Gråvargoptimerad förbättrad adaptiv dekomposition för trend‑ och periodicitetsanalys av icke‑stationära och icke‑linjära hydrologiska serier

Varför detta är viktigt för vatten och klimat

När klimatförändringar och mänskliga aktiviteter omformar vädermönster blir tidpunkten och mängden flöde i floder mindre förutsägbara. Denna artikel presenterar ett nytt sätt att skilja ut långsiktiga trender och naturliga cykler som ligger dolda i brusiga vatten‑ och klimatserier. Metoden hjälper till att avslöja hur snabbt en region värms upp, om torkor blir vanligare och när nästa period med ovanligt lågt flöde kan inträffa — kunskap som är viktig för dricksvattensäkerhet, vattenkraft, jordbruk samt beredskap mot översvämningar och torka.

Ett smartare sätt att läsa brusiga flodregister

Hydrologiska register som nederbörd, temperatur och flöde uppträder sällan på ett enkelt, stabilt sätt. De varierar, visar långa minnen av tidigare förhållanden och bryter ofta de antaganden som många klassiska statistiska verktyg bygger på. Traditionella metoder, som att passa en rät linje för trend eller använda icke‑parametriska rangtester, antar oftast att data är ungefär oberoende och följer välkända sannolikhetsformer. På samma sätt kan vanliga verktyg för att hitta periodiska cykler, såsom snabbrörtransform (FFT) eller wavelet‑analys, missa viktiga signaler när data är starkt oregelbundna. Författarna tar itu med dessa svagheter genom att bygga ett kombinerat trend‑ och cykelanalysramverk, kallat GITPA, som är utformat särskilt för röriga, föränderliga miljödata.

Hur den nya metoden söker efter mönster

I hjärtat av GITPA finns en modern signalbehandlingsteknik kallad ICEEMDAN, som bryter ned en tidsserie i flera komponentvågor plus en bakgrundstrend. Utmaningen är att denna dekomposition beror på känsliga inställningar som kan göra att signalerna suddas ut eller blandas ihop. För att lösa detta använder författarna en naturinspirerad sökrutin, Grey Wolf Optimizer, för att automatiskt ställa in två viktiga störningsparametrar så att de dekomponerade delarna visar tydligt, regelbundet beteende. När serien har delats upp i släta delar kombineras lågfreventa komponenter för att bilda en trendkurva, medan högre frekvenskomponenter går in i en spektralanalys som avslöjar dominerande cykler. Ett statistiskt t‑test hjälper till att särskilja genuint lågfrevent beteende från slumpmässigt brus, och en bootstrap‑omprovningsprocedur ger konfidensintervall utan att anta någon specifik sannolikhetsfördelning.

Sätta tekniken på prov

Innan de vänder sig till verkliga floder skapar författarna hundratals artificiella tidsserier med kontrollerade egenskaper: korta och långa serier, svaga och starka trender, olika sannolikhetsfördelningar och olika nivåer av minne från ett år till nästa. De jämför sedan GITPA‑metoden med flera allmänt använda metoder, inklusive Mann–Kendall‑testet, innovativ trendanalys och wavelet‑baserade verktyg. Över ett brett spektrum av förhållanden upptäcker den nya metoden subtila trender mer tillförlitligt, särskilt i korta serier eller när trender är svaga. Dess noggrannhet överstiger generellt 85 %, och den visar sig vara mycket mindre känslig för den exakta fördelningen av värden eller graden av autokorrelation. För periodiskt beteende återvinner GITPA framgångsrikt alla inlagda cykler — även när två perioder överlappar — medan traditionell wavelet‑analys ofta missar längre cykler eller feltolkar dem.

Vad Yangtzefloden kan berätta för oss

Forskarlaget applicerar sedan sitt ramverk på 44 år av data från Kinas Yangtze‑flodbassäng, en region som förser över en tredjedel av landets vatten och stöder omkring 40 % av dess ekonomiska produktion. Genom att separera trend‑ och cykelkomponenter i temperatur, nederbörd och avrinning vid nyckelstationer bekräftar de en tydlig uppvärmning på cirka 0,03 °C per år över hela bassängen. Nederbörd och flöde visar en mer komplex bild: nederbörden tenderar att öka i nordväst och nordost av bassängen, men minska i centrala och sydvästra områden, och de flesta biflöden och huvudfåran uppvisar minskande avrinning. Analysen avslöjar också återkommande mönster: korta cykler på cirka 2–3 år, en medellång cykel nära 11 år och längre svängningar på 22–44 år. Dessa tidsskalor stämmer överens med kända klimat‑ och solrytmer, inklusive El Niño–Southern Oscillation, indiska oceanens temperaturmodi och solaktivitetens cykler.

Framåtblick mot framtida torkrisk

Genom att rekonstruera Yangtzes flöde som en kombination av dess underliggande trend och dessa återkommande cykler förlänger författarna mönstren in i en nära framtid. Deras extrapolering fokuserar på att identifiera år med högt respektive lågt flöde snarare än exakta volymer. Vid bakåttest klassificerar deras metod korrekt våta och torra förhållanden nästan 80 % av gångerna, och överträffar därmed en vanlig wavelet‑baserad metod betydligt. Att föra analysen framåt antyder en förhöjd sannolikhet för ovanligt låg avrinning i mitten av 2020‑talet, särskilt runt 2025–2027. För en bassäng som är ekonomiskt och socialt så central som Yangtze betonar denna typ av tidig varning värdet av verktyg som kan reda ut dold struktur i komplexa miljöregister och stödja mer robusta vattenförvaltningsbeslut.

Citering: 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

Nyckelord: hydrologiska tidsserier, trend‑ och cykelanalys, Yangtzefloden, torkprognos, klimatvariabilitet