Risultati Conclusivi del Progetto finalizzato di ricerca Climagri Cambiamenti climatici e agricoltura

Transcript

1 DEFINIZIONE DI SISTEMI DI DOWNSCALING DI MODELLI GLOBALI DI PREVISIONE STAGIONALE PER L UTILIZZO A VALLE DI MODELLI AGROMETEOROLOGICI A SCALA NAZIONALE Pavan 1 V., Marchesi 1 S., Morgillo 1 A. Cacciamani 1 C. 1 Servizio Idrometeorologico Regionale, ARPA, Bologna ABSTRACT A statistical downscaling method is built and applied to a data-set of multi-model ensemble global seasonal forecasts, so as to produce high resolution predictions of seasonal averaged precipitation and minimum and maximum temperature for all seasons over Northern Italy. The method consists of two subsequent steps, each realized in cross-validation mode. First, the multi-model ensemble global forecasts data-set is used so as to obtain the best possible seasonal prediction for a group of large-scale circulation indices, strongly correlated with the observed regional climate interannual variability. At this stage, single model forecasts are combined giving different weights to different models for each large-scale index, using the method of the Best Linear Unbiased Estimate. Then a multiple linear regression model is built between a subset of the large-scale circulation indices (predictors) and several indices describing the local climate variability (predictands), using a perfect prog approach. The observational data-sets used to determine the regression coefficients and to validate the seasonal forecasts are ERA40, for the large-scale circulation, and the new UCEA high resolution analysis of precipitation and temperature together with the MAP precipitation analysis, for the local climate. The data-set used to compute the best predictions of the large-scale circulation indices consists of the multi-model ensemble hindcasts produced within the European Project DEMETER. The predictive ability of the proposed method is measured by computing the values of the anomaly correlation coefficient of each predicted field over Northern Italy. The scores indicate a greater ability of the final product in predicting the seasonal anomaly of temperature with respect to precipitation. Attention is finally paid to the sensitivity of the results to the choice of both the observational precipitation data-set and the domain definition of the large-scale predictors in summer. Keywords: previsioni stagionali, modelli di regionalizzazione, multi-model ensemble, previsioni probabilistiche. INTRODUZIONE Le previsioni stagionali costituiscono una delle nuove frontiere della meteorologia. Esse sono basate, da un lato sull esistenza di un legame statisticamente significativo fra la variabilità interannuale del clima locale e la variabilità della circolazione di larga scala, dall altro all esistenza di fenomeni caratterizzati da sufficienti livelli di predicibilità che determinano la variabilità interannuale della circolazione di larga scala. Se lo studio del legame statistico fra clima locale e circolazione di larga scala è stato oggetto di interesse fin da tempi storici, solo negli ultimi due decenni è stato possibile mettere a punto degli strumenti in grado di produrre delle previsioni stagionali su base scientifica. Infatti, la mole di calcoli connessa alla soluzione dei complessi sistemi numerici utilizzati per modellare il clima terrestre richiede l utilizzo di calcolatori in grado di realizzare un elevatissimo numero di operazioni in tempi brevi e di maneggiare contemporaneamente enormi quantità di informazioni. Nel corso degli ultimi dieci anni, è stato inoltre riconosciuto che avanzamenti su questo fronte di ricerca, oltre ad avere un forte valore scientifico, hanno anche forti valenze economiche e sociali. Tali valenze sono legate all utilizzazione delle previsioni stagionali su scala locale all interno di studi applicativi in grado di collegare la variabilità climatica con cambi nella produttività in vari campi di attività economica, quali il campo agronomico, quello di produzione di energia, o quello di gestione delle risorse idriche, ovvero con i possibili impatti sulla popolazione. Le forti anomalie di temperatura e precipitazione dell estate 2003, o le alluvioni nell Europa centrale dell estate 2002, sono due esempi recenti della estrema importanza associata Ricerca 2.7 pag. 1-9

2 alla possibilità di prevedere anomalie climatiche così da prevenire e ridurre i loro impatti nel caso esse assumano valori intensi o estremi. La realizzazione di questi studi di impatti richiede comunque che le previsioni climatiche stagionali vengano rese disponibili localmente a risoluzioni spaziali relativamente elevate (dell ordine di 10 Km) e che siano caratterizzate da una sufficiente abilità predittiva. Per quanto riguarda il primo punto, dal momento che i prodotti resi disponibili dai principali centri meteorologici sono caratterizzati da risoluzioni spaziali molto inferiori (dell ordine di 100Km), si rende necessaria una loro regionalizzazione con modelli che in entrata utilizzino le informazioni globali dei prodotti a bassa risoluzione spaziale, e in uscita provvedano informazioni ad alta risoluzione su regioni specifiche di limitata estensione spaziale. Per quanto riguarda il secondo punto, per ora la abilità predittiva dei prodotti deterministici resi disponibili dai singoli centri è piuttosto limitata, e arriva ad essere non significativa su ampie regioni, inclusa gran parte dell Europa. Ciò è legato da un lato alla limitata predicibilità intrinseca di gran parte dei fenomeni su scala stagionale, dall altro alla presenza di errori nella rappresentazione della variabilità della circolazione di larga scala da parte di tutti i modelli numerici allo stato dell arte. La soluzione di questi problemi richiede l utilizzazione di metodi statistici non più in grado di produrre previsioni deterministiche, quanto piuttosto di produrre previsioni probabilistiche. All interno di questi metodi ogni modello viene utilizzato per produrre molteplici previsioni dello stesso evento, così da ridurre l impatto della limitata predicibilità intrinseca dei fenomeni atmosferici su scala stagionale. Nello stesso tempo, la riduzione degli impatti degli errori dei singoli modelli viene ottenuta utilizzando insieme prodotti di diversi modelli, affinché gli errori degli uni vengano bilanciati dalle abilità predittive degli altri. La combinazione di queste tecniche permette in alcuni casi di ottenere un prodotto finale utilizzabile dal punto di vista applicativo. OBIETTIVI GENERALI E SPECIFICI Il presente lavoro si propone di produrre delle previsioni stagionali probabilistiche ad alta risoluzione per il Nord Italia. Questo obiettivo viene centrato attraverso due passi successivi. Il primo consiste nell utilizzare un data-set previsionale globale di tipo multi-model così da produrre previsioni sufficientemente attendibili per un ristretto gruppo di indicatori di circolazione di largascala, rilevanti per la variabilità climatica interannuale del Nord Italia. Il secondo è di identificare un legame statistico preciso fra un sottogruppo di questi indicatori e un gruppo di indicatori del clima locale. Il prodotto finale qui proposto consiste nella previsione di tre campi osservativi superficiali ad alta risoluzione sul Nord Italia, vale a dire le anomalie medie stagionali di precipitazione e di temperatura massima e minima. DATA-SET UTILIZZATI Il data-set previsionale utilizzato per valutare le previsioni stagionali di larga-scala è quello prodotto all interno del Progetto Europeo DEMETER, conclusosi nel Da questo data-set sono state estratte le previsioni stagionali globali di geopotenziale a 500 hpa (Z500) e di temperatura a 850 hpa (T850), per il periodo , ottenute facendo uso di tre diversi modelli globali accoppiati oceano atmosfera: il modello del Centro Europeo di Previsione a Medio Termine (ECMWF), il modello del Met Office inglese (UKMO) e il modello di Meteo-France (CNRM). Le previsioni sono prodotte ad una risoluzione orizzontale di circa 250 Km (2.5 x 2.5 ). Ogni simulazione consiste in una previsione semestrale a partire rispettivamente dal primo giorno dei mesi di febbraio, maggio, agosto e novembre; per ogni semestre e per ogni modello sono state prodotte nove simulazioni ( ensemble members ) che differiscono per le diverse condizioni iniziali (Hagedorn et al., 2005). Le stagioni sono state così definite: inverno DJF (dicembre-gennaio-febbraio), primavera MAM (marzo-aprile-maggio), estate JJA (giugno-luglioagosto) e autunno SON (settembre-ottobrenovembre). Le simulazioni di ciascun semestre cominciano il primo giorno del mese che precede il primo mese della stagione in esame (ad es., il primo Novembre per l inverno DJF), in modo tale da evitare che le previsioni stagionali presentino una qualche dipendenza dalle condizioni iniziali. Il data-set di riferimento usato per definire i predittori di larga-scala e per verificare le previsioni degli stessi è quello della ri-analisi ERA40. Questa ri-analisi sostituisce la precedente ERA15, e si differenzia da questa sia per la correzione di alcuni errori fatti nella produzione della prima ri-analisi, sia per il periodo temporale molto più esteso in cui essa è disponibile (dal 1958 al 2002), sia per la migliore risoluzione spaziale (T159L60). Da questo data-set sono state estratte le medie mensili dei campi di Z500 e di T850 per tutti i mesi dell anno e Ricerca 2.7 pag 2 di 9

3 per l intero periodo di disponibilità dei dati. Per quanto riguarda le osservazioni vere e proprie, i data-set utilizzati nell ambito del progetto sono quello MAP (Mesoscale Alpine Project) per la precipitazione e quello MiPAF-UCEA, per le temperature e la precipitazione. Il data-set MAP è il risultato di un analisi prodotta presso l ETH (Institute for Atmospheric and Climate Science, Zurigo, Svizzera) che ricopre l intera regione alpina che fornisce la precipitazione giornaliera su una griglia regolare di 0.3 x 0.22 (ca. 30 x 30 km) per il periodo usando dati provenienti da diversi servizi meteorologici locali (Frei and Schär, 1998). Per quanto riguarda il data-set MiPAF- UCEA, esso contiene le temperature minima e massima a 2 metri e precipitazione su un grigliato di 0.39 x 0.28 (di poco superiore a 30 x 30 km) sull intero territorio nazionale e per il periodo (UCEA, 2004). Questa analisi è stata prodotta includendo dati provenienti da varie stazioni osservative riferite all UCEA, all ex-servizio Idrografico, alla Rete Agrometeorologica Nazionale ed all Aeronautica Militare. I dati osservativi sono stati sottoposti, in ogni punto di griglia, ad un controllo per verificare la presenza di almeno l 80% di dati validi sull intero periodo e per ciascuna stagione: se tale pre-requisito non viene soddisfatto, i dati relativi al nodo non vengono utilizzati nella procedura. Ai fini della costruzione del metodo statistico è stata fatta una preliminare analisi statistica standard in Componenti Principali (Principal Component Analysis o PCA) sulla matrice di covarianza della serie temporale delle anomalie mensili. La PCA viene applicata sia ai campi al suolo (precipitazione, temperatura minima e massima), che ai campi in quota (Z500 e T850): questo tipo di approccio consente di ridurre l impatto delle fluttuazioni statistiche e di piccola scala, che sono, per la loro stessa natura, poco predicibili. Le finestre spaziali utilizzate all interno della PCA per i campi utilizzati sono definite in Tabella 1. Sulla base della PCA vengono definiti l insieme dei predittori potenziali a grande scala e l insieme dei predittandi locali, che sono le prime 4 componenti principali (PC) dei rispettivi campi: questa scelta è stata fatta in quanto si è visto che l uso di questo numero di PC consente di spiegare percentuali molto elevate della varianza del campo considerato, indipendentemente dalla stagione in esame. Nello specifico, questi valori oscillano intorno al % per la precipitazione, superano sempre il 95 % per le temperature minima e massima ed anche per i campi a grande scala raggiungono regolarmente valori prossimi al 70 %. Campo Z500 T850 Temp e Prec Zona 90 W 60 E 20 N 90 N 10 W 60 E 30 N 70 N 6.6 E E N N Tab 1 Finestre spaziali utilizzate per calcolare l analisi delle componenti principali. METODO DI DOWNSCALING La tecnica di downscaling messa a punto nell ambito del Progetto si basa sull esistenza di un legame tra i campi superficiali locali ed una serie di indici di circolazione a grande scala, che sono, in generale, caratterizzati da una maggiore predicibilità alla scala temporale stagionale rispetto alle grandezze di superficie. Sulla base del metodo che è stato sviluppato predittandi e predittori vengono messi in relazione attraverso una regressione lineare multipla (MLR) come delineato nella Figura 1. I coefficienti della regressione vengono ottenuti mettendo in relazione i predittori a larga scala ricavati dalla ri-analisi ERA40 con i predittandi locali calcolati a partire dai dai dati osservativi di analisi estratti dai vari data-set disponibili. Il calcolo dei coefficienti di regressione è stato fatto in modalità di cross-validation. Nella fase successiva tali coefficienti di regressione sono utilizzati per generare la previsione dei predittandi dopo aver sostituito ai predittori della ri-analisi quelli ottenuti da una previsione numerica, in un approccio di tipo perfect-prog. Fra tutte le possibili combinazioni dei potenziali predittori per uno specifico predittando, il criterio di scelta della migliore regressione multipla si basa sul confronto dei coefficienti di correlazione ottenuti tra la serie temporale del predittando osservato e quella del predittando previsto, prescrivendo la lineare indipendenza dei predittori, in modo da garantire la riduzione di eventuali problemi dovuti alla possibile sovrastima in presenza di predittori non indipendenti. In conclusione, le serie temporali previste delle prime 4 PC dei campi locali di superficie vengono combinate con le Empirical Orthogonal Functions (EOFs) del campo in esame in modo da ricostruire punto per punto le serie temporali dell anomalia del campo su scala stagionale. Ricerca 2.7 pag. 3 9

4 Un approccio di tipo perfect-prog richiede, oltre al fatto che i predittori selezionati nella MLR siano significativamente correlati ai predittandi che rappresentano il clima locale caratteristico dell area in esame, che i predittori siano adeguatamente riprodotti da parte dei GCM. A questo scopo, viene PREDITTORI LARGA SCALA ANALISI PREDITTORI LARGA SCALA PREVISIONE introdotto un importante aspetto innovativo, nell ottica di ridurre al minimo l impatto degli errori generati dai singoli modelli, che riguarda l utilizzo della tecnica BLUE (Thompson, 1977) per combinare fra loro le previsioni dei diversi modelli per ogni predittore di larga scala utilizzando pesi diversi a seconda del modello e del predittore considerato. I pesi sono calcolati in modo tale da minimizzare l errore nella rappresentazione della variabilità interannuale ed intrastagionale di ogni specifico predittore; tale calcolo viene a sua volta effettuato in modalità di cross-validation. E stato verificato che l uso di questa tecnica impatta in modo decisivo sul risultato della previsione mostrando risultati confrontabili (quando non superiori) a quelli ottenuti con il miglior modello singolo e sempre superiori al multi-model ottenuto attribuendo lo stesso peso a tutti i modelli. Sulla base di quanto detto, la tecnica BLUE consente di ottenere la migliore previsione possibile a partire dalle previsioni a grande scala disponibili. RISULTATI REGRESSIONE LINEARE MULTIPLA Le previsioni DEMETER di larga scala PREDITTANDI LOCALI OSSERVAZIONI PREDITTANDI LOCALI PREVISIONE PREVISIONE DELL ANOMALIA STAGIONALE Fig 1 Schema del metodo di regionalizzazione statistico. I predittori di larga scala utilizzati per produrre le previsioni DEMETER, come detto precedentemente, sono stati definiti a partire dal data-set ERA40. In seguito viene presentata la descrizione dei predittori di larga scala e della loro predicibilità all interno del progetto DEMETER solo per la stagione invernale, definita come DJF. Per quanto riguarda le prime quattro PC di Z500, esse rappresentano la variabilità interannuale di pattern che sono altamente correlati con i modi tipici di variabilità della circolazione di larga scala sulla regione Euro-Atlantica, ampiamente descritti in letteratura (Barnston e Livezey, 1987; Wallace e Gutzler, 1981; Pavan et al, 2000). In particolare, per il periodo la PC1 ha un valore di correlazione di con la Oscillazione Nord Atlantica (NAO), la PC2 ha una correlazione di 0.80 con il pattern Scandinavo (SCA), la PC3 ha un correlazione di 0.85 con il blocco Europeo (EB) e la PC4 ha una correlazione di 0.74 con il pattern Est Atlantico (EA). Tutti questi valori di correlazione sono significativi al 99%. Per quanto riguarda le prime quattro PC della T850, esse sono altamente correlate con le PC della Z500. In particolare, la PC1-T850 ha correlazione 0.70 con la PC1-Z500, la PC2-T850 ha correlazione 0.56 con la PC3-Z500, la PC3-T850 ha correlazione 0.77 con la PC4-Z500 e, infine, la PC4-T850 ha correlazione 0.56 sia con la PC1-Z500 che con la PC2-Z500. Nel corso della costruzione del modello di regionalizzazione è dunque sempre necessario accertarsi che all interno di ogni sottoinsieme, tutti predittori utilizzati siano fra loro linearmente indipendenti. a) b) Z500 PC1 PC2 PC3 PC4 CNRM 0.42* 0.47* ECMWF UKMO BLUE 0.44* 0.49** T850 PC1 PC2 PC3 PC4 CNRM * ECMWF UKMO BLUE ** Tab 2 Correlazione tra valori previsti e osservati delle prime 4 PC a) della Z500 e b) della T850 sia per ogni singolo modello che per BLUE per il periodo invernale Una stella indica un coefficiente di significatività al 95%, due stelline al 99%. In Tabella 2 sono presentate le correlazioni fra le previsioni DEMETER e i valori osservati per tutti i Ricerca 2.7 pag 4 di 9

5 predittori di larga scala. Le correlazioni sono riportate sia per i singoli modelli che per la previsione BLUE.. Gli asterischi indicano il livello di significatività statistica della correlazione, pari a 95% per un asterisco e a 99% per due asterischi. Dalla Tabella 2 si nota che le previsioni per le PC di Z500 sono migliori che per T850, e che la componente principale associata al blocking europeo (PC3 Z500 e PC2 T850) presenta valori di correlazione inferiori rispetto alle altre sia per Z500 che per T580. Confrontando i risultati in Tabella 2 con quelli relativi al data-set PROVOST ottenuto utilizzando solo modelli atmosferici forzati con le SST osservate, si nota poi che i valori delle correlazioni per ogni predittore sia per i singoli modelli che per BLUE sono sostanzialmente più bassi per DEMETER che per PROVOST (Pavan e Doblas- Reyes, 2000). In particolare, ora gran parte della abilità predittiva del multi-model ensemble per questa stagione è dovuta al modello CNRM, mentre prima erano gli altri due modelli in pari misura a contribuire al risultato finale. Le differenze fra i due data-set sono molte: il periodo temporale è diverso nei due casi, e così pure la definizione delle stagioni (l inverno PROVOST era stato definito come JFM, per problemi di grossa dipendenza dei dati di dicembre dalle condizioni iniziali), e i modelli utilizzati per produrre le previsioni di larga scala sono ora modelli accoppiati oceano-atmosfera, non più modelli solo atmosferici come in PROVOST. Dallo studio fatto per valutare l impatto di ciascuna di queste componenti (Pavan et al., 2005) è possibile dimostrare che il cambiamento fra i risultati PROVOST e quelli DEMETER è principalmente imputabile al cambio dei modelli utilizzati, e in parte al cambiamento del periodo su cui vengono prodotte le previsioni. Il cambio della definizione di stagione dovrebbe invece produrre un miglioramento dei valori di correlazione. mappa di ACC per la precipitazione per il periodo Fig 2 Mappe di ACC della anomalia di temperatura minima. Dall alto a sinistra sono riportati rispettivamente l inverno (DJF), la primavera (MAM), l estate (JJA) e l autunno (SON). Fig 3 Come Figura 2 ma per le mappe di ACC della anomalia di temperatura massima. Le previsioni stagionali ad alta risoluzione Una volta disponibile la previsione per tutti i predittandi e per tutte le stagioni, è possibile ricostruire il campo di anomalia stagionale dell osservabile al suolo utilizzando le Empirical Orthogonal Function (EOF) associate ad ogni componente principale. In Figura 2 e 3 sono mostrate rispettivamente le mappe di Anomaly Correlation Coefficient (ACC) tra le anomalie previste con lo schema di downscaling sviluppato per le temperatura minima e massima e quelle osservate nel periodo per le quattro stagioni. In Figura 4 è riportata, invece, la stessa Fig 4 Come Figura 2 ma per le mappe di ACC della anomalia di precipitazione. Ricerca 2.7 pag. 5 9

6 DJF MAM JJA SON T min 0.57** 0.56** ** T max 0.66** 0.60** 0.46* 0.48* Prec MAP Prec UCEA * 0.47* 0.49* * analisi (anche se dati precisi a questo riguardo non sono disponibili), si è provato a ripetere l esercizio di Tab 3 Correlazioni tra valori previsti e osservati delle prima PC di ciascuno dei campi superficiali (T min, T max, precipitazione MAP e precipitazione UCEA). Da queste figure si può notare che il deterioramento nella qualità delle previsioni di larga-scala previsti e quelli osservati in DEMETER rispetto a PROVOST si propaga anche alle previsioni locali.la migliore previsione rimane quella per la temperatura massima invernale, mentre, in generale, la precipitazione continua ad essere il campo peggio previsto. In particolare, si può notare che il campo di ACC della precipitazione in tutte le stagioni è caratterizzato da una forte variabilità spaziale. Visto che le ACC di questo campo sono risultate essere particolarmente basse, si è deciso di indagare per identificare il più possibile le ragioni di questo risultato. Come primo passo è stato calcolato il valore della correlazione fra valori previsti ed osservati, sostituendo ai campi pieni osservati, quelli che si ottengono ricostruendo il campo osservato utilizzando solo le prime quattro PC di ciascun campo. Le mappe di ACC così ottenute sono presentate in Figura 5. Come si può notare da questa figura i campi di ACC sono ora molto più uniformi e presentano variabilità spaziale comparabile con i campi di temperatura. Questo è dovuto al fatto che utilizzando solo le prime quattro PC per ricostruire il campo di precipitazione osservato è stata ridotta la componente legata sia alla presenza di disomogeneità temporali nei dati osservativi che alla forte variabilità spazio-temporale tipica di questo campo. La forte disomogeneità spaziale potrebbe essere legata al particolare data-set di analisi considerato. La Figura 6 riporta la copertura spaziale delle stazioni utilizzate per generare il data-set MAP. Come si può notare la copertura spaziale su Piemonte e Lombardia è notevolmente più bassa che nelle altre regioni. Inoltre, gli autori riportano che per gran parte delle stazioni italiane non sono disponibili dati dopo 1990 ( Dal momento che per la precipitazione è disponibile anche l analisi UCEA, e che è possibile che per produrre questa analisi siano state utilizzate un numero maggiore di stazioni con una copertura temporale più continua fino alla fine del periodo di Fig 5 Come Figura 2 ma per le mappe di ACC della anomalia di precipitazione calcolate utilizzando le osservazioni ricostruite a partire dalle prime quattro PC.. Fig 6 Copertura spaziale delle stazioni utilizzate per l analisi MAP. ( downscaling statistico utilizzando questo data-set. Prima di tutto si è potuto notare che mentre la prima PC della precipitazione MAP invernale spiega 53% della varianza, la prima PC UCEA per la stessa stagione ne spiega il 73%. Questo primo risultato sembra confermare un aumento della percentuale della variabilità della precipitazione con bassa variabilità spazio temporale, possibilmente legata a fenomeni di larga scala. La Figura 7 mostra il campo di ACC ottenuto correlando le previsioni con i campi pieni osservati dell analisi UCEA. Dalla Tabella 3, che riporta i valori di ACC per le previsioni della prima PC della precipitazione ottenute utilizzando sia il data-set MAP che quello UCEA, si può notare che i valori di correlazione per tutte le stagioni sono inferiori per il data-set UCEA che per quella MAP. E possibile che questa riduzione sia dovuta al fatto che le due analisi coprono due periodi diversi. Ciò comporta che, da Ricerca 2.7 pag 6 di 9

7 un lato, le serie temporali utilizzate all interno della PCA sono diverse per i due data-set, dall altro sono diversi nei due casi anche i periodi per i quali vengono calcolate le previsioni stagionali. In particolare, la PCA è stata applicata ad entrambi i data-set utilizzando tutti i dati disponibili, mentre le previsioni sono state calcolate solo per i periodi per cui erano disponibili sia dati superficiali che previsioni di larga scala. La diversa definizione della finestra temporale della PCA potrebbe in effetti influenzare le statistiche di varianza spiegata da ciascuna delle EOF e, in forma sicuramente meno pronunciata,anche i pattern delle stesse. D altro canto, l analisi MAP è stata utilizzata per produrre previsioni sul periodo , più simile al periodo PROVOST, mentre l analisi UCEA sul periodo più simile al periodo DEMETER. Come già precedentemente menzionato, le previsioni di larga scala passando dal periodo PROVOST al periodo DEMETER subiscono un marcato peggioramento nei valori di ACC (Pavan et al, 2005). Questo potrebbe in parte giustificare la riduzione nelle ACC delle PC1 UCEA rispetto a quelle MAP. Ulteriori studi sono necessari per analizzare questi risultati, così da permettere un confronto diretto fra gli stessi. Studio di sensibilità alla scelta dei predittori Le mappe di ACC presentate per ogni stagione presentano in generale valori piuttosto bassi. Anche se, in generale, questo risultato non giunge inaspettato, ci si è chiesti se una scelta di predittori di larga scala specifica per ogni stagione e per ogni campo superficiale, così da riuscire in ciascun caso ad estrarre dal campo di larga scala i segnali rilevanti alla variabilità climatica per il Nord Italia, potesse avere un impatto sostanziale sulla qualità delle previsioni. Questo studio è stato fatto partendo dalle mappe di correlazione fra la PC1 di ciascuno dei campi superficiali e i due campi di larga scala Z500 e T850. Quindi è stata ripetuta la analisi delle componenti principali su ERA40 utilizzando diverse finestre spaziali e cercando di fare in modo che i pattern associati alle PC individuate, di volta in volta riuscissero a riprodurre le caratteristiche principali del campo di correlazione suddetto. In Tabella 4, sono riportate le finestre spaziali usate per definire i nuovi predittori. Si può notare che per riuscire a rappresentare in modo adeguato la variabilità di larga scala rilevante per il clima estivo del Nord Italia è stato necessario cambiare radicalmente la finestra spaziale utilizzata. Nel caso Fig 7 Come Figura 2, ma per le mappe di ACC della anomalia di precipitazione calcolate utilizzando l analisi UCEA. Prec T min T max Z500 10W-100E 0N-60N 10W-100E 0N-60N 40W-40E 30N-60N T850 30W-90E 20N-90N N-90N N-90N Tab 4 Domini di definizione dei migliori predittori utilizzati per la stagione estiva. della Z500 per la precipitazione e la temperatura minima è stato necessario estendere la finestra fino all equatore e ridurla a nord e nello stesso tempo traslarla tutta verso est. Questo corrisponde a spostare l attenzione nella scelta dei predittori più verso il Mediterraneo, il Nord Africa e il medio oriente, in altre parole dando maggiore rilevanza nel modello alla componente tropicale della circolazione. Per quanto riguarda la temperatura massima è stato necessario ridurre la finestra così da focalizzarsi sulla variabilità Euro-Atlantica, evitando però di includere la parte relativa all Atlantico Settentrionale. Per quanto riguarda il campo di temperatura a 850 hpa è stato necessario traslare ad est la finestra spaziale nel caso della precipitazione, e, per le due temperature, estendere l analisi a tutto l emisfero. Al termine di questo studio è stato applicato il metodo di downscaling statistico utilizzando i nuovi predittori e sono state prodotte nuove serie temporali di previsioni per i tre campi superficiali sul Nord Italia. Figura 8 mostra i risultati ottenuti. I risultati di precipitazione in questo caso sono stati ottenuti utilizzando l analisi MAP. I risultati per tutti e tre i campi sono di gran lunga superiori rispetto a quelli presentati in Figura 1, 2 e 3 e presentano campi di correlazione altamente significativi per le due Ricerca 2.7 pag. 7 9

8 temperature, per le quali le correlazioni fra la previsione della prima PC e i suoi valori osservati sono entrambe uguali a 0.70 e significative al 99%. Per la precipitazione il campo medio di ACC è migliorato (la correlazione fra valori previsti e osservati per la prima PC è ora 0.40), ma continua ad essere affetta da forte variabilità spaziale. Ulteriori indagini dovrebbero venire fatte sull impatto dell uso dell analisi di precipitazione UCEA, utilizzando questi nuovi predittori. Fig 8 Mappe di ACC della anomalia di precipitazione, Tmin e Tmax per la stagione estiva (JJA) calcolate utilizzando i predittori in Tabella 4. probabilmente grazie alla migliore copertura spazio temporale dei dati osservativi utilizzati per produrre l analisi UCEA rispetto a quelli utilizzati per l analisi MAP. La riduzione di abilità predittiva del metodo previsionale osservata passando dal data-set MAP a quello UCEA potrebbe invece essere correlata alla diversa estensione temporale dei due data-set. Infine, sono stati presentati alcuni risultati preliminari per quanto riguarda l ottimizzazione dei predittori di larga scala per la stagione estiva ed è stato notato che scegliendo adeguatamente i predittori in dipendenza sia della stagione che del parametro superficiale, è possibile migliorare sostanzialmente la qualità delle previsioni locali. In particolare, questo accorgimento ha permesso di portare i valori medi di ACC sul Nord Italia per le previsioni di temperatura a valori di significatività statistica superiore al 99%. PROSPETTIVE FUTURE CONCLUSIONI Nel corso del progetto CLIMAGRI è stato sviluppato un metodo di downscaling statistico in grado di produrre previsioni stagionali ad alta risoluzione sul Nord Italia, a partire da un data-set previsionale globale di tipo multi-model ensemble. Il metodo è stato applicato al data-set previsionale prodotto all interno del Progetto Europeo DEMETER, che include previsioni per tutte le stagioni per il periodo di anni dal 1974 al 2002, ottenute utilizzando 3 diversi modelli globali oceano-atmosfera. In generale, l analisi dei risultati ha permesso di evidenziare che le previsioni di precipitazione sono di qualità inferiore rispetto a quelle di temperatura, sia per quanto riguarda i valori medi di correlazione sul Nord Italia che per quanto riguarda la variabilità spaziale. Il confronto dei risultati ottenuti utilizzando per le precipitazioni i campi ricostruiti a partire dalle prime quattro componenti principali ha evidenziato che la forte variabilità del campo di ACC è legata alla frazione di variabilità non utilizzata per il modello statistico. L utilizzazione dell analisi UCEA per produrre la stessa previsione ha permesso di ridurre considerevolmente la frazione di varianza della precipitazione non prevista dal modello di regionalizzazione statistica, Dal momento che i risultati sin qui ottenuti sembrano essere piuttosto promettenti, è stato deciso di proseguire le ricerche. In particolare, l ottimizzazione della definizione dei predittori verrà estesa a tutte le stagioni e a tutti i parametri. Fatto ciò, sarà possibile applicare il metodo di regionalizzazione qui proposto ai dati operativi di previsione stagionale di tipo multi-model ensemble prodotti presso ECMWF. Ciò verrà fatto all interno dello Special Project Italiano Seasonal Predictions for Italian Agriculture (SPIT-SPIA), iniziato nel corso del 2005 in collaborazione con ECMWF e UCEA presso ECMWF. Nell ambito di questo progetto si prevede di utilizzare le previsioni stagionali ad alta risoluzione all interno di un weather generator statistico in grado di produrre previsioni dei valori giornalieri dei principali campi di superficie. Questi, a loro volta, verranno utilizzati all interno di modelli agronomici, permettendo così di produrre previsioni operative di rese delle principali colture diffuse, per esempio, nella Pianura Padana. RINGRAZIAMENTI Si ringrazia il progetto Europeo DEMETER per aver gentilmente resi disponibili i dati previsionali numerici su scala stagionale e il Dr. F.Doblas-Reyes per le interessanti discussioni nel corso dello svolgimento del lavoro. Si ringraziano, infine, gli Istituti UCEA ed ETH per aver resi a noi disponibili i loro rispettivi prodotti di analisi superficiale sul Nord Italia. Ricerca 2.7 pag 8 di 9

9 BIBLIOGRAFIA Barnston, A. G., and R. E. Livezey, 1987: Classification, seasonality and persistence of low frequency atmospheric circulation patterns. Mon Weather Rev, 115, Frei C. and C. Schär, 1998: A precipitation climatology of the Alps from high-resolution rain-gauge observations. Int. J. Climatol. 18, Hagedorn R., F.J. Doblas-Reyes and T. Palmer, 2005: The rationale behind the success of multimodel ensembles in seasonal forecasting. Part I: basic concept. Tellus A, 57A, Pavan, V. and F.J. Doblas-Reyes, 2000: Multimodel seasonal hindcast over the Euro- Atlantic: skill scores and dynamic features. Clim.Dyn, 16, Pavan, V., F. Molteni e C. Brankovic, 2000: Wintertime variability in Euro-Atlantic region in observations and in ECMWF seasonal ensemble experiments. Q.J.R.Met.Soc., 126, Pavan, V., S. Marchesi, A. Morgillo and C. Cacciamani, 2005: Downscaling of DEMETER winter seasonal hindcasts over Northern Italy. Tellus A, 57A, Thompson P.D., 1977: How to improve accuracy by combining independent forecasts. Mon Weather Rev, 105, UCEA, 2004: Atlante agroclimatico. Agroclimatologia, pedologia, fenologia del territorio italiano. Ministero delle Politiche Agricole e Forestali. D. M. 337 e 338/7303/2002 Pubblicazione n. 20. pp. 64. Wallace, J. M. and D. S. Gutzler, 1981: Teleconnections in the geopotential height field during the northern hemisphere winter. Mon Weather Rev., 109, Ricerca 2.7 pag. 9 9

10 This document was created with Win2PDF available at The unregistered version of Win2PDF is for evaluation or non-commercial use only.