Optimización Grey Wolf mejorada con descomposición adaptativa para el análisis de tendencias y periodicidades en series hidrológicas no estacionarias y no lineales

Por qué esto importa para el agua y el clima

A medida que el cambio climático y las actividades humanas redefinen los patrones meteorológicos, el momento y la magnitud del caudal fluvial son cada vez menos previsibles. Este artículo presenta una nueva forma de desentrañar las tendencias a largo plazo y los ciclos naturales ocultos en registros ruidosos de agua y clima. El método ayuda a revelar la rapidez del calentamiento regional, si las sequías son cada vez más frecuentes y cuándo podría llegar el próximo periodo de caudal fluvial inusualmente bajo —conocimientos que importan para la seguridad del agua potable, la hidroenergía, la agricultura y la preparación ante inundaciones y sequías.

Una forma más inteligente de leer registros fluviales ruidosos

Los registros hidrológicos, como precipitación, temperatura y escorrentía fluvial, rara vez se comportan de forma simple y constante. Presentan variaciones abruptas, memorias largas de condiciones pasadas y con frecuencia violan las suposiciones de muchas herramientas estadísticas clásicas. Los métodos tradicionales, como el ajuste de una recta de tendencia o las pruebas no paramétricas de rango, suelen asumir que los datos son aproximadamente independientes y siguen distribuciones conocidas. De igual modo, herramientas comunes para detectar ciclos repetidos, como la Transformada Rápida de Fourier o el análisis wavelet, pueden perder señales importantes cuando los datos son muy irregulares. Los autores abordan estas debilidades construyendo un marco combinado de análisis de tendencia y ciclo, llamado GITPA, diseñado específicamente para datos ambientales desordenados y cambiantes.

Cómo el nuevo método busca patrones

En el corazón de GITPA está una técnica moderna de procesamiento de señales llamada ICEEMDAN, que descompone una serie temporal en varias ondas componentes más una tendencia de fondo. El reto es que esta descomposición depende de ajustes delicados que pueden difuminar o mezclar las señales. Para solucionarlo, los autores usan una rutina de búsqueda inspirada en la naturaleza, el Optimizador Grey Wolf, para ajustar automáticamente dos parámetros clave de ruido de modo que las piezas descompuestas muestren un comportamiento claro y regular. Una vez que la serie se ha dividido en partes suaves, los componentes de baja frecuencia se combinan para formar una curva de tendencia, mientras que los componentes de mayor frecuencia alimentan un análisis espectral que revela ciclos dominantes. Una prueba t estadística ayuda a distinguir el comportamiento genuino de baja frecuencia del ruido aleatorio, y un esquema de remuestreo bootstrap proporciona intervalos de confianza sin asumir una forma de probabilidad específica.

Poniendo la técnica a prueba

Antes de aplicar el método a ríos reales, los autores crean cientos de series temporales artificiales con propiedades controladas: registros cortos y largos, tendencias débiles y fuertes, diferentes distribuciones de probabilidad y varios niveles de memoria de un año a otro. Luego comparan su enfoque GITPA con varios métodos ampliamente usados, incluidas la prueba de Mann–Kendall, el análisis innovador de tendencias y herramientas basadas en wavelets. En una amplia gama de condiciones, el nuevo método detecta tendencias sutiles con más fiabilidad, especialmente en registros cortos o cuando las tendencias son débiles. Su precisión generalmente supera el 85% y demuestra ser mucho menos sensible a la distribución exacta de los valores o al grado de autocorrelación. Para el comportamiento periódico, GITPA recupera con éxito todos los ciclos impuestos —incluso cuando dos periodos se solapan— mientras que el análisis wavelet tradicional a menudo omite ciclos más largos o los identifica incorrectamente.

Lo que el río Yangtsé puede contarnos

Los investigadores aplican su marco a 44 años de datos de la cuenca del río Yangtsé en China, una región que suministra más de un tercio del agua del país y soporta alrededor del 40% de su producción económica. Al separar los componentes de tendencia y ciclo en temperatura, precipitación y escorrentía en estaciones clave, confirman un calentamiento claro de aproximadamente 0,03 °C por año a lo largo de la cuenca. La precipitación y el caudal muestran un panorama más complejo: las lluvias tienden a aumentar en el noroeste y noreste de la cuenca, pero decline en las áreas centrales y suroccidentales, y la mayoría de los afluentes y el cauce principal presentan una disminución de la escorrentía. El análisis también descubre patrones recurrentes: ciclos cortos de alrededor de 2–3 años, un ciclo intermedio cercano a 11 años y oscilaciones más largas de 22–44 años. Estas escalas temporales coinciden con ritmos climáticos y solares conocidos, incluidos El Niño–Oscilación del Sur, modos de temperatura del océano Índico y ciclos de actividad solar.

Mirando hacia el riesgo de sequía futuro

Reconstruyendo el caudal del Yangtsé como la combinación de su tendencia subyacente y estos ciclos recurrentes, los autores extienden los patrones hacia un futuro cercano. Su extrapolación se centra en identificar años de caudal alto y bajo más que volúmenes precisos. Al evaluar retrospectivamente su desempeño, su método clasifica correctamente condiciones húmedas y secas casi el 80% de las veces, superando con creces a un enfoque común basado en wavelets. Proyectando el análisis hacia adelante se sugiere una probabilidad elevada de escorrentía inusualmente baja a mediados de la década de 2020, en particular alrededor de 2025–2027. Para una cuenca tan crítica desde el punto de vista económico y social como el Yangtsé, este tipo de alerta temprana subraya el valor de herramientas capaces de desenredar la estructura oculta en registros ambientales complejos y respaldar decisiones de gestión del agua más resilientes.

Cita: 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

Palabras clave: series temporales hidrológicas, análisis de tendencia y ciclo, río Yangtsé, predicción de sequías, variabilidad climática