Grey Wolf-Optimierung verbesserte adaptive Zerlegung zur Trend- und Periodenanalyse nichtstationärer und nichtlinearer hydrologischer Reihen

Warum das für Wasser und Klima wichtig ist

Während Klimawandel und menschliche Eingriffe Wetter- und Abflussmuster umgestalten, werden Zeitpunkt und Menge des Flusswassers immer weniger vorhersehbar. Dieses Papier stellt eine neue Methode vor, um lang­fristige Trends und natürliche Zyklen zu entlarven, die in verrauschten Wasser- und Klimadaten verborgen sind. Das Verfahren hilft zu erkennen, wie schnell sich eine Region erwärmt, ob Dürren häufiger werden und wann die nächste Phase ungewöhnlich niedrigen Abflusses eintreten könnte – Wissen, das für Trinkwassersicherheit, Wasserkraft, Landwirtschaft sowie Hochwasser- und Dürrevorsorge von Bedeutung ist.

Eine klügere Art, verrauschte Flussaufzeichnungen zu lesen

Hydrologische Aufzeichnungen wie Niederschlag, Temperatur und Abfluss verhalten sich selten einfach oder stationär. Sie schwanken, zeigen lang anhaltende Gedächtniseffekte vergangener Zustände und verletzen oft die Annahmen vieler klassischer statistischer Verfahren. Traditionelle Methoden wie lineare Trendanpassung oder nichtparametrische Rangtests setzen meist Unabhängigkeit der Daten und bekannte Wahrscheinlichkeitsverteilungen voraus. Ebenso können gängige Werkzeuge zur Identifikation wiederkehrender Zyklen, etwa die schnelle Fourier-Transformation oder Wavelet-Analysen, wichtige Signale übersehen, wenn die Daten sehr unregelmäßig sind. Die Autorinnen und Autoren begegnen diesen Schwächen mit einem kombinierten Trend‑und‑Zyklus‑Analyse‑Rahmen namens GITPA, der speziell für unruhige, sich verändernde Umweltdaten entwickelt wurde.

Wie die neue Methode Muster findet

Kernstück von GITPA ist eine moderne Signalverarbeitungstechnik namens ICEEMDAN, die eine Zeitreihe in mehrere Komponentenwellen und einen Hintergrundtrend zerlegt. Das Problem ist, dass diese Zerlegung von fein abgestimmten Parametern abhängt, die Signale verwischen oder vermischen können. Um das zu lösen, nutzen die Autorinnen und Autoren eine von der Natur inspirierte Suchroutine, den Grey Wolf Optimizer, um zwei zentrale Rauschparameter automatisch so zu justieren, dass die decomponierten Teile klares, regelmäßiges Verhalten zeigen. Sobald die Reihe in glatte Teile zerlegt ist, werden niederfrequente Komponenten zu einer Trendkurve kombiniert, während höherfrequente Komponenten in eine Spektralanalyse einfließen, die dominante Zyklen aufdeckt. Ein statistischer t-Test hilft, echtes niederfrequentes Verhalten von zufälligem Rauschen zu unterscheiden, und ein Bootstrap-Resampling liefert Konfidenzintervalle, ohne eine bestimmte Wahrscheinlichkeitsverteilung vorauszusetzen.

Die Methode auf die Probe gestellt

Bevor reale Flüsse analysiert werden, erzeugen die Autorinnen und Autoren Hunderte künstlicher Zeitreihen mit kontrollierten Eigenschaften: kurze und lange Datensätze, schwache und starke Trends, unterschiedliche Wahrscheinlichkeitsverteilungen und verschiedene Grade an Autokorrelation von Jahr zu Jahr. Anschließend vergleichen sie ihren GITPA-Ansatz mit mehreren weit verbreiteten Methoden, darunter der Mann–Kendall-Test, innovative Trendanalysen und waveletbasierte Werkzeuge. Über ein breites Spektrum an Bedingungen erkennt die neue Methode subtile Trends zuverlässiger, insbesondere in kurzen Reihen oder bei schwachen Trends. Ihre Genauigkeit liegt allgemein über 85 % und sie ist deutlich weniger empfindlich gegenüber der genauen Verteilung der Werte oder dem Grad der Autokorrelation. Bei periodischem Verhalten rekonstruiert GITPA erfolgreich alle vorgegebenen Zyklen – selbst wenn sich zwei Perioden überlappen – während traditionelle Wavelet-Analysen oft längere Zyklen übersehen oder falsch identifizieren.

Was uns der Jangtse sagen kann

Die Forschenden wenden ihr Rahmenwerk auf 44 Jahre Daten aus dem Einzugsgebiet des Jangtse an, einer Region, die mehr als ein Drittel des Wassers Chinas liefert und etwa 40 % seiner Wirtschaftsleistung trägt. Durch die Trennung von Trend- und Zykluskomponenten in Temperatur, Niederschlag und Abfluss an wichtigen Messstellen bestätigen sie eine klare Erwärmung von etwa 0,03 °C pro Jahr für das gesamte Becken. Niederschlag und Abfluss zeigen ein komplexeres Bild: Die Niederschläge nehmen tendenziell im Nordwesten und Nordosten des Beckens zu, während sie in den zentralen und südwestlichen Bereichen abnehmen; die meisten Nebenflüsse und der Hauptstrom zeigen rückläufige Abflüsse. Die Analyse fördert außerdem wiederkehrende Muster zutage: kurze Zyklen von etwa 2–3 Jahren, einen mittleren Zyklus nahe 11 Jahren und längere Schwankungen von 22–44 Jahren. Diese Zeiträume stimmen mit bekannten Klima- und Sonnenrhythmen überein, darunter El Niño–Southern Oscillation, Temperaturmodi des Indischen Ozeans und Sonnenaktivitätszyklen.

Blick nach vorn auf künftiges Dürrerisiko

Indem die Autorinnen und Autoren den Jangtse-Abfluss als Kombination aus dem zugrundeliegenden Trend und diesen wiederkehrenden Zyklen rekonstruieren, projizieren sie die Muster in die nahe Zukunft. Ihre Extrapolation konzentriert sich darauf, Jahre mit hohem oder niedrigem Abfluss zu identifizieren, statt präzise Volumina vorherzusagen. In Rückwärtsprüfungen klassifiziert ihre Methode nasse und trockene Bedingungen nahezu 80 % korrekt und übertrifft damit deutlich einen gängigen waveletbasierten Ansatz. Die Vorwärtsextrapolation deutet auf eine erhöhte Wahrscheinlichkeit ungewöhnlich niedriger Abflüsse in der Mitte der 2020er Jahre hin, insbesondere rund 2025–2027. Für ein wirtschaftlich und gesellschaftlich so wichtiges Becken wie den Jangtse unterstreicht diese Art von Frühwarnung den Wert von Werkzeugen, die versteckte Strukturen in komplexen Umweltdaten entwirren und robustere wasserwirtschaftliche Entscheidungen unterstützen können.

Zitation: Li, J., Ding, W. & Wang, H. Grey Wolf optimization enhanced adaptive decomposition for trend periodic analysis of nonstationary and nonlinear hyrologic series. Sci Rep 16, 4839 (2026). https://doi.org/10.1038/s41598-026-35076-6

Schlüsselwörter: hydrologische Zeitreihen, Trend- und Zyklusanalyse, Jangtse, Dürrevorhersage, Klimavariabilität