A la pointe sud de l'Himalaya, des agriculteurs de la région de Kangra, dans l'Himachal Pradesh, en Inde, font paître leur bétail parmi les collines et les forêts. Les forets, sous gestion de l'Etat ou des coopératives agricoles, prospèrent. Mais une nouvelle étude de l'Université de l'Illinois montre, contrairement aux forêts gérées par l'État, les coopératives d'agriculteurs profitent directement à la santé des forêts et aux agriculteurs.

La découverte elle-même n'est peut-être pas nouvelle - des recherches antérieures et la théorie socio-écologique suggèrent que la propriété foncière conduit à une meilleure gestion et à de meilleurs résultats environnementaux - mais l'étude a confirmé la conclusion d'une nouvelle manière, en utilisant l'apprentissage automatique.

"Il s'agit de la première application d'algorithmes d'apprentissage automatique dans la politique et la gouvernance des ressources naturelles, évaluer comment les politiques fonctionnent réellement sur le terrain, " dit Pushpendra Rana, associé de recherche postdoctoral au Département des ressources naturelles et des sciences de l'environnement de l'U of I et auteur principal de l'étude publiée dans Lettres de recherche environnementale .

L'apprentissage automatique exploite la puissance de calcul moderne pour explorer des modèles dans de grands ensembles de données, un avantage par rapport aux évaluations d'impact politiques traditionnelles. L'efficacité de la politique environnementale est souvent testée empiriquement, avec des « traitements » expérimentaux (zones avec de nouvelles politiques en place) et des « contrôles » (business as usual). Les chercheurs mesurent physiquement les résultats comme la croissance des arbres ou la santé du sol et font des comparaisons entre les traitements et les témoins. Le travail peut produire des estimations précises de l'impact, mais prend du temps et ne fournit qu'un seul instantané dans le temps.

À l'aide d'images satellites de la NASA, L'algorithme d'apprentissage automatique de Rana a pu évaluer simultanément l'efficacité des politiques dans plus de 200 régions de gestion forestière à Kangra, couvrant une période de 14 ans. Contrairement aux évaluations traditionnelles de l'impact des politiques, l'algorithme a été capable d'avoir une vision à long terme.

« Les approches d'évaluation d'impact actuelles ont tendance à examiner les résultats une seule fois, à la fin d'un projet. Nous avons mesuré les trajectoires de croissance de la végétation à long terme, nous permettant de comprendre les changements sur le terrain après la mise en œuvre de différentes politiques, " dit Daniel Miller, Le mentor de la faculté de Rana et co-auteur de l'étude. « Il est important d'évaluer sur le long terme, surtout en foresterie parce que les arbres mettent beaucoup de temps à pousser. »

Les chercheurs ont évalué l'efficacité de deux politiques de revégétalisation forestière, mis en œuvre à Kangra à partir de 2002. Les parcelles forestières ont été soit plantées et gérées par des coopératives d'agriculteurs, dans lequel les agriculteurs avaient des droits à long terme sur la propriété et pouvaient décider où planter des arbres, ou par l'Etat, avec moins de contribution des agriculteurs.

Lorsque l'algorithme d'apprentissage automatique a évalué l'ensemble de la région dans son ensemble, il n'a pas réussi à identifier les différences entre les deux politiques en termes de croissance de la végétation. Rana dit que les méthodes d'évaluation traditionnelles auraient pu examiner ce résultat et conclure que les politiques étaient interchangeables ou infructueuses.

« Les approches traditionnelles ne prennent généralement en compte que l'effet moyen du traitement, et ils ne peuvent expliquer aucune variation autour de la moyenne, " dit-il. " L'apprentissage automatique, avec la théorie des systèmes socio-écologiques, nous donne la possibilité de décompresser le contexte - dans quels contextes cette politique fonctionne-t-elle bien ou pas aussi bien ?"

Rana sait quelque chose sur le contexte. Ayant servi plus de 10 ans avec le Service forestier indien, il explique que lorsque l'État contrôlait, ils ont entouré les arbres nouvellement plantés d'une clôture et restreint l'accès au bétail. Lorsque l'algorithme s'est concentré sur les parcelles gérées par l'État, il a constaté que la stratégie fonctionnait, mais la croissance des arbres était strictement fonction de facteurs environnementaux dans ces cas, comme la température et les précipitations.

Inversement, l'algorithme a retenu des facteurs liés aux personnes pour expliquer le succès des forêts gérées par des coopératives, par exemple, le nombre de personnes dans la région et la quantité de pâturages auxquels elles avaient accès.

« Des institutions locales plus fortes et une tenure sécurisée sous gestion coopérative expliquent la différence de résultats entre les deux politiques, " dit Rana. " Dans le cas de la gestion coopérative des forêts, nous avons constaté qu'une augmentation de la croissance de la végétation s'accompagnait d'un soutien aux moyens de subsistance existants des agriculteurs, comme le pâturage. Ce sont des communautés agraires où les gens ont de petites parcelles de terre, 5-10 hectares, et ils dépendent des forêts pour de multiples besoins."

Étant donné que la nouvelle méthode a confirmé des résultats antérieurs largement acceptés et utilisé des données accessibles au public, les chercheurs pensent qu'il pourrait être utilisé comme outil d'évaluation des politiques environnementales partout dans le monde.

"Les forêts sont vraiment importantes pour développer une gamme d'avantages sociaux et environnementaux, y compris l'atténuation du changement climatique, donner du travail aux gens, et plus, " dit Miller. "Nous investissons beaucoup en eux. Ces investissements se traduisent par des politiques, mais nous ne savons pas toujours si ces politiques fonctionnent ou non. Cette étude montre que nous pouvons évaluer l'efficacité des politiques relatives aux ressources naturelles d'une manière nouvelle et puissante."