Nuevos algoritmos de inferencia causal para resolver problemas climáticos y ambientales


Distinguir entre causa y efecto es una tarea que ha ocupado a científicos y filósofos durante milenios. Inferir causa y efecto en cuestiones de la naturaleza es crucial para la investigación en ciencias ambientales y de la tierra, ya que esta capacidad servirá para mejorar la comprensión, más allá de la simple correlación estadística, de los determinantes de los principales problemas climáticos y ambientales.

En los últimos años se han desarrollado algoritmos para mejorar las variables críticas de monitoreo de la Tierra, y la capacidad de inferir relaciones causales entre variables se ha incrementado usando solo datos. Ahora, las nuevas técnicas analíticas basadas en datos de series temporales están aportando un nuevo enfoque a este campo, como lo demuestra un artículo publicado recientemente en la revista Nature Reviews Earth & Environment.

En esta revisión, un equipo de la Universidad de Valencia, en colaboración con universidades y centros de investigación alemanes, analiza los hallazgos en esta área y discute la necesidad y la importancia de una mayor inferencia causal. “Comprender y demostrar cómo los cambios en una variable provocan cambios en otra es la clave para desarrollar algoritmos de IA más fiables y fáciles de entender”, afirma Gustau Camps, catedrático de ingeniería eléctrica de la Universitat de València, investigador del Laboratorio de Imagen. . . Tratamiento (IPL). y el autor principal del artículo. “Sin inferencia causal, la IA es limitada; Es incapaz de detectar el porqué de las cosas. Sin embargo, los métodos causales actuales ya pueden identificar si una variable es causa o efecto, todo a partir de mediciones y observaciones de series temporales”, continúa. “Esto permitirá tomar decisiones informadas sobre políticas ambientales, de planificación y de adaptación al cambio climático, que tienen un impacto directo en la sociedad, la economía y la sustentabilidad”, agrega Gherardo Varando, miembro del equipo autor del artículo.

Inferencia Causal para Series Temporales, como el título del artículo, revisa familias de métodos existentes, discute las ventajas y desventajas de cada uno y presenta ejemplos prácticos de aplicación en ciencias ambientales. También resume las posibilidades de desarrollar algoritmos de predicción causal más robustos, confiables y explicables; evalúa los códigos disponibles para cada problema específico y presenta una plataforma web donde los científicos pueden validar sus resultados causales (https://causeme.uv.es).

La integración del pensamiento causal en la ciencia basada en datos facilitará la comprensión de los procesos y el desarrollo de modelos estadísticos y de aprendizaje automático más potentes para las ciencias ambientales y de la tierra. La medicina, la economía y la agricultura, entre otros, son sectores que podrían beneficiarse de estos avances. ‘Esta es un área extremadamente útil y ya tenemos algoritmos de trabajo para abordar problemas reales’, concluyen los científicos de la Universitat de València.

Liderado por Jakob Runge de la Agencia Espacial Alemana (DLR), el artículo cuenta con la participación del Laboratorio de Procesamiento de Imágenes (IPL) de la Universitat de València, la Technische Universität Berlin y la Universidad de Bremen (Alemania).



Source link