Time series forecasting under distribution shift in environmental applications

Abstract

Climate change affects all regions of the world. Ice is melting and the sea is rising. In some regions extreme weather events and rainfall are becoming more frequent while others are experiencing higher temperature and droughts. Heavy rain and other extreme weather events are becoming more frequent as well. This can lead to floods and decreasing water quality, but also decreasing availability of water resources in some regions. The Mediterranean region has been considered as one of the most responsive regions to climate change, based on the results from global climate change projection scenarios. Over the next years it is projected that temperature will increase more in Europe, compared to other regions. According to the IPPC report (AR6 Climate Change 2021), a precipitation decrease is projected during summer in the Mediterranean extending to northward regions. The regions in the northern part of Europe will become wetter while in the southern part it is expected that global warming will result in dryer climate conditions. The increasing water availability in the north and decreasing in the south will have a significant impact on the duration and intensity of water scarcity in already water scarce areas in southern Europe. At the same time, droughts will last longer and become more intense in the southern and western regions of Europe, while drought conditions will become less extreme in the northern and northeastern parts of Europe. The impacts of climate change result in severe economic challenges. Exposing the present economy to global warming of 3°C would result in annual financial losses of 175 billion EUR (2°C: 83 billion EUR and 1.5°C: 42 billion EUR). In the present PhD dissertation, we forecasted meteorological droughts using data-driven methods. Initially, we explored the variability of rainfall in drought prone areas and fitted statistical models to describe meteorological droughts. Furthermore, we built a drought forecasting framework that reduces the bias introduced to the data and consequently to the fitted models under climate change scenarios. To support our experiments, we employed popular modelling techniques, including, statistics, machine learning and deep learning.

Η κλιματική αλλαγή είναι ίσως η μεγαλύτερη απειλή που αντιμετωπίζει ο πλανήτης μας. Σε αρκετές περιοχές, παρατηρούνται ακραία καιρικά φαινόμενα που εμφανίζονται όλο και πιο συχνά, ενώ σε άλλες περιοχές παρατηρείται αύξηση της θερμοκρασίας και των γεγονότων ξηρασίας. Τα γεγονότα έντονης ή και ακραίας βροχόπτωσης γίνονται όλο και πιο συχνά, προκαλώντας πλημμύρες ενώ συχνά επηρεάζουν και την ποιότητα του νερού και κατά συνέπεια τη διαθεσιμότητα υδάτινων πόρων. Η Μεσόγειος θεωρείται ως μια από τις περιοχές του πλανήτη με τη μεγαλύτερη έκθεση στην κλιματική αλλαγή. Τα επόμενα χρόνια, αναμένεται ότι η θερμοκρασία θα αυξηθεί περισσότερο στην Ευρώπη και ειδικότερα στην περιοχή της Μεσογείου, σε σύγκριση με άλλες περιοχές του κόσμου [2]. Σύμφωνα με την έκθεση του IPCC (AR6 Climate Change 2021) [3] , προβλέπεται μείωση της βροχόπτωσης κατά τη διάρκεια των καλοκαιριών στη Μεσόγειο αλλά και σε περιοχές που βρίσκονται πιο βόρεια. Οι περιοχές στη βόρεια Ευρώπη θα γίνουν πιο υγρές, ενώ στη νότια Ευρώπη εκτιμάται ότι η κλιματική αλλαγή θα οδηγήσει σε πιο ξηρές κλιματικές συνθήκες. Η αυξανόμενη διαθεσιμότητα νερού στο βορά και η μειωμένη διαθεσιμότητα στο νότο, θα έχουν τεράστιο αντίκτυπο στην ένταση και διάρκεια της διαθεσιμότητας του νερού σε περιοχές με μεγάλη λειψυδρία. Παράλληλα, οι ξηρασίες θα έχουν μεγαλύτερη διάρκεια και θα γίνουν πιο έντονες στη νότια και δυτική Ευρώπη και λιγότερο στη βόρεια και ανατολική Ευρώπη [4]. Οι επιπτώσεις της κλιματικής αλλαγής οδηγούν σε ραγδαίες οικονομικές προκλήσεις. Μια αύξηση της τάξης των 3°C , θα οδηγούσε ετήσιες οικονομικές απώλειες 175 δισεκατομμυρίων ευρώ. Στο πλαίσιο της παρούσας διατριβής διερευνήθηκε η δυνατότητα πρόβλεψης της ξηρασίας με μεθόδους βασισμένες σε δεδομένα. Αρχικά διερευνήθηκε η μεταβλητότητα της βροχόπτωσης σε περιοχές που παρατηρούνται έντονα φαινόμενα ξηρασίας και δημιουργήθηκαν μοντέλα για την περιγραφή της μετεωρολογικής ξηρασίας. Αναπτύχθηκε μια μεθοδολογία και ένα πλαίσιο για την πρόγνωση της ξηρασίας λαμβάνοντας υπόψη τη μεροληψία κατά τον προσδιορισμό τόσο του μοντέλου όσο και τη διαδικασία συλλογής και διαχείρισης της πληροφορίας. Για την εκτέλεση των πειραμάτων που περιγράφονται στη παρούσα διατριβή, χρησιμοποιήθηκαν τεχνικές στατιστικής μοντελοποίησης και μηχανικής μάθησης.