Descrizione del progetto
Metodi di regressione avanzati rivelano i fattori dei cambiamenti climatici nei dati di osservazione della Terra
I modelli matematici e la crescente potenza di calcolo sono stati essenziali per comprendere sistemi dinamici complessi, che coinvolgono insiemi di dati di dimensioni enormi che a loro volta nascondono molte interrelazioni. Grazie a insiemi di dati satellitari di osservazione della Terra abbiamo informazioni sui cambiamenti climatici, che sono sempre più rapidi e difficili da comprendere e prevedere. Le nuove missioni satellitari ci apporteranno dati ancora più complessi, eterogenei, provenienti da più fonti e strutturati che richiederanno metodi di inferenza statistica migliorati per essere sfruttati appieno. Il progetto SEDAL, finanziato dal Consiglio europeo della ricerca, ha elaborato metodi di regressione avanzati per migliorare l’efficienza, l’accuratezza della previsione e le incertezze, codificare i parametri fisici e consentirci di scoprire i fattori essenziali nascosti e i fattori confondenti.
Obiettivo
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.
Campo scientifico
- 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
Programma(i)
Argomento(i)
Meccanismo di finanziamento
ERC-COG - Consolidator GrantIstituzione ospitante
46010 Valencia
Spagna