Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Advanced spatio-temporal causal inference for climate research

Projektbeschreibung

Neuartige kausale Verfahren zur Analyse von Klimadaten und Auswertung von Klimamodellen

Wie wirken El Niño und die Southern Oscillation sowie die Nordatlantische Oszillation sich aufeinander aus? Die Antwort auf diese Frage könnte unser Verständnis regionaler klimatischer Gegebenheiten vertiefen und eine prozessbasierte Auswertung von Klimamodellen für Prognosen über das zukünftige Klima erleichtern. Das EU-finanzierte Projekt CausalEarth wird neuartige statistische kausale Inferenzmethoden sowohl für Beobachtungen als auch für Modelldaten entwickeln. Es wird die Einschränkungen heutiger Beobachtungsanalysen angehen, die vor allem auf der Korrelation skalarer (eindimensionaler) Zeitreihen beruhen, welche aus regionalen Mittelwerten gewonnen werden und auf Vermutungen über Kausalzusammenhänge beschränkt sind. Durch die Kombination von Fortschritten des maschinellen Lernens mit kausalen Inferenzalgorithmen wird CausalEarth innovative Methoden entwickeln, um kausale Beziehungen zwischen komplexen räumlich-zeitlichen Phänomenen herzustellen.

Ziel

CausalEarth is an interdisciplinary project, aiming to improve our understanding of the interdependencies between major drivers (modes) of climate variability by developing novel statistical causal inference methods for both observations and model data.

Disentangling the interdependencies of the major modes, such as El Nino Southern Oscillation and the North Atlantic Oscillation, is key to understand regional climate, and essential for process-based climate model evaluation. The modes' interdependencies are characterized by common drivers, indirect effects, nonlinearities, regime-dependence, and heterogeneous spatio-temporal causal relations. Currently, observational analyses are mostly based on the correlation of scalar (one-dimensional) time series derived from regional averaging or principal component analysis, restricted to supposed causal regimes, e.g. the winter season or phases of multi-decadal climate indices, where dependencies are expected to be stationary. Such scalar correlation approaches fall short in capturing the modes' complex regime-dependent spatio-temporal causal interdependencies.

CausalEarth will develop innovative methods to move (1) from representing complex phenomena as scalar indices to learning spatio-temporal features, (2) from supposing causal regimes to learning them from data, and (3) from correlation to causal dependencies. To this end, CausalEarth will combine recent developments in machine learning with causal inference algorithms.
These methods will be used to infer the causal interdependencies and drivers of major climate modes from observations and to construct the next generation of causal metrics for climate model evaluation.

CausalEarth will push the limits of what can be learned from observational data about causal relations and drive model development towards breakthroughs in projecting our future climate.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

ERC-STG - Starting Grant

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) ERC-2020-STG

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Gastgebende Einrichtung

UNIVERSITAET POTSDAM
Netto-EU-Beitrag
€ 147 241,30
Adresse
AM NEUEN PALAIS 10
14469 Potsdam
Deutschland
Region
Brandenburg Brandenburg Potsdam
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
€ 147 241,30

Begünstigte (4)