На южной оконечности Гималаев фермеры в районе Кангра индийского штата Химачал-Прадеш пасут скот среди холмов и лесов. Леса, находящиеся в ведении государства или фермерских кооперативов, процветают. Но новое исследование Университета Иллинойса показывает, что, в отличие от государственных лесов, фермерские кооперативы напрямую приносят пользу как здоровью леса, так и фермерам.
Вывод сам по себе может быть не новым - предыдущие исследования и социально-экологическая теория предполагают, что владение землей ведет к более эффективному управлению и улучшению экологических результатов, - но исследование подтвердило вывод по-новому, используя машинное обучение.
«Это первое применение алгоритмов машинного обучения в политике и управлении природными ресурсами, оценивающее, как политики на самом деле работают на местах», - говорит Пушпендра Рана, научный сотрудник с докторской степенью в Департаменте природных ресурсов и наук об окружающей среде U. of I и ведущий автор исследования, опубликованного в журнале Environmental Research Letters.
Машинное обучение использует современные вычислительные мощности для изучения закономерностей в больших наборах данных, что является преимуществом по сравнению с традиционными оценками воздействия на политику. Эффективность экологической политики часто проверяется эмпирически с помощью экспериментальных «лечений» (областей, в которых действует новая политика) и «контролей» (обычное ведение дел). Исследователи физически измеряют результаты, такие как рост деревьев или здоровье почвы, и сравнивают лечение и контроль. Работа может дать точную оценку воздействия, но требует много времени и дает только один моментальный снимок во времени.
Используя спутниковые снимки НАСА, алгоритм машинного обучения Rana смог одновременно оценить эффективность политики в более чем 200 регионах управления лесами в Кангре за 14-летний период. В отличие от традиционных оценок воздействия на политику, этот алгоритм мог заглянуть вдаль.
Существующие подходы к оценке воздействия, как правило, рассматривают результаты только один раз - по завершении проекта. Мы измерили долгосрочные траектории роста растительности, что позволило нам понять изменения на местах после реализации различных политик, - говорит Дэниел Миллер, преподаватель Раны и соавтор исследования. «Важно оценивать в долгосрочной перспективе, особенно в лесном хозяйстве, потому что деревья растут долго».
Исследователи оценили эффективность двух политик лесовосстановления, реализованных в Кангре, начиная с 2002 года. Лесные участки либо засаживались, либо управлялись фермерскими кооперативами, в которых фермеры имели долгосрочные права на собственность и могли решать, где сажать деревья или государством с меньшим участием фермеров.
Когда алгоритм машинного обучения оценил весь регион в целом, он не смог выявить различия между двумя политиками с точки зрения роста растительности. Рана говорит, что традиционные методы оценки, возможно, рассмотрели этот результат и пришли к выводу, что политики взаимозаменяемы или неэффективны.
«Традиционные подходы обычно рассматривают только средний эффект лечения, и они не могут объяснить никаких отклонений от среднего значения», - говорит он. «Машинное обучение, наряду с теорией социально-экологических систем, дает нам возможность раскрыть контекст - в каких контекстах эта политика работает хорошо или нет?»
Рана что-то знает о контексте. Проработав более 10 лет в Индийской лесной службе, он объясняет, что, когда государство находилось под контролем, они окружали недавно посаженные деревья забором и ограничивали доступ скота. Когда алгоритм отточил работу на государственных участках, он обнаружил, что стратегия работает, но в этих случаях рост деревьев строго зависел от факторов окружающей среды, таких как температура и осадки..
Наоборот, алгоритм улавливал факторы, связанные с людьми, для объяснения успеха лесов, управляемых кооперативами, например, количество людей в этом районе и доступ к пастбищам, к которым они имели доступ.
«Более сильные местные институты и гарантированное право владения под совместным управлением объясняют разницу в результатах между двумя политиками», - говорит Рана. «В случае совместного лесопользования мы обнаружили, что увеличение роста растительности происходило за счет поддержки существующих средств к существованию фермеров, таких как выпас скота. Это аграрные сообщества, где люди имеют небольшие участки земли, 5-10 га, и они зависят от леса для различных нужд."
Учитывая, что новый метод подтвердил широко признанные предыдущие выводы и использовал общедоступные данные, исследователи полагают, что его можно использовать в качестве инструмента для оценки экологической политики в любой точке мира.
«Леса действительно важны для развития целого ряда социальных и экологических преимуществ, включая смягчение последствий изменения климата, создание рабочих мест и многое другое», - говорит Миллер. «Мы много инвестируем в них. Эти инвестиции превращаются в политику, но мы не всегда знаем, работает ли эта политика или нет. Это исследование показывает, что мы можем оценивать эффективность политики в области природных ресурсов новым и мощным способом».