Op de zuidpunt van de Himalaya, boeren in de Kangra-regio van Himachal Pradesh in India grazen vee tussen glooiende heuvels en bossen. Het bos, onder beheer van de staat of boerencoöperaties, bloeien. Maar een nieuwe studie van de Universiteit van Illinois laat zien, in tegenstelling tot door de staat beheerde bossen, boerencoöperaties komen zowel de bosgezondheid als de boeren rechtstreeks ten goede.

De bevinding zelf is misschien niet nieuw - eerder onderzoek en sociaal-ecologische theorie suggereren dat landeigendom leidt tot beter rentmeesterschap en betere milieuresultaten - maar de studie bevestigde de conclusie op een nieuwe manier, machinaal leren gebruiken.

"Dit is de eerste toepassing van machine learning-algoritmen in het beleid en bestuur van natuurlijke hulpbronnen, evalueren hoe beleid in de praktijk werkt, " zegt Pushpendra Rana, postdoctoraal onderzoeksmedewerker bij de afdeling Natuurlijke Hulpbronnen en Milieuwetenschappen van U of I en hoofdauteur van de studie gepubliceerd in Brieven voor milieuonderzoek .

Machine learning maakt gebruik van moderne rekenkracht om patronen in grote datasets te verkennen, een voordeel ten opzichte van traditionele beleidsimpactevaluaties. De effectiviteit van milieubeleid wordt vaak empirisch getoetst, met experimentele "behandelingen" (gebieden met nieuw beleid) en "controles" (business as usual). Onderzoekers meten fysiek resultaten zoals boomgroei of bodemgezondheid en maken vergelijkingen tussen behandelingen en controles. Het werk kan nauwkeurige schattingen van de impact opleveren, maar is tijdrovend en biedt slechts één momentopname.

Met behulp van satellietbeelden van NASA, Rana's machine learning-algoritme was in staat om tegelijkertijd de beleidseffectiviteit te evalueren in meer dan 200 bosbeheerregio's in Kangra, voor een periode van 14 jaar. In tegenstelling tot traditionele beleidseffectevaluaties, het algoritme was in staat om een ​​lange blik te werpen.

"De huidige benaderingen voor impactevaluatie kijken meestal maar één keer naar de resultaten - aan het einde van een project. We hebben de groeitrajecten van vegetatie op lange termijn gemeten, waardoor we veranderingen ter plaatse kunnen begrijpen nadat verschillende beleidslijnen zijn geïmplementeerd, " zegt Daniël Miller, Rana's facultaire mentor en co-auteur van het onderzoek. "Het is belangrijk om op de lange termijn te evalueren, vooral in de bosbouw omdat bomen er lang over doen om te groeien."

De onderzoekers evalueerden de doeltreffendheid van twee bosherbegroeiingsmaatregelen, ingevoerd in Kangra vanaf 2002. Bospercelen werden ofwel geplant en beheerd door boerencoöperaties, waarin boeren langetermijnrechten op het onroerend goed hadden en konden beslissen waar ze bomen moesten planten, of door de staat, met minder input van boeren.

Toen het machine learning-algoritme de hele regio als geheel evalueerde, het slaagde er niet in om verschillen tussen de twee beleidsmaatregelen in termen van vegetatiegroei te identificeren. Rana zegt dat traditionele evaluatiemethoden naar dat resultaat hebben gekeken en hebben geconcludeerd dat het beleid onderling uitwisselbaar of niet succesvol was.

"Traditionele benaderingen kijken meestal alleen naar het gemiddelde behandelingseffect, en ze kunnen geen enkele variatie rond het gemiddelde verklaren, "zegt hij. "Machineleren, samen met de sociaal-ecologische systeemtheorie, geeft ons de mogelijkheid om de context uit te pakken - in welke contexten presteert dit beleid goed of niet zo goed?"

Rana weet iets van de context. Na meer dan 10 jaar bij de Indian Forest Service te hebben gewerkt, hij legt uit dat toen de staat de controle had, ze omsloten nieuw geplante bomen met hekken en beperkte toegang tot vee. Toen het algoritme zich verdiepte in door de staat beheerde percelen, het ontdekte dat de strategie werkte, maar boomgroei was in die gevallen strikt een functie van omgevingsfactoren - zaken als temperatuur en neerslag.

Omgekeerd, het algoritme pikte factoren op die verband houden met mensen bij het verklaren van het succes van bossen die worden beheerd door coöperaties, bijvoorbeeld het aantal mensen in het gebied en tot hoeveel graasland ze toegang hadden.

"Sterkere lokale instellingen en veilige ambtstermijnen onder coöperatief beheer verklaren het verschil in resultaten tussen de twee beleidsmaatregelen, " zegt Rana. "In het geval van coöperatief bosbeheer, we ontdekten dat een toename van de vegetatiegroei gepaard ging met steun voor het bestaande levensonderhoud van boeren, zoals grazen. Dit zijn agrarische gemeenschappen waar mensen kleine stukjes land hebben, 5-10 hectare, en ze zijn voor meerdere behoeften afhankelijk van bossen."

Aangezien de nieuwe methode algemeen aanvaarde eerdere bevindingen bevestigde en openbaar beschikbare gegevens gebruikte, de onderzoekers denken dat het overal ter wereld kan worden ingezet als instrument voor de evaluatie van milieubeleid.

"Bossen zijn erg belangrijk voor het ontwikkelen van een reeks sociale en ecologische voordelen, inclusief mitigatie van klimaatverandering, mensen banen geven, en meer, " zegt Miller. "We investeren veel in hen. Die investeringen worden vertaald in beleid, maar we weten niet altijd of dat beleid werkt of niet. Deze studie laat zien dat we de effectiviteit van beleid voor natuurlijke hulpbronnen op een nieuwe en krachtige manier kunnen evalueren."