Trend or persistence? Misclassification of long-term dependence in annual low-flow time series

Wasser ist das Lebenselixier der Landschaften, aber es ist auch eine launische Ressource. Wenn Flüsse Niedrigwasser führen, hat dies Auswirkungen auf die Landwirtschaft, die Trinkwasserversorgung und Ökosysteme. Wissenschaftler verfolgen diese Niedrigwasserperioden sorgfältig und suchen nach Mustern, die auf einen sich verändernden Klimawandel oder eine Verschiebung darin hindeuten könnten, wie das Land Wasser speichert. Um dies zu tun, betrachten sie oft den niedrigsten Abfluss, den ein Fluss in einem Jahr erreicht, der üblicherweise über einen Zeitraum von sieben Tagen gemessen wird. Die Herausforderung besteht darin, dass Flussabflüsse nicht zufällig sind; was heute geschieht, hängt oft davon ab, was gestern und am Tag davor geschah. Dieses „Gedächtnis“ des Wassers kann kurz sein, schnell verblassen, oder es kann lang sein, wobei Bedingungen von vor Jahren noch immer die Gegenwart beeinflussen. Zwischen einem einfachen, kurzfristigen Gedächtnis und einer tiefen, langfristigen Persistenz zu unterscheiden, ist entscheidend. Wenn die Niedrigwasser eines Flusses durch ein langfristiges Gedächtnis angetrieben werden, ist die Unsicherheit bei der Vorhersage zukünftiger Dürren viel höher und das Vertrauen in das Erkennen eines neuen Trends geringer. Seit Jahrzehnten debattieren Forscher darüber, ob diese langfristigen Gedächtnisse eine reale physikalische Eigenschaft von Flüssen sind oder nur eine Illusion, die durch die Art und Weise der Datenerhebung entsteht.

Gregor Laaha, ein Forscher an der BOKU Universität in Wien, setzte sich zum Ziel, genau diese Frage unter Verwendung von Flussdaten aus Österreich und ganz Europa zu testen. Er konzentrierte sich auf ein spezifisches Problem: Wie leicht können Wissenschaftler ein kurzfristiges Gedächtnis mit einem langfristigen verwechseln? Stellen Sie sich vor, Sie versuchen, ein Flüstern in einem lauten Raum zu hören. Wenn das Geräusch nur aus wenigen Sekunden Geplapper besteht, ist es kurzfristig. Wenn das Geräusch ein konstantes Summen ist, das scheinbar ewig zurückreicht, fühlt es sich langfristig an. In Flussdaten bedeutet ein kurzfristiges Gedächtnis, dass der Flusslauf vom jüngeren vergangenen beeinflusst wird, während ein langfristiges Gedächtnis auf ein langsames, tiefes Driften hindeutet, das die Gegenwart mit der fernen Vergangenheit verbindet. Die Studie untersuchte, ob die Methoden, die verwendet werden, um diese langfristigen Gedächtnisse zu finden, sich manchmal selbst täuschen und einfache kurzfristige Muster als etwas viel Tiefergehendes interpretieren.

Um dies zu beantworten, untersuchte das Team zunächst, wie sie ein „Jahr“ definierten. Flüsse folgen nicht dem Kalender; sie folgen den Jahreszeiten. Ein Fluss kann seine Niedrigwasserperiode im Spätsommer beginnen und im frühen Frühling enden. Wenn ein Wissenschaftler die Daten am 1. Januar abschneidet, könnte er ein einzelnes Niedrigwasserereignis in zwei verschiedene Jahre aufteilen und so künstlich eine Verbindung zwischen ihnen herstellen. Laaha verglich Daten, die nach dem Standardkalenderjahr gruppiert wurden, mit Daten, die nach einem „hydrologischen Jahr“ gruppiert wurden, welches im April beginnt, um dem natürlichen Zyklus der Schneeschmelze und des Regens in dieser Region zu entsprechen. Die Ergebnisse waren eindeutig: Wenn die Daten nach dem hydrologischen Jahr gruppiert wurden, sahen die Flussabflüsse viel einfacher aus. Die komplexen, verwickelten Verbindungen zwischen den Jahren verschwanden, und die Daten verhielten sich eher wie ein einfaches, kurzfristiges Gedächtnis. Dies deutet darauf darauf hin, dass die scheinbare Komplexität in den Kalenderjahr-Daten teilweise ein Artefakt der Art und Weise war, wie die Jahre aufgeteilt wurden, und kein tiefes physikalisches Mysterium war.

Als Nächstes betrachteten die Forscher lange Aufzeichnungen von Flussabflüssen, von denen einige bis zu siebzig Jahre zurückreichen. Sie versuchten, zwei verschiedene Arten von mathematischen Modellen auf diese Daten anzuwenden. Ein Modellstyp ging davon aus, dass der Fluss ein langfristiges Gedächtnis hat, während das andere davon ausging, dass er nur ein kurzfristiges Gedächtnis besitzt. Als sie die Daten den besten Modelltyp wählen ließen, gewannen die kurzfristigen Modelle weita viel öfter. In Österreich war das kurzfristige Modell für fast zwei Drittel der Stationen die beste Anpassung. Im europäischen Datensatz gewann es für fast vier von fünf Stationen. Noch aussagekräftiger war, dass die Forscher nach der spezifischen mathematischen Signatur eines langfristigen Gedächtnisses suchten und diese nur sehr selten fanden. In den meisten Fällen ließ sich das Verhalten des Flusses besser durch einfache, kurzfristige Verbindungen erklären als durch ein tiefes, langfristiges Beharren.

Um absolut sicher zu gehen, dass sie nicht etwas übersehen hatten, führten die Forscher tausende Computersimulationen durch. Sie erstellten gefälschte Flussaufzeichnungen, von denen sie mit Sicherheit wussten, dass sie kein langfristiges Gedächtnis hatten. Diese gefälschten Flüsse wurden mit nur kurzfristigen Verbindungen aufgebaut, und die Forscher wussten, dass die „wahre“ Antwort Null langfristiges Gedächtnis war. Sie speisten diese gefälschten Daten dann in die Standardwerkzeuge ein, die zur Detektion von langfristigem Gedächtnis verwendet werden. Das Ergebnis war erschreckend: Die Werkzeuge behaupteten häufig, dass ein langfristiges Gedächtnis existierte, obwohl sie wussten, dass dies nicht der Fall war. Je mehr die gefälschten Flüsse kurzfristige Verbindungen aufwiesen, desto öfter behaupteten die Werkzeuge fälschlicherweise, ein langfristiges Gedächtnis gefunden zu haben. Dies geschah selbst wenn die gefälschten Flüsse sehr lang waren und hunderte von Jahren zurückreichten. Die Werkzeuge interpretierten das kurzfristige Geplapper im Grunde als ein tiefes, uraltes Summen fehl.

Die Forscher gingen dann noch einen Schritt weiter, indem sie echte Flussdaten von vier großen europäischen Flüssen verwendeten, um ihre Simulationen zu kalibrieren. Sie nahmen die tatsächlichen Abflussmuster von Flüssen wie der Donau und der Elbe, entfernten jegliches langfristige Gedächtnis und simulierten neue Abflüsse basierend nur auf den beobachteten kurzfristigen Mustern. Als sie die Detektoren für das langfristige Gedächtnis auf diese neuen Simulationen anwendeten, identifizierten die Detektoren erneut fälschlicherweise ein starkes langfristiges Gedächtnis. In einem Fall behauptete das Werkzeug, dass ein langfristiges Gedächtnis in 63 % der Simulationen existierte, obwohl die Forscher die Daten spezifisch so konstruiert hatten, dass es ausgeschlossen war. Dies bestätigte, dass das Problem nicht nur bei gefälschten Daten lag, sondern bei der Art und Weise, wie die Methoden mit realen Flussmustern umgingen.

Die Studie behauptet nicht, dass ein langfristiges Gedächtnis in Flüssen niemals existiert. Sie zeigt lediglich, dass der Beweis dafür viel schwieriger ist als bisher angenommen. Die Methoden, die verwendet werden, um diese Gedächtnisse zu finden, neigen dazu, sie dort zu sehen, wo sie nicht existieren, insbesondere wenn sie die Möglichkeit einfacher, kurzfristiger Verbindungen ignorieren. Wenn ein Wissenschaftler ein Signal sieht, das wie ein langfristiges Gedächtnis aussieht, kann er nicht davon ausgehen, dass es real ist, ohne zuerst zu prüfen, ob eine einfachere, kurzfristige Erklärung ebenso gut zu den Daten passt. Die Arbeit kommt zu dem Schluss, dass Forscher, bevor sie erklären, dass ein Fluss ein tiefes, langfristiges Gedächtnis besitzt, ihre Ergebnisse explizit gegen diese einfacheren Alternativen prüfen müssen. Oh ohne diesen sorgfältigen Vergleich könnte das „langfristige Gedächtnis“ nur ein Missverständnis der kurzfristigen Gewohnheiten des Flusses sein, was zu übervorsichtigen Vorhersagen und verpassten Chancen bei der Erkennung echter Veränderungen im Wasserkreislauf führt.