Causal analysis and drought detection: algorithms and applications in the Po River basin

Climate change significantly impacts ecosystems. An alarming consequence of climate change is the increased occurrence and intensity of droughts events, necessitating monitoring and understanding to mitigate their impact. As a proxy for drought detection, the Vegetation Health Index (VHI) can be exploited as an observational satellite-based signal that assesses the health status of vegetation. The primary goal of this work is to perform a causal analysis to identify meteorological variables that are likely to drive the evolution of VHI over time, discarding the possibility of spurious correlations. The working scenario consists of a spatio-temporal grid of data, typical of climate datasets, representing ten hydrological sub-basins in the Po River basin. The data includes meteorological variables such as temperature, precipitation, snow, and lake levels. The temperature and precipitation data were aggregated to different weekly averages. Then, for each basin, the features were aggregated spatially, and finally fed through a feature selection pipeline. We contribute in two main directions: the implementation and verification of a recent causal feature selection method, comparing it with a state-of-the-art causal discovery approach, and the application of these methods to obtain insights in different sub-basins with different characteristics. To this end different configurations of the two algorithms were considered to reconstruct the VHI signal starting from the input data, testing the robustness, effectiveness and behavior of the proposed pipeline.

I cambiamenti climatici hanno un impatto sempre più significativo sugli ecosistemi. Una conseguenza allarmante dei cambiamenti climatici è l'aumento della frequenza e dell'intensità degli eventi di siccità, che richiede un monitoraggio e una comprensione per mitigarne l'impatto. Come proxy per il rilevamento della siccità, il Vegetation Health Index (VHI) può essere sfruttato come segnale satellitare che valuta lo stato di salute della vegetazione. L'obiettivo principale di questo lavoro è quello di eseguire un'analisi causale per identificare le variabili meteorologiche che guidano l'evoluzione del VHI nel tempo, scartando la possibilità di correlazioni spurie. Lo scenario di lavoro consiste in una griglia spazio-temporale di dati, tipica dei dataset climatici, che rappresenta dieci sottobacini idrologici del bacino del fiume Po. I dati comprendono variabili meteorologiche come temperatura, precipitazioni, neve e livelli dei laghi. I dati di temperatura e precipitazione sono stati aggregati a diverse medie settimanali. Poi, per ogni bacino, le caratteristiche sono state aggregate spazialmente e infine alimentate attraverso una pipeline di selezione delle caratteristiche. Il contributo di questo lavoro si articola in due direzioni principali: l'implementazione e la verifica di un recente metodo di selezione delle variabili causali, confrontandolo con un approccio di scoperta del grafo causale all'avanguardia, e l'applicazione di questi metodi per ottenere intuizioni in diversi sottobacini con caratteristiche differenti. A tal fine sono state considerate diverse configurazioni dei due algoritmi per ricostruire il segnale VHI a partire dai dati di ingresso, testando la robustezza, l'efficacia e il comportamento della pipeline proposta.