Analysis of Granger causality between daily and monthly temperatures of water and air, as illustrated with the example of Notec river

• Autorzy: Graf R.

Warianty tytułu

PL

Analiza zależności przyczynowych w sensie Grangera między temperaturą wody rzecznej i powietrza na przykładzie rzeki Noteć

• Języki publikacji: EN

Abstrakty

EN

The study presents the results obtained following the analysis of the so-called Granger causality between daily and monthly temperatures of air and water for the period 1987–2013 carried out for the Noteć river and its two main tributaries: Drawa and Gwda. Granger causality relates to a situation where the data concerning past values of one time series provide important information helping to predict values of another series not included in the information about its past values. The analysis was based on the Granger causality test (of the first order). A causality relationship was established for daily temperature series both for the air-water and water-air directions of influence, which means that forecasting the pattern of river water temperatures from changes to air temperatures can yield better results when done based on data from the previous day. The model forecasting daily water temperature in the Noteć river on the basis of water and air temperatures from the previous day explained 0.07–0.27% of unique variance more than the model that used only water temperature from the previous day. The model forecasting the daily air temperature based on air and water temperatures from the previous day explained 0.3–0.79% of the variance more than the model, which uses only the air temperature from the previous day. For monthly series of water and air temperatures, different configurations of correlations in terms of Granger causality were established: one-way in water-air direction or no correlation, which may result from the river water thermal regime being disturbed by the local impact of anthropogenic factors. In addition, the analysed effect of Granger causality between series of random fluctuations of both temperature models confirmed that causal dependencies occur in both directions. The identification of causal relationships in terms of Granger causality confirms the influence of one data series on the evolution on another data series, and it defines the application potential of study results for the purpose of forecasting the changeability of thermal parameters of river waters. The obtained results may help improve the quality of forecasting changes in water thermal conditions, which is important for managing their environmental condition properly.

PL

W opracowaniu przedstawiono wyniki analizy zależności tzw. przyczynowości Grangera między dobowymi i miesięcznymi temperaturami wody i powietrza dla okresu 1987–2013, przeprowadzonej na przykładzie rzeki Noteć i jej dwóch zasadniczych dopływów: Drawy i Gwdy. Przyczynowość Grangera odnosi się do sytuacji, w której dane, dotyczące przeszłości jednego szeregu czasowego, dostarczają istotnej informacji do przewidywania wartości drugiego szeregu, która nie jest zawarta w informacji dotyczącej jego przeszłych wartości. W analizie zastosowano test przyczynowości Grangera pierwszego rzędu. Dla serii dobowych temperatur stwierdzono relację przyczynowości zarówno na linii powietrze–woda, jak również woda–powietrze, co oznacza, że prognozowanie przebiegu temperatury wód rzecznych z poziomu zmian temperatury powietrza może dać lepsze efekty, jeżeli wykorzystane zostaną informacje z dnia poprzedniego. Model przewidujący dobową temperaturę wód Noteci na podstawie temperatur wody i powietrza z dnia poprzedniego wyjaśnił o 0,07–0,27% unikalnej wariancji więcej niż model, który wykorzystywał wyłącznie temperaturę wody z dnia poprzedniego. Model przewidujący dobową temperaturę powietrza na podstawie temperatur powietrza i wody z poprzedniego dnia wyjaśnił o 0,3–0,79% wariancji więcej niż model, który wykorzystuje wyłącznie temperaturę powietrza z dnia poprzedniego. Dla serii miesięcznych temperatur wody i powietrza stwierdzono różne konfiguracje zależności w sensie Grangera, jednostronne, na linii woda–powietrze lub jej brak, co może stanowić efekt zaburzenia cech reżimu termicznego wód rzecznych przez lokalne oddziaływanie czynników antropogenicznych. Dodatkowo zbadany efekt zależności przyczynowości Grangera między szeregami fluktuacji losowych obu modeli temperatur potwierdził, że relacje przyczynowe zachodzą w obu kierunkach. Wskazanie efektu zależności przyczynowych w sensie Grangera stanowi potwierdzenie wpływu jednego szeregu danych na ewolucję drugiego szeregu danych i określa możliwości aplikacyjne wyników badań w prognozowaniu zmienności parametrów termicznych wód rzecznych. Uzyskane wyniki mogą przyczynić się do polepszenia jakości prognoz zmian termiki wód, co ma istotne znaczenie dla właściwego zarządzania ich stanem ekologicznym.

Słowa kluczowe

EN

Notec River; Drawa River; Gwda River; water temperature; air temperature; daily temperature; monthly temperature; casual relationship; 1987-2013 period

• Wydawca: -
• Czasopismo: Acta Scientiarum Polonorum. Formatio Circumiectus
• Rocznik: 2018
• Tom: 17
• Numer: 3
• Opis fizyczny: p.101-117,fig.,ref.

Twórcy

autor

Graf R.

• Department of Hydrology and Water Management, Institute of Physical Geography and Environmental, Adam Mickiewicz University in Poznan, Bogumila Krygowskiego 10, 61-680 Poznan

Bibliografia

• Benyahya, L., Caissie, D., St-Hilaire, A., Ouarda, T.B.M., Bobée, B. (2007). A review of statistical water temperature models. Canadian Water Resources Journal, 32, 79–192.
• Borowicz, J. (2016). Charakterystyka zjawisk lodowych na Noteci i jej prawobrzeżnych dopływach w latach 1982–2011, Archiwum Prac Dyplomowych, Poznań: UAM.
• Caissie, D. (2006). The thermal regime of rivers: a review. Freshwater Biology, 51, 1389–1406.
• Caissie, D., Satish, M.G., El-Jabi, N. (2005). Predicting river water temperatures using the equilibrium temperature concept with application on the Miramichi River catchments (New Brunswick, Canada). Hydrological Processes, 19, 2137–2159.
• Cleveland, R.B., Cleveland, W.S., McRae, J.E., Terpenning, I. (1990). STL: A Seasonal-Trend Decomposition Procedure Based on Loess. Journal of Official Statistics, 6, 3–73.
• Detto, M., Molini, A., Katul, G., Stoy, P., Palmroth, S., Baldocchi, D. (2012). Causality and persistence in ecological systems: A nonparametric spectral Granger causality approach. Am. Nat., 179, 524–535.
• Dickey, D.A., Fuller, W.A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica, 49, 1057–1072.
• Gardner, B., Sullivan, P.J., Lembo, A.J. (2003). Predicting stream temperatures: geostatistical model comparison using alternative distance metrics. Canadian Journal of Fisheries and Aquatic Sciences, 60, 344–351.
• Graf, R. (2015). Zmiany termiki wód Warty w profilu łączącym pradolinny i przełomowy odcinek doliny (Nowa Wieś Podgórna-Śrem-Poznań). In: Absalon D., Matysik M., Ruman M. (red.), Nowoczesne metody i rozwiązania w hydrologii i gospodarce wodnej. Katowice: Komisja Hydrologiczna PTG, PTG Oddział Katowice, 177–194.
• Graf, R. (2018). Distribution Properties of a Measurement Series of River Water Temperature at Different Time Resolution Levels (Based on the Example of the Lowland River Noteć, Poland). Water, 10, 203.
• Granger, C.W.J. (1980). Testing for Causality. A personal Viewpoint, Journal of Economic Dynamic and Control, 2, 4.
• Granger, C.W.J. (2012). Forecasting, [in:] U. Maki (ed.), Philosophy of Economics. Amsterdam: Elsevier.
• Hilderbrand, R.H., Kashiwagi, M.T., Prochaska, A.P. (2014). Regional and local scale modeling of stream temperatures and spatio-temporal variation in thermal sensitivities. Environmental Management, 54, 14–22.
• Jangyodsuk, P., Seo, D-J., Gao, J. (2014). Causal Graph Discovery For Hydrological Time Series Knowledge Discovery. CUNY Academic Works. http://academicworks.cuny.edu/cc_conf_hic/430.
• Kondracki, J. (2008). Geografia regionalna Polski. Warszawa: PWN.
• Lagergaard Pedersen, N., Sand-Jensen, K. (2007). Temperature in lowland Danish streams: Contemporary patterns, empirical models and future scenarios, Hydrological Processes, 21, 348–358.
• Łaszewski, M. (2014). Metody określania związków temperatury wody rzecznej i temperatury powietrza na przykładzie rzeki Świder. Prace Geograficzne, 136, 45–60.
• Letcher, B.H., Hocking, D.J., O’Neil, K., Whiteley, A.R., Nislow, K.H., O’Donnell, M.J. (2016). A hierarchical model of daily stream temperature using air-water temperature synchronization, autocorrelation, and time lags. PeerJ – the Journal of Life and Environmental Sciences, 4. https://doi.org/10.7717/peerj.1727.
• Maziarz, M. (2015). O wartości informacyjnej testów przyczynowości w sensie Grangera. Optimum. Studia ekonomiczne, 2(74), 152–170.
• Mosedale, T.J., Stephenson, D.B. (2006). Granger causality of coupled climate processes: ocean feedback on the north Atlantic oscillation. Journal of Climate, 19, 1182–1194.
• Napiórkowski, M.J., Piotrowski, A.P., Napiórkowski, J.J. (2014). Stream temperature forecasting by means of ensemble of neural networks: Importance of input variables and ensemble size. In: A. J. Schleiss, G. de Cesare, M. J. Franca, M. Pfister (Eds), River Flow 2014. London: Taylor & Francis Group.
• Neumann, D.W., Rajagopalan, B., Zagona, E.A. (2003). Regression Model for Daily Maximum Stream Temperature, Journal of Environmental Engineering, 7, 667–674.
• Piotrowski, A.P., Napiórkowski, J.J. (2018). Performance of the air2stream model that relates air and stream water temperatures depends on the calibration method. Journal of Hydrology, 561, 395–412.
• Piotrowski, A.P., Napiórkowski, M.J., Napiórkowski, J.J., Osuch, M. (2015). Comparing various artificial neural network types for water temperature prediction in rivers. Journal of Hydrology, 529, 302–315.
• Piotrowski, A.P., Osuch, M., Napiórkowski, M.J., Rowiński, P.M., Napiórkowski, J.J. (2014). Comparing large number of metaheuristics for artificial neural networks training to predict water temperature in a natural river. Computers & Geosciences, 64, 136–151.
• Piotrowski, A.P., Napiórkowski, M.J., Kalinowska, M., Napiórkowski, J.J., Osuch, M. (2016). Are Evolutionary Algorithms Effective in Calibrating Different Artificial Neural Network Types for Streamwater Temperature Prediction? Water Resources Management, 30, 3, 1217–1237.
• R Core Team, (2013). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Available online: http://www.R-project.org (15.02.2017).
• Rushworth, A.M., Peterson, E.E., Ver Hoef, J.M., Bowman A.W. (2015). Validation and comparison of geostatistical and spline models for spatial stream networks. Environmetrics, 26, 327–338.
• Sahoo, G.B, Schladow, S., Gand Reuter, J.E. (2009). Forecasting stream water temperature using regression analysis, artificial neural network, and chaotic non-linear dynamic models. J. Hydrol., 378, 325–42.
• Stern, D.I., Kaufmann, R.K. (2014). Anthropogenic and natural causes of climate change. Climatic Change, 122, 257–269.
• Syczewska, E.M. (2014). Przyczynowość w sensie Grangera – wybrane metody. Metody Ilościowe w Badaniach Ekonomicznych 15, 4, 169–180.
• Toffolon, M., Piccolroaz, S. (2015). A hybrid model for river water temperature as a function of air temperature and discharge, Environ. Res. Lett., 10 114011, DOI:10.1088/1748-9326/10/11/114011.
• Wang, W., Anderson, B.T., Kaufmann, R.K., Myneni, R.B. (2004). The relation between the North Atlantic oscillation and SST’s in the North Atlantic basin. Journal of Climate, 17, 4752–4759.
• Webb, B.W., Nobilis, F. (2007). Long-term changes in river temperature and the influence of climatic and hydrological factors. Hydrological Sciences, 52, 74–85.
• Wiejaczka, Ł. (2007). Relacje pomiędzy temperaturą wody w rzece a temperaturą powietrza (na przykładzie rzeki Ropy), Folia Geogr., Geograph.-Physica., 37–38, 95–105.
• Woś, A. (2010). Klimat Polski w drugiej połowie XX wieku. Poznań: Wydawnictwo Naukowe UAM.

Identyfikatory

DOI

10.15576/ASP.FC/2018.17.3.101