Opis projektu
Nowe metody przyczynowe do analizy danych klimatycznych i oceny modeli klimatu
Jakie współzależności występują pomiędzy El Niño/Oscylacją Południową oraz Oscylacją Północnoatlantycką? Odpowiedź na to pytanie może poszerzyć naszą wiedzę na temat klimatu w regionach oraz umożliwić opartą na procesach ocenę modeli klimatycznych na potrzeby przyszłych prognoz klimatycznych. Zespół finansowanego ze środków Unii Europejskiej projektu CausalEarth zamierza opracować nowatorskie metody statystycznego wnioskowania przyczynowego na potrzeby danych z obserwacji i danych modelowych. W ten sposób badacze zamierzają rozwiązać problemy związane z dotychczasowymi analizami obserwacyjnymi, które opierały się głównie na korelacji skalarnych (jednowymiarowych) szeregów czasowych, opartych na średnich regionalnych, ograniczonych do domniemanych reżimów przyczynowych. Dzięki połączeniu postępów w dziedzinie uczenia maszynowego i algorytmów wnioskowania przyczynowego, zespół projektu CausalEarth opracuje innowacyjne metody pozwalające na określanie związków przyczynowych pomiędzy złożonymi zjawiskami czasowo-przestrzennymi.
Cel
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.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
- nauki przyrodniczenauki o Ziemi i pokrewne nauki o środowiskunauki o atmosferzeklimatologiazmiany klimatu
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
ERC-STG - Starting GrantInstytucja przyjmująca
14469 Potsdam
Niemcy