Tackling climate change requires making high-stakes decisions on the long-term evolution of economic, political, technological, energy, and climatic systems. The uncertainty of this complex system is profound and can lead to major mistakes if not taken at face value. Computational models have become central tools for systematically exploring possible futures and informing climate policy. However, these same models have grown exponentially in complexity and scale, relying on an increasing number of uncertain assumptions, while systematic approaches to understanding and communicating uncertainty have remained limited. This mismatch defines what we call the ``uncertainty gap". In this thesis, we address the uncertainty gap through methodological advances in sensitivity analysis and use them to answer policy-relevant research questions using climate-economy and energy system models. In the first part, we build on recent sensitivity analysis approaches based on the mathematical framework of Optimal Transport, which are particularly suited for computationally expensive models with correlated inputs and multivariate outputs. We introduce the first software package for Optimal Transport-based sensitivity analysis, designed to facilitate the application of these methods to large-scale modeling workflows. We also develop a new family of sensitivity indices based on Sinkhorn divergence, substantially improving computational scalability and providing a bridge between existing sensitivity measures. In the second part, we apply these methods to multiple classes of climate policy models, including integrated assessment models and capacity expansion models. Our applications include the analysis of future emissions pathways, the social cost of greenhouse gases, the European electricity transition, and the large-scale deployment of carbon dioxide removal technologies. Applying methodological advancements to a variety to applications spanning the entire energy-economy-climate chain, we show how advanced uncertainty analysis can improve the transparency, robustness, and interpretability of climate policy assessments, helping quantitative models serve as tools for exploring alternative futures and supporting more robust decision-making.
Affrontare il cambiamento climatico richiede decisioni di grande portata basate sull'evoluzione a lungo termine dei sistemi economici, politici, tecnologici, energetici e climatici. Le incertezze in questi sistemi interconnessi sono profonde e possono portare a gravi errori se non vengono prese in seria considerazione. In questo contesto, i modelli computazionali sono diventati strumenti fondamentali per esplorare sistematicamente i possibili scenari futuri e orientare le politiche climatiche. Tuttavia, questi stessi modelli sono cresciuti in modo esponenziale in termini di complessità e portata, basandosi su un numero sempre maggiore di ipotesi incerte, mentre gli approcci sistematici per comprendere e comunicare l'incertezza sono rimasti limitati. Questo disallineamento definisce ciò che chiamiamo il “deficit di incertezza”. In questa tesi affrontiamo il deficit di incertezza attraverso progressi metodologici nell’analisi di sensibilità e li utilizziamo per rispondere a questioni di ricerca rilevanti, impiegando diversi modelli per l’elaborazione delle politiche climatiche. Nella prima parte, ci basiamo su recenti approcci di analisi di sensibilità fondati sul concetto matematico di Trasporto Ottimale, particolarmente adatti a modelli computazionalmente dispendiosi con input correlati e output multivariati. Introduciamo il primo pacchetto software per l'analisi di sensibilità basata sul Trasporto Ottimale, progettato per facilitare l'applicazione di questi metodi a flussi di lavoro di modellizzazione su larga scala. Sviluppiamo inoltre una nuova famiglia di indici di sensibilità basati sulla divergenza di Sinkhorn, migliorando sostanzialmente la scalabilità computazionale e fornendo un ponte tra le misure di sensibilità esistenti. Nella seconda parte, applichiamo questi metodi a diverse classi di modelli di politica climatica, in particolare modelli di valutazione integrata e modelli di espansione della produzione. Le nostre applicazioni includono l'analisi dei futuri percorsi di emissioni, il costo sociale dei gas serra, la transizione energetica europea e l'implementazione su larga scala di tecnologie di rimozione dell'anidride carbonica. Applicando metodi avanzati a una serie di casi che abbracciano l'intera catena economia-energia-clima, dimostriamo come l'analisi dell'incertezza possa migliorare la trasparenza, la solidità e l'interpretabilità delle valutazioni delle politiche climatiche, consentendo ai modelli quantitativi di fungere da strumenti per esplorare scenari futuri alternativi e favorire un processo decisionale più solido.
Uncertainty quantification in the economy-energy-climate chain
Chiani, Leonardo
2025/2026
Abstract
Tackling climate change requires making high-stakes decisions on the long-term evolution of economic, political, technological, energy, and climatic systems. The uncertainty of this complex system is profound and can lead to major mistakes if not taken at face value. Computational models have become central tools for systematically exploring possible futures and informing climate policy. However, these same models have grown exponentially in complexity and scale, relying on an increasing number of uncertain assumptions, while systematic approaches to understanding and communicating uncertainty have remained limited. This mismatch defines what we call the ``uncertainty gap". In this thesis, we address the uncertainty gap through methodological advances in sensitivity analysis and use them to answer policy-relevant research questions using climate-economy and energy system models. In the first part, we build on recent sensitivity analysis approaches based on the mathematical framework of Optimal Transport, which are particularly suited for computationally expensive models with correlated inputs and multivariate outputs. We introduce the first software package for Optimal Transport-based sensitivity analysis, designed to facilitate the application of these methods to large-scale modeling workflows. We also develop a new family of sensitivity indices based on Sinkhorn divergence, substantially improving computational scalability and providing a bridge between existing sensitivity measures. In the second part, we apply these methods to multiple classes of climate policy models, including integrated assessment models and capacity expansion models. Our applications include the analysis of future emissions pathways, the social cost of greenhouse gases, the European electricity transition, and the large-scale deployment of carbon dioxide removal technologies. Applying methodological advancements to a variety to applications spanning the entire energy-economy-climate chain, we show how advanced uncertainty analysis can improve the transparency, robustness, and interpretability of climate policy assessments, helping quantitative models serve as tools for exploring alternative futures and supporting more robust decision-making.| File | Dimensione | Formato | |
|---|---|---|---|
|
Final_Dissertation_Politesi_Chiani.pdf
non accessibile
Dimensione
48.83 MB
Formato
Adobe PDF
|
48.83 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/262637