Discrete Chi-Square Method can model and forecast complex time series, like El Nino data between 1870 and 2024

Die Arbeit stellt die diskrete Chi-Quadrat-Methode (DCM) als überlegenes, auf der Gauß-Markov-Theorem basierendes Vorhersageverfahren vor, das im Gegensatz zu herkömmlichen Frequenzmethoden komplexe Zeitreihen wie die El-Niño-Daten von 1870 bis 2024 präzise modellieren und prognostizieren kann.

Das Wesentliche

Hier ist eine einfache Erklärung der wissenschaftlichen Arbeit von Lauri Jetsu, die sich mit der Vorhersage von El Niño und einer neuen mathematischen Methode beschäftigt.

Das große Rätsel: Warum ist El Niño so schwer zu erraten?

Stellen Sie sich das Klima als einen riesigen, unruhigen Ozean vor. Manchmal wird dieser Ozean sehr warm (El Niño), manchmal sehr kalt. Diese Schwankungen sind wie ein riesiges Orchester, in dem viele verschiedene Instrumente gleichzeitig spielen. Das Problem für die Wissenschaftler ist: Sie hören nur das Lärmen, aber sie können nicht genau sagen, welche Instrumente (welche Signale) eigentlich spielen, wie laut sie sind oder wann sie genau einsetzen.

Bisherige Methoden, wie der „Discrete Fourier Transform" (DFT), sind wie ein altertümliches Radio, das nur eine Frequenz gleichzeitig abhören kann. Wenn das Orchester zu laut ist, zu viele Instrumente gleichzeitig spielen oder die Musik nicht gleichmäßig klingt, verstimmt sich dieses Radio. Es hört nur Rauschen oder eine falsche Melodie.

Die neue Lösung: Die „Diskrete Chi-Quadrat-Methode" (DCM)

Lauri Jetsu hat eine neue Methode entwickelt, die er DCM nennt. Man kann sich diese Methode wie einen super-scharfen Detektiv vorstellen, der nicht nur hinhört, sondern auch genau analysiert, wie die Musik klingt.

Hier sind die drei genialen Tricks dieses Detektivs:

1. Der „Fenster-Effekt" (WD-Effekt): Auch ein kleiner Schnappschuss reicht

Normalerweise braucht man, um ein Lied zu erkennen, eine lange Aufnahme. Wenn man nur einen kurzen Ausschnitt hat, ist es unmöglich zu wissen, wie das ganze Lied klingt.

• Die alte Methode: Braucht eine lange, perfekte Aufnahme. Ist die Aufnahme zu kurz, versagt sie.
• Die DCM-Methode: Jetsu entdeckt einen revolutionären Effekt: Wenn die Aufnahme zwar kurz ist, aber extrem präzise (ohne Rauschen), kann der Detektiv trotzdem das ganze Lied erkennen. Es ist, als würde man ein einziges, kristallklares Foto machen, aus dem man die gesamte Geschichte eines Films ableiten kann. Je genauer die Daten sind, desto mehr „sieht" die Methode durch die Zeit hindurch – in die Vergangenheit und die Zukunft.

2. Das gleichzeitige Entwirren von Trend und Signal

Stellen Sie sich vor, Sie versuchen, die Wellenbewegung des Ozeans zu messen, aber das Schiff, auf dem Sie stehen, sinkt langsam ab (ein Trend).

• Die alte Methode: Versucht zuerst, das sinkende Schiff zu ignorieren (den Trend zu entfernen), und dann die Wellen zu messen. Das Problem: Wenn man das Schiff falsch berechnet, verzerrt man auch die Wellen.
• Die DCM-Methode: Sie berechnet das sinkende Schiff und die Wellen gleichzeitig. Sie entwirrt das Knäuel, ohne es aufzulösen. Sie weiß genau, was zum Schiff gehört und was zur Welle.

3. Der „Fisher-Test" und der „Vorhersage-Test": Der doppelte Sicherheitscheck

Wie weiß man, ob der Detektiv die richtige Lösung gefunden hat?

• Fisher-Test: Ein mathematischer Richter, der prüft: „Ist dieses komplizierte Modell wirklich besser als ein einfaches?" Er verhindert, dass wir uns Dinge einbilden (Overfitting).
• Vorhersage-Test: Das ist der ultimative Beweis. Die Methode berechnet die Zukunft basierend auf der Vergangenheit. Wenn die Vorhersage mit der späteren Realität übereinstimmt, war die Methode korrekt. Wenn nicht, war es ein Zufall.

Das Ergebnis: Ein Blick in die Zukunft des Wetters

Jetsu hat diese Methode auf die Daten von El Niño angewandt (von 1870 bis 2024). Das Ergebnis ist sensationell:

1. Er hat drei „Riesenwellen" (Big Waves) entdeckt: Es gibt nicht nur ein chaotisches Chaos, sondern drei sehr regelmäßige, langfristige Zyklen im Ozean, die etwa 5,6 Jahre, 12,8 Jahre und 21,3 Jahre dauern.
2. Die Vorhersage klappt: Die Methode hat die Daten der letzten 75 Jahre genutzt, um die nächsten Jahre vorherzusagen. Und guess what? Die Vorhersage für das Jahr 2025 (die gerade erst eingetroffen ist) stimmt mit der Realität überein!
3. Die Ursache: Jetsu vermutet, dass diese Zyklen nicht zufällig sind, sondern durch die Sonne und die Planeten gesteuert werden. Die Sonne wirkt wie ein riesiger Thermostat für den Pazifik.

Warum ist das wichtig?

El Niño verursacht weltweit Katastrophen (Überschwemmungen, Dürren) und kostet die Weltwirtschaft Billionen von Dollar. Wenn wir El Niño nur ein Jahr im Voraus genau vorhersagen könnten, wären wir in der Lage, Ernten zu schützen, Vorräte zu planen und Milliarden zu sparen.

Zusammenfassend:
Stellen Sie sich vor, Sie versuchen, das Wetter für das nächste Jahrzehnt vorherzusagen, indem Sie nur auf ein einziges, verrauschtes Radio hören. Die alten Methoden haben dabei versagt. Lauri Jetsu hat jedoch ein neues, hochpräzises Mikrofon gebaut (die DCM), das selbst aus kurzen, aber klaren Momentaufnahmen die perfekte Melodie des Klimas heraushört und uns sagt, wann der nächste Sturm kommt.

Es ist ein Beweis dafür, dass manchmal die einfachste Mathematik (wenn sie clever angewendet wird) komplexere physikalische Modelle übertrifft, um die Geheimnisse der Natur zu entschlüsseln.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Titel: Diskrete Chi-Quadrat-Methode (DCM) zur Modellierung und Vorhersage komplexer Zeitreihen am Beispiel der El-Niño-Daten (1870–2024)

Autor: Lauri Jetsu (Universität Helsinki, Finnland)
Datum: 5. März 2026 (Preprint)

---

1. Problemstellung

Die Vorhersage komplexer Systeme wie El Niño gilt als eine der größten Herausforderungen der modernen Wissenschaft. Herkömmliche Methoden der Zeitreihenanalyse, insbesondere im Frequenzbereich wie die Diskrete Fourier-Transformation (DFT), stoßen bei nicht-stationären, nicht-linearen und komplexen Zeitreihen an ihre Grenzen.

Die Autoren identifizieren 15 spezifische Anwendungseinschränkungen (Application Limitations, AL) bei etablierten Methoden wie der DFT:

• Unbekannte Datenfehler (Rauschpegel).
• Notwendigkeit gleichmäßig abgetasteter Daten.
• Unbekannte Trendformen und -stärken.
• Probleme durch "Leakage" (Frequenzüberlappung) bei kurzen Beobachtungsfenstern ($\Delta T$), die kleiner sind als die Signaldauer.
• Unbekannte Anzahl und Form der Signale (z. B. reine Sinuswellen vs. komplexe Wellenformen).
• Ill-posed Probleme (schlecht gestellte Probleme) bei der Lösung nicht-linearer Modelle.

Das Ziel ist es, eine Methode zu entwickeln, die diese Einschränkungen überwindet, Trends und Signale simultan detektieren und präzise Vorhersagen treffen kann, selbst wenn das Beobachtungsfenster kürzer ist als die Periodendauer der Signale.

2. Methodik: Die Diskrete Chi-Quadrat-Methode (DCM)

Die DCM ist eine parametrische Zeitreihenanalyse im Frequenzbereich, die auf dem Gauß-Markov-Theorem und der Methode der kleinsten Quadrate (Least Squares, LS) basiert.

Das DCM-Modell:
Das Modell $g(t)$ setzt sich aus einer periodischen Komponente $h(t)$ und einer aperiodischen Trend-Komponente $p(t)$ zusammen:
$$g(t) = h(t) + p(t)$$

• Periodische Komponente $h(t)$: Eine Summe von $K_1$ Signalen. Jedes Signal kann eine komplexe Form haben (reine Sinuswelle oder "Double Wave" mit $K_2$ Harmonischen).
  $$h(t) = \sum_{i=1}^{K_1} \sum_{j=1}^{K_2} [B_{i,j} \cos(2\pi j f_i t) + C_{i,j} \sin(2\pi j f_i t)]$$
• Trend-Komponente $p(t)$: Ein Polynom $k$-ten Grades ($K_3$), das den Trend beschreibt.
  $$p(t) = \sum_{k=0}^{K_3} M_k \left[ \frac{2(t - t_{mid})}{\Delta T} \right]^k$$

Der Algorithmus:

1. Suche im Frequenzraum: Da das Modell nicht-linear in den Frequenzen $f_i$ ist, führt die DCM eine massive Anzahl von linearen LS-Anpassungen für verschiedene Frequenzkombinationen durch.
2. Symmetrie-Nutzung: Um Rechenzeit zu sparen, wird die Symmetrie der Frequenzkombinationen ausgenutzt (Reihenfolge der Signale ist irrelevant).
3. Bootstrap-Verfahren: Zur Schätzung der Parameterfehler und der Modellunsicherheit wird eine computergestützte Bootstrap-Methode verwendet, da analytische Lösungen für nicht-lineare Modelle oft unmöglich sind.
4. Modellselektion (Fisher-Test): Verschiedene Modellalternativen (unterschiedliche $K_1, K_2, K_3$) werden mittels eines Fisher-Tests verglichen, um das beste Modell zu identifizieren und Overfitting zu vermeiden.
5. Vorhersage-Test (Forecast-test): Ein Modell gilt als korrekt, wenn es nicht nur die Trainingsdaten gut beschreibt, sondern auch zukünftige (oder zurückliegende) Daten präzise vorhersagt.

Der "Window Dimension Effect" (WD-Effekt):
Dies ist das Kernkonzept der Arbeit. Es besagt, dass die DCM unabhängig von der Länge des Beobachtungsfensters $\Delta T$ funktioniert. Solange die Stichprobengröße $n$ und/oder die Datenqualität (Rauschreduktion $\sigma$) ausreichend hoch sind, kann die DCM korrekte Trends und Signale auch dann detektieren, wenn $\Delta T$ kürzer ist als die Periodendauer der Signale.

3. Wichtige Beiträge und Ergebnisse

A. Simulationen und Vergleich mit DFT:
Die Autoren simulierten sieben komplexe Zeitreihen (Modelle 1–7), die zunehmend schwierige Bedingungen aufweisen (z. B. kurze Fenster, überlappende Frequenzen, nicht-sinusförmige Signale, komplexe Trends).

• Ergebnis: Die DCM konnte in allen 7 Fällen die korrekten Parameter (Perioden, Amplituden, Trendkoeffizienten) detektieren und die Vorhersagen erfolgreich durchführen.
• Vergleich: Die DFT scheiterte in jedem einzelnen Fall. Sie lieferte falsche Perioden, verpasste Signale oder erzeugte instabile Modelle, insbesondere bei kurzen Fenstern und nicht-stationären Daten.

B. Lösung ill-posed Probleme:
Die Autoren zeigen, dass die analytische Lösung für nicht-lineare Modelle oft schlecht gestellt ist (Existenz, Eindeutigkeit oder Stabilität fehlen). Die DCM löst dies durch einen computergestützten, gut gestellten Ansatz: Durch das Testen einer riesigen Anzahl linearer LS-Fits (Brute-Force-Computing) wird die eindeutige Lösung gefunden, die die Bedingungen für ein gut gestelltes Problem erfüllt.

C. Anwendung auf El Niño (1870–2024):
Die Methode wurde auf die NOAA El Niño 4 SST-Daten angewendet.

• Detektierte Signale: Die DCM identifizierte drei signifikante "Big Wave"-Perioden im El Niño-Verlauf:
  1. $\approx 5,66$ Jahre
  2. $\approx 12,78$ Jahre
  3. $\approx 21,3$ Jahre
• Trend: Ein signifikanter linearer Trend wurde detektiert, der mit der globalen Erwärmung korreliert.
• Vorhersage: Das Modell wurde erfolgreich getestet, indem die ersten 78 Jahre (1870–1947) zur Vorhersage der zweiten Hälfte (1948–2024) genutzt wurden. Die Vorhersage traf die tatsächlichen Daten sehr genau.
• Zukunftsprognose: Basierend auf dem besten Modell (3 Signale + linearer Trend) wird ein extrem starker El Niño zwischen 2030 und 2032 vorhergesagt.
• Validierung: Ein Nachtrag im Paper bestätigt, dass die Vorhersage für das Jahr 2025 (basierend auf Daten bis 2024) mit den tatsächlich beobachteten Werten übereinstimmt.

D. Physikalische Interpretation:
Die Autoren argumentieren, dass diese strikten Periodizitäten nicht durch chaotische interne Klimamechanismen erklärbar sind. Stattdessen deuten sie auf einen externen Ursprung hin: Die Sonne. Die Perioden korrelieren mit dem 11-jährigen Sonnenfleckenzyklus, dem 22-jährigen Hale-Zyklus und halben Zyklen. Dies unterstützt die Hypothese, dass Planeten die solare Aktivität und damit das Klima der Erde beeinflussen.

4. Bedeutung und Fazit

• Revolutionäre Vorhersagekraft: Die DCM durchbricht das Dogma, dass Zeitreihenanalysen lange Beobachtungsfenster benötigen. Durch den WD-Effekt kann sie "durch die Zeit sehen" und Muster erkennen, die für andere Methoden unsichtbar sind.
• Überlegenheit gegenüber DFT: Die Studie belegt, dass die DFT für komplexe, nicht-stationäre Systeme ungeeignet ist, während die DCM robust gegenüber Rauschen, ungleichmäßigen Abständen und kurzen Fenstern ist.
• Ökonomische Relevanz: Da El Niño-Schäden jährlich Billionen von Dollar verursachen, könnte eine zuverlässige Vorhersage (wie die hier vorgestellte) die globale Wirtschaft durch bessere Vorbereitung enorm entlasten.
• Wissenschaftlicher Paradigmenwechsel: Die Arbeit stellt die Verbindung zwischen Himmelsmechanik (Planeten), Solarphysik und Klimatologie her und schlägt vor, dass die "Big Wave" im El Niño ein direktes Ergebnis solarer Zyklen ist, die durch planetare Einflüsse moduliert werden.

Zusammenfassend präsentiert das Paper die DCM als überlegene, mathematisch fundierte Methode zur Analyse komplexer Zeitreihen, die nicht nur theoretische Simulationen, sondern auch reale, hochkomplexe Klimadaten erfolgreich modelliert und zukünftige Extremereignisse vorhersagt.