Causal quests in aqueous research with Bayesian networks

Abstract

Τα υδατικά συστήματα χαρακτηρίζονται από υψηλή στοχαστικότητα, τεράστια πολυπλοκότητα και αβεβαιότητα. Το συνονθύλευμα αυτό ετερογενών φυσικών στοιχείων συχνά οδηγεί σε χαοτικά συστήματα τα οποία είναι εξαιρετικά δύσκολο να μοντελοποιηθούν και να προβλεφθούν με σχετική ακρίβεια. Οι κλασικές διαδικασίες μοντελοποίησης συχνά δυσκολεύονται να παρέχουν σαφείς ποσοτικές απαντήσεις, ενώ το μεγάλο πλήθος των συγχυτικών επιδράσεων πολύ συχνά οδηγεί σε παραπλανητικά συμπεράσματα, λανθασμένες αποφάσεις, κακές διαχειριστικές πρακτικές και σπατάλη κεφαλαίων. Σε αυτή τη διατριβή, υπογραμμίζουμε τη σημασία της ανάλυσης των συστημάτων αυτών μέσω της αιτιολογικής προσέγγισης και σκέψης, διερευνούμε την απόδοση τεχνικών αιτιακής μοντελοποίησης και μεθόδων όπως τα Bayesian Networks και προωθούμε την υιοθέτηση αυτών των μεθόδων ως κυρίαρχου τρόπου ανάλυσης στη λήψη αποφάσεων και στην περιβαλλοντική διαχείριση. Τα αποτελέσματα της έρευνάς μας ήταν σύμφωνα με την καθιερωμένη γνώση και την προηγούμενη έρευνα, ενώ κατέδειξε και τα ισχυρά πλεονεκτήματα της αιτιακής αναλυτικής συλλογιστικής στην έρευνα.

Aqueous systems are characterized by high stochasticity, enormous complexity, and uncertainty. This combination of heterogeneous elements can very fast lead to chaotic systems which are extremely difficult to model and predict. Classical modeling procedures often suffer to provide clear quantitative answers while the multitude of confounding effects very often lead to misleading conclusions, erroneous decision making, bad management, and funds wasting. In this thesis, we highlight the importance of the causal thought approach we are investigating the performance of causal modeling technics like the Bayesian Networks and we promote the adoption of those methods as a predominant way of analysis in decision making and environmental management. Our research outcome was in concordance with the established knowledge and previous research while it demonstrated the powerful advantages of Causal reasoning.