Ulepszona optymalizacja Grey Wolf z adaptacyjną dekompozycją do analizy trendów i okresowości niestacjonarnych i nieliniowych szeregów hydrologicznych

Dlaczego to ma znaczenie dla wody i klimatu

W miarę jak zmiany klimatu i działalność ludzka przekształcają wzorce pogodowe, terminy i ilości przepływu rzek stają się coraz mniej przewidywalne. W artykule przedstawiono nowe podejście do wydobywania długoterminowych trendów i naturalnych cykli ukrytych w zaszumionych zapasach danych wodnych i klimatycznych. Metoda pomaga ujawnić, jak szybko ociepla się dany region, czy susze stają się częstsze i kiedy może nadejść kolejny okres wyjątkowo niskiego przepływu—wiedza ta jest istotna dla bezpieczeństwa wody pitnej, energetyki wodnej, rolnictwa oraz przygotowań na powodzie i susze.

Mądrzejszy sposób odczytywania zaszumionych zapisów rzek

Zapisy hydrologiczne, takie jak opady, temperatura i odpływ rzeczny, rzadko zachowują się w prosty, stabilny sposób. Wykazują skoki, długą pamięć wcześniejszych warunków i często łamią założenia stojące za wieloma klasycznymi narzędziami statystycznymi. Tradycyjne metody, jak dopasowywanie prostej linii trendu czy testy rangowe nieparametryczne, zwykle zakładają, że dane są w przybliżeniu niezależne i mają znane rozkłady prawdopodobieństwa. Podobnie powszechne narzędzia do wykrywania powtarzających się cykli, takie jak szybka transformata Fouriera czy analiza faletowa, mogą pomijać ważne sygnały, gdy dane są silnie nieregularne. Autorzy rozwiązują te słabości, budując zintegrowane ramy analizy trendów i cykli, nazwane GITPA, zaprojektowane specjalnie dla złożonych, zmiennych danych środowiskowych.

Jak nowa metoda wyszukuje wzorce

W sercu GITPA leży nowoczesna technika przetwarzania sygnału zwana ICEEMDAN, która rozkłada szereg czasowy na kilka składowych falowych oraz tło trendu. Problem polega na tym, że ta dekompozycja zależy od delikatnych ustawień, które mogą rozmywać lub mieszać sygnały. Aby to rozwiązać, autorzy stosują inspirowany naturą algorytm poszukiwania, Grey Wolf Optimizer, do automatycznego strojenia dwóch kluczowych parametrów hałasu, tak aby rozdzielone składniki wykazywały wyraźne, regularne zachowanie. Gdy szeregi zostaną rozdzielone na gładkie części, składowe niskiej częstotliwości łączy się w krzywą trendu, natomiast składowe o wyższej częstotliwości poddaje się analizie widmowej ujawniającej dominujące cykle. Test t statystyczny pomaga odróżnić rzeczywiste zachowania niskoczęstotliwościowe od losowego szumu, a metoda bootstrap zapewnia przedziały ufności bez założenia konkretnego rozkładu prawdopodobieństwa.

Testy metody

Zanim przejdą do rzeczywistych rzek, autorzy tworzą setki sztucznych szeregów czasowych o kontrolowanych właściwościach: krótkie i długie zapisy, słabe i silne trendy, różne rozkłady prawdopodobieństwa oraz różne poziomy pamięci między rokiem a rokiem. Następnie porównują podejście GITPA z kilkoma powszechnie stosowanymi metodami, w tym testem Manna–Kendalla, innowacyjną analizą trendu oraz narzędziami opartymi na faletach. W szerokim zakresie warunków nowa metoda wykrywa subtelne trendy bardziej niezawodnie, zwłaszcza w krótkich zapisach lub gdy trendy są słabe. Jej trafność zwykle przekracza 85% i okazuje się dużo mniej wrażliwa na dokładny rozkład wartości czy stopień autokorelacji. W przypadku zachowań okresowych GITPA skutecznie odzyskuje wszystkie narzucone cykle—nawet gdy dwa okresy nakładają się—podczas gdy tradycyjna analiza faletowa często pomija dłuższe cykle lub je błędnie identyfikuje.

Co może nam powiedzieć rzeka Jangcy

Następnie badacze stosują swoje ramy do 44 lat danych z dorzecza rzeki Jangcy w Chinach, regionu dostarczającego ponad jedną trzecią krajowych zasobów wody i wspierającego około 40% produkcji ekonomicznej kraju. Oddzielając składowe trendu i cykli w temperaturze, opadach i odpływie na kluczowych stacjach, potwierdzają wyraźne ocieplenie wynoszące około 0,03 °C na rok w skali dorzecza. Opady i przepływy rzeczne przedstawiają bardziej złożony obraz: w części północno‑zachodniej i północno‑wschodniej dorzecza opady mają tendencję wzrostową, podczas gdy w rejonach centralnych i południowo‑zachodnich spadają, a większość dopływów i głównego koryta wykazuje malejący odpływ. Analiza ujawnia również powtarzające się wzorce: krótkie cykle około 2–3 lat, cykl średni bliski 11 lat oraz dłuższe wahania trwające 22–44 lata. Skale czasowe pokrywają się ze znanymi rytmami klimatycznymi i słonecznymi, w tym El Niño–Southern Oscillation, trybami temperaturowymi Oceanu Indyjskiego oraz cyklami aktywności słonecznej.

Perspektywy ryzyka suszy

Odtwarzając przepływ Jangcy jako kombinację leżącego u podstaw trendu i tych powtarzających się cykli, autorzy przedłużają wzorce w bliską przyszłość. Ich ekstrapolacja skupia się na identyfikacji lat o wysokich i niskich przepływach, a nie na precyzyjnych wolumenach. Testy retrospektywne pokazują, że metoda poprawnie klasyfikuje warunki wilgotne i suche niemal w 80% przypadków, znacząco przewyższając powszechnie stosowane podejście oparte na faletach. Przedłużenie analizy w czasie sugeruje podwyższone prawdopodobieństwo wyjątkowo niskiego odpływu w połowie lat 20. XXI wieku, szczególnie wokół lat 2025–2027. Dla dorzecza o tak dużym znaczeniu gospodarczym i społecznym takie wczesne ostrzeżenie podkreśla wartość narzędzi potrafiących rozplątać ukrytą strukturę w złożonych rekordach środowiskowych i wspierać bardziej odporne decyzje zarządzania zasobami wodnymi.

Cytowanie: 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

Słowa kluczowe: szeregi czasowe hydrologiczne, analiza trendów i cykli, Jangcy, prognozowanie suszy, zmienność klimatu