangra fra 2002. Skovparceller blev enten plantet og forvaltet af landmandskooperativer, hvor landmænd havde langsigtede rettigheder til ejendommen og kunne beslutte, hvor de skulle plante træer, eller af staten, med mindre input fra landmændene.

Da maskinlæringsalgoritmen evaluerede hele regionen som helhed, det lykkedes ikke at identificere forskelle mellem de to politikker med hensyn til vegetationsvækst. Rana siger, at traditionelle evalueringsmetoder kunne have set på dette resultat og konkluderet, at politikkerne var udskiftelige eller uden succes.

"Traditionelle tilgange ser normalt kun på den gennemsnitlige behandlingseffekt, og de kan ikke forklare nogen variation omkring gennemsnittet, " siger han. "Maskinlæring, sammen med teori om social-økologiske systemer, giver os muligheden for at udpakke konteksten - i hvilke sammenhænge fungerer denne politik godt eller dårligt?"

Rana ved noget om sammenhængen. Efter at have tjent mere end 10 år i Indian Forest Service, han forklarer, at da staten havde kontrol, de lukkede nyplantede træer med hegn og begrænset adgang til kvæg. Da algoritmen skærpede ind på statsstyrede pakker, det fandt ud af, at strategien virkede, men trævækst var strengt taget en funktion af miljøfaktorer i disse tilfælde - ting som temperatur og nedbør.

Omvendt Algoritmen opfangede faktorer relateret til mennesker i forklaringen af ​​succesen for skove, der forvaltes af kooperativer – f.eks. antallet af mennesker i området og hvor meget græsningsareal de havde adgang til.

"Stærkere lokale institutioner og sikker ansættelse under kooperativ ledelse forklarer forskellen i resultater mellem de to politikker, " siger Rana. "I tilfælde af kooperativ skovdrift, vi fandt ud af, at en stigning i vegetationsvæksten kom med støtte til landmændenes eksisterende levebrød, som at græsse. Det er landbrugssamfund, hvor folk har små stykker jord, 5-10 ha, og de er afhængige af skove til flere behov."

I betragtning af den nye metode bekræftede bredt accepterede tidligere resultater og brugte offentligt tilgængelige data, forskerne mener, at det kan bruges som et værktøj til miljøpolitisk evaluering overalt i verden.

"Skove er virkelig vigtige for at udvikle en række sociale og miljømæssige fordele, herunder afbødning af klimaændringer, give folk job, og mere, " siger Miller. "Vi investerer meget i dem. Disse investeringer omsættes til politikker, men vi ved ikke altid, om disse politikker virker eller ej. Denne undersøgelse viser, at vi kan evaluere effektiviteten af ​​naturressourcepolitikker på en ny og kraftfuld måde."