Description du projet
Nouvelles méthodes causales pour l’analyse des données climatiques et l’évaluation des modèles climatiques
Quelles sont les interdépendances entre les phénomènes dits d’El Niño / de l’oscillation australe et de l’oscillation nord-atlantique? Répondre à cette question pourrait améliorer notre compréhension du climat régional et faciliter une évaluation des modèles climatiques fondés sur les processus pour les prévisions climatiques futures. Le projet CausalEarth, financé par l’UE, élaborera de nouvelles méthodes d’inférence causale statistique pour les observations et les données des modèles. Il surmontera les limites des analyses observationnelles actuelles, fondées principalement sur la corrélation de séries temporelles scalaires (unidimensionnelles) issus des moyennes régionales et limitées à des régimes de causalité supposés. En combinant les avancées réalisées dans le domaine de l’apprentissage automatique avec des algorithmes d’inférence causale, CausalEarth élaborera des méthodes innovantes permettant de déterminer les relations causales entre des phénomènes spatio-temporels complexes.
Objectif
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.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
- sciences naturellessciences de la Terre et sciences connexes de l'environnementsciences de l'atmosphèreclimatologiechangement climatique
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Mots‑clés
Programme(s)
Thème(s)
Régime de financement
ERC-STG - Starting GrantInstitution d’accueil
14469 Potsdam
Allemagne