Riccardo Silini defended his PhD thesis

Congratulations Riccardo for your excellent work!

Title: Causal inference and forecasting methods for climate data analysis
Defended on the 5th July 2022, 11h
Where: ESEIAAT. UPC Campus. Terrassa

Supervisors: Cristina Masoller (director) and Marcelo Barreiro (codirector).

Here you have the summary of his thesis (soon we will have the online copy of the work)

Para avanzar en el pronóstico de series temporales, es necesario avanzar en múltiples frentes. En esta tesis,
desarrollamos algoritmos para descubrir relaciones causales que identifican los procesos que
actúan como fuentes de información y pueden ayudar a mejorar la predicción del proceso de
interés. Por otro lado, los algoritmos de aprendizaje automático permiten explotar dicha
información para mejorar la predicción de los modelos dinámicos. La identificación de
relaciones de causalidad a partir de series temporales es esencial en muchas disciplinas. Los
desafíos en este ámbito son distinguir la correlación de la causalidad, así como diferenciar
entre las interacciones directas e indirectas. A lo largo de los años se han propuesto
numerosos métodos de inferencia causal basados en la observación de datos. No obstante, su
éxito depende de las características del sistema a investigar. A menudo, el coste computacional
o el número de parámetros limitan su aplicabilidad. En esta tesis se propone una medida
computacionalmente eficiente para el testeo de causalidad. La métrica que se propone resulta
util cuando es necesario inferir causalidad a partir de análisis de un gran número de series
temporales relativamente cortas. También puede resultar muy útil en la selección de entradas
en los algoritmos de aprendizaje automático. De hecho, permite identificar aquellos procesos
que contienen información útil en la predicción de cierto proceso dado. Por otro lado, el impacto
socioeconómico de fenómenos meteorológicos extremos requiere el desarrollo de nuevas
metodologías con el objetivo de obtener predicciones meteorológicas más precisas. La
Oscilación de Madden-Julian (MJO) es el modo dominante de variabilidad en la atmósfera
tropical en escalas temporales subestacionales, y puede promover o aumentar eventos
extremos tanto en el trópico como el extratrópico. Actualmente, la prediccion de la MJO genera
mucho interés. Por esta razon, en esta tesis se han escogido dos metodologías diferentes de
aprendizaje automático. Primero, se han utilizado dos redes neuronales artificiales para
analizar datos observacionales, una red neuronal feed-forward y una red neuronal recurrente.
Se muestra que esto permite una predicción competitiva, pero sin superar la capacidad de los
modelos dinámicos actuales. Por este motivo, en un segundo estudio se han combinado
modelos dinámicos con aprendizaje automático, que permiten mejorar las predicciones del
mejor modelo dinámico. En particular, el aprendizaje automático permite mejorar la predicción
de la intensidad de MJO y su localización geográfica.