Nous algoritmes d’inferència causal per resoldre problemes climàtics i mediambientals
Investigadors de la Universitat de València presenten avanços recents en la inferència causal i en les oportunitats que aquest procés de deducció ofereix a la recerca en ciències de la Terra i el medi ambient
Els algoritmes nous integren el raonament causal mitjançant tècniques d’aprenentatge automàtic (machine learning). L’objectiu és millorar la comprensió a partir de sèries temporals observacionals dels processos de la natura que condueixen a problemes clim
El panorama actual acaba de publicar-se en la revista Nature Reviews Earth & Environment
Distingir entre causa i efecte és una tasca que ha ocupat científics i filòsofs durant mil·lennis. Inferir què és causa i què és efecte en qüestions que afecten la natura és crucial per a la investigació en ciències de la Terra i el medi ambient, ja que aquesta facultat servirà per millorar la comprensió, més enllà de la simple correlació estadística, dels factors determinants en els principals problemes climàtics i mediambientals.
Al llarg dels últims anys s’han desenvolupat algoritmes que milloren les variables crítiques per al monitoratge de la Terra i s’ha augmentat la capacitat de deducció de relacions causals entre variables mitjançant l’ús únicament de dades. Ara, noves tècniques d’anàlisi a partir de dades de sèries temporals aporten a aquest camp un enfocament nou, tal com es reflecteix en un article publicat recentment en la revista Nature Reviews Earth & Environment.
En aquesta review, un equip de la Universitat de València, en col·laboració amb universitats i centres de recerca d’Alemanya, analitza els resultats en aquest camp i aborda la necessitat i la importància d’aprofundir en la inferència causal. “Entendre i demostrar com els canvis en una variable causen canvis en una altra és fonamental per desenvolupar algoritmes d’intel·ligència artificial més fiables i comprensibles”, assenyala Gustau Camps, catedràtic d’Enginyeria Electrònica de la Universitat de València, investigador de l’Image Processing Laboratory (IPL) i autor principal de l’article. “Sense la inferència causal, la intel·ligència artificial està limitada; no és capaç de detectar el perquè de les coses. Tot i això, els mètodes causals actuals ja poden identificar si una variable és causa o efecte, i tot això a partir de mesures i d’observacions de sèries temporals”, prossegueix. “Això permetrà prendre decisions informades sobre polítiques mediambientals, planificació urbana i adaptació al canvi climàtic, cosa que impacta directament aen la societat, l’economia i la sostenibilitat”, afegeix Gherardo Varando, membre de l’equip de recerca a l’IPL i coautor de l’article.
Causal inference for time series, com es titula l’article, revisa les famílies de mètodes existents, planteja avantatges i inconvenients de cadascuna i exposa exemples pràctics d’aplicació en ciències ambientals. Resumeix, a més, les possibilitats de desenvolupar algoritmes de predicció causals, més robustos, més fiables i més explicables; avalua els codis disponibles per a cada problema concret, i presenta una plataforma web on els científics poden validar els resultats causals (https://causeme.uv.es).
La integració del pensament causal en la ciència basada en dades facilitarà la comprensió dels processos i el desenvolupament de models d’aprenentatge automàtic i estadístics més sòlids per a les ciències de la Terra i el medi ambient. La medicina, l’economia i l’agricultura, entre d’altres, són sectors que es podrien beneficiar d’aquests avanços. “Es tracta d’un camp extremadament útil i ja comptem amb algoritmes operacionals per atacar problemes reals”, conclouen els científics de la Universitat de València.
Encapçalat per Jakob Runge de l’Agència Espacial Alemanya (DLR), l’article compta amb la participació de l’Image Processing Laboratory (IPL) de la Universitat de València, la Technische Universität Berlin i la University of Bremen (Alemanya).
