DELTA-Hub · Workshop Data Science & AI

Modul 3
Metode statistice pentru date de mediu

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 a începecontext
Tipuri de date

Ce fel de date analizăm?

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.

Serie de timp (1D)un punct, în timpușorGrilă / raster (2D)o hartă (ex. DEM)mediutimpGrilă × timp (3D)raster în timpmai greu — volum & cod+ niveluri / adâncime (4D)nu acoperim azi
Pe măsură ce adaugi dimensiuni, crește și volumul, și efortul de cod. Modulul de azi se oprește la serii de timp și, cel mult, o celulă extrasă dintr-o grilă.
Structură → unealtă → dificultate
Serie de timp
Un punct × timp (debit GRDC, o stație, o celulă din SST) · numpy / pandas · ușor
Grilă (2D)
O hartă, un moment (DEM, batimetrie) · xarray / rasterio · mediu
Grilă × timp (3D)
Raster în timp (ERA5, SST, NDVI, LWQ, CMIP6) · xarray + NetCDF · mai greu (volum)
Câmp 4D
+ adâncime / niveluri (ORAS5, niveluri CMIP6) · xarray + dask · greu — nu acoperim

Trucul 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:

Puncte împrăștiateSWOT, ICESat-2, probeVectorial — poligoane/liniilacuri, linia țărmuluiRaster categorialclase: land cover
Alte forme frecvente: puncte neregulate (necesită interpolare), date vectoriale (operații spațiale) și rastere categoriale (se numără arii, nu se face medie).
Și restul
Puncte împrăștiate
Măsurători neregulate (SWOT PIXC, ICESat-2, probe de sediment) · geopandas, scipy · cer interpolare.
Vectorial
Poligoane și linii (lacuri, linia țărmului din CoastSat) · geopandas · operații spațiale, nu statistici pe pixeli.
Raster categorial
Clase, nu valori continue (ex. land cover) · se calculează arii și frecvențe, nu medii.
Partea 18 min
Nivel · descriptiv

Statistică descriptivă & distribuții

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).

datele brute = măsurători succesive în timp H (m) timp → media furtună furtună
Datele brute apar ca o serie de timp: variabilitate normală + câteva evenimente extreme (furtuni). Aceste valori, agregate fără a ține cont de timp, formează populația din care construim distribuția de mai jos.

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.

① fiecare punct = o măsurătoare · dimensiunea = mărimea valului ② le numărăm pe intervale → histogramă ③ curba = densitatea multe valuri mici puține mari →
Aceeași populație de măsurători (sus) devine o distribuție când o numeri pe intervale (mijloc) și o netezești (curba). Punctele cresc spre dreapta: valurile mari sunt rare, dar contează.

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.

medianămediecoada furtunilor →minQ1Q3max „normal"aberanteIQR = 50% din date
Distribuția (sus) și boxplotul (jos) împart aceeași axă a valorilor: cutia acoperă jumătatea de mijloc (Q1–Q3), linia verde e mediana, iar punctele din coadă sunt valori aberante. La o distribuție asimetrică, media (coral) e trasă spre dreapta față de mediană.

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.

Distribuții utile în date de mediu
Normală
Simetrică, „clopot". Tipică pentru anomalii și erori de măsură.
Log-normală
Pozitivă, asimetrică la dreapta. Debit, turbiditate, concentrații, dimensiuni de sediment.
Weibull / Rayleigh
Înălțimea valului și viteza vântului.
Gamma
Cantități de precipitații.
Exponențială / Pareto
Depășiri peste un prag și timpi între evenimente (vezi 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.

se potrivește (pe diagonală)NU se potrivește (curbat)QQ-plot: cuantilele datelor vs. cuantilele teoretice
QQ-plot: dacă punctele cad pe diagonală, distribuția aleasă se potrivește; o curbură sistematică arată că nu.
De ce contează pentru deltă Pentru a înțelege efectele erozive ale valurilor nu te interesează valul mediu, ci percentilele înalte (P95, P99) ale înălțimii valului. Evenimentele extreme contează disproporționat mai mult! Raportează mediana + IQR, nu media ± abaterea standard, când distribuția e asimetrică.
Cod Python — rezumat & distribuțiePython
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
Partea 28 min
Nivel · descriptiv în timp

Serii temporale: climatologie, sezon, anomalii

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.

ciclu sezonier tendință
Sezonul (oscilația) și tendința (linia) coexistă — anomaliile le separă.

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.

Observat = Tendință + Sezon + Rest
Descompunere: Observat = Tendință + Sezon + Rest. Anomalia din text e, în esență, „Observat − Sezon".
De ce contează pentru deltă Debitul Dunării are un sezon puternic (viitura de primăvară). Dacă compari direct martie cu august vei „vedea" o scădere care e doar sezon. Lucrează pe anomalii. La fel, un val de căldură marin se vede limpede ca anomalie SST, nu în seria brută.
Cod Python — climatologie & anomaliiPython
# 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
Partea 311 min
Nivel · relații & schimbare

Tendințe & corelații

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.

pantă = trend
Regresie liniară: panta dreptei e rata de schimbare.

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.

reziduuri față de model(SS_res)abateri față de medie(SS_tot)R² = 1 − SS_res / SS_tot
R² compară împrăștierea rămasă față de model (SS_res, stânga) cu împrăștierea totală față de medie (SS_tot, dreapta). Cu cât reziduurile sunt mai mici, cu atât R² e mai aproape de 1.

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.

R² = 0,90 — de încredere R² = 0,12 — semnificativ, dar slab
Aceeași pantă, încredere diferită: R² măsoară cât de strâns urmează datele tendința.

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".

pantă = 0 (ipoteza nulă) panta observată p = aria din coadă ≈ 0,03 clopotul = distribuția pantelor obținute pur întâmplător când nu există niciun trend real
Valoarea p ca arie în coadă: dacă nu ar exista niciun trend, ce pante ar produce hazardul? Clopotul e gama de pante întâmplătoare; p ne spune cât de departe în coadă cade panta noastră reală. p mic = greu de explicat prin hazard.

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.

model (regresie liniară) banda ± RMSE — eroarea tipică reziduuri (distanțe verticale) timp → val (m)
RMSE = abaterea tipică a punctelor față de model, măsurată chiar în unitățile variabilei. Banda galbenă deschisă arată ±RMSE: aproximativ două treimi din puncte cad înăuntru (dacă reziduurile sunt aproape normale).

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.

panta Sen = mediana tuturor pantelor-perecheMann-Kendall numără perechile:concordante (cresc) → +1discordante (scad) → −1S = (concordante − discordante)S mare & pozitiv → trend crescătorsemnul lui S nu depinde de valoriaberante → robust
Mann-Kendall numără doar dacă perechile cresc sau scad (deci ignoră valorile aberante), iar panta Sen ia mediana tuturor pantelor dintre perechi de puncte — de aceea e robustă.

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.

r ≈ 0,95 · puternică r ≈ 0,1 · slabă Spearman > Pearson
Corelație puternică, slabă și monotonă-neliniară. În al treilea caz Pearson subestimează relația, iar Spearman o prinde.
De ce contează pentru deltă Trendul nivelului mării (mm/an) din altimetrie, înverzirea NDVI pe deceniu, sau panta SST — toate cer Mann-Kendall + Sen, nu doar o dreaptă trasă cu ochiul. Iar corelația debit–turbiditate e mai bine măsurată cu Spearman, fiindcă ambele sunt puternic asimetrice.
Cod Python — regresie, Mann-Kendall, corelațiiPython
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}")
Trei numere, trei întrebări diferite
p
Există un trend? — probabilitatea ca o pantă cel puțin la fel de mare să apară din pură întâmplare dacă în realitate nu există niciun trend. p mic (ex. <0,05) = greu de pus pe seama hazardului. Nu spune cât de puternic e trendul.
R²
Cât de mult contează? — fracțiunea din variație explicată de model (0–1). Calcul: R² = 1 − SS_res/SS_tot.
RMSE
Cât de departe sunt predicțiile? — eroarea tipică a modelului, în unitățile reale (cm, °C…). Calcul: 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.

Partea 411 min
Nivel · extreme

Percentile, valori extreme & perioade de retur

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.

0 0,25 0,5 0,75 0,95 1,0 0 1,2 2 3,2 7 P50 (median) ≈ 1,2 m ① alegi p = 0,95 ② orizontal până la curbă ③ cobori la axă P95 ≈ 3,2 m valoare (înălțimea valului, m) → probabilitate cumulată
Cuantila: alegi o probabilitate, mergi orizontal la curbă, cobori la valoare. Mediana (P50, gri) e ~1,2 m — peste jumătate din valuri sunt sub această valoare. P95 ≈ 3,2 m — doar 5% dintre valuri o depășesc. Un nivel de retur e o cuantilă foarte înaltă (p > 0,99).
Aceeași idee, trei nume
Percentilă
P95 = pragul depășit 5% din timp.
Cuantilă
Aceeași valoare, exprimată ca probabilitate (0,95).
Nivel de retur
Cuantila la 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.

Block maxima — un maxim pe an (●) Peste-prag — toate vârfurile peste prag (●) prag
Aceeași serie de valuri, două filozofii: un maxim pe an (sus, GEV) vs. toate depășirile unui prag (jos, GPD).
125102050100200observatextrapolatH₁₀₀perioadă de retur (ani, scară log) →nivel de retur (m)
Curba nivel-de-retur pe scară logaritmică: punctele sunt observații (până la ~40 de ani), linia extrapolează spre evenimentul rar, iar banda arată incertitudinea care crește cu perioada de retur.
De ce contează pentru deltă Înălțimea valului la 100 de ani și nivelul extrem al mării sunt parametrii de proiectare pentru protecția costieră și pentru hărțile de hazard. Atenție: extrapolarea la 100 de ani dintr-o serie de câteva zeci de ani are incertitudine mare — de aceea raportezi mereu un interval de încredere, nu o singură cifră.
Cod Python — maxime anuale & GEVPython
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")
Partea 57 min
Nivel · igienă statistică

Capcane frecvente

Aproape toate greșelile din analiza datelor de mediu se reduc la opt. Recunoaște-le și ai câștigat jumătate din luptă.

01Autocorelația

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).

02Non-normalitatea

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).

03Testarea multiplă

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.

04Trend vs. zgomot

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.

05Un singur model nu e adevărul

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.

06Goluri & valori-lipsă

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.

07Erori în date & filtrare insuficientă

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.

08Statistici neadecvate distribuției

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.

Trusa extinsăreferință

Mai departe — alte metode utile

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.

Incertitudine

Bootstrap

Reeșantionezi datele cu repunere de mii de ori și recalculezi statistica — obții intervale de încredere fără a presupune o distribuție.

Pentru tine: bare de eroare pe trenduri, medii și niveluri de retur. scipy.stats.bootstrap
Comparații

Teste de ipoteză

Compari două grupuri: t-test dacă datele sunt ~normale, Mann-Whitney U dacă nu. Diferența observată e reală sau întâmplătoare?

Pentru tine: înainte/după o intervenție, două brațe ale deltei, două perioade. scipy.stats
Periodicități

Autocorelație & spectral

ACF arată cât „își amintește" seria trecutul; periodograma / FFT scoate ciclurile ascunse (sezon, seișe, maree).

Pentru tine: ritmuri în debit, nivel, valuri. statsmodels.acf, numpy.fft
Descompunere

STL

Separă o serie în trend + sezon + rest, robust la valori aberante. Versiunea formală a Părții 2.

Pentru tine: izolezi semnalul de schimbare din SST sau debit. statsmodels STL
Trend în extreme

Regresie cuantilică

Estimează tendința nu doar a mediei, ci a unei percentile (ex. P95). Schimbarea climatică afectează adesea extremele mai mult decât media.

Pentru tine: „crește valul extrem, nu doar cel mediu?" statsmodels QuantReg
Câmpuri spațio-temporale

PCA / EOF

Reduce un câmp pe grilă la câteva moduri dominante — tiparele spațiale care explică cea mai mare parte din variație.

Pentru tine: moduri dominante în câmpuri de SST sau nivel. sklearn.PCA, eofs
Grupare

Clustering

Grupează pixeli sau observații în regimuri similare — k-means (apartenență strictă) sau fuzzy c-means (apartenență graduală).

Pentru tine: regimuri de turbiditate, clasificarea deltelor. sklearn, scikit-fuzzy
Spațial

Interpolare & kriging

Din măsurători rare la o hartă continuă, cu estimarea incertitudinii în fiecare punct — superior interpolării simple.

Pentru tine: hărți din probe de sediment sau batimetrie rară. pykrige, scipy.griddata
Avansat · Areferință
Serii temporale avansate

Memorie, cicluri & schimbări de regim

Trei unelte care storc mult mai mult dintr-o serie temporală decât media și trendul.

A1Analiză spectrală & wavelet

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).

f1 · sinusoidă
amplitudine18
frecvență3
f2 · sinusoidă
amplitudine11
frecvență7
f3 · sinusoidă
amplitudine7
frecvență13
⚡ eveniment extrem (furtună / spike)
amplitudine0
poziție0,60
preset-uri rapide:
① datele observate: suma sinusoidelor (mută slider-ele!) ⚡ spike ② sinusoidele care o compun f1 f2 f3 ③ spectrul (FFT): vârfuri la frecvențele alese, înălțime ∝ amplitudine ⚡ energia spike-ului se împrăștie pe toate frecvențele (FFT „pierde" evenimentul) f=3 f=7 f=13 frecvență →
Mută sliderele ca să vezi cum amplitudinea și frecvența fiecărei sinusoide schimbă semnalul observat (sus) și spectrul FFT (jos). FFT „desface" semnalul complex în vârfurile sale la frecvențele componente. Acum încearcă să crești amplitudinea evenimentului extrem (⚡): vei vedea un spike pe semnal — iar în FFT energia lui se „împrăștie" pe toate frecvențele, fără un vârf clar. Aici începe utilitatea analizei wavelet (vezi mai jos).
anualsemestrial≈ mareefrecvență →putere
Spectrul de putere: vârfurile marchează periodicitățile dominante ale seriei.
timp →scurtălungăperioadăeveniment tranzitoriubandă anuală persistentă
Scalograma wavelet: o bandă anuală persistentă (jos) plus un eveniment tranzitoriu de înaltă frecvență (sus).
De ce contează pentru deltă Pentru debit și nivel, spectrul confirmă ciclul anual; wavelet-ul prinde evenimentele scurte (viituri, furtuni) pe care un spectru global le-ar dilua.
Cod — spectru & waveletPython
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")
A2Cross-correlation (lead-lag)

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.

0+5vârf la +5 zileal 2-lea semnal întârzie 5 zilelag (zile) →
CCF: vârful la un lag pozitiv arată că al doilea semnal urmează primul cu acel decalaj.
De ce contează pentru deltă Lanțul precipitații → debit → turbiditate are întârzieri de zile. CCF îți dă chiar acel decalaj, esențial pentru a lega cauzele de efecte.
Cod — corelație încrucișatăPython
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
A4Detecția punctelor de schimbare

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.

punct de schimbareînaintedupă
Punct de schimbare: seria trece de la un regim la altul; cele două medii diferă vizibil.
De ce contează pentru deltă Construcția unui baraj sau o schimbare de regim sedimentar apare adesea ca un punct de ruptură, nu ca un trend. Detecția lui spune când s-a schimbat sistemul.
Cod — change-pointPython
import ruptures as rpt     # pip install ruptures
algo = rpt.Pelt(model="rbf").fit(seria.values)
puncte = algo.predict(pen=10)   # indicii rupturilor
Avansat · Breferință
Statistici costiere & extreme

Direcție & climă de valuri

Două metode croite pentru date marine — exact terenul tău.

B1Roza valurilor (statistică circulară)

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.

NESV<1 m1–2 m>2 m
Roza valurilor: lungimea fiecărui braț = frecvența pe acea direcție; culoarea = clasa de înălțime.
De ce contează pentru deltă Direcția dominantă a valurilor controlează transportul de sediment de-a lungul țărmului și forma gurilor. Pentru o deltă wave-influenced, roza e prima figură de pus pe masă.
Cod — roză & medie circularăPython
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)
B2Diagrama Hs–Tp (densitate 2D)

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.

Tp — perioadă (s) →Hs (m)fiecare punct = o stare de mare
Diagrama Hs–Tp: norul de stări de mare; zona densă e clima tipică, cozile sunt furtunile.
De ce contează pentru deltă Aceeași înălțime cu perioadă mai lungă transportă mult mai multă energie spre țărm. Diagrama Hs–Tp e standardul în ingineria costieră.
Cod — densitate 2DPython
import matplotlib.pyplot as plt
plt.hexbin(tp, hs, gridsize=30, cmap="viridis")   # sau seaborn.kdeplot(x=tp, y=hs)
Avansat · Creferință
Metode spațiale

Tipare în spațiu: EOF / PCA

Când datele sunt câmpuri pe grilă, statistica poate extrage tiparele spațiale dominante.

C1EOF / PCA pe câmpuri

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.

Modul 1 — tipar spațial−+amplitudinea modului în timp (PC)
Modul 1: un tipar spațial (stânga, ex. un dipol) și amplitudinea lui în timp (dreapta).
De ce contează pentru deltă Câteva moduri EOF rezumă un câmp întreg de SST sau nivel din Marea Neagră — util pentru a lega variabilitatea regională de forțaje (vânt, debit).
Cod — EOFPython
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