Home Page Climagri
Links
Mappa del sito E-mail
Home Page Ucea
Risultati
 
 

 Relazione Finale I° Anno

Climagri - Cambiamenti Climatici e Agricoltura

sottoprogetto 2: Agricoltura Italiana e Cambiamenti Climatici

lINEA DI RICERCA 2.5: "Definizione di sistemi di "downscaling" di modelli globali di previsione stagionale per l'utilizzo a valle di modelli agrometeorologici a scala nazionale."

Responsabile della ricerca: dott. Carlo Cacciamani

Collaboratori: dott.ssa Antonella Morgillo, dott.ssa Valentina Pavan, dott.ssa Rodica Tomozeiu, dott. Stefano Marchesi

Ente: Agenzia Regionale Prevenzione e Ambiente dell'Emilia Romagna - Servizio Meteorologico Regionale (ARPA-SMR)

Assistenza Informatica: Area Informatica di ARPA-SMR

1. Obiettivo generale e introduzione.

L'importanza delle previsioni meteorologiche a medio-lungo termine nell'ambito dell'agricoltura è legata ad esigenze quali una corretta programmazione delle coltivazioni, l'esecuzione d'interventi tecnici in campo, la corretta stima di rischi climatici per le colture, la pianificazione dei fabbisogni d'acqua per l'irrigazione. Previsioni stagionali attendibili possono permettere una più corretta pianificazione dei cicli produttivi e dei livelli di resa potenziale conseguibili nelle diverse aree geografiche italiane. Inoltre, la disponibilità di prodotti previsionali a lungo termine sul territorio nazionale può consentire l'impiego, con un grado d'affidabilità misurabile, di modelli specificamente agrometeorologici basati sulle previsioni stagionali stesse, quali ad esempio quelli che simulano la crescita delle colture. 

Il problema che si pone è evidentemente quello di comprendere se tali previsioni meteorologiche a lungo termine sono possibili e producano risultati affidabili con gli attuali strumenti a disposizione, che sono, per lo più, i Modelli accoppiati di Circolazione Generale dell'Atmosfera e dell'Oceano (AOGCM). Lo sviluppo di previsioni meteorologiche stagionali sperimentali per l'agricoltura a livello nazionale, utilizzando le uscite degli AOGCM, costituisce una novità assoluta per l'Italia e apre prospettive interessanti in ambito agrometeorologico ai fini della programmazione dell'attività agricola.

Le simulazioni degli AOCGM e anche dei soli Modelli di Atmosfera (GCM) in cui le condizioni al contorno (ad esempio la temperatura superficiale degli Oceani, SST) siano prescritte in qualche modo (o valori osservati, oppure valori climatologici) hanno una buona predicibilità sulle scale temporali di 7-10 giorni. L'intrinseca caoticità del sistema atmosfera impedisce però che il limite "deterministico" di predicibilità possa estendersi oltre tale intervallo temporale. In pratica, anche a partire da condizioni iniziali molto simili, dopo un tempo sufficientemente lungo il sistema "atmosfera" simulato da un GCM transita inesorabilmente verso condizioni talvolta anche molto diverse tra di loro. 

Anche se non c'è alcuna speranza di poter ottenere previsioni stagionali in senso "deterministico" per le ragione sopra esposte, esiste tuttavia un certo margine di predicibilità degli AOCGM per scale temporali medio-lunghe (mesi e stagioni) se vengono operati opportuni filtri temporali alle uscite numeriche dei modelli in modo da eliminare i disturbi ad alta frequenza, tipici della variabilità atmosferica. Questa predicibilità a scala temporale più lunga (mensile, stagionale, interannuale) è legata essenzialmente alla lenta variabilità con cui il forcing dagli oceani si trasmette all'atmosfera sovrastante, regolato dalla distribuzione spaziale di alcune grandezze termodinamiche definite all'interfaccia del sistema atmosfera-oceano quali, ad esempio, la temperatura superficiale degli oceani e dei mari (SST) e delle terre emerse, la copertura della neve e dei ghiacci.

In particolare, le anomalie termiche di el-Nino o della Nina, che talvolta accadono sul Pacifico tropicale, sembrano essere le feautures rilevanti per la caratterizzazione del clima nelle zone inter-tropicali e per le ripercussioni che esse determinano anche in alcune aree delle medie latitudini, in particolare nelle aree dell'America nord-occidentale.

In sostanza, sembra ormai evidente che la fattibilità di previsioni meteorologiche su scale temporale medio-lunga è resa possibile dalla esistenza di complesse "teleconnessioni" tra la variabilità "lenta" della SST tropicale ed il segnale meteorologico alle medie latitudini. Il trasferimento del segnale meteorologico dai tropici alle medie latitudini si esplica attraverso complicate interazioni tra diverse scale di moto, spesso di tipo non-lineare e la cui esistenza e natura è ancora non del tutto compresa.

Un ulteriore problema più tecnico che teorico che limita la fruibilità delle previsioni stagionali è legato alle diverse scale spaziali risolte dai modelli AOGCM rispetto alla scala spaziale che interessa agli utenti finali delle previsioni stagionali. Infatti, mentre le prime sono tipicamente globale e/o continentale (5000-1000 Km.), la scala spaziale degli "utenti" è invece quella regionale e locale (100-10 Km.). Per colmare tale gap si rende quindi necessario comprendere in primo luogo quale sia il massimo livello di utilizzabilità delle previsioni dirette degli AOGCM e, se tale utilizzabilità risultasse modesta, definire delle metodologie di regionalizzazione (note come: downscaling) di tipo dinamico o statistico o dinamico-statistico le quali permettano di definire dei prodotti meteorologici usabili dagli utenti a partire dalle uscite dei modelli globali di previsione.

I principali interrogativi da sciogliere sono:
1. quanto sono idonei gli attuali strumenti di previsione stagionale (Modelli Numerici Globali o GCM sia a SST prescritta che i più attuali Modelli accoppiati Atmosfera-Oceano) nel prevedere grandezze meteorologiche al suolo di possibile interesse per l'agricoltura ?
2. In che condizioni si hanno le migliori perfomances ?
3. Quali sono i limiti di uso delle previsioni stagionali dei parametri al suolo ? 
4. E' necessario definire delle tecniche di downscaling e, se si, quali metodi sono più efficaci ? 

2. Primo anno di attività: Studio della qualita' delle previsioni stagionali direttamente prodotte dai modelli di circolazione generale dell'atmosfera (GCM);

Durante il primo anno della ricerca abbiamo tentato di rispondere alla prima domanda tra quelle esposte nel paragrafo precedente. Ci siamo cioè riproposti di valutare, sul territorio italiano, quale fosse la qualità delle previsioni dirette (Direct Model Output, DMO) di un GCM "stato dell'arte" usato con SST prescritte. Va sottolineato che un GCM che esegue previsioni stagionali a SST definite non realizza delle vere "previsioni" in quanto l'atmosfera viene guidata da un forcing oceanico definito con certezza. Solo i più recenti modelli accoppiati atmosfera-oceano (gli AOGCM) realizzano delle vere previsioni in quanto in tali strumenti modellistici le SST non sono prescritte ma sono invece il prodotto della simulazione del modello di Oceano. Le simulazioni stagionali a SST prescritta (dette tecnicamente: hindcast) sono però molto importanti in quanto permettono di definire un limite superiore alla predicibilità stagionale del sistema atmosfera, quella cioè che si otterrebbe se fossimo in grado di prescrivere in ogni istante di tempo futuro, a partire da una data condizione iniziale, il forcing (essenzialmente la SST) nell'interfaccia del sistema atmosfera-oceano. 

Allo scopo è stato utilizzato il data set "speciale" di previsioni stagionali PROVOST (Provost: Prediction of climate variations on seasonal to interannual timescales, Palmer et al., 2000) realizzate presso il Centro Meteorologico Europeo di Reading (ECMWF) nell'ambito dell'omonimo progetto di ricerca finanziato dalla EU ed al quale hanno partecipato 11 partner europei. Le previsioni stagionali fornite da ECMWF all'interno del progetto Provost (il data set è disponibile su CD-ROM realizzato da ECMWF, Becker, 1998) contengono "ensemble" di 9 simulazioni ognuna di lunghezza 4 mesi aventi temperatura superficiale del mare osservata (SST prescritta) nel periodo 1979-1993. Un'esauriente descrizione del progetto Provost può essere trovata in Palmer et al (2000) dove vengono anche discusse in modo molto esauriente le problematiche generali delle previsioni stagionali.

L'attività di diagnostica da noi svolta è stata applicata ai prodotti numerici del data-set di Provost, ed in particolare dei parametri di temperatura e precipitazione, così come essi sono prodotti (Direct Model Output, DMO), senza applicare ad essi alcun tipo di post-elaborazione di tipo statistico. In particolare abbiamo sempre usato la media di ensemble (Ensemble Mean, EM) ottenuta come media delle simulazioni dei 9 membri dell'ensemble.

Essa si articola essenzialmente in due punti:

1. Costruzione del data set dei dati osservati nel periodo di 15 anni di Provost-ECMWF.

2. Valutazione della qualità delle simulazioni del data set Provost nel prevedere i parametri al suolo di Tmax, e Prec24 (analisi dei Direct Model Output, DMO) sul territorio nazionale. 

Al termine dell'attività di diagnostica si sono tratte le prime conclusioni sulla qualità delle previsioni fornite dal DMO di Provost e si è ipotizzata una prima strategia di downscaling che verrà sviluppata ampiamente durante i prossimi anni del progetto.

2.1 Data set osservati e simulati.

Per effettuare le validazioni dei dati previsti da Provost è stata necessaria la costruzione di un data set opportuno comprendente: 

1. I dati delle simulazioni di Provost sull'area europea ed italiana; 
2. I dati di osservazione e di analisi oggettiva, relativi al territorio italiano, provenienti dalla banca dati del MiPAF-UCEA

2.2 Data set Provost.

Il dataset Provost è costituito da 9 simulazioni per ogni stagione per l'intero periodo di 15 anni (dal 1979-1993) nel quale sono anche disponibili i campi numerici della Rianalisi ECMWF (ERA - 15). Il set comprende 14 inverni, 15 primavere, 15 estati e 15 autunni. In tabella 1 sono riportate le principali caratteristiche delle integrazioni:

Modello

ECMWF - T63 - L31

Condizioni iniziali

Ore 12Z dalle Rianalisi ECMWF

Durata delle integrazioni

4 mesi (+1 o +9 giorni)

Stagioni

Inverno (DGFM), Primavera (MAMG),

 Estate (GLAS, Autunno (SOND)

Condizioni al contorno inferiore

SST osservate

Tabella 1: Le caratteristiche delle integrazioni del modello di ECMWF di Provost

I dati sono archiviati in formato grib (gridded binary), un formato binario compattato non direttamente leggibile. La costruzione del data set di simulazioni utili al confronto ha previsto la trasformazione dei dati dal formato grib al formato ASCII, la selezione dei punti della griglia di Provost corrispondenti al territorio italiano ed infine l'estrazione dei dati di simulazione corrispondenti ai punti del territorio nazionale.

La climatologia stagionale del modello è definita come la media di tutti i membri sul periodo di ERA -15, cioè 14 anni per l'inverno e 15 anni per le altre stagioni. La stagione considerata inizialmente è stata l'inverno allargato, comprendente i mesi di dicembre, gennaio, febbraio, marzo. 

Una volta individuati i punti della griglia interessanti per la validazione dei dati di simulazione si è proceduto all'estrazione dal database Provost dei valori di tmax, tmin e prec per quei punti. Ogni ensemble (cioè ogni anno della simulazione) contiene al suo interno nove simulazioni corrispondenti ai nove "run" del modello che viene inizializzato con i valori di SST di ERA-15 corrispondenti ai giorni dal 23 al 30 novembre. 

2.3 Data set MiPAF -Ucea

Il data set fornito da MiPAF - UCEA, usato per eseguire la validazione delle simulazioni di Provost, è composto da:

· Osservazioni giornaliere dei parametri di temperatura a 2 metri (T2m), temperatura massima e minima (Tmax, Tmin,) e Precipitazione cumulata sulle 24 ore (Prec24) sull'intero territorio nazionale. Il periodo di disponibilità dei dati è dal 1979 al 2000; La Banca Dati Agrometeorologica Nazionale (BDAN) è formata dalle stazioni del Servizio Idrografico (dal 1951 al 1973), da quelle dell'Aereonautica Militare (1951-2000), dalle stazioni automatiche e meccaniche dell'Ucea. I dati utilizzati sono le osservazioni da dati da stazione del periodo 1979-2000 su una rete di circa 294 stazioni.

· Analisi giornaliere di T2m (Tmax, Tmin,) e Prec24 su un reticolato regolare di punti che coprono il territorio nazionale Periodo: 1979 - 2000 (griglia Italia).

La principale difficoltà che si è dovuta superare per realizzare la diagnostica del DMO di Provost usando i dati osservati è essenzialmente la diversa risoluzione della scala spaziale e della scala temporale dei due data set. Infatti mentre la griglia dei dati Provost è una griglia globale con una risoluzione spaziale di 2,5° x 2,5° (circa 250 x 250 km) e le previsioni numeriche sono fornite come valori mediati su un intervallo di dieci giorni, la griglia Italia delle analisi oggettive dei dati Mipaf dall'Ucea ha una risoluzione spaziale di 0,5° x 0,5° (circa 50 x 50 km) e una risoluzione temporale giornaliera. Il data set dei dati osservati è evidentemente disponibile in maniera irregolare, mentre la risoluzione temporale è ancora giornaliera. La diversa risoluzione crea il problema di non poter confrontare i DMO con i dati osservati e/o calcolati senza ulteriori manipolazioni.


3. Metodologia di lavoro.

A causa della bassa risoluzione della griglia Provost e della stretta conformazione della penisola italiana, i punti Provost che cadono sul territorio nazionale sono molto limitati. Per di più, la diversa risoluzione con cui sono disponibili i dati di previsione e quelli osservati, rende il processo di confronto complesso, in quanto i dati osservati, a causa della maggiore risoluzione spaziale, contengono un livello di dettaglio maggiore rispetto ai dati previsti.

Per ovviare a tale problema di incompatibilità tra le scale spaziali, è stato necessario eseguire un upscaling dei dati osservati riportando le osservazioni alla stessa risoluzione con cui sono disponibili le simulazioni di Provost. In pratica questo è stato ottenuto applicando un operatore di media spaziale su tutte le stazioni (o i punti di griglia del Mipaf, la griglia Italia) interne ad una scatola quadrata di lato all'incirca di 250 km, centrata in ogni punto di griglia di Provost usato. Si è inoltre fatta attenzione ad escludere quelle stazioni, interne alla box, localizzate ad una quota geografica troppo diversa (soglia scelta: 400 metri) dall'orografia vista da Provost. 

Un'ulteriore fonte di diversità è la diversa scala temporale dei due data set. Abbiamo già detto che il data set di Provost è composto da dati decadali mentre i dati di analisi oggettiva e delle osservazioni da stazione sono dati giornalieri. Si è dovuto quindi uniformare la scala temporale dei data set a disposizione. Per far questo abbiamo di nuovo riportato i dati alla scala maggiore a disposizione, vale a dire alla scala decadale e a quella mensile, mediando i dati giornalieri di osservazione e di analisi oggettiva.

La figura 1 (quadri a, b e c) che segue mostra rispettivamente la griglia Provost, la distribuzione delle stazioni MIPAF - UCEA, e la griglia Italia di Analisi Oggettiva

   PROVOST                           STAZIONI UCEA              GRIGLIA "Italia"

              

Figura 1: Distribuzione dei punti di griglia delle simulazioni di Provost (quadro a), delle stazioni usate per il confronto (quadro b) e dei punti analisi Mipaf su grigliato (quadro C) dei dati osservati. 

4. RISULTATI DELLA DIAGNOSTICA DELLE SIMULAZIONI.

Si discuteranno i risultati ottenuti relativamente alle temperature massime (Tmax) e delle precipitazioni per il periodo invernale esteso Dicembre-Marzo. Per quanto riguarda le temperature sono stati presi in esame tre punti di griglia di Provost che possono considerarsi significativi dell'intero territorio nazionale. I punti presi in esame sono stati uno al nord (45.0°N, 10,0 E°), uno al centro ( 42.5°N,12.5°E) e due al sud (40.0°N,17.5°E) e (40.0°N,17.5°E). 
Lo studio diagnostico delle precipitazioni è stato esteso al momento solo al Nord Italia.

4.1 Temperatura massima: Nord Italia

I risultati delle elaborazioni sono riassunti in forma abbreviata dai grafici nell'appendice A. I grafici riguardano l'andamento delle temperature massime (Figura A1), delle anomalie rispetto al clima (osservato e simulato) (Figura A2), e lo scatter-plot (Figura A3) delle anomalie osservate e quelle previste.

Dall'analisi dell'andamento delle temperature massime nel nord Italia si nota come il dato previsto rappresenti abbastanza bene la stagionalità dei valori osservati, anche se i dati previsti da Provost sottostimano sempre i dati osservati. Analizzando l'andamento delle anomalie, calcolate rispetto alle climatologia (del modello o delle osservazioni) calcolata sugli anni a disposizione si rileva che, una volta eliminata la naturale variabilità stagionale, l'anomalia del DMO non mostra più una differenza sistematica da quella osservata. E' evidente invece come l'anomalia del DMO è sempre minore del dato osservato. L'analisi della correlazione tra le serie di dati di anomalia (prevista e osservata) fornisce risultati assai modesti, in genere la correlazione è molto bassa (r=0.13) e, per di più, anche il livello di confidenza della stessa è modesto visto il limitato numero di anni su cui il calcolo viene effettuato.

4.2 Temperatura massima: Centro Italia.

Lo stesso tipo di analisi è stato svolto per il centro Italia. Le Figure A5-A8 mostrano gli stessi andamenti e scatter plot rappresentati per il Nord Italia.
A differenza di quanto mostrato per il territorio dell'Italia del Nord, si nota dalla Figura A5 che le temperature massime simulate dal modello sono sovrastimate rispetto all'andamento dedotto dai dati osservati. La figura A6 mostra l'andamento annuale delle anomalie. Si può notare come anche in Italia centrale le temperature previste non riproducono la variabilità dei dati osservati. Il livello di correlazione tra le anomalie previste e quelle osservate è basso (r=0,23).


4.3 Temperatura massima: Sud Italia.

L'andamento delle temperature del modello non mostra né la sottostima trovata al nord né la sovrastima del centro (Figura A7). Dall'analisi delle anomalie (Figura A8) si nota come anche in questo caso la variabilità del segnale misurato non è riprodotta dal modello. Lo scatter plot non produce informazioni rilevanti, l'indice di correlazione è ancora piuttosto basso (r= 0,29).


5. Studio sulle precipitazioni nel Nord Italia.

Per lo studio delle precipitazioni nel Nord Italia abbiamo preso in considerazione le stazioni che appartengono al quadrato compreso tra la latitudine di 43,75 °N e 46,25 °N e la longitudine compresa tra 8,75 °E e 11,25 °E come mostrato nella seguente figura 2:

Figura 2: stazioni considerate per la verifica delle precipitazioni

L'analisi è riferita al periodo invernale dicembre-marzo. La precipitazione è un parametro meno sensibile all'altitudine della temperatura, ma in ogni caso per omogeneizzare le procedure abbiamo applicato un filtro alla selezione delle stazioni che appartengono al box considerando quelle con altezza superiore ai 400 metri sul livello del mare.

I risultati delle elaborazioni relativamente alle precipitazioni mensili, mediate realmente sull'intera area del territorio del Nord Italia, sono riportati nella Figura A10 dell'appendice. Da un'analisi anche qualitativa degli andamenti osservati e previsti si può dedurre che le simulazioni di Provost presentano un trend di diminuzione delle precipitazioni durante il corso degli anni, però non catturano assolutamente la variabilità inter-annuale presente nei dati osservati.

6. Il downscaling statistico

I risultati abbastanza deludenti ottenuti dall'analisi del DMO permetteno di poter concludere che un uso diretto delle previsioni stagionali dei parametri al suolo (il DMO) fornito dai modelli GCM non sembra al momento possibile, dal momento che il livello di errore risulta ancora troppo elevato.

Si rende pertanto necessaria una fase di post-elaborazione dei modelli CGM, detta comunemente downscaling, che permetta di definire un collegamento tra l'output dei modelli e i parametri del tempo al suolo. In altri termini, è necessario individuare una serie di grandezze, possibilmente previste in maniera abbastanza realistica dai GCM, che possano fungere da "predittori" dei parametri al suolo, definiti comunemente "predittandi".

La scelta dei predittori deve essere fatta tenendo conto di due requisiti fondamentali:

a) i predittori scelti devono essere quelli possibilmente più correlati con i parametri meteorologici al suolo in un dominio dato;
b) i predittori scelti devono essere previsti, su una scala stagionale, con un adeguato livello di attendibilità dai modelli GCM.

Al termine del processo di scelta dei predittori è possibile definire un link statistico da predittori e predittandi usando consolidate tecniche di analisi statistica multivariata. Le tecniche più accreditate sono la regressione multipla e la correlazione canonica.

E' necessario precisare che, all'interno di una "logica" di tipo Perfect-Prog che si intende percorrere, se uno dei requisiti a) o b) non viene soddisfatto, il metodo di downscaling proposto non potrà mai fornire risultati soddisfacenti. L'individuazione di un collegamento statistico forte tra predittori e predittandi, individuato dall'analisi dei soli dati osservati, non è condizione sufficiente per il buon esito del sistema di downscaling se poi i predittori previsti dai GCM non riproducono bene i predittori osservati. Allo stesso tempo, l'individuazione di potenziali predittori ben simulati dai GCM non è ugualmente sufficiente per il successo di uno schema di downscaling se poi il legame tra questi ed i predittandi è modesto. 

Per quanto concerne la realizzabilità delle previsioni stagionali alle medie latitudini, ed in particolare sul continente europeo, soddisfare il requisito a) è impresa più semplice di quanto invece non sia quella di soddisfare il punto b). Non si vuole entrare troppo in dettaglio in questo dibattito sulla predicibilità alle medie latitudini alla scala stagionale; questo problema è sicuramente il più serio e mina la fattibilità stessa di previsioni meteorologiche oltre il limite deterministico dei 10-15 giorni. 
La regione europea sembra essere poco correlata con le anomalie della SST dell'Oceano Pacifico tropicale (le anomalie di el Nino e della Nina) che sono, come già detto, le features di anomalia dominanti nel produrre predicibilità alle scale temporali più lunghe.

Una possibile nota di ottimismo in questo quadro non certo promettente viene dalla constatazione del fatto che alcuni regimi di circolazione che caratterizzano l'atmosfera a scala globale ed anche alle nostre latitudini extra-tropicali sembrano avere un qualche livello di predicibilità superiore a quella del limite deterministico. Ad esempio Pavan e al. (2000), analizzando le simulazioni di Provost, mostrano come alcuni patterns di variabilità osservata dall'atmosfera delle medie latitudini extratropicali dell'emisfero Nord sembrano essere abbastanza ben simulati dalle previsioni di ECMWF a scala stagionale, almeno limitatamente al periodo invernale. Altri regimi di circolazione importanti per il tempo che determinano sul continente europeo, quali ad esempio la variabilità della North Atlantic Oscillation e del Blocking europeo, sembrano invece, al momento, di più difficile riproducibilità. 

Seguendo queste indicazioni di tipo metodologico, abbiamo sperimentato la fattibilità di previsioni stagionali di precipitazione sul Nord Italia, facendo tesoro dell'esperienza maturata anche negli anni precedenti, da un lato sul fronte della conoscenza della variabilità di tali pattern di variabilità globale, dall'altro dalla conoscenza acquisita del legame tra alcuni di questi regimi di circolazione e i regimi di precipitazione osservati su tale parte del territorio nazionale (Quadrelli e al, 2001; Cacciamani e al., 2000)

6.1 I principali patterns di variabilità invernale della circolazione di larga scala e della precipitazione sulle regione Euro-Atlantica e la loro correlazione con le precipitazioni sul Nord Italia.

Un primo passo verso la definizione del metodo di downscaling è stato quello di individuare i patterns di circolazione di larga scala più rilevanti per la regione Euro-Atlantica. Tale individuazione di patterns è stata realizzata facendo uso di un'analisi delle componenti principali (PCs) applicata alla matrice di covarianza delle anomalie mensili dell'altezza di geopotenziale a 500 hPa (Z500), per i mesi da Dicembre a Marzo (Pavan et al., 2000), facendo uso dei dati di analisi del National Meteorological Center (NMC, USA). I dati, originariamente su una griglia ottagonale di 1977 punti da 20°N a 90°N, sono stati riportati su una griglia regolare di passo 2.5°.

La regione su cui sono state calcolate le componenti principali va da 90°W a 60°E e da 20°N a 90°N. I patterns associati a ciascuna delle componenti principali (le Empirical Ortogonal Functions, EOFs) hanno una forte correlazione con i principali regimi di variabilità invernale individuati in letteratura. In particolare, la EOF1, che spiega il 31% della varianza totale, ha una correlazione pari a 0.84 con l'indice della Nord Atlantic Oscillation (NAO); la EOF2, che spiega il 17% della varianza totale, somiglia all'Estern Atlantic pattern individuato da Wallace and Gutzler (1981); la EOF3, che spiega il 12% della varianza totale, ha una correlazione pari a -0.76 con l'indice di blocco Europeo, ottenuto mediando da 10°W a 50°E l'indice di blocco di Tibaldi e Molteni (1990); la EOF4, che spiega 10% della varianza totale, ricorda lo Scandinavian pattern di Rogers (1990).

Le correlazioni di ciascuna delle serie temporali di queste PCs con l'indice di Niño3, calcolato a partire dai dati del Global Sea Ice and Sea Surface Temperature (GISST, Parker et al, 1995), presentano valori poco significativi e molto dipendenti dal periodo su cui vengono calcolate. Se tutti gli anni di SST disponibili vengono usati, dal 1950 al 1992, sia che si calcoli tale correlazione solo per i mesi di Gennaio e Febbraio, o che si includa nel conto anche Marzo, le due PCs che presentano valori di correlazione più alti, ma ancora non statisticamente significativi, sono la PC2 e la PC4.

I regimi di variabilità della precipitazione sono stati calcolati a partire dai dati mensili di precipitazione del set di dati prodotto all'interno del progetto Mesoscale Alpine Precipitation (MAP) e descritto da Frei and Schar (1998). I dati di precipitazione sono riportati su una griglia regolare (0.22°x0.3°) che va da 42.18°N a 49.88°N e da 2.1°E a 18.9°E. L'analisi delle componenti principali è stata applicata alla matrice di covarianza ottenuta considerando i dati mensili per i mesi da Dicembre a Marzo dal 1971 al 1992 e per tutta l'estensione del dominio su cui sono disponibili (Quadrelli et al., 2001).

La PC1, che spiega il 38.5% della varianza totale, se mediata sulla stagione invernale presenta una correlazione pari a -0.71 con l'indice di NAO e di 0.67 con l'indice di blocco Atlantico, definito come media da 80°W a 20°W dell'indice di Tibaldi e Molteni (1990). La PC2, che spiega il 21.3% della varianza totale, ha correlazione pari a -0.71 con l'indice di blocco Europeo sopra definito. La PC3, che spiega il 7.8% della varianza totale, ha scarsa somiglianza con i patterns di variabilità più importanti dell'area Euro-Atlantica e rappresenta un dipolo Est-Ovest con nodo intorno 15°E e massimi sul Nord-Ovest delle Alpi e sui rilievi della regione Yugoslava. Le correlazioni ora riportate si riferiscono a serie temporali cui è stato sottratto il trend lineare e sono tutte statisticamente significative al 99%.

Al fine di mettere ancor meglio in evidenza l'esistenza di una relazione fra le anomalie della circolazione sull'intera regione Euro-Atlantica e la precipitazione sulla regione Alpina abbiamo calcolato le correlazioni fra i due gruppi di PCs. I valori di tali correlazioni sono riportati sulla Tabella 2 per quanto riguarda valori mediati sui mesi da Gennaio a Marzo e per il periodo dal 1971 al 1992.

 

PC1_Z500

PC2_Z500

PC3_Z500

PC4_Z500

PC1_prec

-0.51

0.11

0.40

-0.06

PC2_prec

-0.08

0.14

0.52

0.25

PC3_prec

0.06

-0.32

0.06

-0.15

PC4_prec

-0.11

-0.30

-0.01

-0.47

Tabella 2: Matrice di correlazione tra i "regimi" di precipitazione sull'area Alpine (PC1_prec etc.) e i regimi di circolazione atmosferica in quota (PC1_Z500 etc.). Periodo 1971-1992.

Come si può notare e come era già emerso dal lavoro di Quadrelli et al (2001), durante gli anni presi in esame, la prima PC della Z500 ha una correlazione rilevante con la PC1 della precipitazione, la PC3 della Z500 con la PC2 della precipitazione, e la PC4 della Z400 con la PC4 della precipitazione.

Nonostante i valori evidenziati rimangano significativi nel caso in cui dei sottoperiodi temporali vengano presi in esame, i valori di queste correlazioni possono andare incontro a forti oscillazioni. Riportiamo, a titolo di esempio, in Tabella 3 le correlazioni che si ottengono per il periodo dal 1980 al 1992, incluso nel periodo in cui abbiamo a disposizione le previsioni stagionali invernali di PROVOST già descritte all'interno della presente relazione.

 

PC1_Z500

PC2_Z500

PC3_Z500

PC4_Z500

PC1_prec

-0.52

0.48

0.14

0.06

PC2_prec

0.15

-0.15

0.46

0.05

PC3_prec

0.37

0.19

-0.12

0.24

PC4_prec

-0.41

-0.26

0.11

-0.39

Tabella 3: come per la tabella 2 ma relativamente al periodo ristretto 1980-1992.

6.2 Downscaling statistico per le previsioni stagionali invernali PROVOST. Un esempio di applicazione e sviluppi pianificati per il futuro.

Al fine di ottenere un dowscaling statistico delle previsioni stagionali per la stagione invernale prodotte all'interno di PROVOST per la regione alpina, abbiamo verificato in primo luogo l'esistenza di una correlazione fra le previsioni per i valori delle PC della Z500 ottenute in tale progetto, e le serie temporali delle prime quattro PC della precipitazione precedentemente descritte.

Le previsioni per i valori assunti dalle 4 PCs della Z500 sono state ottenute in questo caso proiettando le anomalie medie di ensemble della Z500 previste dal modello dell'ECMWF sui patterns di covarianza fra le prime quattro PC della Z500 prima descritte e le anomalie di Z500 del periodo 1980-1993, coperto dalle previsioni.

Per valutare la possibilità di applicare tecniche di downscaling statistico alle previsioni di evoluzione temporale dei principali patterns di larga scala, prodotte all'interno del progetto PROVOST, abbiamo calcolato i valori di correlazione fra le PCs della Z500 previste dal modello dell'ECMWF e le PCs della precipitazione. I valori di tali correlazioni sono riportati in Tabella 4.

 

PC1_Z500

PC2_Z500

PC3_Z500

PC4_Z500

PC1_prec

-0.64 (*)

0.08

0.40

-0.06

PC2_prec

-0.08

0.07

0.32 (*)

0.10

PC3_prec

0.27

0.24

0.59

0.15

PC4_prec

-0.18

-0.60

-0.16

-0.12

Tabella 4: correlazione tra le PCs della Z500 di ECMWF) e le PCs delle precipitazioni sull'area alpina. Gli asterischi indicano una significatività statistica del 99% di confidenza.

Confrontando i valori riportati nelle Tabelle 2 e 4 notiamo che le prime due PC della precipitazione mantengono un buon valore di correlazione con le previsioni delle PC della Z500. In particolare la PC1 e la PC2 della precipitazione sembrano essere legate abbastanza con la PC1 e la PC3 della Z500. Le correlazioni delle rimanenti due PC sembrano essere meno legate ai valori calcolati nei dati di Z500 osservati. Il mantenimento di buoni valori di correlazione fra le prime due PCs della precipitazione e le PCs delle previsioni di Z500, sembra essere incoraggiante. 

Tale risultato ci ha permesso di proporre un primo semplice schema di downscaling statistico in cui i predittandi sono le PCs della precipitazione, mentre i predittori sono le PCs della Z500. Visti i valori delle tabelle sopra menzionate abbiamo ipotizzato un primo semplice modello unidimensionale che lega la PC1 della precipitazione con la PC1 della Z500. 

Lo schema di downscaling ipotizzato è quindi:

PC1 (precipitazione) = A + B . PC1 (Z500)

Usando i dati osservati delle PC delle precipitazioni e le analisi della Z500 è stato possibile stimare il valore dei coefficienti A e B. Successivamente, in fase di previsione, si sono sostituite le PCs osservate della Z500 con le PCs previste dalle simulazioni di Provost (definite come le proiezioni sulle EOFs osservate delle anomalie della Z500 simulata).

I risultati di un tale semplice esercizio di downscaling sono rappresentati in figura A11 che evidenziano gli andamenti osservati e quelli previsti della PC1 della precipitazione. E' evidente, anche solo a prima vista, che la simulazione della PC1 delle precipitazioni sul nord Italia ottenute con le anomalie della Z500 di Provost proiettate sul pattern n. 1 (EOF1) della Z500 osservata sembra cogliere assai bene la variabilità interannuale e a fornire dei risultati assolutamente incoraggianti.
Trattandosi della simulazione della sola PC1 della precipitazione, resta ancora il problema di definire un metodo che permetta di simulare anche le altre PCs rilevanti (almeno la seconda e la terza), in modo da poter ricostruire il campo di precipitazione tramite la relazione:

Precipitazione = ∑ PCi . EOFi

dove la somma è estesa a tutte le PCs della precipitazione rilevanti e le EOFs sono i pattern di precipitazione individuati da Quadrelli e al. (2001).

Questo primo risultato fa ritenere che la strada affrontata sia sicuramente quella corretta, anche se molto resta da comprendere circa la reale predicibilità di altri pattern di variabilità della circolazione atmosferica e quanto questi possano quindi essere inclusi nella lista dei predittori potenziali. 

Resta poi da capire se tale metodo è estendibile anche ad altre aree del territorio nazionale e ad altri parametri, ad esempio alla temperatura. Sicuramente l'estendibilità di tali risultati dipende molto dalla abilità dei diversi GCM nel riprodurre i regimi di circolazione importanti e che caratterizzano il tempo meteorologico nel nostro paese.
Questo studio sarà sicuramente uno dei cardini delle nostre future indagini durante i prossimi anni, all'interno del progetto CLIMAGRI.

Un fatto ormai consolidato è che i diversi GCM disponibili sul "mercato" della modellistica globale hanno diversi comportamenti e diverse caratteristiche di errore sistematico.
Questa prerogativa permette di indagare la possibilità di combinare i risultati dei vari modelli così da ottenere un multi-model ensemble.

Le tecniche usate per combinare i vari modelli sono da un lato quella di riunire tutti i modelli all'interno di un unico ensemble, dando a tutti lo stesso peso, oppure quella di dare peso diverso a diversi modelli a seconda del pattern da prevedere e a seconda delle diverse caratteristiche dell'errore sistematico che i vari modelli possiedono. In questo ultimo modo è possibile estrarre dalle previsioni di ciascun modello la parte di informazione più attendibile.

L'uso di questo ultimo risultato all'interno delle tecniche di downscaling sopra descritte può portare ad una sensibile miglioramento dei risultati che già avevamo descritto come incoraggianti. Nel corso dell'anno a venire verrà percorsa questa strada e valutato l'eventuale miglioramento che si può ottenere a partire da questi risultati preliminari.

Bibliografia

Cacciamani, C., M. Lazzeri, R. Quadrelli e S. Tibaldi: 2000: Analisi climatologia della precipitazione nel bacino padano adriatico e nella regione alpina. Atti del 3 Covegno Nazionale sulla protezione e gestione delle acque sotterranee per il III millennio, Parma, 13.15 ottobre 1999. Quaderni di Geologia Applicata, 1999, Pitagora Editrice Bologna

Frei C, Schär C., 1998: A precipitation climatology of the Alps from high-resolution rain-gauge observations. Int. J. Climatol. 18, 873-900.

Palmer, T.N., C. Brankovic e D. Richardson, 2000: A probability and decision model analysis of PROVOST seasonal multi-model ensemble integrations. Q.J.R.Met.Soc., 126, part B, 2013-2068

Parker DE, Folland CK, Bevan A, Ward MN, Jackson M, Maskell K., 1995: Marine surface data for analysis of climate fluctuations on interannual to century time-scales. Natural climate variability on decade-to-century timescales, Ed. by Marthinson DG, Bryan K, Ghil M, Hall MM, Karl TR, Sarachick ES, Sorooshian S, and Talley LD. National Research Council, National Academy Press, Washington DC

Pavan, V., F. Molteni e C. Brankovic, 2000: Wintertime variability in Euro-Atlantic region in observations and in ECMWF seasonal ensemble experiments, Q.J.R.Met.Soc., 126, part B, 2143-2173 

Quadrelli, R., M. Lazzeri, C. Cacciamani e S. Tibaldi: 2001: Observed winter Alpine precipitation variabilità and links with large-scale circulation patterns. Climate Research, 17, 275-2854

Rogers, J.C., 1990: Patterns of low-frequency monthly sea level pressare variabilità (1899-1989) and associated wave cyclone frquencies. J. Climate, 3, 1364-1379

Tibaldi S, Molteni F., 1990: On the operational predictability of blocking. Tellus 42A, 343-365

Wallace JM, Gutzler DS., 1981: Teleconnections in the geopotential height field during the Northern Hemisphere winter. Mon Wea Rev 109, 784-812

Torna all'inizio