ELABORAZIONE DEI DATI CLIMATICI NELLA PROVINCIA DI VERBANIA

Transcript

1 ELABORAZIONE DEI DATI CLIMATICI NELLA PROVINCIA DI VERBANIA Nicola Loglisci,, Christian Ronchi, Chiara De Luigi, Daniele Cane Arpa Piemonte, Dipartimento Sistemi Previsionali Meteorologia e Clima Valentina La Morgia Dipartimento di biologia animale e dell uomo, Università degli Studi di Torino PROGETTO DI COOPERAZIONE TRANSFRONTALIERA ITALIA SVIZZERA 2007 / 2013 BIODIVERSITA : UNA RICCHEZZA DA CONSERVARE

2 ATTIVITÀ DI ARPA PIEMONTE ADATTAMENTO DEGLI ECOSISTEMI ALPINI AL CAMBIAMENTO CLIMATICO 1. PRODUZIONE DATA-SET SUL PERIODO PER LA VALUTAZIONE DEL CAMBIAMENTO CLIMATICO IN PASSATO ED IN CORSO 2. REGIONALIZZAZIONE DI SCENARI CLIMATICI FUTURI 3. INDICATORI ECOLOGICI 4. MIGLIORAMENTO ED IMPLEMENTAZIONE DEL MONITORAGGIO DI SPECIE ED HABITAT DI INTERESSE PER IL CAMBIAMENTO CLIMATICO 5. DEFINIZIONE DI STRATEGIE DI ADATTAMENTO AL CAMBIAMENTO CLIMATICO

3 MOTIVAZIONI CLIMA stato medio del tempo atmosferico a varie scale spaziali (locale, regionale, nazionale, continentale, emisferico o globale) rilevato nell'arco di almeno anni. NECESSARIO DIFFICOLTA monitoraggio specifico - rete di monitoraggio idonea - mantenimento del monitoraggio - disomogeneità spaziale e temporale

4 MOTIVAZIONI I DATI

5 MOTIVAZIONI I DATI 1. Due reti diverse 2. Copertura temporale diversa 3. Numero di stazione variabile nel tempo Rete ex-idrografico Rete telemisura da 25 a 371 da 119 a 386 IDROGRAFICO TELEMISURA ERA40 ECMWF analysis

6 MOTIVAZIONI I DATI temperatura da minimo di 25 a massimo di 371 IDROGRAFICO TELEMISURA precipitazione da minimo di 119 stazioni a massimo di 386 stazioni

7 CONTROLLO QUALITÀ DATO ORIGINALE a) CONTROLLO A POSTERIORI: errori di scrittura o digitalizzazione del dato (controlli logici); anomalie del dato rispetto alla clima del sito di misura (controllo temporale); anomalie del dato rispetto agli eventi registrati dai siti vicini (controllo spaziale). b) CONTROLLO SUL METADATO: malfunzionamento cambi di quota non segnalati ESCLUSIONE DALLE ANALISI

8 INTEGRAZIONE: OPTIMAL INTERPOLATION Metodo statistico per interpolare i dati delle stazioni, dislocate arbitrariamente, in una griglia regolare predefinita tridimensionale, a partire da un campo di background. (Kalnay e., 2003 ) Il campo finale viene ricavato sfruttando il principio che solo le osservazioni più vicine possono influenzare il valore finale sul punto griglia x-x b = K (y o y b ) x-x b = incremento dell analisi K= matrice guadagno si ottiene minimizzando la varianza dell errore dell analisi y o -y b = innovazione x=x b + G (S + O) 1 (y o y b ) Dove: x èl Optimal interpolation su grigliato x b è il Background Field (su grigliato (x b ) e su punto stazione (y b )) S èla Background Error Covariance Matrix O èl Observation Error Covariance Matrix G èla Error Covariance Matrix y o sono i dati osservati su punto stazione

9 RISULTATI L applicazione di una metodologia parametrizzabile e basata sul metodo di interpolazione OI ha permesso un raccordo accettabile tra due differenti reti di misura VANTAGGI aggiornabile; estendibile ad altra aree SVANTAGGI inevitabile ma parziale perdita di informazione a livello locale

10 RISOLUZIONE 14 km NUOVA RISOLUZIONE A 7 km (periodo )

11 RISOLUZIONE 7 km Esempio: 1 Agosto 2008 precipitazione cumulata OI 7 km 14 km interpolazione bicubica 7 km

12 ELABORAZIONI ATLANTE CLIMATICO Temperatura media massima stagione estiva Precipitazione media cumulata annuale

13 SCENARI CLIMATICI ED IMPATTI Scenari economici Emissioni: effetti radiativi/chimici GCM RCM Downscaling Valutazione impatti Popolazione, industrializzazione, scelte tecnologiche Forzanti climatiche: gas serra, aerosol, uso del suolo Modelli di circolazione globale (atmosfera, oceano, criosfera ~ 150 km) Modelli climatici regionali ad alta risoluzione (~ 25 km) Statistico (quantile mapping, multimodel ), stocastico Modelli di impatto (fisici, ambientali, biologici )

14 SCENARI SRES DELL IPCC Meehl, G.A., T.F. Stocker, W.D. Collins, P. Friedlingstein, A.T. Gaye, J.M. Gregory, A. Kitoh, R. Knutti, J.M. Murphy, A. Noda, S.C.B. Raper, I.G. Watterson, A.J. Weaver and Z.-C. Zhao, 2007: Global Climate Projections. In: Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change

15 MODELLI CLIMATICI REGIONALI Progetto ENSEMBLES ( diversi modelli climatici regionali girati su diversi modelli climatici globali, scenario A1B. Modelli scelti per la regionalizzazione: Modello climatico Regionale HIRHAM5 REGCM3 HadRM3Q0 RM4.5 CLM RACMO2 REMO Modello climatico Globale Arpege ECHAM5 HadCM3Q0 Arpege HadCM3Q0 ECHAM5 ECHAM5 Istituzione DMI ICTP Hadley Center CNRM ETH Zurich KNMI Max Plank Institute

16 Dati disponibili: Runs su reanalisi di ERA-40 ECMWF ( ) Runs su GCM/scenario A1B ( ) Osservazioni spazializzate con Optimal Interpolation dati giornalieri MODELLI CLIMATICI REGIONALI modelli interpolati sulla stessa griglia dell Optimal Interpolation (~ 14 km)

17 MULTIMODEL SUPERENSEMBLE Poor Man Ensemble S = 1 N N i= 1 F i Multimodel Ensemble Temperatura Multimodel SuperEnsemble Precipitazione Probabilistic Multimodel Dressing 1 S = O + N S = O + N i= 1 N ( F ) i F i a i= 1 i ( F F ) i i

18 MULTIMODEL SUPERENSEMBLE A1B - Training period , forecast period Temperatura massima Temperatura minima Periodo aumento maggiore Tmax sulle pianure in primavera ed estate aumento maggiore Tmin in quota in autunno ed inverno Piogge nessun trend significativo segnale di diminuzione più accentuato in quota in estate ed autunno

19 GRAZIE PER L ATTENZIONEL

20

21 RISOLUZIONE A 14 km

22 Temperature and precipitation reconstruction An Optimal Interpolation (OI) technique is used to assimilate the daily ground station data, arbitrarily displaced in the region, on a selected regular three-dimensional grid map based on a background field (BF) The background field is obtained on a selected grid (0.125 resolution, with careful description of the complex orography of the region) by a linear tridimensional downscaling of ERA-40 archive from 1957 to 2001 and of the ECMWF objective analysis from 2002 to 2009 The use of ERA-40 on the regional area is suggested by checking that the main climatological signals (trends, etc.) were congruent with the signals resulted from a station subset working in the period in Piemonte The method enables to weight the contribute to the temperature/precipitation value on each grid point from the nearest observation data, through suitable parameters. A careful modulation of these parameters as a function of the data density and the use of an external background field help to achieve the time homogeneity and the spatial coherence of the final dataset

23 MULTIMODEL SUPERENSEMBLE MODEL 1 (NetCDF files) MODEL 2 (NetCDF files) MODEL 3 (NetCDF files) MODEL N (NetCDF files) Temperatura minima e massima Interpolation (forecasts on OI grid) Interpolation (forecasts on OI grid) Interpolation (forecasts on OI grid) Interpolation (forecasts on OI grid) Observations (from OI) Weight calculation in the training period Model weights Statistics of the training period Pesi calcolati con minimizzazione di Gauss-Jordan N Multimodel Ensemble and SuperEnsemble calculation S = O + a ( F F ) i= 1 i i i Krishnamurti T.N. et al., Improved weather and seasonal climate forecasts from Multimodel SuperEnsemble, Science 285, , 1999 Cane D., Milelli M., Weather forecasts obtained with a Multimodel SuperEnsemble Technique in a complex orography region, Meteorologische Zeitschrift, Vol. 15, No. 2, , 2006

24

25 MULTIMODEL SUPERENSEMBLE Training period , forecast period Difference between the Multimodel SuperEnsemble scenario precipitation averaged over the period with respect to the period , as a function of the season (T-test conf. level 95%). Significant precipitation decrease only in summer and autumn, more enhanced in the mountains.

26