近日，学院唐强教授团队在Science Bulletin（IF=21.1）发表了题为“Improving resilience monitoring in non-stationary systems via a robust data-chunking algorithm”的最新研究成果，明确了传统韧性指标在非平稳系统中对系统韧性的估计偏差，开发了基于时间序列分段重构的系统动态自相关度指标，为全球变化背景下生态系统、气候系统等的韧性监测提供了稳健可靠的新方法。

全球变化背景下，生态系统、气候系统等各类复杂系统的韧性正面临巨大的外部环境压力。准确监测重要系统的韧性变化，对于预警系统韧性丧失、防范重大突变具有重要意义。基于临界慢化（Critical slowing down）等理论，已有研究提出了时序自相关度、方差、偏度等系统韧性量化指标。然而，尽管这些指标对平稳扰动驱动下系统韧性的响应能力已得到验证，但其在非平稳扰动下的可靠性尚不明确。在当前全球干扰事件频率、强度剧烈变化背景下，检验传统指标应对干扰模式复杂化的表现，发展稳健可靠的系统韧性量化指标至关重要。

研究通过对经典系统动力模型中干扰模式进行复杂化改进，模拟了系统在非平稳扰动条件下的动态信号，并据此验证了传统韧性指标在干扰模式转变过程中的数值响应特征。研究发现，一阶时序自回归系数（AR1）、时序标准差、偏度和峰度等传统韧性量化指标在干扰模式发生非平稳转变时，普遍表现出与系统真实韧性变化无关的数值响应，从而导致韧性错估。针对这一问题，本研究提出了一种基于时间序列分割重构思想的改进型一阶自回归指标（AR1_bts）。该方法通过识别并分割时间序列中的结构性变化段，在各时序分段标准化的基础上进行自回归分析，有效修正了传统 AR1 指标在非平稳扰动下的斜率估计偏误。模拟实验与实证数据分析结果表明，AR1_bts 在平稳与非平稳扰动条件下均表现出较高的可靠性，为复杂扰动模式下的系统韧性监测提供了更稳健的量化方法（图1）。

图1. AR1_bts指标算法主要流程及其在韧性趋势提取准确性方面的优势

西南大学为论文第一完成单位，程临海博士后为第一作者，唐强教授为通讯作者。该成果得到了国家自然科学基金（42477340）、西南大学先导计划青年团队项目（SWU-XDJH-202306）、中国科学院-德国马普学会联合研究基金（HZXM20225001Ml）和中国科学院国际合作项目（177GJHZ2022020BS）的资助。

论文链接：https://doi.org/10.1016/j.scib.2026.01.017

文|程临海 审核| 李勇 樊磊 胡孜