Un algoritmo de aprendizaje automático tiene éxito en las políticas de gestión forestal cooperativa que permiten una mayor autonomía de los pequeños agricultores. Crédito:Pushpendra Rana, Universidad de Illinois
En el extremo sur del Himalaya, los agricultores de la región de Kangra en Himachal Pradesh, India, pastan ganado entre colinas y bosques. Los bosques, bajo la gestión del estado o cooperativas de agricultores, están prosperando. Pero un nuevo estudio de la Universidad de Illinois muestra:a diferencia de los bosques gestionados por el estado, Las cooperativas de agricultores benefician directamente tanto a la salud forestal como a los agricultores.
El hallazgo en sí puede no ser nuevo (investigaciones previas y teorías socioecológicas sugieren que la propiedad de la tierra conduce a una mejor administración y mejores resultados ambientales) pero el estudio confirmó la conclusión de una manera nueva. utilizando el aprendizaje automático.
"Esta es la primera aplicación de algoritmos de aprendizaje automático en políticas y gobernanza de recursos naturales, evaluar cómo funcionan realmente las políticas sobre el terreno, "dice Pushpendra Rana, investigador asociado postdoctoral en el Departamento de Recursos Naturales y Ciencias Ambientales de la U de I y autor principal del estudio publicado en Cartas de investigación ambiental .
El aprendizaje automático aprovecha la potencia informática moderna para explorar patrones en grandes conjuntos de datos, una ventaja sobre las evaluaciones de impacto de políticas tradicionales. La eficacia de la política ambiental a menudo se prueba empíricamente, con "tratamientos" experimentales (áreas con nuevas políticas en vigor) y "controles" (como siempre). Los investigadores miden físicamente resultados como el crecimiento de los árboles o la salud del suelo y hacen comparaciones entre tratamientos y controles. El trabajo puede producir estimaciones precisas del impacto, pero requiere mucho tiempo y solo proporciona una instantánea en el tiempo.
Usando imágenes de satélite de la NASA, El algoritmo de aprendizaje automático de Rana pudo evaluar simultáneamente la efectividad de las políticas en más de 200 regiones de manejo forestal en Kangra, cubriendo un período de 14 años. A diferencia de las evaluaciones de impacto de políticas tradicionales, el algoritmo pudo tener una visión a largo plazo.
"Los enfoques actuales de evaluación de impacto tienden a considerar los resultados una sola vez, al final de un proyecto. Medimos las trayectorias de crecimiento de la vegetación a largo plazo, permitiéndonos comprender el cambio en el terreno después de que se implementaron diferentes políticas, "dice Daniel Miller, Mentora de la facultad de Rana y coautora del estudio. "Es importante evaluar a largo plazo especialmente en la silvicultura porque los árboles tardan mucho en crecer ".
Los investigadores evaluaron la eficacia de dos políticas de revegetación forestal, implementado en Kangra a partir de 2002. Las parcelas forestales fueron plantadas y administradas por cooperativas de agricultores, en el que los agricultores tenían derechos a largo plazo sobre la propiedad y podían decidir dónde plantar árboles, o por el estado, con menos aportes de los agricultores.
Cuando el algoritmo de aprendizaje automático evaluó toda la región en su conjunto, no pudo identificar las diferencias entre las dos políticas en términos de crecimiento de la vegetación. Rana dice que los métodos de evaluación tradicionales podrían haber analizado ese resultado y concluido que las políticas eran intercambiables o no tuvieron éxito.
"Los enfoques tradicionales generalmente miran solo el efecto promedio del tratamiento, y no pueden explicar ninguna variación en torno al promedio, ", dice." Aprendizaje automático, junto con la teoría de los sistemas socioecológicos, nos da la capacidad de descomprimir el contexto:¿en qué contextos esta política funciona bien o no? "
Rana sabe algo sobre el contexto. Habiendo servido más de 10 años en el Servicio Forestal de la India, explica que cuando el estado tenía el control, cercaron árboles recién plantados con cercas y restringieron el acceso al ganado. Cuando el algoritmo se perfeccionó en las parcelas administradas por el estado, descubrió que la estrategia funcionó, pero el crecimiento de los árboles era estrictamente una función de factores ambientales en esos casos, cosas como la temperatura y la precipitación.
En cambio, el algoritmo recogió factores relacionados con las personas para explicar el éxito de los bosques gestionados por cooperativas, por ejemplo, el número de personas en el área y la cantidad de tierras de pastoreo a las que tenían acceso.
"Instituciones locales más fuertes y una tenencia segura bajo la gestión cooperativa explican la diferencia en los resultados entre las dos políticas, "Dice Rana." En el caso del manejo forestal cooperativo, Descubrimos que un aumento en el crecimiento de la vegetación se produjo con el apoyo a los medios de vida existentes de los agricultores, como pastar. Son comunidades agrarias donde la gente tiene pequeñas parcelas de tierra, 5-10 hectáreas, y dependen de los bosques para satisfacer múltiples necesidades ".
Dado que el nuevo método confirmó hallazgos anteriores ampliamente aceptados y utilizó datos disponibles públicamente, los investigadores creen que podría implementarse como una herramienta para la evaluación de políticas ambientales en cualquier parte del mundo.
"Los bosques son realmente importantes para desarrollar una variedad de beneficios sociales y ambientales, incluida la mitigación del cambio climático, dar trabajo a la gente, y más, ", Dice Miller." Invertimos mucho en ellos. Esas inversiones se traducen en políticas, pero no siempre sabemos si esas políticas funcionan o no. Este estudio muestra que podemos evaluar la efectividad de las políticas de recursos naturales de una manera nueva y poderosa ".