Descripción del proyecto
Nuevos métodos causales para el análisis de datos climáticos y la evaluación de modelos climáticos
¿Cuál es la relación entre El Niño-Oscilación del Sur y la Oscilación del Atlántico Norte? La respuesta a esta pregunta puede mejorar la comprensión del clima regional y facilitar la evaluación de modelos climáticos basados en procesos para proyecciones climáticas futuras. En el proyecto CausalEarth, financiado con fondos europeos, se desarrollarán nuevos métodos de inferencia causal estadística tanto para observaciones como para datos de modelos. Se abordarán las limitaciones de los análisis observacionales actuales, que se basan sobre todo en la correlación de series temporales escalares (unidimensionales) derivadas de promedios regionales y se limitan a supuestos de regímenes causales. Al combinar avances en el aprendizaje automático con algoritmos de inferencia causal, CausalEarth desarrollará métodos innovadores para determinar las relaciones causales entre fenómenos espaciotemporales complejos.
Objetivo
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.
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ciencias naturalesciencias de la tierra y ciencias ambientales conexasciencias de la atmósferaclimatologíacambios climáticos
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
Régimen de financiación
ERC-STG - Starting GrantInstitución de acogida
14469 Potsdam
Alemania