这是联合国十年生态系统恢复(2021 - 2030),和压力。在拉丁美洲和加勒比地区,例如,18个国家加入倡议20 x20开始,目标是保护和恢复到2030年5000万公顷。在非洲,32个国家已承诺开始再生1.28亿公顷AFR100。

实现这些雄心勃勃的国家承诺将需要政府,从国家到地方,工艺公共政策,帮助当地社区重振他们的土地。这些政策激励工具——从对农民的直接补贴和减税技术支持——是最有效的工具之一回到农田带来繁荣(和停止扩张的农场到森林和湿地等自然生态系统)。

但是许多政策制定者,很难理解的广度农业、环境和国家和地区政府通过财政激励措施,鼓励恢复。从档案检索有用的信息是一个时间和劳动密集型的任务,需要分析师阅读成千上万的政策文件,是充满了密集信息和格式化以多种方式。在这艰苦的手动过程,分析师可能会错过至少一个关键点。

机器学习进行政策分析

加快政策分析(和恢复进展),WRI和数据的科学家Omdena和解决好进行了一次研究使用了一种叫做自然语言处理(NLP)。人工智能的一个分支,NLP将非结构化的文本文档转换为数学矩阵,使用机器学习及其表弟深度学习过滤和分类信息。在这种情况下,它可以帮助决策者找到文档是对他们的工作有用。

我们的“自动助理”综合政策激励信息从智利、萨尔瓦多、危地马拉、印度、秘鲁和美国应对四个主要任务:

  1. 收集所有森林恢复策略文档使用web-scraping从各国立法的网站。
  2. 分离恢复策略文档包含信息从那些没有激励信息的动机。
  3. 将政策文件为六个子类(罚款、技术支持、物资、直接支付,信用,和减税)。
  4. 识别哪些地区发布了哪些政策和在什么时间。

依靠政策专家的知识,流利的英语和西班牙语,团队训练数据,它将激励分为六类上面一样准确地确定政策专家。

他们创建了一个数据库包含政策六个国家冠军,他们的全文的链接,和有效的时间。该模型还拿出所有句子提及相关信息,分类每个政策根据其类型的激励和发行机构。这种类型的分析可以大大缩短政策分析和总结过程从几个月到分钟。

程序也可以像搜索引擎一样工作:当政策制定者希望,例如,有多少恢复政策智利在2019年发行,直接支付土地持有者奖励他们的恢复工作,他们可以进入这些标准,他们将获得一个近乎即时的结果。

立即使用的分析是加入项目的决策者恢复政策加速器,WRI及其合作伙伴已经利用这种技术来研究政策智利和危地马拉。通过鼓励更多的政策制定者训练数据集(使他们更准确),我们可以进一步改善这些技术。类似的方法可以很容易地应用于广泛的环境政策分析,只需更换训练数据集。在政策分析自然语言处理的时代才刚刚开始。

这个工作是通过资助必威官网是真的吗气候解决方案合作伙伴汇丰银行的一个财团,WRI和世界自然基金会(WWF)。