Sulla punta meridionale dell'Himalaya, gli agricoltori della regione di Kangra, nell'Himachal Pradesh, in India, pascolano il bestiame tra dolci colline e foreste. Le foreste, in gestione da parte dello Stato o delle cooperative di agricoltori, stanno fiorendo. Ma un nuovo studio dell'Università dell'Illinois mostra, a differenza delle foreste gestite dallo stato, le cooperative di agricoltori beneficiano direttamente sia della salute delle foreste che degli agricoltori.

La scoperta in sé potrebbe non essere nuova:ricerche precedenti e teorie socio-ecologiche suggeriscono che la proprietà della terra porta a una migliore gestione e a migliori risultati ambientali, ma lo studio ha confermato la conclusione in un modo nuovo, utilizzando l'apprendimento automatico.

"Questa è la prima applicazione di algoritmi di apprendimento automatico nella politica e nella governance delle risorse naturali, valutare come le politiche funzionano effettivamente sul campo, "dice Pushpendra Rana, ricercatore post-dottorato presso il Dipartimento di Risorse Naturali e Scienze Ambientali presso la U of I e autore principale dello studio pubblicato in Lettere di ricerca ambientale .

L'apprendimento automatico sfrutta la moderna potenza di calcolo per esplorare modelli in grandi set di dati, un vantaggio rispetto alle tradizionali valutazioni di impatto delle politiche. L'efficacia della politica ambientale è spesso testata empiricamente, con "trattamenti" sperimentali (aree con nuove politiche in atto) e "controlli" (business as usual). I ricercatori misurano fisicamente i risultati come la crescita degli alberi o la salute del suolo e fanno confronti tra trattamenti e controlli. Il lavoro può produrre stime accurate dell'impatto, ma richiede tempo e fornisce solo una singola istantanea nel tempo.

Utilizzando le immagini satellitari della NASA, L'algoritmo di apprendimento automatico di Rana è stato in grado di valutare simultaneamente l'efficacia delle politiche in oltre 200 regioni di gestione forestale a Kangra, copre un periodo di 14 anni. A differenza delle tradizionali valutazioni dell'impatto delle politiche, l'algoritmo è stato in grado di avere una visione lunga.

"Gli attuali approcci alla valutazione dell'impatto tendono a guardare i risultati solo una volta, alla conclusione di un progetto. Abbiamo misurato le traiettorie di crescita della vegetazione a lungo termine, permettendoci di comprendere il cambiamento sul campo dopo che sono state implementate diverse politiche, "dice Daniel Miller, Mentore della facoltà di Rana e coautore dello studio. "È importante valutare a lungo termine, soprattutto nella silvicoltura perché gli alberi impiegano molto tempo a crescere".

I ricercatori hanno valutato l'efficacia di due politiche di rivegetazione forestale, implementato a Kangra a partire dal 2002. Le parcelle forestali sono state piantate e gestite da cooperative di agricoltori, in cui gli agricoltori avevano diritti a lungo termine sulla proprietà e potevano decidere dove piantare alberi, o dallo Stato, con meno input da parte degli agricoltori.

Quando l'algoritmo di apprendimento automatico ha valutato l'intera regione nel suo insieme, non è riuscito a identificare le differenze tra le due politiche in termini di crescita della vegetazione. Rana afferma che i metodi di valutazione tradizionali avrebbero potuto guardare a quel risultato e concludere che le politiche erano intercambiabili o non avevano successo.

"Gli approcci tradizionali di solito considerano solo l'effetto medio del trattamento, e non possono spiegare alcuna variazione intorno alla media, " dice. "Apprendimento automatico, insieme alla teoria dei sistemi socio-ecologici, ci dà la possibilità di decomprimere il contesto:in quali contesti questa politica funziona bene o meno?"

Rana sa qualcosa del contesto. Avendo servito più di 10 anni con l'Indian Forest Service, spiega che quando lo stato aveva il controllo, hanno recintato gli alberi appena piantati e hanno limitato l'accesso al bestiame. Quando l'algoritmo si è perfezionato sui pacchi gestiti dallo stato, ha scoperto che la strategia ha funzionato, ma la crescita degli alberi era strettamente una funzione di fattori ambientali in quei casi, cose come la temperatura e le precipitazioni.

Al contrario, l'algoritmo ha raccolto fattori legati alle persone per spiegare il successo delle foreste gestite da cooperative, ad esempio, il numero di persone nella zona e la quantità di pascolo a cui avevano accesso.

"Istituzioni locali più forti e un mandato sicuro sotto la gestione cooperativa spiegano la differenza di risultati tra le due politiche, " Rana dice. "Nel caso della gestione forestale cooperativa, abbiamo scoperto che un aumento della crescita della vegetazione è venuto con il sostegno ai mezzi di sussistenza esistenti degli agricoltori, come il pascolo. Sono comunità agricole dove le persone hanno piccoli appezzamenti di terra, 5-10 ettari, e dipendono dalle foreste per molteplici esigenze."

Dato che il nuovo metodo ha confermato i risultati precedenti ampiamente accettati e ha utilizzato dati disponibili al pubblico, i ricercatori ritengono che potrebbe essere utilizzato come strumento per la valutazione delle politiche ambientali in qualsiasi parte del mondo.

"Le foreste sono davvero importanti per lo sviluppo di una serie di benefici sociali e ambientali, compresa la mitigazione del cambiamento climatico, dare lavoro alle persone, e altro ancora, " dice Miller. "Investiamo molto in loro. Tali investimenti si traducono in politiche, ma non sempre sappiamo se queste politiche funzionano o meno. Questo studio mostra che possiamo valutare l'efficacia delle politiche sulle risorse naturali in un modo nuovo e potente".