Attività di ricerca svolte dal Dipartimento di Fisica dell`Università

Attività di ricerca svolte dal Dipartimento di Fisica
dell’Università degli Studi di Milano per la “stima dei
campi meteorologici a seguito dei cambiamenti climatici
nell’ambito del Progetto STRADA (Programma
operativo di cooperazione trasfrontaliera ItaliaSvizzera)”
Rapporto relativo al primo anno di attività
Milano, 16 maggio 2011
Il responsabile della Ricerca
Prof. Maurizio Maugeri
1.
Introduzione
Le attività previste per il Dipartimento di Fisica dell’Università degli Studi di Milano (nel seguito
indicato come UniMi) nell’ambito del primo anno di lavoro all’interno del Progetto STRADA
risultavano focalizzate sui seguenti quattro punti:
•
Organizzazione e messa a disposizione delle serie pluviometriche lombarde;
•
Costruzione di climatologie mensili di temperature e precipitazioni per il territorio lombardo;
•
Validazione delle serie ottenute mediante modelli di scenario;
•
Downscaling delle serie ottenute mediante modelli di scenario.
Questo rapporto presenta i risultati che sono stati ottenuti, descrivendo i dati disponibili, le
metodologie adottate e i vari passi delle attività di ricerca che sono state condotte.
1
2.
Serie Pluviometriche Lombarde
Grazie a progetti di ricerca come Kyoto-Lombardia, FORALPS e RICLIC, oltre che per effetto di
recenti nuove attività, UniMi dispone di un database di osservazioni pluviometriche lombarde che
include 507 serie di dati con risoluzione giornaliera.
Nel Progetto STRADA ci si è proposti di organizzare in modo efficiente questo database, provvedendo
a documentare con il maggior numero di informazioni possibili ogni serie osservativa, di eliminare serie
(o parti di serie) che figurano più volte con nomi diversi, di raggruppare serie che si riferiscono agli
stessi siti, ma che hanno nomi diversi, di dare a tutte le serie un formato uniforme che ne faciliti la
lettura e di effettuare un primo controllo di qualità per l’individuazione e la correzione degli errori
macroscopici. L’obiettivo di queste attività era quello di consentire a Regione Lombardia uno
sfruttamento ottimale dei dati pluviometrici lombardi attualmente disponibili in formato digitale.
Le fonti da cui si è attinto sono:
• Un database di serie storiche secolari sviluppato da UniMi in collaborazione con ISAC/CNR;
• Un database frutto dei progetti Kyoto Lombardia e FORALPS;
• Un database di serie del Servizio Meteorologico dell’Aeronautica Militare;
• Un database frutto del Progetto RICLIC;
• Un database di serie ENEL;
• Un database di serie UCEA;
• Un database di serie dell’ex Ufficio Idrografico prodotto da ISPRA;
• Un database di serie della Banca Dati Agrometeorologica Nazionale;
• Un database di serie del Progetto KNMI ECA&D.
Queste fonti verranno nel seguito indicate, rispettivamente, con le numerazioni 01, 03, 08, 09, 10, 11,
12, 16 e 19. Ciò in quanto esse fanno parte di un più vasto database di serie UniMi-ISAC/CNR che
include anche fonti che non risultano di interesse per il territorio lombardo.
Il numero di stazioni per ogni fonte risulta di:
• 01:
4
• 03: 17
• 08:
4
2
• 09: 83
• 10: 39
• 11: 18
• 12: 333
• 16:
4
• 19:
5
Si noti che il periodo temporale coperto da queste serie è molto variabile e, accanto a serie con oltre
150 anni di osservazioni, vi sono molte serie che coprono periodi decisamente più corti.
Una volta individuate le fonti, il primo passo della nostra attività di organizzazione dei dati è stato
quello di assegnare alle stazioni un nome secondo un criterio omogeneo. Si è quindi deciso di costruire
il nome concatenando “PCPD_” con “IT_” con “LOM_” con “XX_”, “YY_”, “NF_”, “NS”, dove:
XX: è la sigla della provincia (viene usata la classificazione originale proposta nell’ambito delle diverse
fonti; essa è, di norma, precedente all’introduzione delle nuove provincie. In molti casi quindi stazioni
in provincia di “LC” e “MB” sono attribuite alle provincie in cui erano collocate precedentemente
all’introduzione di queste nuove provincie);
YY: è il nome della località (nel caso di località non disponibile, viene indicato NLND seguito dal nome
del comune); si noti che in molti casi la località corrisponde con il comune.
NF: è il numero della fonte;
NS: è il numero progressivo della stazione nell’ambito di una stessa fonte.
Quindi, per esempio, PCPD_IT_LOM_MN_MANTOVA_01_0016 si riferisce alla stazione di
Mantova, in provincia di Mantova, ed essa è la sedicesima serie delle fonte 01. Si noti che alcune delle
fonti utilizzate contengono più serie di quelle descritte in questo rapporto in quanto esse non si
limitano al solo territorio lombardo.
L’indicazione del tipo di fonte risulta importante anche in relazione alla possibilità di divulgare le serie
in esame verso soggetti terzi. Per molte delle fonti utilizzate, infatti, la possibilità di una eventuale
divulgazione dei dati di stazione andrà verificata direttamente con gli enti che hanno provveduto
all’acquisizione e all’archiviazione dei dati.
Il passo successivo è stato quello di assegnare ad ogni stazione le proprie coordinate geografiche e la
corrispondente quota. Il file “A_Piogge_gg\Anagrafiche\Anagrafica_507_Stazioni_Lombarde.xls”
contiene queste informazioni.
3
Una volta denominate e collocate spazialmente le serie, si è proceduto a confrontare ognuna delle 507
serie con tutte le altre al fine di individuare serie (o parti di serie) che figurano più volte con nomi
diversi e di raggruppare serie che si riferiscono agli stessi siti, ma che hanno nomi diversi. Questa
attività ha richiesto un notevole dispendio in termini di tempo in quanto può risultare molto difficile
valutare se due serie sono uguali o non lo sono (si hanno infatti aggregazioni diverse, metodi diversi per
ottenete i dati (schede/pluviogrammi), errori diversi, ecc….). In caso di serie uguali, o meglio uguali a
meno di differenze dovute ai precedenti fattori, si è poi proceduto a “scegliere” la fonte migliore, a
integrare eventuali periodi complementari e a costruire un nuovo database privo di serie duplicate.
Questo nuovo database è costituito da 364 serie.
Il file “A_Piogge_gg\Anagrafiche\Anagrafica_364_Stazioni_Lombarde_Finali.xls” individua queste
serie, evidenziando anche, per ogni stazione, l’eventuale integrazione dei dati con dati provenienti da
altre fonti (vedi colonna nota). Lo stesso file riporta anche, sempre nella colonna note, l’eventuale
possibile corrispondenza con una delle stazioni su cui si stanno concentrando gli sforzi di
digitalizzazione dati da parte di ARPA Lombardia. Queste corrispondenze potranno essere
approfondire maggiormente in futuro, al fine di ottimizzare le possibile sinergie del database oggetto di
questa relazione con quello disponibile presso ARPA Lombardia.
Per quanto riguarda il formato dei file, si è scelto un formato numerico puro (ASCII). In particolare, i
dati di ogni stazione sono archiviati in un file che inizia dal primo anno per il quale si abbia almeno un
dato e termina all’ultimo anno per il quale si abbia almeno un dato. Per ogni mese si ha un record con i
primi 5 caratteri per l’anno, seguiti da 3 caratteri per il mese. Seguono poi i dati scritti in formato F7.1
(il numero dei dati è, ovviamente, compreso tra 28 e 31). I files sono contenuti nelle cartelle
“Dati_grezzi\364_stazioni_lombarde_finali” e “Dati_grezzi\143_stazioni_lombarde_eliminate” (sono
entrambe in “A_Piogge_gg”).
I files della cartella “364_stazioni_lombarde_finali” sono anche stati oggetto di una serie di controlli
volti a mettere in evidenza gli errori più macroscopici.
Il primo controllo ha riguardato la ricerca di lunghi periodi caratterizzati da piogge nulle: questi periodi,
infatti, talvolta anziché riferirsi a periodi effettivamente secchi, indicano dati mancanti, erroneamente
archiviati come piogge nulle. Si è quindi scritto un codice che “stima” il numero di giorni di pioggia di
ogni anno per ogni stazioni sulla base dei dati delle stazioni circostanti e che segnala le differenze più
macroscopiche (cioè pari ad almeno 30 giorni). Questi casi sono poi stati controllati uno per uno e, in
caso di errori evidenti, si sono invalidati i corrispondenti periodi (per l’elenco completo di questi periodi
si rimanda al file “A_Piogge_gg\Dati_prima_validazione\ELIMINATI_PER_NGG.xls” ).
Il secondo controllo ha riguardato i dati caratterizzati da valori giornalieri particolarmente elevati. A
questo proposito si sono individuate tutte le date in cui almeno una delle stazioni disponibili
4
presentasse precipitazioni giornaliere superiori ai 200 mm. Per tutte queste date si è quindi valutato se la
presenza di precipitazioni particolarmente elevate fosse evidentemente incompatibile con i dati delle
altre stazioni e, in questi casi, si è proceduto ad invalidare l’intero mese di dati della stazione in esame. I
risultati di questo controllo hanno evidenziato un numero molto modesto di eventi di questo tipo: un
esempio evidente è il valore di 1000 mm relativo al giorno 2 gennaio 2001 per la stazione
IT_LOM_SO_GEROLA_ALTA_09_0016. In altri casi (per esempio nell’anno 1954 per la stazione
IT_LOM_BG_VALLALTA_12_0634) i valori che sono stati invalidati sono degli evidenti cumulati
mensili che sono stati assegnati ad uno dei giorni del mese senza l’esplicita indicazione di dato cumulato
(questo caso, peraltro, era già stato messo in evidenza dal controllo precedente). È comunque da
segnalare che, rispetto a quanto accade di solito, i dati lombardi analizzati hanno presentato una
frazione ridottissima di dati (solo 10 casi – per maggiori dettagli si rimanda al file
“A_Piogge_gg\Dati_prima_validazione\SOSPETTI_PER_PIO_ALTA.xls”) caratterizzati da errori di
questo tipo (si noti peraltro che 4 di questi casi fanno parte dei periodi eliminati sulla base del controllo
precedente). Ciò è sicuramente dovuto al fatto che la maggior parte delle serie in esame era già stata
sottoposta a controlli di qualità dagli enti dai quali si sono ottenute le serie presenti nel database in
esame.
L’insieme dei mesi di dati eliminati sulla base dei precedenti controlli è elencato nel flile
“A_Piogge_gg\Dati_prima_validazione\ELIMINATI_PER_NGG_E_PIO_ALTE_ERRATE.xls”. I
dati di stazioni successivi a questi controlli (cioè la versione finale delle serie) sono riportati nella cartella
“A_Piogge_gg\Dati_prima_validazione\364_stazioni_finali”.
5
3.
Climatologie
Il gruppo di ricerca UniMi – ISAC/CNR dispone di climatologie termometriche e pluviometriche
relative all’intero territorio nazionale per il periodo di riferimento 1961-1990.
3.1 Climatologie Termometriche
Le climatologie termometriche relative al periodo 1961-1990 sviluppate da UniMi e ISAC/CNR sono
state ottenute mediante un modello geografico che tiene conto di molti fattori. Il più importante è la
quota, seguita dalla latitudine e dalla longitudine; oltre ai parametri più meramente geografici, sono stati
considerati parametri meteorologici locali e fisiografici, quali l’effetto dovuto all’accumulo di masse
d’aria fredda nel bacino padano durante i mesi invernali, la distanza dal mare e dai laghi, l’effetto
dell’isola di calore dovuta ai grandi centri urbani, l’effetto dovuto all’esposizione geografica della
porzione di territorio considerata, l’effetto dovuto alla concavità o alla convessità del suolo (effetti
valle/cima) e l’influenza della radiazione solare. In una prima fase il modello è stato costruito sulla base
dell’analisi della dipendenza delle temperature di diverse centinaia di stazioni dell’Italia Settentrionale
dai fattori geografici, meteorologici e fisiografici appena elencati. Questa analisi è poi stata confrontata
con uno studio simile condotto su quasi 2000 stazioni di un’ampia regione geografica centrata sulla
regione alpina1 e, sulla base di questo confronto, si è poi deciso di integrare i due studi, al fine di
produrre un risultato più omogeneo. In seguito si è ulteriormente arricchito il database, migliorando, da
una parte, la densità delle stazioni per le aree già studiate, e considerando, dall’altra, anche stazioni
dell’Italia Centrale e Meridionale. Inoltre si sono considerate, accanto alle temperature medie, anche le
temperature minime e massime.
L’idea alla base dell’approccio utilizzato è stata quella di studiare i dati osservativi per comprendere il
legame tra le caratteristiche del territorio e le normali climatiche e di codificare i risultati ottenuti in
appositi programmi per associare, per ogni mese dell’anno, un valore normale di temperatura ad ogni
punto del DEM GTOPO302 (USGS, 1996).
In una prima fase le climatologie sono state ottenute mediante un modello geografico basato sul
metodo Step-wise Linear Regression. L’obiettivo era un MAE (Mean Absolute Error o errore assoluto
medio) inferiore al grado centigrado per tutti i 12 mesi dell’anno.
1
Per dettagli si veda: Hiebl J, Auer I, Böhm R, Schöner W, Maugeri M, Lentini G, Spinoni J, Brunetti M, Nanni T,
Percec Tadic M, Bihari Z, Dolinar M, Müller-Westermeier G, 2009. A high-resolution 1961–1990 monthly temperature
climatology for the greater Alpine region. Meteorologische Zeitschrift, 18, 507-530.
2
I DEM (Digital Elevation Models) sono strumenti che associano ad ogni punto del territorio (o meglio ad ogni cella di
un grigliato) un valore di quota. Per dettagli sul DEM utilizzato dal gruppo di ricerca UniMi/ISAC CNR si rimanda a
http://edc.usgs.gov/products/elevation/gtopo30/README.html (United States Geological Survey (USGS) GTOPO30
Documentation, 1996).
6
3.1.1 Step-wise Linear Regression
Come già detto nella prima fase del progetto di costruzione delle climatologie termometriche
UniMI/ISAC CNR si è utilizzata la Step-wise Linear Regression. Procedere per regressioni lineari
successive significa valutare l’andamento delle normali climatiche, mese per mese, in funzione di una
grandezza fisica (nel nostro caso si è scelta la quota) e, successivamente, valutare l’andamento dei
residui, secondo altri fattori geografici e fisici, procedendo in modo iterativo con più grandezze fisiche.
L’ordine delle variabili studiate (e di cui si effettua il de-trending) è scelto in base all’importanza: dopo la
quota, si sono considerate la latitudine, la longitudine (effetti geografici a larga scala), l’esposizione e
l’inclinazione di versante (effetti morfologici), poi l’effetto dei mari Ligure, Tirreno ed Adriatico, dei
laghi, il ristagno di aria fredda in inverno nel bacino Padano e l’isola di calore urbana per le città con più
di 100.000 abitanti ed una densità superiore ai 500 abitanti/km2 (effetti a media scala o locali).
Si è quindi iniziato a ricavare una regressione lineare quota-temperatura su tutte le stazioni disponibili.
Poi si è assunto che la relazione che si ottiene a partire dai dati disponibili Tstaz ( z ) = a1 z staz + b1 , possa
poi essere estrapolata a qualsiasi punto del territorio Tmod ( z ) = a1 z + b1 . Questo aspetto è una
caratteristica fondamentale dell’intero processo modellistico: si utilizzano i valori delle stazioni per
determinare le dipendenze della temperatura dalle varie grandezze fisiche prese in esame, ma poi si
realizza il modello senza più considerare le stazioni, ma considerando ogni cella della griglia del DEM
utilizzato. Tutta la procedura è stata naturalmente applicata ad ognuno dei dodici mesi dell’anno.
Successivamente sono stati calcolati i residui, ∆Tquota = Tstaz − Tmod sottraendo, stazione per stazione, la
temperatura modellizzata alla temperatura delle stazioni e questi residui sono stati utilizzati per ottenere,
sempre con un modello lineare, l’effetto della latitudine.
Lo stesso procedimento è stato poi applicato per valutare l’effetto della longitudine.
Per ottenere una descrizione ancora più accurate della distribuzione spaziale dei valori normali di
temperatura si sono poi considerate altre dipendenze geografiche e morfologiche ed effetti
locali/regionali.
Il primo passo è stato quello di utilizzare i dati delle stazioni per valutare la dipendenza delle anomalie
di temperatura (rispetto agli effetti delle variabili meramente geografiche) dall’esposizione dei punti di
griglia. Quindi, sempre facendo uso dei dati delle stazioni, si è analizzato l’effetto della distanza da mari
e grandi laghi. Si sono poi valutati gli effetti legati al bacino Padano e altri effetti locali. Si sono quindi
valutati gli effetti dovuti alla convessità del suolo (effetto cima/valle) e l’influenza dei centri urbani.
7
Alla fine di questa procedura, che aveva riguardato le sole temperature medie e si era limitata a
considerare le stazioni del Centro-Nord (si veda, per esempio, Brunetti et al., 20093), si era ottenuto un
errore medio del tutto trascurabile (-0.05 °C), un errore assoluto medio di 0.75 °C e un errore
quadratico medio di 0.95 °C.
3.1.2 Affinamenti della metodologia
Dopo la aver esteso lo studio delle climatologie termometriche dalle medie alle mimime e alle massime
(si veda, per esempio, Brunetti et al., 20104), ci si è posti due obiettivi ulteriori: i) rivedere l’intera catena
modellistica per verificare se potevano essere introdotti eventuali miglioramenti, ii) considerare il
maggior numero di stazioni possibili, sia dell’intero territorio italiano che delle aree limitrofe.
Per quanto riguarda l’aspetto metodologico si sono provate altre metodologie oltre alla Step-wise Linear
Regression e, alla fine, anche sulla base di un’attenta analisi della letteratura scientifica esistente, si è
deciso di utilizzare la Regressione Lineare Multipla per le prime (e più importanti) variabili, limitando
l’utilizzo delle Step-wise regression allo studio dei corrispondenti residui. Questa scelta è stata anche
adottata per uno studio più ampio condotto in collaborazione con ricercatori di diversi Servizi
Meteorologici ed Enti di Ricerca Europei. I risultati di questo studio, sviluppato nell’ambito del ECSN
Project “HRT/GAR - High Resolution Temperature Climatology in Complex Terrain – demonstrated
in the test area Greater Alpine Region GAR, sono descritti in dettaglio in Hiebl et al. (2009)5. Un
ulteriore aspetto innovativo consiste nel fatto che è stato sviluppato un algoritmo in grado di
modellizzare in modo esplicito la radiazione solare che giunge su ogni punto del territorio. I dettagli
relativi a questo modello sono descritti in Spinoni (2010)6. Altri miglioramenti consistono nel valutare i
differenti comportamenti dei versanti a seconda della loro esposizione, in questo caso valutata secondo
macro aree (esposizione media di aree di 400 km2) e non a scala fine, nel parametrizzare l’effetto di
cima e di valle grazie ad un modello lineare migliorato rispetto al precedente, nell’introduzione di un
parametro che consideri l’isola di calore urbana sulla base di dati relativi all’uso del suolo e nella
correzione dei residui grazie ad un modello di interpolazione spaziale basato su pesi radiali e di quota
Accanto all’aspetto metodologico, come già osservato, ci si è anche concentrati sul database da
utilizzare per meglio catturare i legami tra le normali climatiche e le caratteristiche geografiche del
territorio.
3
Brunetti, M., Lentini, G., Maugeri, M., Nanni, T., Simolo, C., Spinoni, J., 2009: Estimating local records for Northern
and Central Italy from a sparse secular temperature network and from 1961-1990 climatologies. Adv. Sci. Res, 3, 63-71,
www.adv-sci-res.net/3/63/2009/.
4
Brunetti, M., Lentini, G., Maugeri, M., Nanni, T., Simolo, C., Spinoni, J., 2011: Projecting North Eastern Italy
temperature and precipitation secular records onto a high resolution grid. Physics and Chemistry of the Earth, Published
Online, DOI:10.1016/j.pce.2009.12.005.
5
Vedi nota 1.
6
Spinoni J, 1961-90: High-Resolution Temperature, Precipitation, and Solar Radiation Climatologies for Italy. Phd
thesis - physics, Astrophysics, and applied physics (xxiii cycle), Università degli Studi di Milano, 2010.
8
Qui nel seguito presentiamo, attraverso un esempio prodotto nell’ambito del recente progetto
CARIPANDA (vedi http://www.parcoadamello.it/files/Progetto%20CARIPANDA.pdf), la procedura
con cui l’insieme delle operazioni precedentemente descritte permetta di fornire un valore climatologico
(valore normale del periodo 1961-1990) della media mensile della temperatura minima e massima di
ogni punto del DEM utilizzato.
Punto di griglia utilizzato per l’esempio: Latitudine: 46.163 N, Longitudine: 10.537 E. Questo
punto si trova ad una quota di 2985 metri ed è collocato sulla calotta glaciale dell’Adamello (figura 1).
Mese considerato per l’esempio: luglio.
Il punto selezionato (o più precisamente l’area del DEM di cui il punto è rappresentativo) ha le seguenti
caratteristiche:
• Pendenza: 134 m/km.
• Esposizione: 0.6 radianti partendo da Sud e procedendo con verso antiorario, cioè esposizione Sud-
Est.
• Frazione dei punti circostanti con quota non significativamente maggiore: 56%.
• Esposizione media della macroarea (400 km2) in cui è collocato il punto: 0.38 radianti partendo da
Sud e procedendo con verso antiorario, cioè esposizione Sud-Sud-Est.
• Distanza dalla costa: 164 km (con una distanza così alta l’effetto del mare non viene considerato).
• Prossimità a grandi laghi: no.
• Appartenenza ad aree geografiche particolari come il bacino padano: no.
• Caratteristiche del suolo: area glaciale.
Il primo passo del processo modellistico consiste nel valutare l’effetto di Quota, Latitudine e
Longitudine secondo le seguenti relazioni:
Tmin=(-0.62558*Latitudine)+(-0.06477*Longitudine)+(-0.00528*Quota)+46.39= 1.08 °C
Tmax=(-0.56973*Latitudine)+(0.00542 *Longitudine)+(-0.00696*Quota)+46.39= 8.53 °C
9
I coefficienti di queste relazioni sono stati determinati applicando la tecnica della regressione lineare
multipla a tutti i dati disponibili. Essi valgono quindi per l’intero territorio italiano. Naturalmente essi
variano da mese a mese; nel caso in esame essi si riferiscono al mese di luglio.
Successivamente si tiene conto dell’effetto del mare, di grandi laghi e dell’appartenenza ad aree
geografiche particolari. Questo particolare punto di griglia non risente però di nessuno di questi effetti.
Si passa quindi a verificare come la posizione e le caratteristiche geografiche del punto possano influire
sulla radiazione solare che incide su di esso. A questo scopo si è sviluppato un modello (Spinoni, 2010)7
che valuta la radiazione incidente per ogni punto del territorio italiano. Questo dato è influenzato,
innanzitutto, da caratteristiche geografiche come la latitudine di cui si è già tenuto conto nella nostra
catena modellistica, oltre che dalla distribuzione della copertura nuvolosa. È però anche importante
considerare se il punto riceva più o meno radiazione di quella che compete alla regione in cui esso è
collocato.
Figura 1 - Punto di griglia utilizzato per esemplificare la procedura modellistica.
7
Vedi nota 6.
10
Calcoliamo quindi l’anomalia di radiazione come scostamento tra la radiazione che compete ad un
determinato punto e quella che compete ad un’ampia area circostante. Per il punto di griglia in esame
questo dato nel mese di luglio risulta positivo e vale 1.52MJ/m2giorno. Poiché l’insieme dei dati delle
nostre stazioni ha mostrato che esiste una relazione lineare tra anomalie di radiazione e anomalie di
temperatura che, per il mese di luglio risulta data dalla seguente relazione:
Anomalia Temperatura (min in °C)=0.351*Anomalia di Radiazione (in MJ/m2giorno)
Anomalia Temperatura (max in °C): Non significativamente influenzata dall’Anomalia di Radiazione
aggiungiamo quindi alle temperature minime precedentemente stimate 0.53 °C.
Usiamo poi un’altra relazione che valuta l’effetto della quota del punto considerato rispetto ai punti
circostanti. Essa per il mese di luglio è data dalle seguenti relazioni:
Tmin: 1.35*frazione -0.42 = 0.34°C; Tmax: -0.83*frazione -0.33= -0.13°C
Dove il parametro frazione rappresenta la frazione dei punti di un intorno di 11x11 punti di griglia del
punto considerato con quota non significativamente maggiore (cioè non maggiore di 50 m) del punto
considerato. Questa relazione porta nel caso in esame ad un effetto di +0.34 °C per la Tmax e di -0.13
°C per la Tmin.
Valutiamo poi l’effetto dell’esposizione geografica di un area di 400 km2 centrata sul punto e, per il
punto in esame, si ottiene un valore di 0.19 °C (sempre per luglio) sia per le temperature minime che
per le temperature massime.
Procediamo infine a stimate se, dopo tutte le precedenti correzioni, i punti di griglia circostanti con una
stazione di misura hanno ancora un residuo che evidenzia un segnale sistematico. Questa valutazione
viene effettuata facendo una media pesata di questi residui, secondo un peso che decresce all’aumentare
della distanza (secondo una funzione esponenziale) e all’aumentare della differenza di quota. Anche per
11
quest’ultima correzione si rimanda per ogni dettaglio a Spinoni (2010)8. Qui ci limitiamo a riportare
l’effetto per il punto di griglia in esame; esso risulta di:
Tmin: 0.08°C; Tmax: 0.26°C
Con tutti questi effetti si ottengono quindi i valori definitivi delle climatologie:
Tmin = 1.08° C + 0.53 °C + 0.34 °C + 0.19 °C + 0.08 °C= 2.22 °C
Tmax = 8.53 °C - 0.13 °C + 0.19 °C + 0.26 °C = 8.85 °C
La tabella 1 riporta gli errori finali del modello utilizzato per le climatologie termometriche per Tmin
(verde), Tmed (azzurro) e Tmax (arancione), valutati per tutto il territorio nazionale. Oltre agli errori
relativi ai singoli mesi dell’anno viene riportato anche il valore medio di questi errori. Questo valore
medio viene poi confrontato con quello che si ha considerando un minor numero di effetti.
ME
Spazzializzazione residui
MAE RMSE
ME
MAE RMSE
ME
MAE RMSE
JAN
0.00
0.81
1.04
JAN
0.01
0.98
1.26
JAN
-0.01
0.87
FEB
0.00
0.69
0.90
FEB
0.01
0.93
1.20
FEB
-0.01
0.79
1.17
1.08
MAR
0.00
0.59
0.79
MAR
0.01
0.85
1.11
MAR
-0.01
0.74
1.02
APR
-0.01
0.57
0.76
APR
0.01
0.83
1.07
APR
-0.01
0.75
1.01
MAY
0.00
0.58
0.75
MAY
0.01
0.86
1.10
MAY
0.00
0.77
1.02
JUN
0.00
0.61
0.80
JUN
0.01
0.92
1.17
JUN
-0.01
0.83
1.09
JUL
0.00
0.65
0.86
JUL
0.02
1.00
1.28
JUL
0.00
0.89
1.16
AUG
0.00
0.64
0.84
AUG
0.02
0.98
1.25
AUG
0.00
0.88
1.15
SEP
0.00
0.59
0.78
SEP
0.02
0.90
1.15
SEP
0.00
0.81
1.07
OCT
0.01
0.61
0.80
OCT
0.02
0.86
1.09
OCT
0.00
0.77
1.04
NOV
0.01
0.66
0.85
NOV
0.01
0.85
1.08
NOV
-0.01
0.76
1.03
DEC
0.01
0.81
1.04
DEC
0.01
0.94
1.20
DEC
-0.01
0.88
1.17
YEAR
0.00
0.65
0.85
YEAR
0.01
0.91
1.16
YEAR
-0.01
0.81
1.08
Effetto Urbano
YEAR
-0.04
0.82
1.05
YEAR
-0.06
1.08
1.36
YEAR
-0.05
1.03
1.33
Convessità/Concavità
YEAR
-0.01
0.83
1.05
YEAR
-0.02
1.08
1.37
YEAR
-0.07
1.03
1.34
Macro Esposizione
YEAR
-0.02
0.83
1.06
YEAR
-0.06
1.10
1.40
YEAR
0.07
1.04
1.35
Anomalia di Radiazione
YEAR
0.01
0.84
1.06
YEAR
-0.03
1.09
1.39
YEAR
0.10
1.06
1.36
Effetto Bacino Padano
YEAR
0.01
0.84
1.06
YEAR
-0.04
1.11
1.40
YEAR
0.10
1.06
1.36
Influenza grandi laghi
YEAR
-0.01
0.85
1.07
YEAR
-0.04
1.11
1.41
YEAR
0.03
1.07
1.38
Influenza mare
YEAR
0.00
0.85
1.07
YEAR
-0.02
1.13
1.42
YEAR
0.03
1.08
1.38
Solo Variabili Geografiche
YEAR
0.06
0.92
1.17
YEAR
0.19
1.19
1.51
YEAR
-0.11
1.20
1.53
Tabella 1 - Errori finali delle climatologie termometriche Tmin (verde), Tmed (azzurro) e Tmax (arancione) per tutto
il territorio nazionale. Oltre agli errori relativi ai singoli mesi dell’anno viene riportato anche il valore medio di questi
errori. Questo valore medio viene poi confrontato con quello che si ha considerando un minor numero di effetti.
8
Vedi nota 6.
12
Le figure 2-4 riportano le climatologie dell’area territoriale lombarda relative a Tmed, Tmin e Tmax per
l’anno. Per un quadro completo di queste climatologie si rimanda a Spinoni et al. (2010)9.
Si osservi che l’attività di ricerca del gruppo UniMi – ISAC/CNR relativa alle climatologie
termometriche è ancora in corso e, accanto ai metodi già utilizzati, sono allo studio nuovi metodi. In
particolare le ricerche attuali si stanno concentrando sulla Regressione Lineare Multipla seguita dal
Kriging dei residui e sull’uso di regressioni lineari locali temperatura – quota, basate su pesi come quelli
che vengono utilizzati per le climatologie pluviometriche (vedi prossimo paragrafo).
Figura 2 – Climatologia delle temperature medie per l’anno.
9
Vedi nota 6.
13
Figura 3 – Climatologia delle temperature minime per l’anno.
Figura 4 – Climatologia delle temperature massime per l’anno.
14
3.2 Climatologie Pluviometriche
Le climatologie pluviometriche sviluppate da UniMi e ISAC/CNR sono state ottenute con un modello
di tipo PRISM (Parameter/Precipitation-Elevation Regression on Independent Slope Models). I
modelli PRISM sono strumenti analitici di interpolazione che usano dati puntuali, dati ottenuti da DEM
ed altri set di dati spaziali e che consentono di tenere conto delle situazioni più complesse, come la
presenza di alte montagne, di regioni lacustri o costiere e di altre zone con microclimi di difficile
interpretazione e modellizzazione; le applicazioni coprono una vasta gamma di discipline come la
climatologia, l’idrologia, la geografia, la demografia, lo studio delle risorse naturali, la pianificazione del
territorio, lo sfruttamento del terreno, lo studio dei cambiamenti climatici globali, e così via. L’aspetto
più importante di questi modelli in relazione alla costruzione delle climatologie pluviometriche è che
essi riescono a catturare la complessità del legame tra le precipitazioni e la quota, esprimendo per ogni
area geografica la relazione più adatta a descrivere il fenomeno.
Più nello specifico, la procedura adottata nella costruzione della climatologia pluviometrica ha visto
innanzitutto la definizione del facet e dello slope di ogni cella del DEM nonché l’assegnazione, ad ogni
stazione, del facet e dello slope della cella più vicina. In secondo luogo, si è provveduto a stimare la
precipitazione in ogni cella del DEM sviluppando una funzione di regressione locale precipitazionequota, ricostruendo, tramite regressione lineare pesata, la precipitazione alla quota della cella in esame.
Nella funzione di regressione il peso maggiore è attribuito alle stazioni con ubicazione geografica e
morfologica più simile a quella della cella: per ogni cella sono utilizzate soltanto le stazioni all’interno di
una finestra locale; in questo modo l’algoritmo adatta in modo continuo la cornice di riferimento alle
caratteristiche locali di regime orografico.
I pesi utilizzati nella regressione sono i seguenti:
1) Peso Radiale:
il peso radiale è stato realizzato tramite una funzione peso gaussiana con la forma seguente:
wirad ( x, y ) = e

− 


di 2 ( x , y )
c




(1)
2
d
con c = −
ln 0.5
(2)
15
dove i è l’indice delle stazioni e d i ( x, y ) è la distanza tra la stazione i-esima e il punto di griglia (x,y).
Con questa scelta del parametro c si ottiene un peso pari a 0.5 per distanze pari a d tra la stazione e il
punto di griglia che si vuole calcolare. d è scelto pari a 10 km.
2) Peso di Quota:
Il peso di quota ha la stessa forma gaussiana del peso radiale:
wih ( x, y ) = e

− 


∆hi 2 ( x , y )
ch




(3)
con
2
h
ch = −
ln 0.5
(4)
dove i è l’indice delle stazioni e ∆hi ( x, y ) è la differenza in quota tra la stazione i e il punto di griglia
(x,y). Con questa scelta del parametro ch, si ottiene un peso pari a 0.5 per un divario in quota, tra
stazione e punto di griglia, pari a h . h è scelto pari a 500 m.
3) Pesi di Facet e Slope
La pendenza di una cella è il gradiente della funzione z = z(x,y):
2 
2



∂
z
∂
z
∂
z
∂
z




St = arctg grad z = arctg iˆ + ˆj
= arctg    +   
∂x
∂y
  ∂x   ∂y  


(5)
Nella pratica, la pendenza (slope) della cella (x,y) è calcolata come segue:
2 
2

 z ( xi +1 ) − z ( xi −1 )   z ( yi +1 ) − z ( yi −1 )  

 
St = arctg  
 + 
2∆x
2∆y
 
 
 

(6)
Dove ∆x e ∆y rappresentano la risoluzione longitudinale e latitudinale del DEM. Il peso di slope è
stato calcolato come:
wiSt ( x, y ) = cos 2 (2∆Sti( x , y ) )
(7)
( x, y )
dove ∆Sti
è la differenza di pendenza tra la stazione i e la cella (x,y).
16
wiSt ( x, y ) è pari a 1 se la stazione i e la cella (x,y) hanno la stessa pendenza, mentre si riduce a 0.5 per
una differenza di pendenza pari a π/2.
L’orientazione (facet) di una cella è valutata in gradi Nord, in direzione antioraria, secondo la relazione
seguente:

  ∂z 

 if
 arccos  ∂y 
grad z 




facet ( x, y ) = 
 ∂z 
  


  ∂y 

−
2
π
arccos

grad z 




 ∂z 
  > 0
 ∂y 
 ∂z 
if   < 0
 ∂y 
(8)
E il peso di facet è calcolato come segue:
wifacet ( x, y ) = cos 2 (∆facet / 2)
(9)
dove
 facet ( x, y ) − faceti if ∆facet < 2π
∆facet = 
2π − facet ( x, y ) − faceti if ∆facet > 2π
(10)
è la differenza di facet tra la stazione i e la cella (x,y).
Il peso totale della stazione i-esima, che entra nella regressione lineare per la cella (x,y) è il prodotto dei
singoli pesi:
wi ( x, y ) = wirad ( x, y ) ⋅ wih ( x, y ) ⋅ wiSt ( x, y ) ⋅ wifacet ( x, y )
(11)
Viene quindi calcolata la regressione lineare pesata precipitazioni/quota e viene stimato il quantitativo
di precipitazione nella cella (x,y) sostituendo la quota della cella (h(x,y)) nell’equazione:
P ( x, y ) = a ( x, y ) + b ( x, y ) ⋅ h ( x , y )
(12)
Per valutare l’affidabilità complessiva del modello si è utilizzata una cross-validazione punto per punto,
ossia si è ricostruito ogni valore di stazione e messo a confronto con il valore originale. Per quantificare
l’accuratezza del modello sono stati utilizzati quattro stimatori d’errore: l’errore medio assoluto (MAE)
17
e il BIAS, entrambi valutati in termini di errori assoluti e relativi (MAER e BIASR rispettivamente).
Oltre ad essi si è valutato il Root Mean Squared Error (RMSE).
Gli errori medi relativi all’intero territorio nazionale sono riportati in tabella 2. La figura 5 riporta la
climatologie delle precipitazioni lombarde relative all’anno.
MAE
BIAS
MAER[%]
BIASR[%]
RMSE
1
11.9
0.2
13.9
3.6
17.7
2
11.0
0.1
13.7
3.4
16.1
3
11.1
0.0
12.9
3.0
16.2
4
11.2
0.0
12.5
2.9
16.5
5
9.8
-0.1
11.1
2.2
15.3
6
8.7
-0.1
12.1
2.7
13.4
7
7.7
-0.2
15.2
3.9
12.2
8
8.7
-0.1
12.4
2.6
13.2
9
9.1
0.1
11.1
2.3
13.6
10
11.9
0.3
11.1
2.4
17.1
11
13.7
0.1
11.7
2.6
20.2
12
12.6
0.1
13.1
3.1
18.9
13
107.4
0.2
9.9
1.9
155.1
Y
10.6
0.0
12.6
2.9
15.9
Tabella 2 –Errori delle climatologie pluviometriche (13: valore relativo all’anno; Y: valore medio sui 12 mesi).
Figura 5 – Climatologia delle precipitazioni dell’area territoriale lombarda per l’anno.
18
Anche per le climatologie pluviometriche l’attività di ricerca del gruppo UniMi – ISAC/CNR è ancora
in corso. In questo caso peraltro, oltre che allo studio di nuove e più efficaci metodologie, si sta
lavorando ancora sui dati dai base. In sostanza è in corso per l’intero territorio nazionale un lavoro
simile a quello che è stato presentato nel primo capitolo di questo rapporto. Il risultato di questo
lavoro, integrato con altre basi di dati attualmente disponibili solo con risoluzione mensile, permetterà
presumibilmente nel prossimo futuro di avere un significativo miglioramento dell’affidabilità delle
climatologie attualmente disponibili.
I
file
“B_Climatologie\CLIMATOLOGIE_xxxx_LOMBARDIA_ver_05_2011”
contengono
le
climatologie – versione maggio 2011, per le temperature minime, medie e massime e per le
precipitazioni, dove “xxxx” indica la variabile considerata. L’area considerata è quella compresa tra 8.50
e 11.50 gradi Est e 44.65 e 46.65 gradi Nord. Essa contiene l’intero territorio lombardo. Il formato è
molto semplice: latitudine, longitudine e 12 valori mensili della variabile considerata.
Come già osservato, nuove climatologie verranno prodotte nel prossimo futuro.
19
4.
Validazione delle serie di scenario e definizione delle metodologie
per il downscaling
I modelli di simulazione del clima (General Circulation Models, GCM, e, nella loro accezione più
completa e aggiornata, Atmospheric and Oceanic Global Coupled Models, AOGCM) forniscono
risultati su scala globale e, data la complessità del sistema e dei processi di azione e feedback che si
propongono di riprodurre, sono vincolati alla produzione di risultati su una griglia grossolana,
normalmente con celle dell’ordine di 104 km2. Gli AOGCM sono dunque, in sé, poco adatti per lo
studio degli impatti locali a causa della loro risoluzione e, nello specifico, della loro insufficiente
capacità nel risolvere importanti processi a scale inferiori alla loro griglia.
I risultati prodotti dagli AOGCM necessitano quindi di un’operazione di downscaling che permetta una
riorganizzazione degli output prodotti e l’ottenimento di un’informazione di carattere più locale: la
parola downscaling, in questo contesto, indica quindi un’operazione condotta su un insieme di serie di
dati relative ad una determinata scala spaziale (le serie prodotte dal modello di simulazione), da cui si
ottiene un insieme di serie di dati a più elevata risoluzione spaziale (le serie frutto della procedura di
downscaling).
Il metodo più efficace per evidenziare le procedure di downscaling necessarie per rendere le serie
prodotte dai modelli di simulazione adatte a rappresentare la variabilità ed i cambiamenti climatici alla
scala locale è quello di confrontare le simulazioni prodotte per il passato con corrispondenti serie
osservative. Questo procedimento prende il nome di “validazione”. Lo scopo di questo capitolo è
quello presentare alcuni risultati della validazione del modello di simulazione climatica SINTEX-G7
dell'Istituto Nazionale di Geofisica e Vulcanologia le cui simulazioni verranno presentate nel capitolo
successivo.
4.2
Il modello di simulazione
Il modello usato per produrre le simulazioni climatiche oggetto della presente relazione è SINTEX-G7
dell'Istituto Nazionale di Geofisica e Vulcanologia.
20
Si tratta dell’unico modello italiano tra quelli inclusi nel noto database CMIP3 del PCMDI10 (vedi
http://www-pcmdi.llnl.gov/).
Il modello, abbreviato in INGV-SXG, include, oltre a modelli per l'atmosfera e l'oceano, moduli per
simulare la dinamica e la termodinamica del ghiaccio marino e prevede la possibilità di aggiungere al
sistema forzanti esterne, come emissioni di gas serra e di aerosol o l'incremento (decremento)
dell'ozono atmosferico, permettendo lo studio di vari possibili scenari climatici futuri.
La parte atmosferica (ECHAM 4.6) ha una risoluzione orizzontale, sviluppata con un modello spettrale
T106, di circa 1.125 per 1.125 gradi, mentre in verticale si hanno 19 livelli. La parte oceanica (OPA 8.2),
che simula l'andamento delle correnti, della temperatura e della salinità del mare, ha una risoluzione di 2
gradi, che diventa di 1 grado in prossimità dell'equatore, del mar Rosso e del mar Mediterraneo: questo
fatto rende il modello particolarmente significativo per le simulazioni riguardanti il territorio italiano.
Il database PCMDI include le seguenti cinque simulazioni climatiche per questo modello:
picntrl - questa è una simulazione di controllo in cui si cerca di riprodurre una possibile situazione
climatica preindustriale. In questo caso, come concentrazioni dei gas serra, vengono usati i valori del
1870. In sostanza questa simulazione di controllo si propone di descrivere una situazione climatica
possibile per il 1870.
20C3M - partendo dalle simulazione precedenti (picntrl), vengono poi simulati gli anni dal 1870 al
2000, considerando le corrispondenti concentrazioni di gas serra e di solfati.
SRESA1B - partendo dall'anno 2000 delle simulazioni precedenti (20C3M) viene poi simulato il clima
fino all'anno 2100, seguendo lo scenario emissivo SRES A1B.
1pctto2x e 1pctto4x – queste due simulazioni partono dalla picntrl e mantengono costanti tutte le
concentrazioni dei gas serra su livelli preindustriali, a parte quelle del CO2, che aumentano del 1%
all’anno fino al raddoppio o quadruplicamento dei valori preindustriali.
10
Questo database include tutte le simulazioni che sono state considerate per le stime prodotte nel quarto Assessment
Report dell’IPCC (2007).
21
Il primo passo per la validazione del modello è quindi stato quello di scaricare dal database PCMDI la
simulazione
20C3M
per
le
temperature
e
le
precipitazioni.
La
cartella
“C_Validazione_Modello_INGV\Serie_20C3M” contiene le serie relative ai nodi di interesse del
territorio lombardo. I nomi dei file (20C3M_X_0nnn_0.nnn.DAT) sono stati costruiti seguendo la
numerazione dei punti di griglia del modello. In pratica il primo numero è l’ennesimo nodo in
longitudine (si inizia dal meridiano di Greenwich e si procede verso Est), il secondo è l’ennesimo nodo
in latitudine (si inizia dal polo Sud e si procede verso Nord). X indica invece la variabile (P o T). Il file
“C_Validazione_Modello_INGV\Serie_20C3M \punti_LO.xls” riporta le corrispondenze tra nomi file
e coordinate geografiche. I punti sono anche mostrati in figura 6.
Figura 6 – Nodi del modello INGV-SXG di interesse per il territorio lombardo.
Il secondo passo è stato quello di trasformare queste serie in corrispondenti serie di anomalie rispetto al
periodo di riferimento 1961-1990. In particolare per le temperature si sono utilizzate le anomalie
22
additive (cioè si è sottratto da ogni valore mensile il valore normale sul periodo 1961-1990), mentre per
le precipitazioni si sono considerate le anomalie moltiplicative (cioè si è considerato il rapporto tra ogni
valore mensile e il corrispondente valore normale).
Il passo successivo è stato quello di ricavare dalle serie osservative reali, serie in anomalie per gli stessi
punti di griglia considerati dal modello. Queste serie sono state ricavate dalle serie storiche disponibile
negli archivi del gruppo di ricerca UniMi-ISAC/CNR, mediante una semplice procedura di
interpolazione basata su pesi inversamente proporzionali alla distanza (per maggiori dettagli si rimanda
a Brunetti et al. (2006)11).
Quindi, una volta disponibili le serie da modello e le serie osservative reali sugli stessi punti di griglia, si
è proceduto a studiarne le analogie e le differenze. Questo studio non si è naturalmente indirizzato ai
singoli valori mensili (si noti che i modelli non si propongono di descrivere il mondo reale, ma solo uno
degli infiniti mondi possibili), ma a indicatori statistici in grado di catturare le caratteristiche
fondamentali delle serie.
Si sono poi studiate anche le analogie e le differenze tra i valori normali 1961-1990 dei dati da modello
ed i corrispondenti valori osservativi. Questi ultimi sono stati ricavati dalle climatologie descritte nel
capitolo precedente.
I precedenti confronti tra dati da modello e dati osservativi sono anche stati oggetto di due tesi del
corso di Laurea in Fisica12. Entrambe le tesi, peraltro, non si sono limitate a considerare solo il territorio
lombardo, ma hanno considerato l’intero territorio italiano.
Il primo risultato messo in evidenza dal confronto tra le simulazioni modellistiche ed i dati osservati è
che il modello coglie in modo molto approssimativo la distruzione spaziale dei valori normali. Ciò vale
11
Brunetti, M., Maugeri, M., Monti, F., Nanni T., 2006: Temperature and precipitation variability in Italy in the last two
centuries from homogenised instrumental time series. Int. J. Climatol., 26, 345-381.
12
Elser Fritsche, 2011: Validazione di modelli di simulazione climatica per il territorio italiano (simulazioni
pluviometriche). Tesi di laurea in Fisica, anno accademico 2009-2010, Università degli Studi di Milano; Boretti, 2011:
Validazione di modelli di simulazione climatica per il territorio italiano (simulazioni termometriche). Tesi di laurea in
Fisica, anno accademico 2009-2010, Università degli Studi di Milano.
23
sia per le temperature che per le precipitazioni, con scostamenti fortemente dipendenti dalla stagione
considerata (si veda, per esempio, la figura 7).
Figura 7 – Rapporti tra i valori normali pluviometrici ottenuti dalle simulazioni e dai dati osservativi per l’intero
territorio italiano (tabella superiore: estate, tabella inferiore: inverno).
Tale aspetto è legato principalmente al fatto che il modello non riproduce in modo preciso e dettagliato
l'orografia, assegnando ai punti studiati quote diverse da quelle reali (questa è la fonte principale di
errore per le normali termometriche) e non riuscendo quindi a simulare in modo del tutto corretto i
numerosi e complessi effetti che legano le variabili meteorologiche all’orografia del territorio.
Se il confronto tra le normali prodotte dal modello e quelle prodotte dai dati osservativi ha messo in
evidenza significativi scostamenti sistematici, il confronto tra le anomalie mensili ha prodotto risultati
decisamente più soddisfacenti. Un esempio è mostrato in figura 8; questa figura mostra la deviazione
standard delle serie di anomalie mensili del periodo 1961-1990 (si tratta di 360 valori per ogni nodo,
considerati nella loro successione temporale) per le simulazioni (a sinistra) e le osservazioni (a destra).
24
Figura 8 –Deviazioni standard delle serie in anomalie ottenute dalle simulazioni e dai dati osservativi per l’intero
territorio italiano (a destra: simulazioni, a sinistra:osservazioni).
Come si vede, le differenze sono molto contenute (a parte alcuni nodi dell’estremo sud), anche alla luce
del fatto che la procedura di proiezione delle serie osservative sulla griglia del modello tende comunque
a smorzare lievemente la variabilità delle serie osservative.
Un ulteriore esempio del buon accordo tra le distribuzione delle anomalie delle serie da modello e di
quelle osservative è mostrato in figura 9. Essa mostra le distribuzioni cumulate delle anomalie
termometriche (modello e osservazioni) per un punto di griglia in prossimità di Milano. Anche in
questo caso i dati considerati si riferiscono ai 360 valori mensili del periodo 1961-1990.
Anche la coerenza spaziale dei campi di temperature e precipitazioni mensili prodotte dal modellio è
risultata in buon accordo con i dati osservativi. Anche qui mostriamo in figura 10 un esempio. Anche in
questo caso le piccole differenze sembrano dovute soprattutto alla procedura utilizzata per proiettare le
serie osservative sulla griglia del modello.
25
Figura 9 – distribuzioni cumulate delle anomalie termometriche (modello e osservazioni) per il punto di griglia 9.00
gradi Nord – 45.42 gradi Est. Questo punto è collocato vicino alla città di Milano.
Figura 10 – Distribuzione spaziale del coefficiente di correlazioni con la serie del punto di griglia 9.00 gradi Nord –
45.42 gradi Est (modello: blu, osservazioni: rosso), posta vicino alla città di Milano.
26
Quindi, in sostanza, la procedura di validazione ha mostrato, da una parte, che le simulazioni
modellistiche non possono assolutamente essere utilizzate per valutazioni alla scala locale senza una
opportuna procedura di downscaling, ma ha messo in evidenza, dall’altra, che le differenze tra le serie
da modello e le serie osservative sono perlopiù limitate ai valori normali13. Il downscaling delle
simulazioni climatiche ottenute con INGV-SXG può quindi essere prodotto semplicemente
sovrapponendo le serie da modello, espresse in termini di anomalie, alle climatologie ottenute dalle serie
osservative14. Le prime descrivono, in modo, coerente l’evoluzione spazio-temporale delle anomalie, le
seconde descrivono la distribuzione spaziale delle normali climatiche per il periodo di riferimento
considerato.
13
Questa importante proprietà delle serie 20C3M del modello INGV SXG è stata, come già osservato, studiata con
grande dettaglio nell’ambito delle due tesi di laurea in fisica di cui alla nota 12. Ad esse si rimanda per ogni ulteriore
approfondimento sull’argomento.
14
Le anomalie devono essere naturalmente calcolate sullo stesso periodo di riferimento utilizzato per le climatologie.
Nel caso in esame si è sempre considerato il periodo 1961-1990.
27
5.
Serie ottenute mediante modelli di scenario e relativo downscaling
Come già osservato nel capitolo precedente, il database PCMDI contiene le simulazioni climatiche per
l’intero XXI secolo effettuate con il modello INGV-SXG, secondo lo scenario emissivo A1B. Il primo
passo per costruire le nostre serie di scenario è quindi stato quello di scaricare queste simulazioni da
questo database. Esse sono contenute nella cartella “D_Scenari_Futuri\SerieA1B”, con nomi dei file
aventi lo stesso significato già descritto per le serie utilizzate per la validazione.
Una volta scaricate le serie, si è preparato un programma che consentisse di proiettare le proiezioni su
ogni punto del territorio lombardo, secondo la metodologia già introdotta nel capitolo precedente. Esso
è stato scritto in due versioni leggermente diverse per le precipitazioni e per le temperature.
Questi programmi si avviano lanciando gli eseguibili “DOWNSCALING_PROIEZIONI_XXXX“
nella cartella D_Scenari_Futuri\Downscaling_Scenari (dove XXXX indica la variabile). La stessa
cartella contiene anche i codici sorgente scritti in linguaggio ForTran.
I programmi sono basati sui seguenti passi:
1. Richiesta delle coordinate del punto di interesse (è necessario attenersi al formato indicato);
2. Lettura e memorizzazione per tutti i 12 nodi della figura 6 delle simulazioni 20C3M (Periodo 18702000);
3. Lettura e memorizzazione nella stessa matrice tri-dimensionale (Anno x Mese x Nodo) delle
corrispondenti simulazioni A1B (2001-2100);
4. Calcolo delle normali mensili relative al periodo 1961-1990 per ognuno dei 12 nodi della figura 6;
5. Trasformazione delle serie 20C3M + A1B (Periodo 1870-2100) in serie di anomalie per ognuno dei
12 nodi della figura 6. Le anomalie sono additive per le temperature e moltiplicative per le
precipitazioni;
6. Definizione dei pesi da associare ad ognuno dei 12 nodi della figura 6 per il calcolo della serie in
anomalie (rispetto alle normali del periodo 1961-1990) relativa al punto in esame. Questi pesi sono
28
dati da una funzione come quella indicata nella relazione (1) (vedi capitolo 3), con un peso che si
dimezza ad una distanza dal punto pari a 50 km;
7. Calcolo della serie in anomalie relativa al punto in esame (Periodo 1870-2100). Essa è ottenuta
attraverso una media pesata (vedi punto 6.) delle serie, in anomalie, relative ai 12 nodi della figura 6;
8. Lettura e memorizzazione dei valori normali mensili (periodo 1961-1990) del nodo della climatologia
(vedi capitolo 3) più prossimo al punto in esame;
9. Trasformazione delle serie in anomalie relative al punto in esame in serie in valori assoluti. Questa
trasformazione viene operata mediante i valori normali di cui al punto 8 e le anomalie di cui al punto
7.
I programmi producono i seguenti 3 files:
PESI_X_PUNTO_##_####__##_####;
NORMALI_61_90_X_PUNTO_##_####__##_####;
ZZZZZZZZZZ_PUNTO_##_####__##_####;
Dove le sequenze ##_#### indicano, nell’ordine, la longitudine e la latitudine (2 cifre intere, poi, “_”,
poi quattro decimali), X indica la variabile (P o T) e ZZZZZZZZZZ indica ancora la variabile (in
questo caso PIOGGE o TEMPERATURE).
I files:
PESI_T_PUNTO_09_7898__44_8975
NORMALI_61_90_T_PUNTO_09_7898__44_8975;
TEMPERATURE_PUNTO_09_7898__44_8975
riportano, a titolo di esempio, i risultati per le temperature del punto 9.7898 gradi Est e 44.8975 gradi
Nord.
29
Alcuni esempi di andamenti nel tempo delle serie che si possono ottenere con questa procedura sono
riportati nelle figure 11-14. La figura 11 riporta le temperature medie del periodo maggio-ottobre del
punto considerato nell’esempio discusso nel capitolo 3. Questa serie, relativa ad un punto posto sul
ghiacciaio dell’Adamello, può dare un’indicazione del potenziale impatto dei cambiamenti attesi per il
XXI secolo sulla risorsa glaciale di questa aerea. La figura 12 riporta le temperature medie del periodo
novembre-aprile per un punto corrispondente alla posizione dell’Osservatorio di Milano-Brera. In
questo caso il possibile interesse è legato all’impatto atteso dei cambiamenti climatici sulla richiesta di
energia per il riscaldamento degli edifici. Le figure 13 e 14 riportano due serie relative a simulazioni
delle precipitazioni cumulate annuali. La prima si riferisce allo stesso punto già considerato in figura 12,
mentre la seconda si riferisce ad un punto posto in prossimità dei Laghi Gemelli nelle Alpi Orobie;
quest’area è caratterizzata da precipitazioni abbastanza elevate e dispone di importanti impianti per la
produzione di energia idroelettrica.
9.0
T - periodo maggio - ottobre
8.0
7.0
temperatura
6.0
5.0
4.0
3.0
2.0
1.0
0.0
2090
2070
2050
2030
2010
1990
1970
1950
1930
1910
1890
1870
-1.0
Figura 11 – Temperature medie del periodo 01/05-31/10 per il punto 10.5370 gradi Est – 46.1630 gradi Nord.
La simulazione è effettuata con le serie 20C3M del modello INGV-SXG per il periodo 1870-2000, mentre per il
periodo 2001-2100 vengono utilizzate le serie A1B dello stesso modello.
30
12.0
11.0
T - periodo novembre - aprile
10.0
temperatura
9.0
8.0
7.0
6.0
5.0
4.0
3.0
2090
2070
2050
2030
2010
1990
1970
1950
1930
1910
1890
1870
2.0
Figura 12 – Temperature medie del periodo 01/11-30/04 per il punto 9.1891 gradi Est – 45.4717 gradi Nord.
La simulazione è effettuata con le serie 20C3M del modello INGV-SXG per il periodo 1870-2000, mentre per il
periodo 2001-2100 vengono utilizzate le serie A1B dello stesso modello.
3000
P - periodo gennaio - dicembre
2500
pioggia (mm)
2000
1500
1000
500
2090
2070
2050
2030
2010
1990
1970
1950
1930
1910
1890
1870
0
Figura 13 – Precipitazioni cumulate annue per il punto di figura 12. La simulazione è effettuata con le serie 20C3M
del modello INGV-SXG per il periodo 1870-2000, mentre per il periodo 2001-2100 vengono utilizzate le serie A1B
dello stesso modello.
31
3000
P - periodo gennaio - dicembre
2500
pioggia (mm)
2000
1500
1000
500
2090
2070
2050
2030
2010
1990
1970
1950
1930
1910
1890
1870
0
Figura 14 – Precipitazioni cumulate annue per il punto 9.8123 gradi Est – 45.9851 gradi Nord . La simulazione è
effettuata con le serie 20C3M del modello INGV-SXG per il periodo 1870-2000, mentre per il periodo 2001-2100
vengono utilizzate le serie A1B dello stesso modello
Per tutte le precedenti elaborazioni, con la procedura descritta si sono ottenute serie mensili che sono
poi state aggregate per i diversi periodi considerati nelle figure presentate.
L’interesse della procedura presentata va naturalmente molto al di là degli esempi presentati nelle
precedenti figure; essa consente infatti di costruire serie di scenario per un qualsiasi punto della regione
lombarda, consentendo, peraltro, di ottenere, accanto agli andamenti futuri sottoposti a downscaling,
anche gli andamenti simulati relativi al periodo 1871-2000.
32