Projektbeschreibung
Fortgeschrittene Regressionsmethoden enthüllen die Ursachen des Klimawandels in Erdbeobachtungsdaten
Mathematische Modelle und zunehmende Rechenleistung haben wesentlich zum Verständnis komplexer dynamischer Systeme beigetragen, die enorm große Datensätze umfassen, hinter denen sich zahlreiche Zusammenhänge verbergen. Die Daten von Erdbeobachtungssatelliten geben Aufschluss über unser sich veränderndes Klima. Diese Veränderungen vollziehen sich immer schneller und sind schwer zu verstehen und vorherzusagen. Neue Satellitenmissionen werden uns noch komplexere, heterogenere, aus mehreren Quellen stammende und strukturierte Daten liefern, die verbesserte statistische Schlussfolgerungsmethoden erfordern, um vollständig genutzt werden zu können. Im Rahmen des vom Europäischen Forschungsrat finanzierten Projekts SEDAL wurden fortgeschrittene Regressionsmethoden entwickelt, um die Effizienz, die Vorhersagegenauigkeit und die Unsicherheiten zu verbessern, physikalische Parameter zu kodieren und verborgene wesentliche Faktoren und Störfaktoren zu entdecken.
Ziel
SEDAL is an interdisciplinary project that aims to develop novel statistical learning methods to analyze Earth Observation (EO) satellite data. In the last decade, machine learning models have helped to monitor land, oceans, and atmosphere through the analysis and estimation of climate and biophysical parameters. Current approaches, however, cannot deal efficiently with the particular characteristics of remote sensing data. In the coming few years, this problem will largely increase: several satellite missions, such as the operational EU Copernicus Sentinels, will be launched, and we will face the urgent need to process and understand huge amounts of complex, heterogeneous, multisource, and structured data to monitor the rapid changes already occurring in our Planet.
SEDAL aims to develop the next generation of statistical inference methods for EO data analysis. We will develop advanced regression methods to improve efficiency, prediction accuracy and uncertainties, encode physical knowledge about the problem, and attain self-explanatory models learned from empirical data. Even more importantly, we will learn graphical causal models to explain the potentially complex interactions between key observed variables, and discover hidden essential drivers and confounding factors. This project will thus aboard the fundamental problem of moving from correlation to dependence and then to causation through EO data analysis. The theoretical developments will be guided by the challenging problems of estimating biophysical parameters and learning causal relations at both local and global planetary scales.
The long-term vision of SEDAL is tied to open new frontiers and foster research towards algorithms capable of discovering knowledge from EO data, a stepping stone before the more ambitious far-end goal of machine reasoning of anthropogenic climate change.
Wissenschaftliches Gebiet
- natural sciencescomputer and information sciencesdata sciencebig data
- natural sciencesmathematicsapplied mathematicsstatistics and probability
- natural sciencesearth and related environmental sciencesatmospheric sciencesclimatologyclimatic changes
- natural sciencescomputer and information sciencesdata sciencedata processing
- natural sciencescomputer and information sciencessoftwaresoftware applicationssimulation software
Programm/Programme
Thema/Themen
Finanzierungsplan
ERC-COG - Consolidator GrantGastgebende Einrichtung
46010 Valencia
Spanien