Acquisizione, calibrazione e downscaling di scenari climatici futuri a livello locale

Transcript

1 ARPA SIMC in AGROSCENARI: Linea di ricerca 1a: Acquisizione, calibrazione e downscaling di scenari climatici futuri a livello locale R.Tomozeiu, F.Tomei, G.Villani, V.Marletto, L.Botarelli

2 OBIETTIVO Valutazione dei cambiamenti sul clima locale (6 aree test) in condizioni di scenario concentrando l attenzione sui parametri più rilevanti ai fini degli impatti in corso di valutazione; Parametri più rilevanti: Tmin, Tmax, prec; Proiezioni climatiche : rispetto al Scenario :A1B (IPCC) OUTPUT SCALA TEMPORALE : GIORNALIERA

3 AREE DI STUDIO

4 STRUMENTI 1. TECNICHE DI REGIONALIZZAZIONE/ DOWNSCALING STATISTICA (DS) Output stagionale (2) (1) cambiamenti nel valore medio (1) cambiamenti nella varianza (2) 2. WEATHER GENERATOR (WG) Output giornaliero

5 TECNICHE DI REGIONALIZZAZIONE STATISTICA (DS)

6 A) Data-set Scala locale (Predittandi) Serie giornaliere di Tmin,Tmax, prec; Periodo: ; Fonte :dati UCEA (CRA) Larga scala (Predittori) Temperature 850hPa (T850) Mean sea level pressure(mslp) Geopotential height 500hPa (Z500) fonte: ERA40 (rianalisi) (risoluzione 2.5 x2.5 ); AOGCM disponibili al interno del progetto Ensembles, Periodo area= 90 W-90 E,0 N-90 N

7 Predittori (A1B scenario ) 2050) ERNSEMBLES INSTITUTIONS Resolution AGCM OGCM Model STREAM1 INGV-SINTEX-G INGV-Italy ECHAM4 (T106L19) OPA 8.2 FUB-EGMAM Freie Universitaet Berlin(Germany) ECHAM4 (T30L39) HOPE-G (T42 with equatorial refinement, METO-HC (HADGEM1) IPSL-CM4 ECHAM5 MPI OM Met Office's Hadley Centre (UK) Inst.Pierre Somon Laplace (France) Max-Planck Institute(Germany) HadGAM1( includes land and river routing components) L20) HadGOM1( includes sea ice components) LMDZ (96x72x19) OPA ECHAM (T63L31) MPI-OM Vers. 1.0 (GR1.5L40) Nota: I dati sono stati interpolati su una griglia comune: 2.5 x2.5

8 Modello statistico di downscaling (SD) PREDITTORI LARGA SCALA (dati ERA40) (Z500,MSLP,T850) ( ) PREDITTORI LARGA SCALA (dati scenari AOGCM) (Z500,MSLP,T850) ( ) 2050) Canonical Correlation Analysis (CCA) Regressione multivariata basata su CCA scenario (A1B) SCALA LOCALE (dati UCEA) Tmin,Tmax Tmax,prec ( ) SCENARI FUTURI Tmin,Tmax Tmax,pav & 2050& PREDITTANDI Tomozeiu R., Cacciamani C., Pavan V., Morgillo A., and Busuioc A. (2007) Climate change scenarios for surface temperature in Emilia-Romagna (Italy) obtained using Statistical downscaling models.theoretical and Applied Climatology, 90, 25-47

9 Predittandi qualità dei dati Faenza Val Padana Marche Beneventan o Oristano Destra Sele

10 Comparazione punto di griglia (1118) vs. stazione (Capo Frasca) C Andamento Tmax-inverno (confronto tra punto griglia 1118 e Stazione di Capo Frasca) TMax_DGF_1118 TMax_Capo_Frasca_DGF anni C Andamento Tmax-PRIMAVERA (confronto tra punto griglia 1118 e Stazione di Capo Frasca) 1118_Tmax_MAM Capo_Frasca_MAM anni Andamento Tmax-ESTATE (1118.vs. Capo Frasc) C Tmax_GLA_1118 Tmax_GLA_Capo Frasca anni

11 Confronto tra Tmin&Tmax (anno 1960) Cella 1105 Guspini Cella 1118 Marrubiu

12 Precipitazione. Precipitazione-INVERNO (confronto tra punto di griglia 1118 e stazione di Capo Frasca) prec(mm) 350 Prec_DGF_1118 Prec_DGF_Capo Frasca anni Precipitazione-ESTATE (confronto tra punto di griglia 1118 e stazione di Capo Frasca) prec(mm) Prec_GLA_1118 Prec_GLA_Capo Frasca anni

13 Scenari climatici

14 C) Proiezioni di cambiamento climatico

15 Proiezioni di cambiamento climatico TMAX-punto di griglia 1118 INVERNO Scenario A1B (2021: :1990) Tmax inverno (DGF) cella 1118 ipsl meto_hc clima_61-90 ingv egmam_r1 egmam_r2 meto_hc echam Probability Density Function Scenario A1B (2021: :1990) ENSEMBLE MEAN -Tmax inverno (DGF) cella Tmax Changes ( C) EM ( ) clima( ) Probability Density Function Tmax Changes ( C)

16 Estate Scenario A1B (2021: :1990) Tmax estate (GLA) cella 1118 ipsl meto_hc clima_61-90 ingv egmam_r1 egmam_r2 meto_hc echam Probability Density Function Scenario A1B (2021: :1990) ENSEMBLE MEAN -Tmax ESTATE (GLA) cella 1118 Tmax Changes ( C) EM ( ) Tmax Changes ( C) clima( ) Probability Density Function

17 Ensemble Mean Tmin e Tmax-punti di griglia 1118 & 1105(ORISTANO) Cambiamenti climatici Tmax (Ensemble Mean) rispetto (A1B) -punto 1118 e 1105(ORISTANO) ESTATE camabiamento Tmax( C) punti di griglia Cambiamenti Tmin-punto di griglia 1118 ( Ensemble Mean) rispetto DJF MAM JJA SON T ( C) DGF MAM GLA SON

18 Proiezioni di precipitazioni Scenario A1B (2021: :1990) INVERNO punto griglia 1118 (ORISTANO) ingv echam5 egmam_r1 egmam_r2 ipsl meto_hc Prec Changes (mm) Clima( ) DGF =225mm Cumulative Probability Density Function ingv echam5 egmam_r1 egmam_r2 ipsl meto_hc Scenario A1B (2021: :1990) ESTATE punto griglia 1118 (ORISTANO) Prec Changes (mm) Clima( ) GLA =30mm Cumulative Probability Density Function

19 precipitazioni: rispetto a Cambiamenti nella prec-ensemble Mean rispetto cambiamento prec(mm) punti di griglia Proiezioni precipitazioni punto di griglia DJF MAM JJA SON cambiamento prec (%) DGF MAM GLA SON ECHAM5 egmam_r1 egmam_r2 INGV IPSL METO_HC EM -60 stagione

20 Sintetizzando per ORISTANO durante il periodo le proiezioni mostrano un possibile incremento per la Temperatura massima di: circa 1 C per l inverno; 1.5 C per primavera ed l autunno; circa 1.7 C l'estate. Temperatura minima: circa 1 C durante l inverno, primavera, autunno; circa 1.5 durante l estate

21 Precipitazioni durante il periodo leggera diminuzione nelle precipitazioni invernale ( entro 5%-Ensemble Mean); diminuzione nelle precipitazioni primaverile (circa 20%) ed estive (circa 40% Ensemble Mean)

22 2)Il passaggio dato stagionale a giornaliero: local observed data Global climate scenarios (AOGCM) Statistical downscaling prec., wet days, t min, t max (mean and std. deviation) daily meteo series (WG) & watertable prediction Water balance and crop growth model (Criteria) Observed large scale fields (ERA40) Output (Agronomical impacts)

23 WG utilizzato (limitatamente ad un singolo punto) è quello di Richardson, successivamente modificato da Campbell. Premessa: I dati prodotti dal WG devono rispettare la temporalità dei dati reali, in particolare la distribuzione gaussiana delle temperature e la distribuzione gamma delle precipitazioni; Inoltre è importante che sia rispettata la correlazione tra temperate e precipitazioni (nei giorni piovosi dei mesi estivi le temperature tipicamente scendono, nei mesi invernali può avvenire l opposto).

24 Variable code Input data of WG Unit Tmax mean of maximum temperature C Tmin mean of minimum temperature C Txsd standard deviation of maximum temperature C Tnsd standard deviation of minimum temperature C Prcp mean of total precipitation mm Fwet fraction of wet days - Tdw difference between maximum temperatures on dry and wet days C

25 Esempio di Output giornaliero del WG Nota: Per ogni modello e ogni punto di griglia sono state create 50 repliche di serie sintetiche giornaliere.

26 Primi risultati Bilancio IdroClimatico (mm) - Faentino 400 Kiwifruit irrigation water need [mm] Multi-model Kiwi, periodo iriguo: Aprile-Ottobre monthly irrigations (mm) Criteria model Observed

27 Grazie per l attenzione!