非定常・非線形水文系列のトレンド周期解析のためのグレイウルフ最適化による適応的分解の強化

水と気候にとってなぜ重要か

気候変動と人間活動が天候パターンを変えるにつれて、河川の流量の時期や量はますます予測しにくくなっています。本論文は、騒がしい水文・気候データに隠れた長期トレンドや自然の周期を抽出する新しい方法を紹介します。この手法は、地域がどれほど速く温暖化しているか、干ばつが増えているかどうか、次に異常に低い流量が訪れる可能性がある時期を明らかにするのに役立ちます。これらは飲料水の安全、揚水発電、農業、洪水・干ばつへの備えにとって重要な知見です。

雑音の多い河川記録を読み解く賢いやり方

降雨、気温、河川流出などの水文記録は、単純で安定した振る舞いを示すことはめったにありません。急変し、過去の状態の長期記憶を示し、多くの古典的統計手法の前提を破ることがよくあります。直線的なトレンド推定やノンパラメトリックな順位検定のような従来法は、データがほぼ独立で馴染みのある確率分布に従うことを暗黙の前提とすることが多いです。同様に、周期を見つけるための高速フーリエ変換やウェーブレット解析といった一般的な手法は、データが高度に不規則な場合に重要な信号を見落とすことがあります。著者らは、これらの弱点に対処するために、GITPAと呼ばれるトレンドと周期を統合的に解析する枠組みを構築し、乱雑で変化する環境データに特化して設計しました。

新しい手法がパターンを探す仕組み

GITPAの中核にはICEEMDANと呼ばれる現代的な信号処理技術があり、時系列を複数の成分波と背景トレンドに分解します。問題は、この分解が微妙なパラメータ設定に依存し、信号をぼかしたり混合させたりしやすい点です。これを解決するために、著者らはグレイウルフ最適化という自然に着想を得た探索ルーチンを用い、分解された成分が明瞭で規則的に見えるように2つの主要な雑音パラメータを自動で調整します。系列が滑らかな部分に分割されると、低周波成分は結合されてトレンド曲線を形成し、より高周波の成分は支配的な周期を明らかにするスペクトル解析に供されます。統計的なt検定により、真の低周波挙動とランダムノイズを区別し、ブートストラップ再標本化スキームは特定の確率形状を仮定せずに信頼区間を提供します。

手法の検証

実際の河川データに適用する前に、著者らは短期・長期の記録、弱い・強いトレンド、さまざまな確率分布、および年間の自己相関の度合いなど、制御された性質をもつ何百もの人工時系列を作成しました。そして、GITPAをマン・ケンドール検定、既存のトレンド解析、ウェーブレットベースの手法など広く使われる複数の方法と比較しました。幅広い条件にわたり、新手法は特に短い記録やトレンドが弱い場合に微妙なトレンドをより信頼して検出しました。その精度は概ね85％を超え、値の分布や自己相関の程度に対してはるかに鈍感であることが示されました。周期的挙動については、GITPAは重なり合う2つの周期が存在する場合でも課したすべての周期を回復することに成功した一方で、従来のウェーブレット解析は長周期を見逃したり誤認したりすることが多く見られました。

長江が教えてくれること

研究者らは次に、国内の水の3分の1以上を供給し経済活動の約40％を支える長江流域の44年間のデータに本フレームワークを適用しました。主要な観測点における気温、降雨、流出のトレンドと周期成分を分離することで、流域全体で年あたり約0.03°Cの明確な温暖化が確認されました。降雨と河川流量はより複雑な様相を示します。降水は流域の北西部と北東部で増加する傾向がある一方、中央部と南西部では減少し、ほとんどの支流と本流で流出量は減少を示しています。解析はまた繰り返すパターンを浮き彫りにしました：約2–3年の短周期、約11年の中周期、22–44年の長周期です。これらの時間スケールは、エルニーニョ・南方振動、インド洋の温度モード、太陽活動周期など既知の気候および太陽リズムと整合します。

今後の干ばつリスクを見通す

著者らは長江の流量を基礎的なトレンドとこれらの繰り返す周期の組み合わせとして再構成することで、パターンを近未来へ外挿しました。彼らの外挿は正確な流量の予測ではなく、増水年と減水年の識別に焦点を当てています。遡及検証では、本手法は湿潤・乾燥の状態をほぼ80％の確率で正しく分類し、一般的なウェーブレットベースの手法を大きく上回りました。解析を先に進めると、特に2025–2027年頃に、異常に低い流出の確率が中期的に高まることが示唆されました。経済的・社会的に重要な流域である長江にとって、この種の早期警戒は、複雑な環境記録に隠れた構造を解きほぐし、より強靱な水管理の意思決定を支えるツールの価値を強調します。

引用: 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

キーワード: 水文時系列, トレンドと周期解析, 長江, 干ばつ予測, 気候変動性