Investigadores de la Universitat de València (UV) presentan recientes avances en la inferencia causal y en las oportunidades que este proceso de deducción ofrece a la investigación en ciencias de la Tierra y el medio ambiente. Los nuevos algoritmos integran el razonamiento causal mediante técnicas de aprendizaje automático (machine learning). El objetivo es mejorar la comprensión, a partir de series temporales observacionales, de los procesos de la naturaleza que conducen a problemas climáticos y medioambientales. El panorama actual acaba de publicarse en la revista Nature Reviews Earth & Environment.
Distinguir entre causa y efecto es una tarea que ha ocupado a científicos y filósofos durante milenios. Inferir qué es causa y qué es efecto en cuestiones que atañen a la naturaleza es crucial para la investigación en ciencias de la Tierra y el medio ambiente, ya que esta facultad servirá para mejorar la comprensión, más allá de la simple correlación estadística, de los factores determinantes los principales problemas climáticos y medioambientales.
A lo largo de los últimos años se han desarrollado algoritmos que mejoran las variables críticas para la monitorización de la Tierra y se ha aumentado la capacidad de deducción de relaciones causales entre variables mediante el uso únicamente de datos. Ahora, nuevas técnicas de análisis a partir de datos de series temporales aportan a este campo un enfoque novedoso, tal como se refleja en un artículo publicado en la revista Nature Reviews Earth & Environment.
En esta review, un equipo de la Universitat de València, en colaboración con universidades y centros de investigación de Alemania, analiza los resultados en este campo y aborda la necesidad y la importancia de profundizar en la inferencia causal. “Entender y demostrar cómo los cambios en una variable causan cambios en otra es fundamental para desarrollar algoritmos de inteligencia artificial más confiables y comprensibles”, señala Gustau Camps, catedrático de Ingeniería Electrónica de la Universitat de València, investigador del Image Processing Laboratory (IPL) y autor principal del artículo. “Sin la inferencia causal, la inteligencia artificial está limitada; no es capaz de detectar el porqué de las cosas. Sin embargo, los métodos causales actuales ya pueden identificar si una variable es causa o efecto, y todo ello a partir de medidas y de observaciones de series temporales”, prosigue. “Esto permitirá tomar decisiones informadas sobre políticas medioambientales, planificación urbana y adaptación al cambio climático, lo que impacta directamente en la sociedad, la economía y la sostenibilidad”, añade Gherardo Varando, miembro del equipo de investigación en el IPL y coautor del artículo.
Causal inference for time series, como se titula el artículo, revisa las familias de métodos existentes, plantea ventajas e inconvenientes de cada una de ellas y expone ejemplos prácticos de aplicación en ciencias ambientales. Resume, además, las posibilidades de desarrollar algoritmos de predicción causales, más robustos, más fiables y más explicables; evalúa los códigos disponibles para cada problema concreto, y presenta una plataforma web donde los científicos pueden validar sus resultados causales.
La integración del pensamiento causal en la ciencia basada en datos facilitará la comprensión de los procesos y el desarrollo de modelos de aprendizaje automático y estadísticos más sólidos para las ciencias de la Tierra y el medio ambiente. La medicina, la economía y la agricultura, entre otros, son sectores que podrían beneficiarse de estos avances. “Se trata de un campo extremadamente útil y ya contamos con algoritmos operacionales para atacar problemas reales”, concluyen los científicos de la Universitat de València.
Encabezado por Jakob Runge de la Agencia Espacial Alemana (DLR), el artículo cuenta con la participación del Image Processing Laboratory (IPL) de la Universitat de València, la Technische Universität Berlin y la University of Bremen (Alemania).
Referencia bibliográfica
Jakob Runge, Andreas Gerhardus, Gherardo Varando, Veronika Eyring & Gustau Camps-Valls. Causal inference for time series. Nature Reviews Earth & Environment 4, 487–505 (2023). DOI.
Foto
“Los nuevos algoritmos de inferencia causal pueden aprender las relaciones causales entre variables a partir de datos de series temporales y devolver un grafo causal que explica y cuantifica transparentemente esas relaciones. Por ejemplo, a partir de series temporales de temperatura, humedad, evaporación y actividad fotosintética de las últimas décadas se puede aprender cómo se relacionan esos procesos en cada región del planeta, cuánto tarda un cambio en la temperatura en afectar a la producción agrícola, y cuál es el cambio en una variable cuando otra cambia. Asimismo, una vez identificadas las variables causales se puede descartar el resto para implementar algoritmos de predicción más robustos y sencillos.”
Fuente: UV