Lorsque l'expérience est impossible, les scientifiques extraient la causalité à partir d'observations. Pour les systèmes distribués dans l'espace et le temps, c'est particulièrement difficile : le nombre de cellules de la grille dépasse souvent de plusieurs ordres de grandeur le nombre de pas de temps. Les méthodes classiques soit réduisent la dimensionnalité, perdant ainsi les interactions locales, soit ne traitent qu'une seule variable. M-CaStLe résout ce problème en considérant chaque point de la grille comme une répétition d'un même mécanisme local.
M-CaStLe construit une structure de voisinage localement encodée (LENS) : pour chaque cellule intérieure de la grille, neuf cellules voisines (voisinage de Moore) et toutes leurs variables sont collectées. Ces voisinages sont assemblés en une matrice commune où chaque ligne représente une répétition spatiale. Ensuite, la phase d'identification des parents (PIP) applique un algorithme de recherche causale standard (par exemple PCMCI ou DYNOTEARS) à cette matrice, mais ne recherche les parents que pour les variables de la cellule centrale. Cette astuce augmente la taille effective de l'échantillon de T à environ T·(N−2)², où N est la taille de la grille.
Sur des tests synthétiques avec autorégression vectorielle, M-CaStLe a atteint un score F1 allant jusqu'à 0.96 avec une variable et a maintenu une précision supérieure à 0.9 avec six variables, surpassant l'analyse spatiale directe et l'estimation séparée. Dans une tâche d'advection-diffusion-réaction, l'erreur médiane sur l'angle de transport était de 4.76°, et le graphe de réactions était reconstruit parfaitement dans plus de 90% des cas. Pour les données de l'éruption du Pinatubo, avec seulement sept pas de temps, M-CaStLe a reconstitué la chaîne SO2 → H2SO4 → SO4 avec un F1 de 0.95, alors que PCMCI sur des séries moyennées spatialement n'a trouvé aucune relation. Sur les données d'El Niño, la méthode a révélé l'asymétrie attendue : la température de l'océan influence la convection, mais pas l'inverse.
M-CaStLe montre que la causalité locale dans des données de grille multidimensionnelles peut être extraite sans perte de résolution spatiale. Cela ouvre la voie à l'analyse de phénomènes rapides et locaux, tels que les panaches volcaniques, les fronts météorologiques ou la propagation des polluants, où les méthodes globales échouent. L'estimation conjointe de toutes les variables du voisinage permet d'éviter les erreurs qui surviennent lors de l'analyse séquentielle de chaque variable séparément.
La méthode peut être étendue à des voisinages de plus grand rayon ou à des grilles adaptatives, ce qui est utile lorsque les résolutions spatiale et temporelle ne coïncident pas. Pour les systèmes non stationnaires, une procédure de recherche de régions stationnaires, où les hypothèses de M-CaStLe sont satisfaites, est envisageable. L'application à des grilles non régulières, par exemple en hydrologie ou en écologie, est également prometteuse.
Ces résultats auront un impact sur les sciences de la Terre (climat, chimie atmosphérique, océanographie), l'épidémiologie et l'hydrologie, où les données sont souvent présentées sur des grilles régulières et où la compréhension des mécanismes causaux locaux est nécessaire.
Les prochaines étapes comprennent l'adaptation de M-CaStLe à des grilles non carrées et non régulières, ainsi que le développement de méthodes pour choisir la taille optimale du voisinage à partir des données.
Dans le domaine de l'inférence causale pour les systèmes spatio-temporels, le problème de la séparation des relations causales directes et indirectes en présence d'une forte corrélation spatiale reste non résolu. M-CaStLe l'atténue grâce à des contraintes locales, mais la question du traitement correct des dépendances à longue distance (téléconnexions) reste ouverte.
Cette section s'adresse à l'auteur du travail et à ses collègues. Les travaux voisins ont été trouvés par une recherche sémantique dans notre archive, et non par correspondance de mots. Nous n'évaluons pas : nous montrons le champ autour.
Ce que fait ce travail
Cet article présente M-CaStLe, une généralisation multidimensionnelle de l'algorithme CaStLe pour la recherche de structures causales dans des données sur des grilles régulières. La méthode combine l'information sur le voisinage spatial de chaque cellule et plusieurs variables en son sein, ce qui permet d'estimer conjointement les interactions de transport et inter-variables. Sur des tests synthétiques et des données réelles (chimie atmosphérique après l'éruption du Pinatubo, phases d'El Niño), M-CaStLe reconstruit les liens causaux avec plus de précision que les approches standard.
Où est sa force
La force de ce travail réside dans l'utilisation des répétitions spatiales de structures locales pour augmenter la taille effective de l'échantillon, ce qui permet de surmonter la limitation du faible nombre de pas de temps. L'estimation conjointe de toutes les variables dans le voisinage permet de détecter à la fois les interactions de transport et inter-variables sans perdre la résolution spatiale.
Vers où avancer
À essayer
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.49, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
Pour les données du Pinatubo avec 7 pas de temps, M-CaStLe a obtenu 5488 échantillons effectifs par variable, soit 769 fois plus que le nombre initial d'observations temporelles.