INTERREG III B - MEDOC PROGETTO SEDEMED. Relazione Attività A2: Sviluppo di modelli matematici per lo studio della variabilità climatica

Transcript

1 INTERREG III B - MEDOC PROGETTO SEDEMED Relazione Attività A2: Sviluppo di modelli matematici per lo studio della variabilità climatica Coordinatore dell attività: Carlo Cacciamani Collaboratori: Stefano Marchesi, Antonella Morgillo, Valentina Pavan e Rodica Tomozeiu ARPA Regione Emilia Romagna Bologna, 26/7/2004

2 1. Introduzione L analisi della siccità nella regione Emilia Romagna è stata svolta utilizzando, quale indicatore, l indice SPI, che viene discusso nella relazione dell attività A4 (Estensione ed applicazione di prototipo di bollettino di siccità; previsione statistica). La semplice analisi statistica dell indicatore SPI non è sufficiente comunque a garantire una completa caratterizzazione climatica della siccità, per la quale si rende necessaria una caratterizzazione a mesoscala più completa che tenga conto della sua variabilità spazio-temporale e le connessioni esistenti tra tale variabilità spazio-temporale e la circolazione atmosferica alla scala più grande. Variazioni a diversa scala spaziale dei pattern di circolazione atmosferica e degli eventi più importanti (come ad esempio la North Atlantic Oscillation, NAO), l occorrenza di tipi di tempo ( grosswetterlagen ) (strutture cicloniche e/o anticicloniche del campo di pressione atmosferica al suolo, flusso zonale o bloccato nella media troposfera e alle medie latitudini nel settore euro-atlantico) hanno certamente un impatto molto grande sul tempo locale dell area europea e, a scendere di scala, anche sul Nord Italia e quindi anche nella nostra regione, che del Nord Italia occupa il settore sud-orientale. La descrizione della variabilità della circolazione a grande scala rilevante per il clima europeo è stata ottenuta analizzando il campo di altezza del geopotenziale a 500hPa (Z500) e calcolando gli indici dei patterns di teleconnessione a grande scala che influenzano maggiormente il clima di questa parte del territorio europeo. Essi possono essere identificati nella North Atlantic Oscillation (NAO), Western Atlantic (WA), Eastern Atlantic (EA), European Blocking (EB), Scandinavian pattern (SCA). L altezza del geopotenziale a 500hPa (Z500) è disponibile dalla rianalisi NCEP- NCAR per il periodo su un grigliato regolare di 2.5 x2.5 (Kalnay et al., 1996). 2. Lo studio della variabilità della circolazione atmosferica a scala grande A partire dai dati mensili della Z500, è stata realizzata un analisi standard delle componenti principali sulla matrice di covarianza delle serie temporali delle anomalie per l area da 90 W a 60 E e da 20 N a 90 N. Delle PCs determinate, sono state considerate solo le prime quattro, le quali spiegano complessivamente più del 70% della varianza totale ed è stata effettuata una media stagionale. Sempre partendo dai dati della Z500 della rianalisi NCEP-NCAR, sono stati calcolati anche gli indici dei patterns di circolazione a grande scala per ogni stagione. (Pavan et al, 2000; Wallace and Guzler, 1980). In figura 1 sono riportate le correlazioni tra le prime quattro PCs delle anomalie della Z500 e gli indici di teleconnessione. I termini in grassetto indicano i coefficienti di correlazione significativi al livello di significatività del 95%. Come si può osservare dalle tabelle, nella stagione invernale la PC1 è correlata significativamente con la NAO e con il WA (in questa stagione NAO e WA sono altamente correlati tra loro), la PC2 con lo SCA, la PC3 con l EB e la PC4 con l EA. Un risultato identico si ha per la PC1 e la PC2 in primavera, mentre la PC3 è maggiormente correlata con l EA e la PC4 con il Blocco Europeo. In estate la PC1 e la PC2 sono altamente correlate con l EA, la PC3 e la PC4 con l EB. Nella stagione autunnale la PC1 ha correlazione più alta con la NAO, la PC2 con lo SCA, la PC3 con il WA e la PC4 con l EA.

3 DJF NAO WA EA EB SCA PC PC PC PC MAM NAO WA EA EB SCA PC PC PC PC JJA NAO WA EA EB SCA PC PC PC PC SON NAO WA EA EB SCA PC PC PC PC Figura 1: Matrici di correlazione tra le prime 4 PCs delle anomalie della Z500 e gli indici di circolazione a grande scala per ogni stagione al livello di significatività del 95%. Nelle ultime due stagioni il segnale di correlazione risulta comunque meno stabile rispetto alle precedenti, in quanto le rispettive PCs hanno più correlazioni significative con gli indici di circolazione a grande scala ed i valori dei coefficienti di correlazione sono molto vicini tra loro. Nelle figure 2, 3, 4, 5 sono presentati per ogni stagione i patterns delle EOFs associate alle prime 4 PCs delle anomalie della Z500. Figura 2: Patterns delle EOFs associate alle prime 4 PCs delle anomalie della Z500 per la stagione invernale(djf).

4 Figura 3: Patterns delle EOFs associate alle prime 4 PCs delle anomalie della Z500 per la stagione primaverile (MAM). Figura 4: Patterns delle EOFs associate alle prime 4 PCs delle anomalie della Z500 per la stagione estiva (JJA).

5 Figura 5: Patterns delle EOFs associate alle prime 4 PCs delle anomalie della Z500 per la stagione autunnale (SON 3. Il legame tra gli indici della circolazione atmosferica e l indice SPI Per valutare il collegamento statistico tra l indice SPI e la variabilità della circolazione atmosferica è stata valutata la correlazione tra l SPI calcolato a 3 mesi (vedasi relazione A4) sulla regione Emilia Romagna e le prime 4 PCs delle anomalie della Z500. I coefficienti di correlazione sono stati valutati al livello di significatività del 95% nel periodo complessivo di studio e nei due sotto-intervalli , I risultati ottenuti sono riportati nelle tabelle in figura 6 (i termini in grassetto indicano i coefficienti di correlazione significativi) PC1 PC2 PC3 PC4 SPI (DJF) SPI (MAM) SPI (JJA) SPI (SON) PC1 PC2 PC3 PC4 SPI (DJF) SPI (MAM) SPI (JJA) SPI (SON)

6 PC1 PC2 PC3 PC4 SPI (DJF) SPI (MAM) SPI (JJA) SPI (SON) Figura 6: Matrici di correlazione tra le prime quattro PCs delle anomalie della Z500 e l indice SPI a tre mesi nei tre intervalli , , In tutti e tre i periodi considerati, l SPI invernale è significativamente anticorrelato con la PC1 e quindi con la NAO. Ciò è dovuto al fatto che durante eventi di NAO positiva il jet atlantico è più intenso del solito e shiftato a Nord, lasciando l Italia a sud del jet e sotto l influenza di masse di aria più calda che alimentano la siccità (valori negativi di SPI). Al contrario, durante eventi di NAO negativa, il jet è spostato più a sud, convogliando sul Mediterraneo le perturbazioni di origine atlantica, con associate precipitazioni che riducono la siccità (valori positivi di SPI). In primavera le correlazioni maggiori dell SPI si hanno con la PC2, legata principalmente allo SCA, e con la PC4 che corrisponde all EB, ovvero ad un regime di alta pressione con assenza di precipitazioni. In estate la situazione nei primi due intervalli è identica al caso primaverile, salvo che la PC2 in tale stagione è maggiormente legata all EA. Nel il segnale di correlazione è invece più forte con la PC3, legata all EB. L SPI autunnale è significativamente correlato con la PC4 negli intervalli e , mentre nel , la correlazione significativa è con la PC Tecniche di downscaling dell indice SPI a tre mesi in Emilia Romagna Negli ultimi anni è stata condotta una grande ricerca sul ruolo dei sistemi di interazione o teleconnessione nello spiegare i patterns regionali e anche globali di variabilità climatica. Tali patterns tendono a ricorrere periodicamente con sufficiente frequenza e con caratteristiche simili su tempi abbastanza lunghi, così da migliorare l abilità nelle previsioni climatiche a lungo range, in particolare nei tropici, dove è noto che la maggiore porzione di variabilità atmosferica che si presenta sulle scale dei mesi o di più anni è associata con la variazione della temperatura superficiale del mare (El Niño Southern Oscillation). Il progetto Tropical Ocean Global Atmosphere (TOGA) ha prodotto risultati che suggeriscono che può essere possibile predire alcune condizioni climatiche associate agli eventi di El Niño più di un anno in avanti. Per quelle regioni il cui clima è ampiamente influenzato da El Niño, quanto emerso dal progetto TOGA può aiutare a produrre previsioni meteorologiche che possono ridurre rischi nei settori economici più sensibili alla variabilità climatica e agli eventi estremi come la siccità. Nelle regioni extratropicali, come in Europa, le previsioni a lungo range sono molto meno affidabili. L abilità che esiste è primariamente legata a risultati di relazioni statistiche ed empiriche. Ciò segue dal fatto che il clima in queste regioni è maggiormente influenzato da fenomeni caratterizzati da bassa predicibilità e collegati a processi fortemente non lineari nel sistema atmosferico, come il blocking (Pavan et al., 2000). Inoltre la previsione su tempi lunghi in Europa è resa ancor più difficile dal fatto che la maggior parte dei modelli, allo stato dell arte, presentano errori sostanziali e hanno problemi nel riprodurre sia la climatologia che la variabilità interannuale osservate. Nonostante queste limitazioni, è stato mostrato da più autori che l uso di un multi-model ensembles può migliorare sostanzialmente i risultati delle previsioni stagionali per rilevanti anomalie di circolazione a grande scala, innalzando i loro score al livello di significatività. (Pavan and Doblas- Reyes, 2000; Krishnaumurti et al., 1999). Prendendo spunto da ciò e dai collegamenti tra i patterns di circolazione a grande scala e l SPI a tre mesi, si è tentato di determinare un modello di downscaling statistico per l indice SPI stesso, al fine

7 di individuare delle potenziali variabili predittore da utilizzare in una eventuale previsione stagionale della siccità mediante l indice SPI. La tecnica usata nel modello è la regressione lineare multipla (Wilks, 1995) e lo schema seguito è quello del metodo di downscaling statistico Perferct Prog (Klein et al., 1959). Avendo a disposizione i dati della rianalisi NCEP dal 1952 al 1999, tale intervallo temporale è stato diviso in due sottointervalli: , Il primo sottointervallo è stato considerato come periodo di costruzione del modello di downscaling, mentre il secondo come intervallo temporale di validazione. Visti i risultati di elevata correlazione tra le prime quattro PCs delle anomalie della Z500 e l SPI a tre mesi, emersi dall analisi sul legame tra la variabilità a grande scala e la variabilità dell SPI, le prime quattro PCs delle anomalie della Z500 sono state usate come potenziali predittori. Nella tabella di figura 7 sono riportati gli skill del modello di downscaling nel periodo di validazione , espressi come coefficienti di correlazione tra l SPI a tre mesi osservato e stimato usando la combinazione di predittori più altamente correlati col predittando. PC1 PC2-PC4 PC2-PC4 PC3-PC4 SPI (DJF) 0.66 SPI (MAM) 0.43 SPI (JJA) 0.25 SPI (SON) 0.24 Figura 7: Skill del modello di downscaling nel periodo Come si può osservare si ottiene uno skill significativo solo per l inverno e la primavera. Al fine di verificare anche la corretta simulazione della variabilità interannuale di SPI a tre mesi, sono state graficate le serie temporali di SPI stimato ed osservato nel periodo per le due stagioni con risultati migliori. I grafici sono riportati di seguito. SPI (DJF) stimato ed osservato nel periodo SPI (DJF) anni SPI (DJF) stimato SPI (DJF) osservato Figura 8: Variabilità interannuale di SPI (DJF) stimato ed osservato nel periodo

8 SPI (MAM) stimato ed osservato nel periodo SPI (MAM) anni SPI (MAM) stimato SPI (MAM) osservato Figura 9: Variabilità interannuale di SPI (MAM) stimato ed osservato nel periodo Risulta evidente che un elevato coefficiente di correlazione tra SPI stimato ed osservato nel periodo di validazione non è sinonimo di una buona stima della variabilità interannuale dell SPI, la quale è sottostimata dal modello di downscaling implementato in entrambe le stagioni considerate. 5. Conclusioni sulla regione Emilia Romagna Le elaborazioni svolte nell analisi spazio-temporale dell indice SPI sulla regione Emilia Romagna hanno permesso di delineare alcune conclusioni preliminari, che sarà necessario verificare in seguito disponendo di una più nutrita mole di dati: - sono evidenti dei trend negativi dell indice SPI, soprattutto alle scale temporali più lunghe di 12 e 24 mesi. Tale risultato indica che la regione negli ultimi anni si è gradualmente impoverita d acqua nel terreno, tendendo ad assumere condizioni di moderata siccità; - il segnale del trend decrescente risulta essere abbastanza omogeneo, soprattutto sul settore centro-occidentale della regione, mentre la fascia costiera sembra andare in controtendenza. Lo studio del legame statistico tra la variabilità climatica a grande scala (patterns di teleconnessione) e quella dell indice SPI a tre mesi ed il successivo sviluppo del modello di downscaling hanno portato ai seguenti risultati : - sono emersi, a seconda della stagione considerata, coefficienti di correlazione significativi (livello di significatività del 95%) tra l SPI e le prime quattro PCs delle anomalie della Z500, a loro volta correlate con gli indici di teleconnessione (North Atlantic Oscillation (NAO), Western Atlantic (WA), Eastern Atlantic (EA), European Blocking (EB), Scandinavian pattern (SCA)); - le prime quattro PCs del campo delle anomalie della Z500 sono risultate buoni predittori dell indice SPI a tre mesi per la stagione invernale (DJF) e quella primaverile (MAM). Esiti

9 meno soddisfacenti sono stati ottenuti per le altre due stagioni e per la simulazione della varianza interannuale che viene sottostimata. 6. Estensione dello studio ad altre regioni dell area CADSES: le regioni Piemonte e Sicilia Nell ultima parte dello studio si è estesa la metodologia proposta, relativa all analisi della variabilità climatica dell indice SPI, prendendo in considerazione altre aree appartenenti all area CADSES. Tale studio è stato svolto in stretta collaborazione con i colleghi dell ARPA della regione Piemonte (partner del progetto SEDEMED, si veda anche la relazione dell ARPA del Piemonte) e grazie anche ai dati dell indice SPI che sono stati resi disponibili dai colleghi dell Università di Catania, relativamente alla regione Sicilia. Nel dettaglio le attività sono state svolte perseguendo i seguenti punti: a) Analisi congiunta tra l indice SPI a 3, 6, 12 e 24 mesi su scala regionale (Emilia-Romagna, Piemonte e Sicilia); b) individuazione di periodi siccitosi comuni sulle tre aree; c) Caratterizzazione sinottica dei periodi siccitosi rilevati a partire dagli effetti al suolo (SPI 3 mesi) d) Individuazione dei pattern di circolazione atmosferica maggiormente correlati con l indice SPI calcolato sulle tre regioni. Lo scopo dei primi due punti è stato quello di evidenziare se possono essere individuati, almeno negli ultimi anni, dei periodi in cui si sono avute condizioni analoghe di siccità in tre aree del territorio italiano caratterizzate sicuramente da condizioni meteoclimatiche differenti. Se periodi analoghi possono essere individuati, questi sicuramente dovrebbero poter essere più facilmente connessi e determinati da particolare segnali di variabilità nella circolazione a scala grande di quanto non siano degli eventi localizzabili solo in una regione. La figura 10 mostra, ad esempio, l andamento dell indice SPI a 12 mesi medio areale, rispettivamente valutato sulle regioni Piemonte, Emilia Romagna ed Sicilia. Figura 10: Andamento dell indice SPI (valutato a 12 mesi), nelle tre regioni esaminate. I cerchi individuano i periodi in cui si sono rilevate condizioni di siccità comuni.

10 E evidente, dall analisi della figura 10, l esistenza di periodi sicuramente analoghi come, ad esempio, il periodo dove si osserva un prolungato periodo siccitoso o il periodo dove al contrario si riscontrano condizioni umide abbastanza comuni. Analizzando l indice SPI su un periodo d accumulazione maggiore (24 mesi, figura 11) si nota come i periodi comuni siano ancora più evidenti di quanto non siano relativamente a SPI calcolato su un periodo di 12 mesi. Figura 11: Come per la figura 10, ma per l SPI calcolato a 24 mesi In particolare il periodo è risultato essere abbastanza analogo in termini di condizioni di siccità riscontrate. Figura 12: campo di geopotenziale medio del periodo , in corrispondenza di uno dei periodi di siccità comuni più lunghi osservate nelle tre regioni Andando a valutare la struttura del campo di Geopotenziale a 500 hpa e di quello di pressione sul livello del mare, mediati nel periodo (Figura 12), allorché si rileva uno dei periodi di siccità comuni alle tre regioni più significativi, si denota come la struttura media delle strutture bariche in quota ed al suolo denotino un intenso promontorio di alta pressione su tutta l area del Mediterraneo che interessa praticamente tutta la penisola italiana.

11 Figura 13: Andamento dell Indice SPI nelle regioni Piemonte/Emilia Romagna e Sicilia e dell indice della NAO. Analogamente a quanto svolto limitatamente alla sola regione Emilia Romagna, si è ripetuto lo studio del legame con le Studiando il legame statistico con alcuni pattern di circolazione di larga scala. In Figura 13 è rappresentato, ad esempio, l andamento temporale dell indice SPI calcolate su periodi di accumulazione di 12 mesi e l indice della NAO media annuale. E evidente come sia presente una generale anticorrelazione, quantificata nella Figura 14 successiva, che mette in evidenza come ad elevati valori dell indice della NAO siano in genere associati periodi duraturi di siccità abbastanza elevati. Figura 14: Correlazione tra l indice SPI calcolato a 12 mesi nelle regioni Emilia Romagna/ Piemonte e Sicilia e l indice della NAO medio annuale. Periodo analizzato: Si può rilevare come oltre all indice della NAO anche l indice di blocco sia importante nella definizione di periodi di siccità duraturi. L analisi della correlazione nelle varie stagioni, realizzata

12 con l indice SPI calcolato a 3 mesi (Figura 15), mostra risultati analoghi a quanto si è mostrato con i valori annuali. Figura 15: Correlazione tra l indice SPI calcolato a 3 mesi nelle regioni Emilia-Romagna/Piemonte (a sinistra) e Sicilia (a destra) ed alcuni indicatori della circolazione a scala grande. In particolare l indice della NAO è fortemente anti-correlato durante il periodo invernale soprattutto nelle regioni Emilia-Romagna e Piemonte, un po meno lo è con la regione Sicilia. Interessante notare come l indice di Blocco europeo sia un altro indicatore molto interessante soprattutto durante il periodo primaverile ed anche estivo (limitatamente alle regioni centro-settentrionali). Bibliografia Kalnay, E., M. Kanamitsu, R. Kistler, W. Collins, D. Deaven, L. Gandin, M. Iredell, S. Saha, G. White, J. Woollen, Y. Zhu, A. Leetmaa, B. Reynolds, M. Chelliah, W. Ebisuzaki, W. Higgins, J. Janowiak, K.C. Mo, C. Ropelewski, J. Wang, R. Jenne and D. Joseph, 1996: The NCEP/NCAR 40-Year Reanalysis Project. Bull. Am. Meteorol. Soc., 77, Klein, W.H., B.M. Lewis, and I.Enger, 1959, Objective prediction of five-day mean temperature during winter, Journal of Meteorology, 16, McKee, T.B., N.J. Doesken and J. Kleist, The relationship of drought frequency and duration to time scales. Preprints, 8th Conference on Applied Climatology, January, Anaheim, CA, Amer. Meteor. Soc., Palmer, W.C., Meteorological Drought. Research Paper No. 45, U.S. Department of Commerce Weather Bureau, Washington, D.C., 58 pp. Pavan, V. and F. Doblas-Reyes, 2000: Multi-model seasonal hindcasts over the Euro-Atlantic: skill scores and dynamic features. Clim. Dyn, 16, Pavan, V., S. Tibaldi and Č. Branković, 2000: Seasonal prediction of blocking frequency: results from winter ensemble experiments. Q. J. R. Meteorol. Soc., 126, Preisendorfer, R: W., Principal Component Analysis in Meteorology and Oceanography, ELSEVIER, Shafer, B.A. and L.E. Dezman, Development of a Surface Water Supply Index (SWSI) to assess the severity of drought conditions in snowpack runoff areas. Proceedings of the Western Snow Conference, Wilks, D.S., Statistical Methods in the Atmospheric Sciences. An introduction., ACADEMIC PRESS, 1995.