Causality and drought detection: a pan-european analysis

Climate change and global warming are increasingly impacting ecosystems and weather patterns, and they are more and more discussed both in the media and within the scientific community. One of the most alarming consequences of climate change is the increase in the frequency and intensity of drought events. There are various possible definitions of drought (meteorological, hydrological, and agricultural), depending on the time horizon considered and the variable used to define it. Consequently, monitoring the evolution of drought dynamics and associated impacts remains a critical challenge, often requiring the combined use of several indices and variables. This thesis builds upon the FRamework for Index-based Drought Analysis (FRIDA), a machine learning approach that enables the creation of site-specific indices capable of representing the state of water resources in a given area. In particular, we consider the Fraction of Absorbed Photosynthetically Active Radiation Anomaly (FAPAN) as a drought proxy. Moreover, we utilize the HydroGFD2.0 reanalysis indices and E-HYPE hydrological model simulations for over 30,000 sub-basins across Europe from 2002 to 2018 as potential drought drivers. The main objective of this thesis is to perform a causal analysis to identify the hydrological features that drive the evolution of the FAPAN signal over time. For this purpose, we combined two machine learning frameworks, causal discovery and multi-task learning, which proved to be effective in our continental case study. In a first phase of this thesis, these approaches enabled us to aggregate the numerous sub-basins into clusters for a region-wise analysis, resulting in more interpretable results. In a subsequent phase, they allowed us to develop a single continent-wide model, while increasing the amount of data available, ultimately enabling us to develop more efficient models for reconstructing our target signal, which represents the state of the vegetation in summer months, focusing only on causally relevant features.

Il cambiamento climatico e il riscaldamento globale stanno avendo un impatto sempre più significativo sugli ecosistemi e sui modelli meteorologici, e sono quindi sempre più oggetto di discussione nei media e nella comunità scientifica. Una delle conseguenze più allarmanti del cambiamento climatico è l’aumento della frequenza e dell’intensità degli eventi di siccità. Esistono varie definizioni di siccità (meteorologica, idrologica e agricola), in base all'orizzonte temporale considerato e alla variabile utilizzata per definirla. Di conseguenza, monitorare l'evoluzione delle dinamiche legate alla siccità e degli impatti ad essa associati rimane una sfida critica che spesso richiede l'uso combinato di diversi indici e variabili. In questa tesi ci basiamo sul FRamework for Index-based Drought Analysis (FRIDA), un approccio di apprendimento automatico che consente di progettare indici sito-specifici in grado di rappresentare un proxy dello stato delle risorse idriche nell'area sotto analisi. In particolare, consideriamo come proxy della siccità l'anomalia della Fraction of Absorbed Photosynthetically Active Radiation (FAPAN) e, come dati di partenza, gli indici e le variabili della rianalisi HydroGFD2.0 e le simulazioni del modello idrologico E-HYPE, riguardanti oltre 30.000 sottobacini Europei nel periodo 2002-2018. L'obiettivo principale di questa tesi è eseguire un’analisi causale per identificare le variabili idrologiche che guidano l’evoluzione del FAPAN nel tempo. A questo scopo abbiamo combinato causal discovery e multi-task learning, due approcci di machine learning che si sono rivelati efficaci nello studio di un'area così vasta. In una prima fase di questa tesi, ci hanno permesso di aggregare i numerosi sottobacini in clusters per svolgere un'analisi a livello regionale, ottenendo quindi risultati più facilmente interpretabili. In una seconda fase, invece, ci hanno sopportato nel creare un singolo modello continentale e nell'aumentare il numero di dati disponibili, in modo da ottenere modelli più efficienti per ricostruire il segnale della variabile target, che rappresenta lo stato della vegetazione nei mesi estivi, focalizzandoci solo sulle variabili causalmente rilevanti.