Comparteix:

Riccardo Silini defensa la seva tesi sobre inferència causal i mètodes de previsió per a l'anàlisi de dades climàtiques

06/07/2022

Riccardo Silini va defensar la seva tesi codirigida per Cristina Masoller i Marcelo Barreiro el 5 de juliol al Campus Terrassa. Titulada "Causal inference and forecasting methods for climate data analysis ", la tesi presenta tècniques d'anàlisi de dades per identificar aquells processos que continguin informació causal per a la predicció d'un procés d'interès, i algoritmes d'aprenentatge automàtic per millorar la predicció del fenomen climàtic denominat oscil·lació de Madden-Julian.

Per avançar en la previsió de sèries temporals hem de progressar en múltiples fronts. En aquesta tesi, es desenvolupen algorismes per identificar relacions causals que permeten identificar els processos de conducció que contenen informació útil per a la predicció del procés d'interès. Complementant això, els algorismes d'aprenentatge automàtic permeten explotar aquesta informació per construir models de previsió basats en dades i per corregir models dinàmics.

La identificació a partir de l'anàlisi de sèries temporals d'indicadors fiables de causalitat relacions, és essencial per a moltes disciplines. Els principals reptes són distingir correlació de la causalitat i discriminació entre directes i interaccions indirectes. Al llarg dels anys, molts mètodes per a dades basats s'han proposat inferències causals; tanmateix, el seu èxit depèn en gran mesura sobre les característiques del sistema investigat. Sovint, els seus requisits de dades, cost computacional o nombre de paràmetres, limitar la seva aplicabilitat.

En aquesta tesi, es proposa un càlcul eficient per a la prova de causalitat, amb l'objectiu de millorar l'aplicabilitat, superant les limitacions de les mesures teòriques de la informació, per el seu elevat cost computacional. La mètrica proposada és molt valuosa quan la causalitat a les xarxes s'ha de deduir de l'anàlisi d'un gran nombre de sèries temporals relativament curtes. També pot ser molt útil per a la selecció d'entrades d'algoritmes d'aprenentatge automàtic; de fet, permet identificar els processos que contenen informació útil per a la predicció d'un determinat procés. Aquesta característica és especialment útil per a sistemes composts de un gran nombre de processos, les interaccions dels quals, són poc enteses.

L'impacte socioeconòmic dels extrems meteorològics crida l'atenció dels investigadors pel desenvolupament de noves metodologies per fer les prediccions meteorològiques més precises. L'oscil·lació de Madden-Julian (MJO) és la Mode dominant de variabilitat en l'atmosfera tropical a les escales de temps de les estacions subestacionals, i pot promoure o millorar esdeveniments extrems en tots dos, el tròpics i extratròpics. Actualment, la predictibilitat estimada de MJO està lluny d'arribar-hi, deixant un gran marge per a la millora de models de previsió. Per millorar la seva habilitat predictiva, en aquesta tesi es prenen dos enfocaments diferents d'aprenentatge automàtic; primer fem servir l'aprenentatge automàtic com a tècnica autònoma, demostrant que dues xarxes neuronals artificials, una xarxa neuronal feed-forward i una xarxa neuronal recurrent, permeten una predicció competitiva, però sense superar l'habilitat dles models dinàmcs actuals. Després, es combina models dinàmics amb màquina aprenentatge, que permet millorar les prediccions de la millor dinàmica model. En particular, l'aprenentatge automàtic permet millorar la predicció de la intensitat dels esdeveniments i la localització geogràfic

Keywords
r_n