# Метод на основе уравнения Ланжевена оценивает устойчивость нестационарных систем без сложной подготовки данных

- Опубликовано: 2026-11-07 17:36 UTC
- Раздел: Планета › Климат
- Теги: оценка устойчивости, уравнение Ланжевена, критическое замедление, скорость восстановления, нестационарные временные ряды, нерегулярная дискретизация, автокорреляция AC1, индикаторы раннего предупреждения, палеоклиматические прокси, устойчивость земной системы
- Адрес: https://realtech.media/ru/news/rt-1b5f4bb39d11828f9e45c06f_metod_na_osnove/

**Авторы описали регрессионный метод на основе уравнения Ланжевена: он учитывает сезонность, нерегулярную выборку и пропуски; проверен на синтетических и реальных данных.**

![Langevin-based method estimates resilience of non-stationary systems without heavy data pre-processing](https://realtech.media/media/2026/11/07a7bb388751cca3.png)
*Nature Communications*

В журнале Nature Communications опубликован метод оценки устойчивости систем с нестационарной динамикой, например глобальной растительности при сильном сезонном воздействии. Авторы выражают устойчивость через скорость восстановления λ и оценивают её напрямую с помощью регрессионной формулировки уравнения Ланжевена. Метод проверен на синтетических временных рядах и на реальных данных: динамике растительности, палеоклиматических прокси и подвижках ледников. [1]

По данным авторов, метод не требует сложной предварительной обработки данных, устойчив к пропускам в записи и не нуждается в регулярной дискретизации по времени. Он позволяет учитывать меняющуюся во времени неопределённость данных, давать границы неопределённости оценок устойчивости и распространяется на пространственные системы. Авторы называют его прямой заменой широко используемых оценок устойчивости на основе автокорреляции. [1]

## Ограничения метрик критического замедления

Многие работы оценивают устойчивость компонентов земной системы через критическое замедление: динамика системы замедляется по мере приближения критического перехода. Самые распространённые индикаторы раннего предупреждения — автокорреляция с лагом 1 (AC1) и дисперсия. Большинство таких метрик требуют равномерно дискретизированных рядов и стационарности, то есть отсутствия тренда и сезонности в окне анализа. [1]

Равномерная дискретизация есть не всегда, например в палеоклиматических прокси или в композитах из нескольких наборов данных. Стационарности обычно добиваются удалением сезонности и тренда; авторы называют эти шаги источником ошибок. Изменения отношения сигнал/шум датчика, не связанные с потерей устойчивости, тоже могут сдвигать AC1 и дисперсию, а существующие методы плохо учитывают неопределённость данных. [1]

## Как устроен регрессионный подход

Состояние системы рассматривается как стохастический марковский процесс вокруг зависящего от времени аттрактора, который может быть неподвижным, дрейфующим или колебательным. Вблизи аттрактора восстанавливающая сила приближается линейной, а её градиент равен λ; снижение λ к нулю сигнализирует о потере устойчивости. [1]

Вместо удаления движения аттрактора детрендингом метод берёт за исходную точку его функциональную форму. Изменение состояния системы разделяется на часть, линейно зависящую от состояния, и часть, вызванную внешним воздействием и являющуюся функцией времени. Параметр λ оценивается в скользящих временных окнах, внутри которых устойчивость и интенсивность шума считаются постоянными; размер окна нужно выбирать по скорости динамики системы. Внешние возмущения, например осадки над регионом, считаются однородными, поэтому пространственные различия относят к шуму и внутренним обратным связям. [1]

## Источники

1. [Nature Communications](https://doi.org/10.1038/s41467-026-78489-7)

---

Источник: RealTech, realtech.media — https://realtech.media/ru/news/rt-1b5f4bb39d11828f9e45c06f_metod_na_osnove/