Оптимизация серыми волками с улучшенной адаптивной декомпозицией для анализа трендов и периодичности нестационарных и нелинейных гидрологических рядов

Почему это важно для воды и климата

По мере того как изменение климата и деятельность человека перестраивают погодные условия, время и объём речного стока становятся менее предсказуемыми. В статье предложен новый способ выделять долгосрочные тренды и естественные циклы, скрытые в шумных гидрологических и климатических записях. Метод помогает выяснить, насколько быстро регион нагревается, становятся ли засухи более частыми и когда может наступить следующий период аномально низкого речного стока — знания, важные для безопасности водоснабжения, гидроэнергетики, сельского хозяйства и подготовки к наводнениям и засухам.

Более умный способ чтения шумных речных записей

Гидрологические записи — такие как осадки, температура и сток реки — редко ведут себя просто и равномерно. Они подвержены скачкам, демонстрируют длительную память о прошлых состояниях и часто нарушают допущения многих классических статистических методов. Традиционные подходы, например аппроксимация тренда прямой или непараметрические ранговые тесты, обычно предполагают, что данные примерно независимы и подчиняются знакомым распределениям. Аналогично, распространённые инструменты для поиска повторяющихся циклов, такие как быстрое преобразование Фурье или вейвлет‑анализ, могут пропустить важные сигналы при высокой нерегулярности данных. Авторы устраняют эти недостатки, создав комбинированную систему анализа тренда и циклов под названием GITPA, специально рассчитанную на нечеткие, меняющиеся данные окружающей среды.

Как новый метод ищет паттерны

В основе GITPA лежит современная техника обработки сигналов ICEEMDAN, которая разбивает временной ряд на несколько компонентных волн и фоновый тренд. Проблема в том, что такая декомпозиция зависит от тонкой настройки параметров, что может размывать или смешивать сигналы. Чтобы решить это, авторы используют натуралистический поисковый алгоритм — оптимизатор серых волков — для автоматической настройки двух ключевых шума‑параметров так, чтобы декомпозированные составляющие проявляли чёткое, регулярное поведение. После разделения ряда на гладкие части низкочастотные компоненты объединяются в кривую тренда, а высокочастотные поступают в спектральный анализ для выявления доминирующих циклов. Статистический t‑тест помогает отделить истинное низкочастотное поведение от случайного шума, а бутстрэп‑ресемплинг даёт доверительные интервалы без предположений о конкретной форме распределения.

Проверка метода в действии

Прежде чем переходить к реальным рекам, авторы сгенерировали сотни искусственных временных рядов с контролируемыми характеристиками: короткие и длинные записи, слабые и сильные тренды, разные распределения вероятностей и различные уровни автокорреляции по годам. Они сравнили свой подход GITPA с несколькими широко используемыми методами, включая тест Манна–Кендала, инновационный анализ трендов и вейвлет‑инструменты. В широком диапазоне условий новый метод надёжнее обнаруживает тонкие тренды, особенно в коротких рядах или при слабых трендах. Его точность обычно превышает 85%, и он гораздо менее чувствителен к точному распределению значений или степени автокорреляции. Для периодического поведения GITPA успешно восстанавливает все заданные циклы — даже когда периоды перекрываются — тогда как традиционный вейвлет‑анализ часто пропускает более длинные циклы или неверно их идентифицирует.

Что может рассказать река Янцзы

Исследователи применили свою методику к 44 годам данных бассейна реки Янцзы в Китае — региона, который обеспечивает более трети водоснабжения страны и поддерживает около 40% её экономической деятельности. Разделяя компоненты тренда и циклов в температурах, осадках и стоке на ключевых станциях, они подтверждают очевидное потепление примерно на 0,03 °C в год по бассейну в целом. Картина осадков и речного стока более сложна: количество осадков имеет тенденцию к увеличению в северо‑западной и северо‑восточной частях бассейна, но снижается в центральных и юго‑западных районах, при этом большинство притоков и главное русло демонстрируют падение стока. Анализ также выявляет повторяющиеся паттерны: короткие циклы примерно 2–3 года, средний цикл около 11 лет и более длинные колебания в пределах 22–44 лет. Эти временные шкалы соответствуют известным климатическим и солнечным ритмам, включая Эль‑Ниньо/Южное колебание, температурные режимы Индийского океана и циклы солнечной активности.

Взгляд вперёд на риск будущих засух

Восстанавливая сток Янцзы как комбинацию базового тренда и выявленных циклов, авторы экстраполируют паттерны в ближайшее будущее. Их интерпретация сосредоточена на идентификации годов с высокими и низкими стоками, а не на точных объёмах. При ретроспективном тестировании метод правильно классифицирует влажные и засушливые условия почти в 80% случаев, существенно превосходя распространённый вейвлет‑подход. Продление анализа вперёд указывает на повышенную вероятность аномально низкого стока в середине 2020‑х годов, в особенности около 2025–2027 годов. Для бассейна с такой экономической и социальной значимостью, как Янцзы, подобные ранние предупреждения подчёркивают ценность инструментов, способных распутывать скрытую структуру в сложных экологических записях и поддерживать более устойчивые решения в управлении водными ресурсами.

Цитирование: 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

Ключевые слова: гидрологические временные ряды, анализ тренда и циклов, река Янцзы, прогноз засухи, изменчивость климата