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

Résumé Technique : Tendance ou Persistance ? Erreur de classification de la dépendance à long terme dans les séries temporelles annuelles de bas débit

Énoncé du problème
La détection des tendances dans les séries temporelles de bas débit annuel est complexifiée par la dépendance sérielle. Alors que les tests de tendance conventionnels (par exemple, Mann–Kendall) supposent des résidus indépendants, les enregistrements hydrologiques présentent souvent une autocorrélation. Le principal défi abordé dans cette étude est la difficulté de distinguer la dépendance à courte mémoire (généralement modélisée par des processus autorégressifs, ou AR) de la persistance à long terme (PLT) (caractérisée par un paramètre de Hurst $H > 0,5$ ou un paramètre de différenciation fractionnaire positif $d > 0$).

L'article met en évidence un « problème de diagnostic inverse » : une apparente PLT peut ne pas représenter un véritable processus à mémoire longue, mais pourrait être une erreur de classification de tendances déterministes, de dépendances à courte mémoire ou de structures mixtes. Plus précisément, lorsque des modèles fractionnaires sont ajustés sans termes autorégressifs, ils peuvent estimer des valeurs de $d$ positives pour représenter la dépendance à courte mémoire, conduisant à de faux diagnostics de PLT. Cette erreur de classification a des implications significatives pour l'inférence de tendance, car les méthodes tenant compte de la PLT produisent généralement des intervalles d'incertitude plus larges et déclarent moins de tendances que les approches à courte mémoire.

Méthodologie
L'étude emploie une approche multidimensionnelle combinant l'analyse de données observées et des expériences de simulation pour évaluer la robustesse de la détection de la PLT dans les séries de bas débit de 7 jours annuels provenant de bassins versants autrichiens et européens.

1. Analyse des données observées :

   • Définition annuelle : L'étude compare l'agrégation par année civile par rapport à l'agrégation par année hydrologique (avril–mars) pour évaluer comment la définition de l'indice annuel affecte les structures de mémoire courte sélectionnées.
   • Compétition de modèles : Dans les ensembles de données à enregistrements longs (92 stations autrichiennes et 28 européennes), des modèles mutuellement exclusifs ont été comparés à l'aide du critère d'information d'Akaike (AIC). Les classes en compétition étaient :
     • Modèles ARX : Modèles autorégressifs à mémoire courte avec un régresseur temporel linéaire (ordres AR(0) à AR(4)).
     • Modèles de type FARIMAX 1 : Modèles fractionnaires avec un régresseur temporel linéaire mais sans termes AR, s'appuyant uniquement sur la différenciation fractionnaire ($d$).
   • Tests de signification : La signification statistique pour la PLT était définie comme $d > 0$ avec $p < 0,05$ ; la signification pratique exigeait que la limite inférieure de l'intervalle de confiance de Wald à 95 % dépasse 0,10.

2. Expériences de simulation :

   • Simulation générique : Un plan factoriel a généré 24 000 séries aux structures connues : une tendance linéaire déterministe plus un bruit AR(1) stationnaire. Crucialement, le véritable paramètre de différenciation fractionnaire a été fixé à $d = 0$ pour tous les scénarios. Les longueurs d'enregistrement (40 à 200 ans) et les coefficients AR(1) ($\phi = 0, 0,2, 0,4, 0,6$) ont été variés.
   • Simulation calibrée sur jauge : En utilisant quatre enregistrements spécifiques (Würzburg, Děčín, Bratislava et Sala), l'étude a ajusté des modèles uniquement AR sur les données observées et les a utilisés comme « modèles générateurs » pour les simulations (avec un vrai $d=0$). Ces dernières ont ensuite été analysées à l'aide de procédures de type PLT uniquement (FARIMAX Type 1 et HKprocess) pour tester la détection de fausse PLT dans des contextes hydrologiques réalistes.

Résultats clés

• Impact de la définition annuelle : L'agrégation par année hydrologique a systématiquement produit des structures AR plus simples que l'agrégation par année civile. Dans les données autrichiennes, la proportion de modèles AR(0) est passée de 65,1 % (civile) à 78,7 % (hydrologique), tandis que les modèles d'ordre supérieur ont diminué. Cela suggère que l'alignement de l'indice annuel sur le cycle saisonnier réduit la complexité apparente de la mémoire courte.
• Sélection de modèles dans les enregistrements observés : Dans les ensembles de données à enregistrements longs, les modèles AR à courte mémoire ont été sélectionnés plus fréquemment que les modèles FARIMAX de type 1.
  • Autriche : 64,1 % AR contre 35,9 % FARIMAX.
  • Europe : 78,6 % AR contre 21,4 % FARIMAX.
  • La différenciation fractionnaire positive statistiquement significative était rare (seulement 2 enregistrements autrichiens et 2 européens), tandis que la dépendance AR(1) significative était courante.
• Faux diagnostic de PLT dans les simulations :
  • Simulations génériques : Lorsque des procédures de type PLT uniquement ont été appliquées à des séries présentant un vrai $d=0$ mais une dépendance AR(1) non nulle, les diagnostics de PLT pratique ont augmenté fortement avec l'amplitude de $\phi$. Pour $\phi = 0,6$, le modèle FARIMAX de type 1 a diagnostiqué une PLT pratique dans jusqu'à 98,8 % des cas (pour $n=200$), et les taux de HKprocess ont atteint 100 %. Ces faux diagnostics ont persisté et ont souvent augmenté avec la longueur de l'enregistrement.
  • Simulations calibrées sur jauge : Dans les contrôles uniquement AR (Würzburg et Děčín), le modèle FARIMAX de type 1 a produit des estimations médianes de $d$ de 0,220 et 0,285 respectivement, malgré un vrai $d=0$. La PLT pratique a été faussement détectée dans 41 % et 63 % des simulations, respectivement. Le HKprocess a montré des taux de fausse détection encore plus élevés (jusqu'à 100 %).
  • Détection de tendance : Dans ces scénarios uniquement AR, la classification erronée de la dépendance comme étant une PLT a conduit à une réduction de la fréquence de détection des tendances. Par exemple, des tendances positives pratiques n'ont été détectées que dans 23 à 52 % des simulations par FARIMAX, malgré la présence de tendances génératrices.

Contributions et affirmations clés

L'article ne prétend pas que la PLT est absente des systèmes hydrologiques. Il soutient plutôt que les estimations positives du paramètre de différenciation fractionnaire ($d$) ou des paramètres de Hurst ($H$) ne constituent pas, en soi, des preuves robustes d'une véritable mémoire longue.

L'étude démontre que :

1. Erreur de spécification structurelle : Un modèle de type PLT uniquement peut représenter une dépendance résiduelle persistante à courte mémoire par le biais d'un paramètre fractionnaire positif lorsque les termes autorégressifs sont omis.
2. Robustesse des modèles à courte mémoire : Dans les enregistrements de bas débit observés, les représentations par ciri de mémoire courte sont souvent préférées aux alternatives fractionnaires lorsque les deux classes sont en compétition.
3. Vulnérabilité méthodologique : Les procédures d'inférence de tendance basées sur la PLT peuvent diagnostiquer une persistance pratiquement pertinente dans des séries générées uniquement par une dépendance autorégressive à courte mémoire, ce qui conduit à des intervalles d'incertitude trop conservateurs et à des tendances manquées.

Signification et recommandations
L'article conclut que l'inférence de tendance basée sur la PLT ne doit pas être appliquée de manière isolée. L'auteur recommande de :

• Comparer explicitement les modèles de persistance fractionnaire avec des modèles autorégressifs à courte mémoire plausibles.
• Rapporter de manière transparente l'incertitude du modèle de dépendance et la sensibilité de l'inférence de tendance à la structure de dépendance choisie.
• Considérer la définition de la période d'agrégation annuelle (hydrologique vs civile) comme une partie critique du diagnostic de la dépendance.

L'étude souligne que, bien que les modèles fractionnaires soient physiquement plausibles pour les processus hydrologiques, leur application nécessite une sélection de modèle rigoureuse pour éviter de classer par erreur l'autocorrélation à courte mémoire comme une persistance à long terme.