地球科学中的因果关系：时间序列与时空因果方法综述
数据分析、统计与概率
2024-09-04 v2 人工智能
机器学习
大气与海洋物理
地球物理
摘要
本综述论文涵盖了时间序列与时空因果方法的广度与深度，及其在地球科学中的应用。更具体地，本文概述了因果发现与因果推断，解释了底层的因果假设，并列出了该领域的评估技术与关键术语。本文引出了为时间序列与时空因果分析引入的各种最先进方法及其优势与局限。本文进一步描述了现有若干方法在回答极端天气事件、海平面上升、遥相关等特定地球科学问题中的应用。本文可为对数据驱动因果研究感兴趣的数据科学研究人员提供入门指南，因为我们分享了资源列表，例如地球科学数据集（合成数据、模拟数据与观测数据）以及用于因果分析的开源工具。它同样有益于有兴趣采用 AI 驱动方法来研究不同动力学与热力学过程因果关系的地球科学界，因为我们提出了基于因果关系的地球科学研究所面临的开放挑战与机遇。
引用
@article{arxiv.2404.05746,
title = {Causality for Earth Science -- A Review on Time-series and Spatiotemporal Causality Methods},
author = {Sahara Ali and Uzma Hasan and Xingyan Li and Omar Faruque and Akila Sampath and Yiyi Huang and Md Osman Gani and Jianwu Wang},
journal= {arXiv preprint arXiv:2404.05746},
year = {2024}
}