No extremo sul do Himalaia, fazendeiros da região de Kangra, em Himachal Pradesh, na Índia, pastam gado entre colinas e florestas. As florestas, sob gestão do estado ou de cooperativas de agricultores, estão prosperando. Mas um novo estudo da Universidade de Illinois mostra, ao contrário das florestas administradas pelo estado, as cooperativas de agricultores beneficiam diretamente a saúde da floresta e os agricultores.

A descoberta em si pode não ser nova - pesquisas anteriores e a teoria socioecológica sugerem que a propriedade da terra leva a uma gestão aprimorada e melhores resultados ambientais - mas o estudo confirmou a conclusão de uma nova maneira, usando aprendizado de máquina.

"Esta é a primeira aplicação de algoritmos de aprendizado de máquina em políticas e governança de recursos naturais, avaliando como as políticas realmente funcionam no terreno, "diz Pushpendra Rana, Pesquisador associado de pós-doutorado no Departamento de Recursos Naturais e Ciências Ambientais da U of I e autor principal do estudo publicado em Cartas de Pesquisa Ambiental .

O aprendizado de máquina aproveita o poder da computação moderna para explorar padrões em grandes conjuntos de dados, uma vantagem sobre as avaliações de impacto de políticas tradicionais. A eficácia da política ambiental é muitas vezes testada empiricamente, com "tratamentos" experimentais (áreas com novas políticas em vigor) e "controles" (business as usual). Os pesquisadores medem fisicamente resultados como o crescimento das árvores ou a saúde do solo e fazem comparações entre tratamentos e controles. O trabalho pode produzir estimativas precisas de impacto, mas é demorado e fornece apenas um único instantâneo no tempo.

Usando imagens de satélite da NASA, O algoritmo de aprendizado de máquina de Rana foi capaz de avaliar simultaneamente a eficácia da política em mais de 200 regiões de manejo florestal em Kangra, cobrindo um período de 14 anos. Ao contrário das avaliações de impacto de políticas tradicionais, o algoritmo foi capaz de ter uma visão de longo prazo.

"As abordagens atuais de avaliação de impacto tendem a olhar para os resultados apenas uma vez - na conclusão de um projeto. Medimos as trajetórias de crescimento da vegetação de longo prazo, permitindo-nos compreender as mudanças locais após a implementação de diferentes políticas, "diz Daniel Miller, O mentor do corpo docente de Rana e co-autor do estudo. "É importante avaliar a longo prazo, especialmente na silvicultura, porque as árvores demoram muito para crescer. "

Os pesquisadores avaliaram a eficácia de duas políticas de revegetação florestal, implementado em Kangra a partir de 2002. As parcelas florestais foram plantadas e administradas por cooperativas de agricultores, em que os agricultores tinham direitos de longo prazo sobre a propriedade e podiam decidir onde plantar árvores, ou pelo estado, com menos contribuição dos agricultores.

Quando o algoritmo de aprendizado de máquina avaliou toda a região como um todo, não conseguiu identificar diferenças entre as duas políticas em termos de crescimento da vegetação. Rana diz que os métodos tradicionais de avaliação podem ter olhado para esse resultado e concluído que as políticas eram intercambiáveis ​​ou malsucedidas.

"As abordagens tradicionais geralmente olham apenas para o efeito médio do tratamento, e eles não podem explicar qualquer variação em torno da média, "ele diz." Aprendizado de máquina, junto com a teoria dos sistemas sócio-ecológicos, nos dá a capacidade de desvendar o contexto - em quais contextos essa política funciona bem ou não? "

Rana sabe algo sobre o contexto. Tendo trabalhado por mais de 10 anos no Serviço Florestal Indiano, ele explica que quando o estado estava no controle, eles cercaram árvores recém-plantadas com cercas e restringiram o acesso ao gado. Quando o algoritmo se concentrou em parcelas administradas pelo estado, descobriu que a estratégia funcionou, mas o crescimento das árvores era estritamente uma função de fatores ambientais nesses casos - coisas como temperatura e precipitação.

Por outro lado, o algoritmo detectou fatores relacionados a pessoas ao explicar o sucesso das florestas manejadas por cooperativas, por exemplo, o número de pessoas na área e a quantidade de pastagens a que tinham acesso.

"Instituições locais mais fortes e posse segura sob gestão cooperativa explicam a diferença nos resultados entre as duas políticas, "Diz Rana." No caso do manejo florestal cooperativo, descobrimos que um aumento no crescimento da vegetação veio com o apoio aos meios de subsistência existentes dos agricultores, como pastar. Estas são comunidades agrárias onde as pessoas têm pequenos pedaços de terra, 5-10 hectares, e eles dependem das florestas para necessidades múltiplas. "

Dado que o novo método confirmou descobertas anteriores amplamente aceitas e utilizou dados disponíveis publicamente, os pesquisadores acreditam que pode ser implantado como uma ferramenta para avaliação de políticas ambientais em qualquer lugar do mundo.

“As florestas são muito importantes para o desenvolvimento de uma série de benefícios sociais e ambientais, incluindo mitigação da mudança climática, dando empregos às pessoas, e mais, "Diz Miller." Nós investimos muito neles. Esses investimentos são traduzidos em políticas, mas nem sempre sabemos se essas políticas funcionam ou não. Este estudo mostra que podemos avaliar a eficácia das políticas de recursos naturais de uma forma nova e poderosa. "