Atmosfer ve okyanus bilimlerinde kullanılan ızgara tabanlı veriler, araştırmacılar için hem zengin bilgi kaynağı hem de analiz zorluğu oluşturuyor. Bu verilerdeki neden-sonuç ilişkilerini anlamak, iklim değişikliği ve hava tahminleri gibi kritik konularda daha doğru modeller geliştirmek için hayati önem taşıyor.
Yeni geliştirilen M-CaStLe algoritması, bu zorlu probleme çözüm getiriyor. Algoritma, uzay-zaman yerelliği ve durağanlık varsayımları altında çalışarak, yüksek boyutlu ızgara verilerindeki nedensel yapıları ortaya çıkarıyor. Önceki CaStLe algoritmasından farklı olarak, M-CaStLe birden fazla değişkeni eş zamanlı analiz edebiliyor.
Algoritmanın en önemli yeniliği, yerel gömme ve ebeveyn tanımlama aşamalarını genelleştirerek, değişkenler arası ve değişken içi uzay-zaman nedensel yapılarını birlikte modelleyebilmesi. Bu yaklaşım, sabit boyutlu uzay-zaman komşulukları kullanarak ve mekânsal kopyaları bir araya getirerek etkili örneklem boyutunu artırıyor.
M-CaStLe ayrıca elde ettiği çok değişkenli şablon grafiğini reaksiyon ve mekânsal grafiklere ayırarak, karmaşık sistemlerdeki yorumlamayı kolaylaştırıyor. Bu özellik, araştırmacıların iklim sistemlerindeki etkileşimleri daha iyi anlamalarına yardımcı oluyor.