08/07/2019

Causale verbanden destilleren uit klimaatdata vraagt om nieuwe, geavanceerde statistische technieken

Back to article overview

Een internationaal team van 21 onderzoekers uit 19 verschillende onderzoeksinstituten, waaronder dr. Rick Quax van het Computational Science Lab van de Universiteit van Amsterdam, meent dat er meer geavanceerde statistische technieken nodig zijn in de klimaatwetenschappen om causale verbanden te ontdekken of juist te ontkrachten. Deze causale verbanden kunnen dan vervolgens in klimaatmodellen worden opgenomen. Het team publiceerde hun visie en een overzicht van technieken en hun toepassingen in Nature Communications.

 

Beeld: Shutterstock

 

Het klimaat is een complex systeem, met een groot aantal processen die spelen op verschillende tijd- en ruimteschalen, en die elkaar ook nog eens onderling beïnvloeden. Het in kaart brengen van die verschillende processen en hun onderlinge causale verbanden is extreem moeilijk, maar wel cruciaal om goede computermodellen te kunnen maken. Zodat met die computermodellen betrouwbare voorspellingen kunnen worden gedaan over alle veranderingen en over ons toekomstige klimaat op aarde, zoals het IPCC beoogt.

Causale verbanden

Dat complexe geheel aan processen is niet de enige reden waarom het zo moeilijk is causale verbanden te vinden in de klimaatwetenschap. Een bijkomend probleem is dat de klimaatdata die we tot nu toe hebben verzameld maar een fractie van de levensduur van de aarde beslaan. Bovendien verandert het klimaat continu. En is het onmogelijk om de aarde in een bepaalde begintoestand te brengen en dan te kijken wat er gebeurt. Laat staan dat er, zoals bij veel andere wetenschappen gebruikelijk is, experimenteel ingegrepen kan worden op betrokken processen om te kijken wat het effect daarvan is. Daarvoor is de aarde en de schaal waarop de processen spelen te groot.

Geavanceerde technieken

Al die redenen bij elkaar zorgen ervoor dat het noodzakelijk is om geavanceerde statistische methodes te ontwikkelen die specifiek toepasbaar zijn op klimaatdata, betoogt het genoemde team van experts in Nature Communications. In hun visieartikel sommen dr. Richard Quack en zijn collega’s op aan welke voorwaarden  die technieken zouden moeten voldoen. Ook benoemen ze enkele bestaande technieken die al deels aan de voorwaarden voldoen. Maar bovenal is hun artikel bedoeld als oproep voor het ontwikkelen van nog betere technieken, en om een eerste beeld te schetsen van hoe die nieuwe technieken eruit zouden moeten zien.

Breed consortium

Een complex probleem als dit vraagt een interdisciplinaire aanpak. Vandaar dat het betrokken consortium zo breed is, van klimaatwetenschappers en fysici tot statistici en computationele wetenschappers. Zij kwamen voor het eerst bijeen tijdens de workshop ‘Causality in Complex Systems’ die in juni 2017georganiseerd op initiatief van hoogleraar Marten Scheffer en geleid door dr. Jakob Runge, waar de problematiek duidelijk werd en het idee ontstond om een interdisciplinaire aanpak te ontwikkelen.

‘Het veld is bezaaid met verschillende klimaatmodellen en geen zicht op experimentele validatie. Het idee van de bijeenkomst was om te bekijken of causale inferentietechnieken toepasbaar zouden kunnen zijn in de verschillende scenario's van het veld,’ aldus Quax, die als co-auteur van het artikel die een bijdrage leverde vanuit de informatietheorie en niet-equilibrium inferentie.

Hij gaat verder: ‘De energie was zo positief en de probleemstelling zo urgent dat we besloten om er verder aan te werken. Een belangrijk doel van dit artikel is om meer zichtbaarheid te geven aan het probleem, zowel binnen als buiten de klimaatwetenschappen, en andere onderzoekers uit te nodigen mee te denken aan oplossingen.’

Publicatiedetails

Runge, Jakob, et al. "Inferring causation from time series in Earth system sciences." Nature communications 10.1 (2019): 2553. Link: www.nature.com/articles/s41467-019-10105-3

 

Bron: © UvA 2019