SISTEMA MODELLISTICO WRF-CAMX

Transcript

1 SISTEMA MODELLISTICO WRF-CAMX SIMULAZIONE DELL ANNO LUGLIO 2017 Consorzio LaMMA Laboratorio di Monitoraggio e Modellistica Ambientale per lo sviluppo sostenibile Area della Ricerca CNR Edificio D - Via Madonna del Piano 10, Sesto Fiorentino FI Tel fax: info@lamma.rete.toscana.it

2 Relazione finale: Sistema modellistico WRF-CAMx - simulazione dell anno 2016 PROT: 543/2017 del 14/07/2017 Consorzio LAMMA Autori: Caterina Busillo Francesca Calastrini Francesca Guarnieri Per la sintesi climatica: Giulio Betti Sistema modellistico WRF-CAMX: simulazione dell anno 2016

3 Indice Introduzione Sintesi delle condizioni climatiche - anno Simulazione WRF-CAMx anno La configurazione adottata Le concentrazioni medie stimate 12 3 Validazione con dati misurati Il dataset utilizzato per la validazione Elaborati grafici Serie storiche Scatter-plot Gli indicatori statistici per la valutazione dei risultati Dust sahariano 28 Conclusioni 31 Appendice 34 Sistema modellistico WRF-CAMX: simulazione dell anno

4 Introduzione Il Consorzio Lamma è incaricato di fornire supporto alla Regione Toscana per la realizzazione del Programma di Valutazione della Qualità dell'aria (D.G.R.T. n 964 del 12/10/15), attraverso la fornitura di stime modellistiche delle concentrazioni dei principali inquinanti (PM10, PM2.5, NO2, O3, SO2), relativamente all anno precedente. Attraverso la catena modellistica meteo-diffusionale WRF-CAMx, sviluppata e gestita presso il Consorzio Lamma, sono state fornite le concentrazioni stimate per tali inquinanti relative all anno 2016, corredate da una serie di analisi e grafici, oltre ad alcune considerazioni circa le condizioni climatiche che hanno caratterizzato l anno stesso. Per la catena modellistica sono state utilizzati come dati di input i campi delle analisi meteorologiche dell ECMWF e come condizioni al contorno i dati del modello CHIMERE (fornite da PREV AIR). Il presente lavoro è suddiviso in tre parti: una sintesi delle condizioni meteorologiche che hanno caratterizzato il 2016; la presentazione delle stime modellistiche degli inquinanti, attraverso le mappe medie di concentrazione (PM10, PM2.5, NO2, O3, SO2); la validazione delle uscite modellistiche attraverso il confronto con i dati misurati dalle stazioni di monitoraggio della rete regionale, attraverso una serie di indicatori statistici. Inoltre, a conclusione, viene allegata una appendice contenente tutti gli elaborati grafici (mappe, serie storiche) ed analisi statistiche, in modo da fornire un quadro esaustivo sulle stime numeriche e sulle performance dell applicazione modellistica. Sistema modellistico WRF-CAMX: simulazione dell anno

5 1 - Sintesi delle condizioni climatiche - anno 2016 Il 2016 in Toscana è risultato quarto anno più caldo dal 1955 con una temperatura media di 15.5 C (+0.84 C rispetto alla climatologia ). Da rilevare come 4 dei 5 anni più caldi dell intera serie storica siano stati osservati tra il 2011 e il Per quanto riguarda le piogge si è registrano un surplus del 15%, gran parte del quale da ascrivere alle abbondanti precipitazioni osservate nei mesi di gennaio e febbraio. Entrando maggiormente nel dettaglio il 2016 si è distinto per marcate anomalie positive nei primi quattro mesi con un picco di +2.9 C a febbraio, successivamente gli scarti si sono ridotti oscillando mediamente tra i +0.3 e i +0.9 C (unica eccezione settembre con +1.4 C). ll bimestre gennaio-febbraio è stato il più piovoso dell anno con surplus pluviometrici eccezionali, in particolare febbraio che ha fatto registrare +250% di precipitazioni a livello regionale e ben 10 giorni piovosi in più rispetto alla norma. Estremamente deficitario, invece, il mese dicembre, durante il quale è caduto soltanto il 10% della pioggia attesa con ben 8 giorni piovosi in meno rispetto alla normale climatica. I restanti mesi dell anno si sono contraddistinti per quantitativi di pioggia complessivamente normali, salvo moderati surplus a maggio e giugno (rispettivamente +30% e +40%). Da un punto di vista circolatorio il 2016 è risultato molto contrastato, con alternanza di fasi anticicloniche anche durature (anomalie positive di geopotenziale a 500 hpa) e periodi molto instabili (anomalie negative di geopotenziale a 500 hpa). Particolarmente stabili sono stati i mesi di aprile, luglio, agosto, settembre e dicembre, mentre gennaio e febbraio si sono contraddistinti per condizioni meteorologiche fortemente perturbate. Il quadro descritto è ben riassunto dalla figura sottostante, osservando la quale si può notare l assenza di una chiara anomalia di pressione in quota sull Europa. Il segnale, seppur debolmente positivo (scarto di +10/+15 metri a 500 hpa), è uguale su tutto il continente e conferma come fasi anticicloniche e cicloniche si siano compensate quasi perfettamente. A tal proposito risulta quanto mai utile un confronto con le anomalie di geopotenziale registrate nel 2015, anno fortemente condizionato dalle alte pressioni (figura 2). In sintesi il pattern circolatorio osservato nel 2016, salvo qualche eccezione, si è distinto dal 2015 per una turbolenza decisamente maggiore e frequente e, quindi, da un minor numero di periodi caratterizzati dal ristagno di inquinanti nei bassi strati. Sistema modellistico WRF-CAMX: simulazione dell anno

6 . Figura 1. Mappa di anomalia dell altezza del geopotenziale a 500 mb per l anno 2016 su base climatologica Si noti l assenza di una chiara anomalia su tutto il continente (Italia e Toscana comprese) Figura 2. Mappa di anomalia dell altezza del geopotenziale a 500 mb per l anno 2015 su base climatologica Si notino gli scarti particolarmente marcati sull Europa centrale e sul nord Italia (Toscana compresa) Da un punto di vista termico il maggior contributo all anomalia annuale è arrivato dai mesi di gennaio, febbraio, aprile e settembre con, rispettivamente, +1.2 C, +2.9 C, +1.7 C e +1.4 C (Figure 3-4). Febbraio è risultato il quarto più caldo dal 1955, dopo il 2014, il 1966 e il 1990 (Figura 5). L unico scarto debolmente negativo (-0.2 C) è stato Sistema modellistico WRF-CAMX: simulazione dell anno

7 registrato a maggio, mentre a dicembre, a dispetto di valori termici in linea con le medie in pianura (+0.1 C), si sono osservate, in montagna, anomalie comprese tra +2 e +3.5 C. L andamento termico di dicembre è frutto di persistenti inversioni termiche causate dalla presenza di robusti anticicloni; condizioni, queste, favorevoli all accumulo di inquinanti nei bassi strati.. Figura 3 - Figura 4: anomalia termica al suolo dei mesi di aprile (sx) e settembre (dx) su base climatologica Figura 5: anomalia termica al suolo del mese di febbraio su base climatologica A differenza del 2015, quando gran parte delle anomalie positive fu causato da frequenti e persistenti figure anticicloniche, nel 2016 gli scarti sono stati prodotti sia da fasi di alta pressione, che da periodi fortemente perturbati. Nel secondo caso si è Sistema modellistico WRF-CAMX: simulazione dell anno

8 trattato di flussi miti legati a circolazioni depressionarie di matrice mediterranea e atlantica che nei mesi invernali si associano, tipicamente, a temperature al di sopra della norma; è questo il caso di gennaio e febbraio. Aprile, settembre e dicembre, invece, si sono contraddistinti per condizioni meteorologiche stabili; un discorso a parte lo merita dicembre che, con un deficit idrico del 90%, risulta il più secco dell intera serie storica dopo il 2015 (Figura 6). Nei mesi di gennaio e febbraio il frequente passaggio di sistemi depressionari ha garantito un intensa turbolenza, limitando il ristagno degli inquinanti nei bassi strati a episodi brevi e circoscritti. La stessa conclusione vale per marzo, mese segnato da un modesto deficit idrico, ma caratterizzato da una circolazione atmosferica prevalente favorevole alla dispersione. Dicembre, invece, come avvenuto nel 2015, si è distinto per condizioni meteorologiche eccezionalmente stabili, culminate in periodi anche prolungati caratterizzati da scarsa, o pessima qualità dell aria. Figura 6: deficit idrici registrati nei capoluoghi di regione nel mese di dicembre Il trimestre estivo ha visto un mese di giugno particolarmente instabile con un surplus precipitativo del 40% e 3 giorni piovosi in più rispetto alla normale climatica. Le temperature in media (+0.3 C) ed un numero di passaggi perturbati superiore alla norma hanno contribuito a contenere precoci rialzi delle concentrazioni di ozono. Interessante a tal proposito il confronto con giugno 2015, durante il quale l indice UV a Firenze si è mantenuto costantemente intorno a 7-8, mentre nel 2016 ha oscillato tra 5 e 7 (Figure 7-8). Per quanto concerne il bimestre luglio-agosto l andamento circolatorio Sistema modellistico WRF-CAMX: simulazione dell anno

9 medio ha rispecchiato a grandi linee quello climatologico di riferimento; da segnalare soltanto uno scarto moderato nelle temperature a luglio (+0.8 C), mese nel quale però non si sono osservate significative ondate di calore (secondo la definizione WMO). Rispetto l estate 2015 le temperature sono risultate decisamente più contenute, in particolare nel bimestre giugno-luglio (-1.8 C). Figura 7-8. Andamento dell indice UV nei mesi di giugno 2016 (sopra) e 2015 (sotto). Si notino i valori costantemente elevati dell indice nel 2015 e quelli decisamente più contenuti del 2016 (specie prime due decadi) Per quanto riguarda i restanti mesi da segnalare le prevalenti condizioni di stabilità che hanno contraddistinto aprile e settembre; quest ultimo, in particolare, ha registrato temperature medie ben al di sopra della norma (+1.4 C) con valori massimi spesso superiori ai 30 C nella prima metà, specie nelle zone interne di pianura. Ottobre e novembre non hanno presentato particolari anomalie di circolazione, mentre maggio è risultato piuttosto instabile e relativamente fresco (-0.2 C rispetto alla climatologia). Sistema modellistico WRF-CAMX: simulazione dell anno

10 2 Simulazione WRF-CAMx anno La configurazione adottata Nel corso del 2016 è stato messo a punto e reso operativo in modalità sperimentale il sistema integrato di previsione e analisi della qualità dell aria per la regione Toscana (SPARTA). Il sistema integrato, basato sul modello CAMx, permette di effettuare sia le previsioni quotidiane dei principali inquinanti atmosferici, utilizzando le previsioni meteo ottenute da WRF(ECMWF) e le condizioni al contorno dalle previsioni di CHIMERE (fornite da PREV AIR), sia le stime degli stessi inquinanti, ottenute dalle analisi WRF(ECMWF) e dalle analisi CHIMERE. Questo sistema consente quindi di ottenere due tipi di prodotti, previsioni e analisi da configurazioni compatibili. Questo permetterà un confronto diretto tra i risultati ottenuti con i due approcci. Il sistema in modalità analisi è stato utilizzato per simulare le concentrazioni dei principali inquinanti per l anno 2016, per fornire supporto alla Regione Toscana nell elaborazione del Programma di Valutazione della Qualità dell'aria, attività prevista dal PdA del Consorzio Lamma. Figura 9. Schema della catena di modewlli WRF-CAMx. Sistema modellistico WRF-CAMX: simulazione dell anno

11 Come riportato nello schema in Figura 9, l input meteorologico è fornito dal modello WRF-ARW a 3 Km di risoluzione, inizializzato da dati di analisi ECMWF, le condizioni iniziali e al contorno dal modello CHIMERE; i dati di emissione derivano anche per questa simulazione dall inventario IRSE relativo all ultimo aggiornamento disponibile, il In Tabella 1, sono riportate le principali caratteristiche del run relativo all anno 2016, mentre in Tabella 2 l elenco degli elaborati grafici ottenuti da questa simulazione. Tali elaborati sono riportati in modo completo in Appendice. Modello CAMx versione 5.4 Periodo ANNO 2016 Risoluzione temporale oraria Dominio di calcolo Dimensioni: 220x248 Km 2 ; 110 x 124 celle Risoluzione spaziale: 2 Km Coordinate: UTM (32) 554 km E; 4677 Km N Livelli verticali 18 livelli; da 10 m a m Input meteo WRF; variabili su base oraria, risoluzione 3 Km, con interpolazione 2 Km, anno 2016 Deposizione secca Attivata - Slinn e Slinn (1980) Deposizione umida Attivata - Seinfeld e Pandis (1998) Chimica SAPRC99+CF (mech 5) Concentrazioni iniziali e al CHIMERE (MELCHIOR), risoluzione 0.5, analisi(day-1), anno contorno 2016 Emissioni areali IRSE : database aggiornato al 2010 Simulazione variabili su base oraria; risoluzione 1 Km, con interpolazione 2 Km, MINNI (SAPRC99) - area esterna alla Toscana: variabili su base oraria; risoluzione 4 Km, con interpolazione 2 Km Emissioni puntuali IRSE : database aggiornato al 2010 variabili su base oraria Specie in output 26 specie: NO, NO2, O3, SO2, HNO3, NH3, PNO3, PSO4, PNH4, POA, PEC, FPRM, CPRM, CCRS, FCRS, SOA1, SOA2, SOA3, SOA4, SOA5, SOA6, SOA7, SOPA, SOPB, NA, PCL Tabella 1. Principali caratteristiche delle simulazioni eseguite. Sistema modellistico WRF-CAMX: simulazione dell anno

12 Concentrazione media annua degli inquinanti PM10, PM2.5, NO2, SO2, O3 Concentrazione media mensile degli inquinanti PM10, PM2.5, NO2, SO2, O3 Concentrazione media stagionale degli inquinanti PM10, PM2.5, NO2, SO2, O3 Grafici della serie temporale della concentrazione media giornaliera stime-misure di PM10, PM2.5, NO2, SO2, O3, in corrispondenza delle centraline di monitoraggio Grafici della serie temporale della concentrazione media oraria stime-misure di O3 in corrispondenza delle centraline di monitoraggio (maggio-settembre) Scatter-plot: concentrazioni medie annue stime-misure di PM10, PM2.5, NO2, SO2, O3 Tabella 2. Elaborati grafici ottenuti dalle simulazioni. 2.2 Le concentrazioni medie stimate Le stime modellistiche relative alla concentrazione oraria dei principali inquinanti, PM10, PM2.5, NO2, SO2, O3, sono state elaborate per ottenere mappe di concentrazione media su base mensile, stagionale e annuale. A titolo di esempio, di seguito sono riportate le mappe relative ai mesi di gennaio e giugno (Fig. 10), le mappe stagionali (Fig.11) e annuale (Fig.12), mentre le mappe di tutti i mesi sono riportate in appendice. PM10 PM2.5 Analizzando le mappe di concentrazione media annua di PM10 e PM2.5 si evidenzia una distribuzione spaziale analoga a quanto ottenuto negli anni precedenti (es.2014, 2010, 2007); i valori di concentrazione più alti si riscontrano nei mesi di gennaio-marzo e ottobre-dicembre, nelle aree vallive con maggiori pressioni antropiche, cioè la piana Firenze-Prato-Pistoia, la pianura del val d Arno inferiore, il val d Arno superiore, la valle del Serchio. In termini di media annua, si ha una diminuzione rispetto ai valori medi stimati nell anno 2015, in cui nel bimestre novembre-dicembre si erano verificate condizioni particolarmente critiche: infatti il confronto tra i valori medi stimati in questi mesi mostra valori molto più alti nel 2015 rispetto al NO 2 Anche per questo inquinante le concentrazioni più alte si presentano nel periodo invernale, tuttavia, soprattutto in alcune aree come il bacino Firenze-Prato- Pistoia e nelle tratte autostradali, si evidenzia una scarsa variabilità stagionale, con valori piuttosto alti anche nel periodo estivo. Permangono quindi i problemi più volte segnalati, legati al mancato aggiornamento dell inventario IRSE: l input emissivo è ancora quello relativo all anno 2010, che, come più volte segnalato, è caratterizzato da un marcato aumento, rispetto all aggiornamento precedente, delle emissioni di NO per la componente traffico. Questa sovrastima delle emissioni di NO induce da parte del modello chimico la non corretta determinazione, in Sistema modellistico WRF-CAMX: simulazione dell anno

13 particolare in alcune aree, della concentrazione degli inquinanti secondari come il biossido di azoto, l ozono, e la frazione inorganica delle polveri (es. nitrati). O 3 In accordo con quanto evidenziato nella analisi climatica, nell estate 2016 non si sono determinate condizioni particolarmente critiche per le concentrazioni di ozono: infatti, il confronto con le mappe delle concentrazioni medie mensili dell estate 2015 mostra valori inferiori nei mesi maggio-agosto SO 2 Dal momento che l input emissivo è sempre quello relativo al 2010, si hanno risultati analoghi a quanto ottenuto negli anni precedenti: il biossido di zolfo è presente, senza particolari variazioni stagionali, con valori significativi solo in prossimità di Livorno e Piombino, in conseguenza alle emissioni delle attività portuali e di alcuni importanti impianti industriali della regione, come risulta dall inventario IRSE. E possibile, anche in questo caso, che sia necessaria una revisione delle emissioni di queste aree. Sistema modellistico WRF-CAMX: simulazione dell anno

14 Figura 10. Mappe delle concentrazioni medie mensili (μg/m3) di gennaio 2016 (sopra) e di giugno 2016 (sotto). Sistema modellistico WRF-CAMX: simulazione dell anno

15 Figura 11. Mappe delle concentrazioni medie (μg/m3) di NO2, PM10, PM2.5, O3 (come media nelle ore diurne e notturne) e SO2 nei semestri invernale (sopra) ed estivo (sotto) del Sistema modellistico WRF-CAMX: simulazione dell anno

16 Figura 12. Mappe delle concentrazioni medie (μg/m3) di PM10, PM2.5, NO2, SO2, O3, relative all anno Sistema modellistico WRF-CAMX: simulazione dell anno

17 3 Validazione con dati misurati 3.1 Il dataset utilizzato per la validazione Le stime modellistiche sono state validate attraverso il confronto con dati misurati. Il data-set utilizzato per la validazione per l anno 2016 è costituito dalle misure effettuate nelle 40 stazioni di monitoraggio appartenenti alla rete regionale, gestita da ARPAT. Nella Fig. 13 sono riportate le principali caratteristiche di queste stazioni: il codice identificativo (codice Lamma), il nome e la provincia, il tipo di stazione (fondo, traffico, industriale), il tipo di zona (urbana, periferica, rurale), le coordinate geografiche, la percentuale di dati validi per ogni inquinante misurato. Delle 40 stazioni della rete regionale di monitoraggio della qualità dell aria 28 sono di fondo, una industriale, 11 di traffico. Per quanto riguarda le 39 stazioni che misurano NO 2, 27 sono di fondo, 11 di traffico, 1 industriale; delle 36 stazioni che misurano PM10, 24 sono di fondo, 11 di traffico, 1 industriale. Delle 17 stazioni che misurano PM2.5, 11 sono di fondo, 6 di traffico. Le 12 stazioni che misurano O 3 sono di fondo. Anche le 4 stazioni che misurano SO 2 sono di fondo. ID NOME STAZIONE TIPO TIPO LAT LON PM10 PM2.5 NO2 O3 SO2 1 AR-CASA-STABBI F R % 94% 91% 2 AR-ACROPOLI F U % 98% 95% 93% 5 FI-BASSI F U % 96% 93% 100% 6 FI-BOBOLI F U % 10 FI-SETTIGNANO F S % 93% 11 FI-SIGNA F U % 95% 92% 12 FI-SCANDICCI F U % 95% 21 GR-URSS F U % 98% 94% 22 LI-CAPPIELLO F U % 97% 94% 29 LI-POGGIO-SAN-ROCCO F U % 92% 93% 32 LU-CAPANNORI F U % 97% 94% 100% 35 LU-VIAREGGIO F U % 98% 93% 36 MS-COLOMBAROTTO F U % 95% 45 PI-PASSI F U % 98% 92% 92% 46 PI-MONTECERBOLI F S % 91% 93% 48 PI-SANTACROCE-COOP F S % 94% 92% 52 PO-ROMA F U % 99% 96% 55 PT-MONTALE F S % 97% 95% 93% 57 PT-SIGNORELLI F U % 95% 59 SI-POGGIBONSI F U % 98% 95% 67 GR-MAREMMA F R % 93% 69 LU-CARIGNANO F R % 91% 73 FI-PONTASSIEVE F U % 94% 94% 82 LI-LAPIRA F U % 92% 100% 83 LI-PIOMBINO-PARCO-VIII-MARZO F S % 95% 86 LU-SAN-CONCORDIO F U % 94% 88 LU-FORNOLI F U % 95% 89 FI-FIGLINE F U % 82% 79% 100% 26 LI-COTONE I S % 94% 4 AR-REPUBBLICA T U % 78% 7 FI-GRAMSCI T U % 90% 93% 8 FI-MOSSE T U % 95% 20 GR-SONNINO T U % 90% 23 LI-CARDUCCI T U % 96% 95% 30 LU-MICHELETTO T U % 92% 42 PI-BORGHETTO T U % 99% 95% 47 PI-PONTEDERA T U % 94% 50 PO-FERRUCCI T U % 93% 93% 84 SI-BRACCI T U % 94% 85 MS-MARINA-VECCHIA T U % 98% 95% Figura 13. Mappa e tabella delle stazioni di monitoraggio ARPAT disponibili nell anno 2016 con la percentuale di dati validi nell anno 2016: in verde le stazioni di fondo, in rosso le traffico, in giallo le industriali. Sistema modellistico WRF-CAMX: simulazione dell anno

18 3.2 Elaborati grafici In questo paragrafo vengono presentati gli elaborati grafici per il confronto stimemisure, cioè le serie storiche dei valori medi giornalieri di concentrazione di NO2, PM10, PM2.5, O3, SO2, e gli scatter-plot dei valori di concentrazione media annua Serie storiche Per ciascuno degli inquinanti in esame sono state elaborate le serie storiche annuale delle concentrazioni medie giornaliere: nei grafici sono riportati i dati misurati e le stime modellistiche in corrispondenza delle stazioni di monitoraggio della rete regionale della qualità dell aria. Per l ozono sono stati considerati anche i grafici della concentrazione media oraria nei mesi maggio-settembre. Questi elaborati sono riportati in forma completa in appendice, mentre di seguito sono riportati solo alcuni esempi. PM10 Analizzando i grafici delle serie storiche, dal confronto stime-misure si evidenzia che le stime del modello riproducono in modo più che soddisfacente i valori di concentrazione di PM10 sul territorio regionale. Come già riscontrato negli anni precedenti, i valori di concentrazione sono sottostimati nel periodo estivo in tutte le stazioni, avvalorando l ipotesi che si tratti di una carenza nei dati dell inventario, in cui è sottostimato il particolato primario nella frazione grossa (compresa tra 2.5 e 10 m). In generale, nelle stazioni delle aree costiere il modello riproduce molto bene i valori di concentrazione, sia in termini di andamento temporale, che in termini quantitativi, come si può notare osservando i grafici relativi alle stazioni di Massa, Viareggio, Pisa (città), Livorno e Grosseto. Buoni risultati si hanno anche per le stazioni di AR- CasaStabbi (rurale, fondo) e di PI-Montecerboli (suburbana, fondo). Le stazioni dell entroterra nelle aree urbane o fortemente antropizzate, come ad esempio le stazioni della piana FI-PO-PT, di Arezzo, della piana Lucchese-Pisana, registrano valori più alti nel periodo invernale rispetto al periodo estivo. Il modello riproduce correttamente questo andamento stagionale, tuttavia, durante gli episodi caratterizzati da concentrazioni molto alte, si ha una generalizzata sottostima dei valori di picco: questa discrepanza potrebbe essere legata alla stima dell altezza dello strato di rimescolamento, parametro critico per le aree vallive o pianeggianti. Come già segnalato negli scorsi anni, nella stazione di Montale il modello non riproduce correttamente la concentrazione, sia come andamento temporale che come valori, sempre sottostimati. Nella stazione di PT-Signorelli, come in quella di FI-Figline i valori Sistema modellistico WRF-CAMX: simulazione dell anno

19 sono sempre sovrastimati, anche nel periodo invernale. E quindi probabile che questo deficit sia riconducibile ad una non corretta stima, a livello locale, delle emissioni IRSE. Figura 14. Serie storiche di confronto tra i dati di PM10 (sopra) e PM2.5 (sotto) da stazione (blu) e da modello (rosso) relative alla stazione di FI-Bassi. Figura 15. Serie storiche di confronto tra i dati di PM10 (sopra) e PM2.5 (sotto) da stazione (blu) e da modello rosso) relative alla stazione di AR-Acropoli. Figura 16. Serie storiche di confronto tra i dati di PM10 (sopra) e PM2.5 (sotto) da stazione (blu) e da modello (rosso) relative alla stazione di LI-Cappiello. Sistema modellistico WRF-CAMX: simulazione dell anno

20 PM2.5 Per quanto riguarda il PM2.5, i risultati ottenuti sono decisamente buoni, sia in termini di andamento temporale, che in termini quantitativi, con valori stimati molto vicini a quelli misurati. Come per il PM10, nel periodo estivo il modello sottostima, come pure nel periodo invernale negli episodi di inquinamento acuto, ma in generale c è un migliore accordo stime-misure rispetto a quanto riscontrato per il PM10. Nelle stazioni di FI-Pontassieve e di GR-URSS le stime modellistiche mostrano valori superiori alle misure nel periodo invernale, mentre nella stazione di PT-Montale le stime sono caratterizzate da valori sempre troppo bassi rispetto alle misure. Ovviamente, dato che anche nel 2016 è stato utilizzatolo stesso input emissivo degli anni precedenti (aggiornamento 2010), si riscontrano le stesse carenze già più volte segnalate: in particolare, la differenza tra PM10 e PM2.5 stimata è generalmente molto minore rispetto a quella tra le misure delle due frazioni ed è quindi ipotizzabile che questo deficit sia imputabile ad una non corretta valutazione nell inventario IRSE della frazione compresa tra 2.5 e 10 m, prevalentemente di origine primaria. NO 2 Come segnalato negli anni scorsi, le stime di NO2 sono in buon accordo con le misure in alcune stazioni, mentre in altri casi i risultati sono meno buoni o addirittura pessimi. In particolare, alcune stazioni sulla costa, come LU-Viareggio, PI-Passi, LI- PoggioS.Rocco, o prossime alla costa come LU-S.Concordio e PI-Montecerboli, presentano risultati molto buoni. Nelle stazioni delle città portuali, Livorno e Piombino, i valori stimati sono invece molto maggiori rispetto a quelli misurati, soprattutto nel periodo estivo. E possibile che si tratti di una non corretta stima delle emissioni derivanti sia dalle attività portuali, che dalle attività industriali. Anche la stazione di AR- CasaStabbi, rurale-fondo, mostra una importante sovrastima, dovuta probabilmente all effetto delle condizioni al contorno. Le stazioni dell entroterra, situate nelle aree più soggette a pressioni antropiche, presentano risultati discreti in termini di andamento temporale, anche se in generale il modello sovrastima nel periodo maggio-ottobre e in alcuni casi una sottostima nel periodo invernale. Si hanno risultati buoni per le stazioni di fondo della piana lucchese-pisana, discreti per le stazioni di fondo del bacino Firenze- Prato-Pistoia, con alcune eccezioni, rappresentate dalla stazione di FI-Settignano, in cui il modello sovrastima in tutto l arco dell anno, e dalla stazione FI-Bassi. Nelle stazioni di traffico in alcuni casi si ha un buon accordo (LU-Micheletto, PI-Pontedera) in altri una sottostima (FI-Mosse, AR-Repubblica). Sulla base di questi risultati, così differenziati su base territoriale, sarebbe auspicabile una revisione dell inventario delle emissioni, con particolare attenzione ai precursori di NO2 e alle sorgenti potenzialmente più critiche Sistema modellistico WRF-CAMX: simulazione dell anno

21 come il traffico veicolare, le attività portuali e l apporto delle principali sorgenti industriali. Figura 17. Serie storiche di confronto tra i dati di NO2 da stazione e da modello relative alle stazioni di FI-Bassi, LU-San Concordio, LI-Cappiello. SO2 Nella rete regionale sono presenti 4 stazioni di fondo che misurano SO2, FI- Bassi, FI-Figline, LU-Capannori, LI-LaPira: nella stazione di Livorno si registrano valori misurati più alti rispetto alle altre stazioni, soprattutto nel periodo estivo. In questa stazione il modello sovrastima in modo importante, mentre nelle altre stazioni le stime modellistiche riproducono come ordine di grandezza i valori misurati, ma non come andamento temporale. Anche in questo caso, come per gli ossidi di azoto, sarebbe opportuno rivedere criticamente l input emissivo, in modo da ottenere risultati più aderenti alla realtà. Figura 18. Serie storiche relative all SO2 di confronto tra misure (blu) e modello (rosso), presso la stazione di LI-LaPira. Sistema modellistico WRF-CAMX: simulazione dell anno

22 O 3 Come evidenziato nell analisi climatica, il periodo maggio-settembre è stato caratterizzato da temperature e da un indice UV inferiori a quanto registrato nel 2015; in particolare il mese di giugno è stato caratterizzato da una piovosità elevata. Questo quadro ha fatto sì che le condizioni favorevoli alla formazione dell ozono troposferico siano state limitate e quindi i valori di questo inquinante sono stati inferiori rispetto all anno precedente. Figura 19. Serie storiche relative all ozono di confronto tra misure (blu) e modello (rosso), presso le stazioni di FI-Settignano, FI-Signa e PI-S.Croce, nel mese di luglio In alcune stazioni, come FI-Signa, GR-Maremma, LU-Carignano, LI-PoggioS.Rocco, si ha un discreto accordo stime-misure, come si può notare osservando le serie storiche della concentrazione media giornaliera. Analizzando i grafici mensili relativi alla concentrazione media oraria per i mesi maggio-settembre, in queste stazioni si conferma un buon accordo sia in termini di trend che dei valori di picco. Viceversa, confrontando i valori stime-misure medi giornalieri, nelle stazioni di PI- Passi, PI-Santa-Croce, il modello sovrastima soprattutto nel periodo estivo. Analizzando i valori orari, il modello non riproduce correttamente l andamento giornaliero caratterizzato da valori alti nelle ore centrali del giorno e dalla loro drastica riduzione nelle ore notturne, ma tende a sovrastimare la concentrazione. Anche nella stazione di AR-Casa-Stabbi il modello sovrastima, presumibilmente per la maggiore influenza delle Sistema modellistico WRF-CAMX: simulazione dell anno

23 condizioni al contorno. Fa eccezione la stazione di FI-Settignano, in cui i livelli di picco e i valori notturni sono sottostimati: in questo caso la sovrastima del biossido di azoto, precursore dell ozono, potrebbe essere la causa. La revisione accurata delle emissioni degli inquinanti precursori è quindi necessaria anche per ottenere una corretta stima di un inquinante secondario come l ozono Scatter-plot In questo paragrafo si analizzano gli scatter-plot relativi alla concentrazione media annua stimata e misurata per ciascun inquinante. Tramite questi elaborati grafici si ha una rappresentazione sintetica con cui si valuta la validità della simulazione e si ha una visualizzazione immediata dei risultati in corrispondenza delle stazioni di monitoraggio. Viene definita un area di confidenza, delimitata da due rette con coefficienti angolari stabiliti, all interno della quale i punti rappresentano una simulazione numerica adeguata. Se i punti ricadono nell area sopra la retta rossa tratteggiata con coefficiente angolare maggiore si ha una sovrastima, mentre al di sotto della retta rossa tratteggiata con coefficiente minore si evidenzia una sottostima; nel caso ideale i punti si distribuiscono lungo la bisettrice, indicata con la retta blu. Come per gli anni precedenti, la simulazione relativa alle concentrazioni medie annue relative al 2016 fornisce risultati buoni per tutti gli inquinanti. Il PM10 raggiunge il 100% di stazioni che cadono nell area di confidenza, sebbene quasi tutti i punti si trovino nel settore al di sotto della bisettrice, indicando una generalizzata sottostima. Ottimi risultati per le stazioni di PT-Signorelli, LU-Fornoli, AR- Repubblica, PI-Montecerboli, GR-URSS. Anche il per PM2.5 il 100% delle stazioni cadono nell area di confidenza: in questo caso la distribuzione dei punti è molto vicina alla bisettrice, evidenziando un risultato globalmente migliore rispetto al PM10. Fa eccezione la stazione PT-Montale, in cui il modello sottostima. Per quanto riguarda il biossido di azoto, i risultati sono meno buoni: il 77% dei punti cade nell area di confidenza, per il 16% dei casi si ha sovrastima e solo nel 5% sottostima, in particolare per le stazioni MS-Colombarotto e SI-Bracci. Lo scatter-plot relativo all ozono mostra che il 100% di punti cadono nell area di confidenza, anche se la maggior parte sono nel settore superiore, indicando una sovrastima del modello (es. PI-Passi e PI-SantaCroce). Alcune stazioni, FI-Signa e GR-Maremma sono vicine alla bisettrice, mentre mentre FI- Settignano e LI-PoggioS.Rocco evidenziano una sottostima del modello. Per quanto riguarda il biossido di zolfo, trattandosi solo di quattro stazioni, lo scatter-plot è stato Sistema modellistico WRF-CAMX: simulazione dell anno

24 elaborato solo per completezza, ma i dati non sono sufficienti per formulare un giudizio sull intero territorio regionale. Figura 20. Scatter-plot relativi agli inquinanti PM10, PM2.5, NO2, O3, SO2. Soltanto le stazioni con più del 75% di dati validi sono considerate. Sistema modellistico WRF-CAMX: simulazione dell anno

25 3.3 Gli indicatori statistici per la valutazione dei risultati Gli indicatori statistici utilizzati per effettuare una valutazione quantitativa dei risultati ottenuti dalla simulazione modellistica dell anno 2016 sono riportati nella seguente tabella (Tab. 3). Nelle tabelle 4 e 5 sono riportati i valori degli indicatori statistici accorpati, ottenuti considerando tutte le stazioni o con le sole stazioni di fondo, per NO 2, PM10, PM2.5, su base annuale e stagionale. In appendice sono invece riportati i valori degli indicatori per le singole stazioni di monitoraggio. Tabella 3. Indicatori statistici utilizzati per la valutazione dei risultati. Sistema modellistico WRF-CAMX: simulazione dell anno

26 NO 2 Osservando i valori degli indici accorpati per tutte le stazioni su base annua si evidenzia una sovrastima dell ordine del 21%, dovuta essenzialmente alla significativa sovrastima estiva (58%), a fronte di valori di correlazione di 0.40 e IOA pari a Considerando le sole stazioni di fondo si ha un miglioramento, passando ad una sovrastima annua del 11%, e estiva del 37% (sottostima nel periodo invernale -7%, rispetto a 0% considerando tutte le stazioni). I valori accorpati tuttavia hanno un significato limitato nel caso del biossido di azoto, dato che abbiamo delle enormi differenze tra stazione e stazione, per cui è necessario valutare le prestazioni delle singole stazioni (in appendice), che in alcuni casi sono affette da una importante sovrastima che condiziona il dato accorpato: in particolare le stazioni dell area di Livorno e Piombino mostrano valori molto sovrastimati (emissioni attività portuali e industriali), come pure la stazione di AR-Casa-Stabbi (condizioni al contorno), e le stazioni di FI-Settignano e di LU-Fornoli (possibile non corretta attribuzione del carico emissivo a livello locale). In altri casi i risultati sono buoni, come ad esempio nelle stazioni di, LU-Viareggio, PI-Montecerboli, GR-URSS, LU- SanConcordio, LU-Capannori, PI-SantaCroce, LI-Poggio-S.Rocco, PT-Signorelli, LU- Micheletto, FI-Mosse PI-Borgetto. PM10 Anche osservando i valori degli indici statistici accorpati, si può notare che i risultati ottenuti per il PM10 sono discreti. Il modello sottostima i valori misurati, dell ordine di -25% a livello annuale, -37% in estate e -18% in inverno; gli indici di correlazione e IOA su base annuale sono rispettivamente 0.56 e 0.66, sia considerando le sole stazioni di fondo che tutte incluse di traffico e industriali. Per questo inquinante gli indici delle singole stazioni non presentano una forte variabilità come per il biossido di azoto, inoltre in estate la sottostima è generalizzata e significativa in tutte le stazioni. PM2.5 Come già evidenziato nei precedenti paragrafi, per il PM2.5 si hanno risultati migliori rispetto al PM10: gli indici statistici correlazione e IOA sono buoni sia considerando tutte le stazioni (rispettivamente 0.56 e 0.70) che le sole stazioni di fondo (corr. 0.58, IOA 0.71), inoltre i valori medi annui sono molto vicini a quelli misurati. Lo scarto su base annuale è -7%, nel periodo invernale è presente una lieve sottostima (- 1%), mentre in estate una sensibile sottostima (-18%): questi valori sono quasi invariati considerando le sole stazioni di fondo. O 3 Per quanto riguarda l ozono, su base annua gli indici di correlazione e IOA sono buoni, rispettivamente 0.78 e In modello sovrastima i dati misurati del 12% su base annua, del 14% in estate, di 11% in inverno. In generale i questo inquinante possono essere considerati soddisfacenti, sebbene considerando gli indicatori delle Sistema modellistico WRF-CAMX: simulazione dell anno

27 singole stazioni, riportati in appendice, si può notare che alcune stazioni (PI-Passi, PI- SantaCroce) sono affette da sovrastima, mentre i valori misurati a FI-Settignano e LI- Poggio-S.Rocco sono leggermente sottostimati. SO 2- Per questo inquinante gli indicatori non sono buoni, si evidenzia una notevole sovrastima (dell ordine del 90%), in linea con quanto discusso nei paragrafi precedenti. DAILY SKILL - SOLO STAZIONI FONDO VAR PERIODO MEDIA MEDIA STD STD STAZ STAZ MOD MOD FB FE RMSE NMSE BIAS CORR IOA ER JAN_DEC % no2 EST % INV % JAN_DEC % pm10 EST % INV % JAN_DEC % o3 EST % INV % JAN_DEC % so2 EST % INV % JAN_DEC % pm25 EST % INV % Tabella 4. Skill-scores medi relativi alle sole stazioni di fondo con almeno il 75% di dati, relative ai vari inquinanti e ai vari periodi (anno, stagione estiva e stagione invernale). DAILY SKILL - TUTTE LE STAZIONI VAR PERIODO MEDIA MEDIA STD STD STAZ STAZ MOD MOD FB FE RMSE NMSE BIAS CORR IOA ER JAN_DEC % no2 EST % INV % JAN_DEC % pm10 EST % INV % JAN_DEC % o3 EST % INV % JAN_DEC % so2 EST % INV % JAN_DEC % pm25 EST % INV % Tabella 5. Skill-scores medi relativi a tutte le stazioni di fondo con almeno il 75% di dati, relative ai vari inquinanti e ai vari periodi (anno, stagione estiva e stagione invernale). Sistema modellistico WRF-CAMX: simulazione dell anno

28 3.4 Dust sahariano Come è noto, le polveri sahariane (dust sahariano) possono incidere in maniera importante sui valori di concentrazione di PM10; infatti, soprattutto nel periodo primaverile-estivo, si possono verificare episodi di trasporto di polvere desertica significativi, che possono contribuire al superamento dei valori limite per il PM10. Per l anno 2016 ARPAT [ Relazione annuale sullo stato della qualità dell'aria nella Regione Toscana - anno 2016, ha individuato gli episodi di trasporto di polvere sahariana ai fini della detrazione dei superamenti imputabili ai contributi naturali seguendo gli indirizzi definiti dalle linee guida europee in materia, linea guida [SEC(2011) 2008 final]. Ai fini di valutare la possibilità di utilizzare le uscite del sistema di modelli a supporto dell individuazione dei principali episodi di trasporto di polvere sahariana, sono state elaborate, in corrispondenza di alcune stazioni di monitoraggio, le serie storiche della concentrazione media giornaliera della frazione grossolana del particolato di origine naturale stimata da modello. Questa componente del PM10 deriva dalle condizioni al contorno relative al dust sahariano, fornite dal modello CHIMERE. Di seguito sono riportati i grafici relativi alla serie storica della media giornaliera misurata di PM10 (asse di sinistra) contrapposta alla serie storica della frazione grossolana di origine naturale del PM10 stimata da modello (asse di destra), per le stazioni di AR-CasaStabbi e di PI- Montecerboli (figg. 21 e 22). La scelta di queste stazioni è motivata dal fatto che si tratta di due stazioni rurali di fondo, in cui i contributi sahariani si dovrebbero distinguere in modo più netto rispetto a quanto accade nelle stazioni urbane di fondo. Inoltre le due stazioni sono distanti tra loro e quindi gli episodi che si verificano contemporaneamente possono essere attribuiti al dust sahariano piuttosto che a sorgenti locali, in quanto questi eventi di trasporto coinvolgono un territorio molto ampio. Si può notare che da aprile a ottobre si sono verificati, secondo il modello, alcuni importanti episodi sahariani con valori superiori a 5 g/m3. I picchi principali della stima di dust corrispondono effettivamente a picchi di concentrazione misurati. Rispetto agli episodi di trasporto sahariano identificati da ARPAT, si può dire che la stima modellistica dà un riscontro positivo nella maggior parte dei casi. In particolare, sono individuati come episodi di origine sahariana l evento del 4-7 aprile, del 17 aprile, del maggio, del 16 giugno, del ottobre. Per quanto riguarda l episodio del individuato da ARPAT, con l approccio modellistico si identifica un episodio successivo, dal 27 al 29 maggio, di cui si ha riscontro anche osservando le serie Sistema modellistico WRF-CAMX: simulazione dell anno

29 storiche delle misure di PM10. Non c è invece nessuna traccia con il modello dell episodio del 23 febbraio individuato da ARPAT: da segnalare inoltre che l approccio modellistico evidenzia contributi sahariani abbastanza continui, con valori modesti, nel periodo luglio-settembre. Nell insieme, il confronto dei risultati ottenuti seguendo approcci diversi porta a concludere che tali risultati sono compatibili. Il metodo modellistico in pratica conferma quanto riscontrato da ARPAT con l utilizzo della metodica proposta dalle linee guida europee. Per completare il quadro, a titolo di esempio in fig. 23 è riportata la mappa della concentrazione media giornaliera di dust relativa all episodio verificatosi il giorno 11 maggio Si può notare che la distribuzione spaziale è molto diversa, con valori molto alti sul mare, a degradare dalla costa alle aree interne. Figura 21. Serie storiche di confronto tra le medie giornaliere di dust sahariano stimato dal modello (verde) e PM10 osservato (blu) relative alla stazione di AR-CasaStabbi. Figura 22. Serie storiche di confronto tra le medie giornaliere di dust sahariano stimato dal modello (verde) e PM10 osservato (blu) relative alla stazione di PI-Montecerboli. Sistema modellistico WRF-CAMX: simulazione dell anno

30 Figura 23. Media giornaliera delle concentrazioni di polvere sahariana ( g/m 3 ), relativa al 11/05/2016. Sistema modellistico WRF-CAMX: simulazione dell anno

31 Conclusioni Nel presente lavoro, sono state presentate ed analizzate le stime modellistiche di PM10, PM2.5, O3, NO2 e SO2, ottenute attraverso l applicazione della catena di modelli WRF-CAMx all anno 2016, in modo da fornire supporto alla Regione Toscana nella realizzazione del Programma di Valutazione della Qualità dell'aria. Le stime modellistiche sono state validate attraverso il confronto con i dati provenienti dalle stazioni di monitoraggio della rete regionale, gestite da ARPAT. I mesi di gennaio e febbraio 2016 sono stati caratterizzati da intensa turbolenza e circolazione delle masse d aria, limitando l accumulo delle sostanze inquinanti. Ottobre e novembre si sono allineati con le condizioni climatologiche del periodo. Il mese di dicembre invece è stato particolarmente stabile, creando condizioni favorevoli all accumulo di inquinanti nei bassi strati. Per quanto riguarda il PM10, le stime modellistiche riproducono in modo adeguato l andamento temporale delle osservazioni registrate sull intero territorio regionale, in particolare le stazioni situate sulla costa; nelle zone interne si nota una sottostima generalizzata, in particolare durante gli episodi più acuti. Nel periodo estivo, si nota una sottostima di tale inquinante, probabilmente a causa di una sottostima del particolato primario nella frazione grossa da parte dell inventario delle emissioni. Per quanto riguarda il PM2.5, i risultati ottenuti sono decisamente soddisfacenti sia in termini di andamento temporale, che in termini quantitativi. Come per il PM10, nel periodo estivo il modello sottostima, come anche nel periodo invernale negli episodi di inquinamento acuto, ma in generale c è un migliore accordo a livello quantitativo tra stime e misure rispetto a quanto riscontrato per il PM10. Per quanto riguarda l NO2, permangono quindi i problemi segnalati nelle applicazioni precedenti. In particolare durante i mesi estivi, nell area di Firenze-Prato-Pistoia si registra un importante sovrastima: in questo caso l apporto emissivo maggiore all ossido di azoto è dovuto al traffico veicolare. Tale comportamento del modello è legato al mancato aggiornamento dell inventario IRSE: una generale sovrastima delle emissioni di NO induce nel modello chimico la non corretta determinazione, soprattutto in certe aree, della concentrazione degli inquinanti secondari come il biossido di azoto, l ozono, e la frazione inorganica delle polveri. In particolare durante i mesi estivi, nell area di Firenze-Prato-Pistoia si registra un importante sovrastima: in questo caso l apporto emissivo maggiore all ossido di azoto è dovuto al traffico veicolare. Sistema modellistico WRF-CAMX: simulazione dell anno

32 Per quanto riguarda l SO2, nella stazione di LI-LaPira il modello registra una notevole sovrastima, mentre nelle altre stazioni le stime modellistiche riproducono come ordine di grandezza i valori misurati, ma non come andamento temporale. Tale comportamento è senz altro da ricondurre alla necessità di un aggiornamento critico dell inventario delle emissioni. Il periodo estivo è stato caratterizzato da temperature e da un indice UV inferiori a quanto registrato nel 2015 con un giugno molto piovoso. Questo ha portato ad una scarsa formazione dell ozono troposferico portando a valori di O3 inferiori rispetto al In alcune stazioni si ha buon accordo sia in termini di trend che dei valori di picco. In altre stazioni (es. PI-Passi, PI-Santa-Croce,) il modello tende a sovrastimare la concentrazione. Anche nella stazione di AR-Casa-Stabbi il modello sovrastima, presumibilmente per la maggiore influenza delle condizioni al contorno. Nella stazione di FI-Settignano, in cui i livelli di picco e i valori notturni sono sottostimati: in questo caso la sovrastima del biossido di azoto, precursore dell ozono, potrebbe essere la causa, ed anche in questo caso il problema potrebbe essere risolto con una revisione accurata delle emissioni degli inquinanti precursori. E stata valutata anche l uscita modellistica relativa alla concentrazione media giornaliera della frazione grossolana del particolato di origine naturale, in modo da valutare la possibilità dell utilizzo del sistema modellistico a supporto dell identificazione degli episodi di dust. I picchi principali della stima della componente sahariana al particolato corrispondono effettivamente ai picchi di concentrazione misurati. Sistema modellistico WRF-CAMX: simulazione dell anno

33 APPENDICE SISTEMA MODELLISTICO WRF-CAMX SIMULAZIONE DELL ANNO 2016 Sistema modellistico WRF-CAMX: simulazione dell anno

34 Indice appendice Indice appendice 34 Simulazione anno Mappe medie Serie storiche NO2 45 PM10 54 PM O3 64 O3 orarie mensili 67 SO2 79 SKILL giornalieri simulazione Sistema modellistico WRF-CAMX: simulazione dell anno

35 Simulazione anno 2016 In questa appendice sono riportati gli elaborati grafici relativi alla simulazione dell anno 2016, ottenuta attraverso il sistema modellistico WRF-CAMx. Mappe medie della concentrazione di inquinanti PAGG. 36 e segg.: Mappe delle concentrazioni medie mensili degli inquinanti PM10, NO2, PM2.5, SO2, O3 (mediato sulle ore centrali) e O3 (mediato nelle ore serali/notturne). PAG. 43: Mappe delle concentrazioni medie relative alla stagione calda e alla stagione fredda, degli inquinanti PM10, NO2, PM2.5, SO2, O3 (mediato sulle ore centrali) e O3 (mediato nelle ore serali/notturne). PAG. 44: Mappa delle concentrazioni medie annuali degli inquinanti PM10, NO2, PM2.5, SO2, O3 (mediato sulle ore centrali) e O3 (mediato nelle ore serali/notturne). Serie Storiche Vengono riportati i grafici degli inquinanti PM10, PM2.5, NO2, SO2 e O3, relativi alle serie storiche simulate ed osservate a livello medio giornaliero; per l O3 sono riportati anche i grafici orari da maggio a settembre, per le stazioni disponibili. Con la linea rossa sono indicate le osservazioni e con la linea blu le simulazioni del modello 2015 corrispondenti ad ciascun punto stazione. PAGG : NO2 PAGG : PM10 PAGG : PM2.5 PAGG : O3 PAGG : O3 orario per il periodo maggio-settembre. PAG. 79: SO2 Skill Sono fornite le tabelle di skill, calcolati su base giornaliera, tra osservazioni e dati modellistici, per tutti gli inquinanti per i periodi annuale, semestre caldo e semestre freddo (PAGG. 80 e segg.). Sistema modellistico WRF-CAMX: simulazione dell anno

36 Mappe medie 2016 Sistema modellistico WRF-CAMX: simulazione dell anno

37 Sistema modellistico WRF-CAMX: simulazione dell anno

38 Sistema modellistico WRF-CAMX: simulazione dell anno

39 Sistema modellistico WRF-CAMX: simulazione dell anno

40 Sistema modellistico WRF-CAMX: simulazione dell anno

41 Sistema modellistico WRF-CAMX: simulazione dell anno

42 Sistema modellistico WRF-CAMX: simulazione dell anno

43 Sistema modellistico WRF-CAMX: simulazione dell anno

44 Sistema modellistico WRF-CAMX: simulazione dell anno

45 Serie storiche 2016 NO2 Sistema modellistico WRF-CAMX: simulazione dell anno

46 Sistema modellistico WRF-CAMX: simulazione dell anno

47 Sistema modellistico WRF-CAMX: simulazione dell anno

48 Sistema modellistico WRF-CAMX: simulazione dell anno

49 Sistema modellistico WRF-CAMX: simulazione dell anno

50 Sistema modellistico WRF-CAMX: simulazione dell anno

51 Sistema modellistico WRF-CAMX: simulazione dell anno

52 Sistema modellistico WRF-CAMX: simulazione dell anno

53 Sistema modellistico WRF-CAMX: simulazione dell anno

54 PM10 Sistema modellistico WRF-CAMX: simulazione dell anno

55 Sistema modellistico WRF-CAMX: simulazione dell anno

56 Sistema modellistico WRF-CAMX: simulazione dell anno

57 Sistema modellistico WRF-CAMX: simulazione dell anno

58 Sistema modellistico WRF-CAMX: simulazione dell anno

59 Sistema modellistico WRF-CAMX: simulazione dell anno

60 Sistema modellistico WRF-CAMX: simulazione dell anno

61 PM2.5 Sistema modellistico WRF-CAMX: simulazione dell anno

62 Sistema modellistico WRF-CAMX: simulazione dell anno

63 Sistema modellistico WRF-CAMX: simulazione dell anno

64 O3 Sistema modellistico WRF-CAMX: simulazione dell anno

65 Sistema modellistico WRF-CAMX: simulazione dell anno

66 Sistema modellistico WRF-CAMX: simulazione dell anno

67 O3 orarie mensili Sistema modellistico WRF-CAMX: simulazione dell anno

68 Sistema modellistico WRF-CAMX: simulazione dell anno

69 Sistema modellistico WRF-CAMX: simulazione dell anno

70 Sistema modellistico WRF-CAMX: simulazione dell anno

71 Sistema modellistico WRF-CAMX: simulazione dell anno

72 Sistema modellistico WRF-CAMX: simulazione dell anno

73 Sistema modellistico WRF-CAMX: simulazione dell anno

74 Sistema modellistico WRF-CAMX: simulazione dell anno

75 Sistema modellistico WRF-CAMX: simulazione dell anno

76 Sistema modellistico WRF-CAMX: simulazione dell anno

77 Sistema modellistico WRF-CAMX: simulazione dell anno

78 Sistema modellistico WRF-CAMX: simulazione dell anno

79 SO2 Sistema modellistico WRF-CAMX: simulazione dell anno