De la a descrie un șir de numere la a estima cât de des revine o furtună. Construim pas cu pas, de la simplu la complex, folosind chiar datele Deltei Dunării și ale Mării Negre.
Trei întrebări revin mereu în datele de mediu: cum arată datele (distribuția), cum se schimbă în timp (tendința și sezonul) și cât de rar e ceva extrem (perioada de retur). Cele cinci părți de mai jos răspund exact la astea.
Înainte de orice statistică, întreabă-te ce formă au datele. Forma decide cât de greu e — și ca volum, și ca cod.
Aproape tot ce folosim încape în câteva structuri, după câte dimensiuni au. O serie de timp e un singur punct urmărit în timp (un șir de numere) — cel mai simplu de analizat. O grilă / raster e o matrice spațială 2D de valori (o hartă); când o urmărești în timp devine un cub 3D (hartă × timp) — mult mai greu, fiindcă crește atât volumul, cât și complexitatea codului. Dacă mai adaugi adâncimea sau nivelurile atmosferice, ajungi la un câmp 4D — pe care nu îl acoperim azi.
numpy / pandas · ușorxarray / rasterio · mediuxarray + NetCDF · mai greu (volum)xarray + dask · greu — nu acoperimTrucul practic pentru azi: dintr-o grilă poți extrage o singură celulă (cea mai apropiată de Delta Dunării) și atunci ai din nou o simplă serie de timp — pe care se aplică direct tot ce urmează. Analiza pe grile întregi (hărți de tendințe pixel-cu-pixel) folosește aceleași metode, dar repetate pe milioane de celule.
Mai există și alte structuri pe care le vei întâlni:
geopandas, scipy · cer interpolare.geopandas · operații spațiale, nu statistici pe pixeli.Primul reflex cu orice șir nou: rezumă-l în câteva numere și uită-te la forma lui.
Câteva numere rezumă centrul, împrăștierea și forma. Pentru centru: media (centrul „de masă") și mediana (valoarea din mijloc). Pentru împrăștiere: abaterea standard și varianța (pătratul ei), IQR-ul (intervalul intercuartilic, Q3−Q1) și coeficientul de variație (CV = abatere/medie, împrăștierea relativă). Pentru formă: asimetria (skewness — cât de înclinată e distribuția) și aplatizarea (kurtosis — cât de „grele" sunt cozile). Iar percentilele (ex. P95 = pragul sub care stau 95% din valori) descriu orice punct al distribuției.
Mediana, IQR-ul și percentilele se numesc statistici robuste: nu sunt trase de câteva valori uriașe. Media, abaterea standard și mai ales skewness/kurtosis sunt, dimpotrivă, sensibile la extreme — un singur val de furtună le mișcă vizibil.
Dar de unde vin aceste numere? Dintr-o populație de valori. Datele de mediu apar de obicei ca o serie de timp: o variabilă măsurată la momente succesive (ex. înălțimea valului, zilnic, pe un an).
Dacă numeri câte măsurători cad în fiecare interval de valori, obții o distribuție — o hartă a cât de des apare fiecare valoare. Histograma e tocmai asta: fiecare măsurătoare „cade" într-o coloană, iar înălțimea coloanei spune cât de frecventă e acea valoare.
Diferența dintre medie și mediană e cheia pentru datele de mediu, fiindcă multe sunt asimetrice. Înălțimea valului, debitul, turbiditatea — toate au o coadă lungă spre valori mari (furtuni, viituri) și un vârf jos lângă valorile mici. La astfel de distribuții media e mai mare decât mediana și poate induce în eroare.
Trei grafice îți spun aproape tot: histograma (forma distribuției), boxplot-ul (mediană, quartile, valori aberante) și ECDF-ul (proporția cumulată — citești direct „ce procent din timp valul depășește 2 m").
Multe variabile de mediu urmează distribuții cunoscute, iar a recunoaște care e utilă: îți spune ce statistici au sens și e baza analizei de extreme din Partea 4.
Cum verifici că o distribuție „se potrivește"? Vizual cu un QQ-plot (cuantilele datelor vs. cuantilele teoretice — dacă stau pe diagonală, se potrivește), iar numeric cu un test Kolmogorov-Smirnov sau Anderson-Darling.
import numpy as np import pandas as pd import matplotlib.pyplot as plt # vhm0 = pandas.Series cu înălțimea semnificativă a valului (m), index temporal print(vhm0.describe()) # count, mean, std, min, 25/50/75%, max print("mediană:", vhm0.median()) print("P95:", vhm0.quantile(0.95)) print("P99:", vhm0.quantile(0.99)) fig, ax = plt.subplots(1, 3, figsize=(12, 3.5)) vhm0.hist(bins=40, ax=ax[0]); ax[0].set_title("Histogramă") ax[1].boxplot(vhm0.dropna()); ax[1].set_title("Boxplot") # ECDF: ce fracțiune din timp valul e sub o anumită valoare x = np.sort(vhm0.dropna().values) y = np.arange(1, len(x)+1) / len(x) ax[2].plot(x, y); ax[2].set_title("ECDF") plt.tight_layout(); plt.show() # potrivim o distribuție și verificăm cu QQ-plot + test KS from scipy import stats par = stats.lognorm.fit(vhm0.dropna()) # ex. log-normală stats.probplot(vhm0.dropna(), dist=stats.lognorm, sparams=par, plot=plt) # QQ-plot D, p = stats.kstest(vhm0.dropna(), "lognorm", par) print(f"KS: D={D:.3f}, p={p:.3g}") # p mare = potrivire bună
Datele de mediu au aproape întotdeauna un ritm anual. Trebuie să-l separi de schimbarea reală.
Trei concepte legate: climatologia e media pe termen lung pentru fiecare lună (sau zi a anului) — „cum arată un februarie tipic". Ciclul sezonier e tocmai acest tipar care se repetă. Anomalia e ce rămâne după ce scazi climatologia: anomalie = valoare − media lunii respective. Anomaliile sunt cele în care vezi tendințele și evenimentele, fără ca sezonul să le ascundă.
Util mai e și media mobilă (rolling mean): netezește zgomotul de zi cu zi ca să vezi tiparul. Atenție însă — netezirea nu „creează" informație, doar o face mai lizibilă.
Toate acestea se rezumă într-o idee: orice serie de mediu poate fi descompusă în trei bucăți — tendința lentă, ciclul sezonier care se repetă și restul (zgomot + evenimente). Asta face metoda STL din trusa extinsă.
# sst = pandas.Series lunară (°C) cu index DatetimeIndex clim = sst.groupby(sst.index.month).transform("mean") # climatologia lunară anom = sst - clim # anomalia SST anom.plot(title="Anomalia SST față de climatologia lunară") # medie mobilă pe 12 luni pentru a vedea tendința lină anom.rolling(12, center=True).mean().plot() # varianta xarray (date pe grilă), folosind groupby pe lună: # clim = ds.tos.groupby("time.month").mean() # anom = ds.tos.groupby("time.month") - clim
Acum întrebăm: crește ceva în timp? și se mișcă două lucruri împreună?
Cel mai simplu estimator de tendință e regresia liniară: tragi cea mai bună dreaptă prin date, iar panta ei e schimbarea pe unitate de timp (mm/an, °C/deceniu). Ușor de calculat, dar sensibilă la valori aberante.
Panta îți spune cât se schimbă, dar nu cât de bine descrie dreapta datele. Pentru asta servește R² (coeficientul de determinare): fracțiunea din variația datelor explicată de model, între 0 și 1. R² = 0,9 înseamnă că dreapta explică 90% din împrăștiere; R² = 0,1 înseamnă că rămâne 90% zgomot. Pentru regresia liniară simplă, R² este chiar pătratul corelației Pearson.
Aici e capcana subtilă și foarte frecventă în date de mediu: semnificația (p) și puterea (R²) sunt lucruri diferite. Cu serii lungi poți obține un trend „semnificativ" (p mic) care totuși explică abia câteva procente din variabilitate (R² mic). Ambele panouri de mai jos au aceeași pantă și pot fi ambele „semnificative" — dar încrederea în ele e radical diferită.
Cealaltă jumătate a poveștii e p-value (sau p-score): probabilitatea de a obține o pantă cel puțin la fel de mare dacă de fapt nu există niciun trend (ipoteza nulă). Cu alte cuvinte: cât de des ai vedea „accidental" o pantă ca a ta dacă ai amesteca datele în timp? p mic = greu de explicat prin hazard (deci panta e probabil reală). Pragul uzual e p < 0,05. Atenție: p mic ≠ trend important — pe serii lungi, chiar și o pantă minusculă devine „semnificativă".
A treia metrică e RMSE (root-mean-square error): eroarea tipică a predicției, în unitățile reale ale variabilei (cm, °C, m³/s). Calculată ca RMSE = √(media reziduurilor²) — deci o medie a distanțelor verticale între datele reale și dreapta de model. Spre deosebire de R² (fără unități, abstract), RMSE e direct interpretabil: „predicția mea greșește în medie cu ±X cm". E util când vrei să dimensionezi marja de eroare a unui model.
Pentru date de mediu se preferă adesea un duo robust și non-parametric: testul Mann-Kendall spune dacă există o tendință monotonă (fără să presupună liniaritate sau normalitate), iar panta Sen (Theil-Sen) estimează cât de mare e, rezistent la valori aberante. E standardul în hidrologie și climatologie.
Când vrei să vezi dacă două variabile se mișcă împreună, folosești corelația: coeficientul Pearson măsoară relația liniară, iar Spearman (pe ranguri) măsoară orice relație monotonă — mai potrivit pentru date asimetrice. Reține regula de aur: corelația nu înseamnă cauzalitate.
from scipy import stats import numpy as np # --- regresie liniară (trend simplu) --- t = np.arange(len(sla)) # sla = nivelul mării (cm) res = stats.linregress(t, sla.values) print(f"pantă = {res.slope*12:.2f} cm/an, p = {res.pvalue:.3g}") print(f"R² = {res.rvalue**2:.2f}") # cât din variație explică trendul pred = res.intercept + res.slope*t rmse = np.sqrt(np.mean((sla.values-pred)**2)) print(f"RMSE = {rmse:.2f} cm") # eroarea tipică, în unități reale # --- Mann-Kendall + panta Sen (robust) --- import pymannkendall as mk # pip install pymannkendall out = mk.original_test(sla.values) print(out.trend, "| Sen slope:", out.slope, "| p:", out.p) # --- corelații --- r_p, _ = stats.pearsonr(debit, turbiditate) # liniară r_s, _ = stats.spearmanr(debit, turbiditate) # monotonă, robustă print(f"Pearson={r_p:.2f} Spearman={r_s:.2f}")
R² = 1 − SS_res/SS_tot.RMSE = √(media reziduurilor²). Spre deosebire de R² (fără unități), RMSE e direct interpretabil.Capcana de reținut: p mic nu înseamnă trend important. Cu zeci de ani de date, chiar și o pantă minusculă devine „semnificativă statistic" (p mic), dar dacă R² e mic și RMSE e mare, trendul explică foarte puțin și predicția rămâne slabă. Raportează mereu toate trei.
Pentru coastă, mediile contează mai puțin decât extremele. Întrebarea reală: cât de mare e valul care apare o dată la 100 de ani?
Începem cu o noțiune-punte: cuantila. O percentilă e doar o cuantilă în procente — P95 e valoarea sub care stau 95% din date. Pe graficul cumulat (CDF/ECDF) o citești invers: alegi o probabilitate pe axa verticală, mergi până la curbă și cobori la valoare. Această operație — „de la probabilitate la valoare" — este exact ce face și o perioadă de retur.
p = 1 − 1/T a maximelor anuale: T=100 → cuantila 0,99.Cuantilele mai au un rol pe care l-ai întâlnit deja: quantile mapping, metoda de bias-correction care aliniază cuantilele unui model cu cele observate. Tot percentile, altă întrebuințare.
Acum, extremele propriu-zise. O perioadă de retur de 100 de ani înseamnă un eveniment cu probabilitate de 1% de a fi depășit într-un an oarecare — nu „o dată exact la fiecare 100 de ani". Nivelul corespunzător se numește nivel de retur.
Două abordări clasice. Block maxima: iei maximul din fiecare an și potrivești o distribuție GEV (Generalized Extreme Value). Peste-prag (peaks-over-threshold): iei toate vârfurile peste un prag înalt și potrivești o distribuție GPD (Generalized Pareto) — folosește mai multe date, dar cere alegerea unui prag. Pentru un start rapid, perioada de retur empirică (din rangul valorilor) e suficientă ca să înțelegi ideea.
from scipy import stats import numpy as np # vhm0 = serie orară a înălțimii valului (m) maxime = vhm0.resample("YE").max().dropna() # un maxim pe an # potrivim o distribuție GEV (block maxima) forma, loc, scara = stats.genextreme.fit(maxime.values) def nivel_retur(T): p = 1 - 1.0/T # probabilitate de neîntrecere return stats.genextreme.ppf(p, forma, loc, scara) for T in (10, 50, 100): print(f"H_s la {T} ani = {nivel_retur(T):.2f} m") # perioadă de retur EMPIRICĂ (intuiție rapidă, fără potrivire): x = np.sort(maxime.values)[::-1] rang = np.arange(1, len(x)+1) T_emp = (len(x)+1) / rang # formula Weibull # interval de încredere prin bootstrap (incertitudinea contează!) rng = np.random.default_rng(0) boot = [] for _ in range(1000): s = rng.choice(maxime.values, len(maxime), replace=True) f, l, sc = stats.genextreme.fit(s) boot.append(stats.genextreme.ppf(0.99, f, l, sc)) lo, hi = np.percentile(boot, [2.5, 97.5]) print(f"H_s 100 ani: IC 95% = [{lo:.2f}, {hi:.2f}] m")
Aproape toate greșelile din analiza datelor de mediu se reduc la opt. Recunoaște-le și ai câștigat jumătate din luptă.
Valorile consecutive (zilnice, lunare) seamănă între ele, deci „efectivul real" de date independente e mai mic decât pare. Asta supraestimează semnificația unui trend: un p mic poate fi iluzoriu. Folosește numărul efectiv de grade de libertate sau teste care țin cont de autocorelație (ex. Mann-Kendall modificat).
Media, abaterea standard și testul t presupun distribuții simetrice. Valul, debitul și turbiditatea nu sunt. Preferă mediana, percentilele și metodele robuste sau non-parametrice (Spearman, Sen).
Dacă calculezi trendul în 10.000 de pixeli, ~500 vor părea „semnificativi" la p<0,05 doar din întâmplare. Corectează (False Discovery Rate / Benjamini-Hochberg) când faci hărți de tendințe pe grilă.
O serie scurtă plus variabilitate naturală mare poate „arăta" un trend care nu există. Ai nevoie de serii lungi — de aici valoarea reanalizelor de zeci de ani. Nu extrapola un trend de pe 5 ani.
La CMIP6, dispersia dintre modele e adesea mai mare decât diferența dintre scenarii pe termen scurt. Raportează mediana ansamblului + interval, niciodată un singur model ca pe o certitudine.
SST, NDVI și Lake Water Quality au lacune (nori). Nu interpola naiv peste goluri lungi și nu confunda un _FillValue cu un zero real — verifică întotdeauna masca de date.
Senzori derivați, unități greșite, valori aberante reale (furtună) vs. artefacte (spike instrumental). Nu rula statistici „pe orb": verifică distribuția, vezi minim/maxim, exclude valorile fizic imposibile. O singură valoare de -9999 rămasă în serie strică media, abaterea standard și trendul. Plot înainte de calcul.
Folosirea statisticilor potrivite pentru tipul greșit de distribuție: media (și abaterea standard) când distribuția e asimetrică sau are coadă lungă, în loc de mediană + IQR. Pentru debit, val, turbiditate — extremele trag media în sus, iar „valoarea tipică" devine o ficțiune. Alege statistica după ce te uiți la histogramă, nu invers.
Dincolo de cele cinci părți, iată metodele pe care le vei întâlni cel mai des în date deltaice. Le poți aborda în sesiunea de cod asistat: înțelegi când se folosesc, iar codul îl ceri asistentului AI.
Reeșantionezi datele cu repunere de mii de ori și recalculezi statistica — obții intervale de încredere fără a presupune o distribuție.
scipy.stats.bootstrapCompari două grupuri: t-test dacă datele sunt ~normale, Mann-Whitney U dacă nu. Diferența observată e reală sau întâmplătoare?
scipy.statsACF arată cât „își amintește" seria trecutul; periodograma / FFT scoate ciclurile ascunse (sezon, seișe, maree).
statsmodels.acf, numpy.fftSepară o serie în trend + sezon + rest, robust la valori aberante. Versiunea formală a Părții 2.
statsmodels STLEstimează tendința nu doar a mediei, ci a unei percentile (ex. P95). Schimbarea climatică afectează adesea extremele mai mult decât media.
statsmodels QuantRegReduce un câmp pe grilă la câteva moduri dominante — tiparele spațiale care explică cea mai mare parte din variație.
sklearn.PCA, eofsGrupează pixeli sau observații în regimuri similare — k-means (apartenență strictă) sau fuzzy c-means (apartenență graduală).
sklearn, scikit-fuzzyDin măsurători rare la o hartă continuă, cu estimarea incertitudinii în fiecare punct — superior interpolării simple.
pykrige, scipy.griddataTrei unelte care storc mult mai mult dintr-o serie temporală decât media și trendul.
Orice ritm ascuns se vede în frecvență. Spectrul de putere (FFT / periodogramă) arată ce cicluri domină — anual, semestrial, de maree. Wavelet merge mai departe: arată când apare fiecare ciclu, util pentru semnale nestaționare (un eveniment de furtună, un regim care se schimbă).
import numpy as np # exemplu sintetic: trei sinusoide + zgomot t = np.linspace(0, 1, 1000) x = (18*np.sin(2*np.pi*3*t) + 11*np.sin(2*np.pi*7*t) + 7*np.sin(2*np.pi*13*t) + np.random.normal(0, 3, t.size)) freq = np.fft.rfftfreq(t.size, d=t[1]-t[0]) putere = np.abs(np.fft.rfft(x - x.mean()))**2 # vârfurile spectrului cad la 3, 7 și 13 # wavelet (continuu) pentru semnale nestaționare: import pywt coef, _ = pywt.cwt(x, np.arange(1,128), "morl")
Două serii pot fi legate, dar decalat. Cross-correlation (CCF) caută la ce lag corelația e maximă — adică cu cât întârzie un semnal față de altul.
from scipy import signal ccf = signal.correlate(turbid - turbid.mean(), debit - debit.mean(), mode="full") lags = signal.correlation_lags(len(turbid), len(debit)) lag_max = lags[ccf.argmax()] # decalajul cu corelație maximă
Uneori nu există un trend lin, ci o ruptură: media sau panta se schimbă brusc la un moment dat. Teste precum Pettitt sau CUSUM găsesc acel punct.
import ruptures as rpt # pip install ruptures algo = rpt.Pelt(model="rbf").fit(seria.values) puncte = algo.predict(pen=10) # indicii rupturilor
Două metode croite pentru date marine — exact terenul tău.
Direcția e date circulare: 359° și 1° sunt vecine, deci media aritmetică nu are sens (se folosește media vectorială). Roza arată dint-ce direcții vin valurile și cu ce intensitate.
from windrose import WindroseAxes # pip install windrose ax = WindroseAxes.from_ax() ax.bar(directie, hs, normed=True, bins=[0,1,2,3]) # media circulară: from scipy.stats import circmean dir_med = circmean(directie, high=360)
Clima de valuri nu e doar înălțimea, ci perechea înălțime–perioadă. O densitate 2D (sau scatter) arată ce combinații apar cel mai des — baza calculului de energie și de încărcare pe structuri.
import matplotlib.pyplot as plt plt.hexbin(tp, hs, gridsize=30, cmap="viridis") # sau seaborn.kdeplot(x=tp, y=hs)
Când datele sunt câmpuri pe grilă, statistica poate extrage tiparele spațiale dominante.
Un câmp pe grilă (SST, nivel) variază în timp și spațiu. EOF (PCA pe date geofizice) îl descompune în câteva moduri dominante: fiecare are un tipar spațial fix și o serie temporală care spune cât e activ acel tipar.
from eofs.xarray import Eof # pip install eofs solver = Eof(sst_anom) moduri = solver.eofs(neofs=3) # tiparele spațiale pcs = solver.pcs(npcs=3) # seriile temporale