Optimisation par loup gris améliorée et décomposition adaptative pour l’analyse des tendances et des périodicités de séries hydrologiques non stationnaires et non linéaires

Pourquoi cela compte pour l’eau et le climat

À mesure que le changement climatique et les activités humaines modifient les régimes météorologiques, la date d’occurrence et le volume des écoulements fluviaux deviennent moins prévisibles. Cet article présente une nouvelle méthode pour extraire les tendances à long terme et les cycles naturels enfouis dans des enregistrements hydriques et climatiques bruyants. La méthode aide à révéler la vitesse du réchauffement d’une région, si les sécheresses deviennent plus fréquentes et quand pourrait survenir la prochaine période de débit fluvial anormalement faible — des informations cruciales pour la sécurité de l’eau potable, l’hydroélectricité, l’agriculture et la préparation aux inondations et aux sécheresses.

Une façon plus intelligente de lire des relevés fluviaux bruités

Les séries hydrologiques telles que les précipitations, la température et le débit fluvial se comportent rarement de manière simple et stationnaire. Elles fluctuent, conservent souvent une mémoire des conditions passées et enfreignent fréquemment les hypothèses des outils statistiques classiques. Les méthodes traditionnelles, comme l’ajustement d’une droite de tendance ou les tests non paramétriques de rang, supposent généralement que les données sont approximativement indépendantes et suivent des distributions familières. De même, les outils classiques de détection de cycles, tels que la transformée de Fourier rapide ou l’analyse par ondelettes, peuvent manquer des signaux importants lorsque les données sont très irrégulières. Les auteurs répondent à ces faiblesses en construisant un cadre combiné d’analyse de tendance et de cycle, appelé GITPA, conçu spécifiquement pour des données environnementales désordonnées et changeantes.

Comment la nouvelle méthode recherche les motifs

Au cœur de GITPA se trouve une technique moderne de traitement du signal nommée ICEEMDAN, qui décompose une série temporelle en plusieurs composantes ondulatoires et en une tendance de fond. Le défi est que cette décomposition dépend de réglages délicats qui peuvent flouter ou mélanger les signaux. Pour y remédier, les auteurs utilisent une routine de recherche inspirée de la nature, le Grey Wolf Optimizer, pour ajuster automatiquement deux paramètres clés du bruit afin que les composantes décomposées présentent un comportement clair et régulier. Une fois la série divisée en parties lisses, les composantes à basse fréquence sont combinées pour former une courbe de tendance, tandis que les composantes à plus haute fréquence alimentent une analyse spectrale qui révèle les cycles dominants. Un test t statistique aide à distinguer un comportement basse fréquence réel du bruit aléatoire, et un schéma de rééchantillonnage bootstrap fournit des intervalles de confiance sans supposer de forme de probabilité particulière.

Mettre la technique à l’épreuve

Avant d’appliquer leur méthode à de vrais fleuves, les auteurs créent des centaines de séries temporelles artificielles aux propriétés contrôlées : enregistrements courts et longs, tendances faibles et fortes, différentes distributions de probabilité et divers niveaux de mémoire d’une année sur l’autre. Ils comparent ensuite leur approche GITPA à plusieurs méthodes largement utilisées, y compris le test de Mann–Kendall, l’analyse innovante des tendances et des outils basés sur les ondelettes. Dans un large éventail de conditions, la nouvelle méthode détecte les tendances subtiles de manière plus fiable, en particulier dans les séries courtes ou lorsque les tendances sont faibles. Sa précision dépasse généralement 85 %, et elle est beaucoup moins sensible à la distribution exacte des valeurs ou au degré d’autocorrélation. Pour le comportement périodique, GITPA recouvre avec succès tous les cycles imposés — même lorsque deux périodes se chevauchent — alors que l’analyse par ondelettes traditionnelle manque souvent les cycles plus longs ou les identifie mal.

Ce que le fleuve Yangtsé peut nous apprendre

Les chercheurs appliquent ensuite leur cadre à 44 ans de données du bassin du fleuve Yangtsé, une région qui fournit plus d’un tiers de l’eau du pays et soutient environ 40 % de son activité économique. En séparant les composantes de tendance et de cycle pour la température, les précipitations et le débit aux stations clés, ils confirment un réchauffement net d’environ 0,03 °C par an à l’échelle du bassin. Les précipitations et le débit fluvial montrent un tableau plus complexe : les précipitations tendent à augmenter dans les parties nord‑ouest et nord‑est du bassin, mais diminuent dans les zones centrale et sud‑ouest, et la plupart des affluents ainsi que le cours principal présentent une baisse du débit. L’analyse met aussi au jour des schémas récurrents : des cycles courts d’environ 2–3 ans, un cycle moyen proche de 11 ans et des oscillations plus longues de 22–44 ans. Ces échelles temporelles coïncident avec des rythmes climatiques et solaires connus, incluant l’oscillation El Niño–Oscillation australe, des modes de température de l’océan Indien et des cycles d’activité solaire.

Regarder vers l’avenir du risque de sécheresse

En reconstruisant le débit du Yangtsé comme la combinaison de sa tendance sous‑jacente et de ces cycles récurrents, les auteurs prolongent les motifs vers un futur proche. Leur extrapolation se concentre sur l’identification des années de haut et de bas débit plutôt que sur des volumes précis. Testée en rétrospective, leur méthode classe correctement les conditions humides et sèches dans près de 80 % des cas, surpassant nettement une approche courante fondée sur les ondelettes. En prolongeant l’analyse vers l’avenir, les résultats suggèrent une probabilité accrue de débits anormalement faibles au milieu des années 2020, en particulier autour de 2025–2027. Pour un bassin aussi crucial sur les plans économique et social que le Yangtsé, ce type d’alerte précoce souligne l’intérêt d’outils capables de démêler la structure cachée des enregistrements environnementaux complexes et d’appuyer des décisions de gestion de l’eau plus résilientes.

Citation: 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

Mots-clés: séries temporelles hydrologiques, analyse des tendances et des cycles, fleuve Yangtsé, prévision de sécheresse, variabilité climatique