Investigadores avanzan en algoritmos para resolver problemas climáticos y medioambientales
Investigadores avanzan en algoritmos para resolver problemas climáticos y medioambientales iAgua.es
sdgtalks
Investigadores de la Universitat de València presentan avances en inferencia causal para la investigación en ciencias de la Tierra y el medio ambiente
En un reciente artículo publicado en la revista ‘Nature Reviews Earth & Environment’, investigadores de la Universitat de València (UV) presentan los avances en inferencia causal y las oportunidades que este proceso de deducción ofrece a la investigación en ciencias de la Tierra y el medio ambiente. Los nuevos algoritmos utilizan técnicas de aprendizaje automático (machine learning) para integrar el razonamiento causal.
Objetivo del estudio
El objetivo principal de este estudio es mejorar la comprensión de los procesos naturales que conducen a problemas climáticos y medioambientales a través del análisis de series temporales observacionales. La facultad de distinguir entre causa y efecto es crucial para la investigación en ciencias de la Tierra y el medio ambiente, ya que permite ir más allá de la simple correlación estadística y comprender los factores determinantes de estos problemas.
Avances en inferencia causal
En 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 utilizando únicamente datos. Ahora, nuevas técnicas de análisis a partir de datos de series temporales están aportando un enfoque novedoso a este campo.
En este artículo, 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.
Importancia de la inferencia causal
Según Gustau Camps, catedrático de Ingeniería Electrónica de la Universitat de València e investigador del Image Processing Laboratory (IPL), 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. Sin la inferencia causal, la inteligencia artificial está limitada en su capacidad para detectar las causas subyacentes de los fenómenos. Por otro lado, los métodos causales actuales ya pueden identificar si una variable es causa o efecto utilizando medidas y observaciones de series temporales.
Gherardo Varando, miembro del equipo de investigación en el IPL y coautor del artículo, destaca que la inferencia causal 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.
Conclusiones y aplicaciones futuras
El artículo titulado ‘Causal inference for time series’ revisa los métodos existentes, plantea ventajas e inconvenientes de cada uno de ellos y expone ejemplos prácticos de aplicación en ciencias ambientales. Además, destaca las posibilidades de desarrollar algoritmos de predicción causales más robustos, fiables y explicables, 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 de aprendizaje automático y estadísticos más sólidos para las ciencias de la Tierra y el medio ambiente. Sectores como la medicina, la economía y la agricultura podrían beneficiarse de estos avances.
En resumen, este campo de investigación es extremadamente útil y ya cuenta con algoritmos operacionales para abordar problemas reales, concluyen los científicos de la Universitat de València.
El artículo fue encabezado por Jakob Runge de la Agencia Espacial Alemana (DLR) y contó con la participación del Image Processing Laboratory (IPL) de la Universitat de València, la Technische Universität Berlin y la University of Bremen (Alemania).
1. Objetivos de Desarrollo Sostenible (ODS) abordados en el artículo:
- Objetivo 13: Acción por el clima
- Objetivo 15: Vida de ecosistemas terrestres
2. Metas específicas de los ODS identificadas en el artículo:
- Meta 13.1: Fortalecer la resiliencia y la capacidad de adaptación a los riesgos relacionados con el clima y los desastres naturales.
- Meta 15.1: Garantizar la conservación, restauración y uso sostenible de los ecosistemas terrestres y los ecosistemas interiores de agua.
3. Indicadores de los ODS mencionados o implícitos en el artículo:
- Indicador 13.1.1: Número de muertes, desapariciones, personas heridas y personas afectadas por desastres relacionados con el clima y eventos extremos de origen natural.
- Indicador 15.1.1: Superficie forestal como porcentaje de la superficie total de tierra.
4. Tabla ‘ODS, metas e indicadores’:
| ODS | Metas | Indicadores |
|---|---|---|
| Objetivo 13: Acción por el clima | Meta 13.1: Fortalecer la resiliencia y la capacidad de adaptación a los riesgos relacionados con el clima y los desastres naturales. | Indicador 13.1.1: Número de muertes, desapariciones, personas heridas y personas afectadas por desastres relacionados con el clima y eventos extremos de origen natural. |
| Objetivo 15: Vida de ecosistemas terrestres | Meta 15.1: Garantizar la conservación, restauración y uso sostenible de los ecosistemas terrestres y los ecosistemas interiores de agua. | Indicador 15.1.1: Superficie forestal como porcentaje de la superficie total de tierra. |
¡Atención! Este espléndido artículo nace de la fuente del conocimiento, moldeado por una maravillosa tecnología patentada de inteligencia artificial que profundizó en un vasto océano de datos, iluminando el camino hacia los Objetivos de Desarrollo Sostenible. Recuerda que todos los derechos están reservados por SDG Investors LLC, lo que nos permite defender el progreso juntos.
Fuente: iagua.es
Únete a nosotros en un viaje transformador en https://sdgtalks.ai/welcome, para contribuir activamente a un futuro mejor.
