En el extremo sur del Himalaya, los agricultores de la región de Kangra, en el Himachal Pradesh de India, pastan ganado entre colinas y bosques. Los bosques, bajo la administración del estado o las 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 mismo puede no ser nuevo; la investigación previa y la teoría socioecológica sugieren que la propiedad de la tierra conduce a una mejor administración y mejores resultados ambientales, pero el estudio confirmó la conclusión de una nueva manera, utilizando el aprendizaje automático.
"Esta es la primera aplicación de algoritmos de aprendizaje automático en la política y la gobernanza de los recursos naturales, evaluando cómo funcionan realmente las políticas en el terreno", dice Pushpendra Rana, investigadora asociada postdoctoral en el Departamento de Recursos Naturales y Ciencias Ambientales de la U de I yautor principal del estudio publicado en Cartas de investigación ambiental .
El aprendizaje automático aprovecha el poder informático moderno 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 establecidas y "controles"lo de siempre. Los investigadores miden físicamente los resultados, como el crecimiento de los árboles o la salud del suelo, y hacen comparaciones entre tratamientos y controles. El trabajo puede generar estimaciones precisas del impacto, pero lleva mucho tiempo y proporciona una sola instantánea en el tiempo.
Utilizando imágenes satelitales 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 ver los resultados solo una vez, al final de un proyecto. Medimos las trayectorias de crecimiento de la vegetación a largo plazo, lo que nos permite comprender el cambio en el terreno después de la implementación de diferentes políticas", diceDaniel Miller, mentor de la facultad de Rana y coautor 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, implementadas en Kangra a partir de 2002. Las parcelas forestales fueron plantadas y gestionadas por cooperativas de agricultores, en las cuales 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 concluyeron que las políticas eran intercambiables o no tuvieron éxito.
"Los enfoques tradicionales generalmente solo ven el efecto del tratamiento promedio, y no pueden explicar ninguna variación alrededor del promedio", dice. "El aprendizaje automático, junto con la teoría de los sistemas socio-ecológicos, nos da la capacidad de desempaquetar elcontexto: ¿en qué contextos esta política funciona bien o no tan bien? "
Rana sabe algo sobre el contexto. Después de haber servido más de 10 años con el Servicio Forestal Indio, explica que cuando el estado tenía el control, encerraban árboles recién plantados con cercas y restringían el acceso al ganado. Cuando el algoritmo se perfeccionóParcelas administradas por el estado, encontró que la estrategia funcionó, pero el crecimiento de los árboles era estrictamente una función de los factores ambientales en esos casos, como la temperatura y la precipitación.
Por el contrario, el algoritmo detectó factores relacionados con las personas para explicar el éxito de los bosques manejados por las cooperativas, por ejemplo, la cantidad de personas en el área y la cantidad de tierras de pastoreo a las que tenían acceso.
"Las instituciones locales más fuertes y la tenencia segura bajo el manejo cooperativo explican la diferencia en los resultados entre las dos políticas", dice Rana. "En el caso del manejo forestal cooperativo, encontramos que un aumento en el crecimiento de la vegetación vino con el apoyo a los productores existentesmedios de subsistencia, como el pastoreo. Estas son comunidades agrarias en las que las personas tienen pequeños terrenos, de 5 a 10 hectáreas, y dependen de los bosques para múltiples necesidades ".
Dado que el nuevo método confirmó hallazgos previos 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 las personas y más", dice Miller. "Invertimos mucho en ellos. Esas inversiones se traducen en políticas, pero nosotrosno siempre sé 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 ".
Fuente de la historia :
Materiales proporcionado por Facultad de Ciencias Agrícolas, del Consumidor y del Medio Ambiente de la Universidad de Illinois . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :