灰狼优化增强的自适应分解用于非平稳非线性水文序列的趋势周期分析

这对水资源与气候为何重要

随着气候变化与人类活动重塑天气格局，河流流量的时序与数量变得愈发难以预测。本文提出了一种新方法，用以从嘈杂的水文与气候记录中分辨出长期趋势与自然周期。该方法有助于揭示某一地区变暖的速度、干旱是否更频繁，以及下一轮异常低流量可能何时出现——这些信息对饮用水保障、水电、农业以及防洪和抗旱准备都至关重要。

一种更聪明的噪声河流记录解读法

降雨、气温与径流等水文记录很少呈现简单、平稳的行为。它们常有跳变、对过去条件的长记忆，并且经常违反许多经典统计工具的假设。传统方法，如直线拟合趋势或非参数秩检验，通常假定数据大致独立并遵循常见的概率分布。同样，用于发现重复周期的常见工具（如快速傅里叶变换或小波分析）在数据高度不规则时可能会漏掉重要信号。作者通过建立一个结合趋势与周期分析的框架 GITPA，专门针对混乱、多变的环境数据来解决这些弱点。

新方法如何寻找模式

GITPA 的核心是一种现代信号处理技术 ICEEMDAN，它将时间序列分解为若干分量波以及背景趋势。难点在于这种分解依赖于精细的参数设定，错误设置会导致信号模糊或混叠。为此，作者采用一种自然启发的搜索算法——灰狼优化器，自动调整两个关键噪声参数，使分解出的各部分呈现清晰、规则的行为。序列被分割为平滑分量后，低频分量被合并形成趋势曲线，而高频分量则用于谱分析以揭示主导周期。统计 t 检验帮助区分真实的低频行为与随机噪声，自助法（bootstrap）重抽样则在不假定特定概率分布的情况下提供置信区间。

将技术付诸检验

在应用真实河流数据之前，作者构造了数百条具有可控性质的人工时间序列：长短不同的记录、弱到强的趋势、不同的概率分布以及不同程度的年际记忆。随后，他们将 GITPA 方法与多种广泛使用的方法比较，包括曼–肯德尔检验、创新趋势分析和基于小波的工具。在广泛条件下，新方法更可靠地检测到微弱趋势，尤其在短记录或趋势微弱时表现突出。其准确率通常超过85%，对数值分布或自相关程度的敏感性明显更低。对于周期性行为，GITPA 成功恢复了所有施加的周期——即便两个周期重叠——而传统小波分析常常漏检较长期周期或误判周期长度。

长江能告诉我们的事

研究者随后将该框架应用于中国长江流域44年的数据，该流域提供全国三分之一以上的水资源并支撑约40%的经济产出。通过在关键站点对温度、降雨和径流进行趋势与周期分离，他们确认流域范围内存在约每年0.03 °C 的明显变暖。降雨与河流水量则呈现更为复杂的格局：降水在流域西北与东北部趋于增加，但在中部与西南部有下降趋势，大部分支流与主河道的径流总体呈下降。分析还揭示了重复出现的模式：约2–3年的短周期、近11年的中期周期以及22–44年的长期摆动。这些时标与已知的气候与太阳节律相吻合，包括厄尔尼诺–南方涛动、印度洋温度模态与太阳活动周期。

展望未来干旱风险

通过将长江径流重构为基础趋势与这些重复周期的组合，作者将模式外推到近期未来。他们的外推着眼于识别高流年和低流年，而非精确流量值。在回溯检验中，该方法对干湿情形的正确分类接近80%，显著优于一种常见的小波方法。将分析向前推演表明，2020年代中期（特别是2025–2027年）出现异常低径流的概率有所上升。对于像长江这样在经济与社会上极为重要的流域，这类提前预警凸显了能够从复杂环境记录中理清隐藏结构的工具的价值，并能支持更具韧性的水资源管理决策。

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

关键词: 水文时间序列, 趋势与周期分析, 长江, 干旱预测, 气候变率