Valutazione delle nubi simulate da un modello di clima (LMDZOR) in Area Mediterranea tramite dati da satellite

Transcript

1

2 Valutazione delle nubi simulate da un modello di clima (LMDZOR) in Area Mediterranea tramite dati da satellite G. L. Liberti 1, F. Cheruy 2 1 Istituto di Scienze dell Atmosfera e del Clima, CNR, Roma, Italia 2 Istituto di Scienze Ambientali LMD-IPSL, CNRS/UPMC, Parigi Cedex 05, Francia g.liberti@isac.cnr.it SOMMARIO: Sono descritte le attività in corso all ISAC-CNR, in collaborazione con LMD-CNRS (Francia), per valutare la capacità di un modello di clima di riprodurre caratteristiche osservate di variabilità temporale della copertura nuvolosa in area Mediterranea. Si è utilizzato un modello di clima (LMDZOR) regionalizzato e forzato ed osservazioni ad alta risoluzione spazio/temporale. Sono stati analizzati 6 mesi (giugno-novembre 2000) di osservazioni e corrispondenti uscite del modello ogni 30. La copertura nuvolosa osservata è ottenuta da dati IR METEOSAT. Per quanto riguarda la coincidenza spaziale ed il problema della differente risoluzione spaziale, si assume che all interno della regione d interesse sia possibile identificare sotto-regioni in cui la nuvolosità è legata agli stessi forzanti locali. Tali sottoregioni, la cui procedura di definizione è riportata, sono trattate come unico punto. Sotto tale ipotesi, vengono confrontate le caratteristiche dell evoluzione temporale delle nubi nel modello con quelle osservate. Sono riportati esempi di applicazioni e discussi possibili miglioramenti. 1 INTRODUZIONE L articolo descrive l insieme di attività in corso presso l ISAC-CNR, in collaborazione con LMD-CNRS (Francia), volte allo sviluppo di strumenti per la valutazione della capacità di un modello di clima regionale (LMDZOR) di riprodurre le caratteristiche osservate di variabilità temporale della copertura nuvolosa in area Mediterranea. L interesse per l area Mediterranea, e l uso conseguente di un modello regionale, deriva dall alta sensibilità, in termini socio economici, di tale area a cambiamenti anche modesti di variabili climatiche. Le caratteristiche osservate sono dedotte dall analisi di dati da satelliti geostazionari della serie METEOSAT alla massima risoluzione spaziale e temporale. Gli strumenti diagnostici presentati sono stati sviluppati e testati su una serie temporale di 6 mesi (giugno-novembre 2000) con cadenza di 30 di osservazioni da satellite e corrispondenti uscite del modello. L approccio presentato affronta attraverso: l uso di osservazioni ad alta risoluzione spaziale e temporale, lo sviluppo di diagnostici basati sul confronto delle caratteristiche di variabilità temporale (piuttosto che sul valore assoluto della copertura nuvolosa) e l introduzione del concetto di sottoregioni (vedi sez. 4) alcuni dei problemi rilevanti che si presentano nello sviluppo di simili diagnostici. 2 IL MODELLO DI CLIMA LMDZ4-OR Il modello di clima LMDZ4-OR segue l approccio zooming per quanto riguarda la regionalizzazione (ovvero risoluzione orizzontale variabile e ottimizzata nell area di interesse). Nelle simulazioni analizzate il modello atmosferico è accoppiato a un modello di superficie e di vegetazione. Una descrizione dettagliata del modello e dell approccio del forzaggio è contenuta in Hourdin et al., 2006 e 39

3 Clima e cambiamenti climatici: le attività di ricerca del CNR Condreau et al., Il modello produce, per ogni volume una copertura nuvolosa funzione delle variabili all interno del volume stesso. Tuttavia, sia per calcolare, all interno del modello, gli effetti radiativi, sia, nel nostro caso, per confrontare la copertura nuvolosa del modello con quella bi-dimensionale osservabile da telerilevamento passivo da satellite, è necessario introdurre una schema che descriva la posizione relativa, all interno delle maglie, dell area coperta dalle nubi (schema di overlap). La sensibilità nel calcolo della copertura nuvolosa allo schema di overlap adottato è di conseguenza alta. Poiché si desidera verificare i moduli del modello responsabili per la formazione e dissipazione della nube è importante minimizzare l effetto di tale schema che è generalmente indipendente dai moduli menzionati. A tal proposito sono stati sviluppati diagnostici basati sulle caratteristiche di variabilità temporale della copertura nuvolosa piuttosto che sul valore assoluto. Sebbene il modello di clima adotti uno schema del tipo maximum random overlap, nel presente lavoro, per ogni passo temporale e maglia sono stati calcolati 2 valori estremi di copertura nuvolosa assumendo massimo e minimo ricoprimento verticale delle aree nuvolose. 3 DATI DA SATELLITE La copertura nuvolosa osservata è stimata a partire dalle temperature di brillanza Tb ottenute da misure del canale in finestra nell Infrarosso (IR) Termico (~10 μm) acquisite dal satellite METEOSAT. Sebbene siano disponibili prodotti di copertura nuvolosa ricavati dallo stesso insieme di dati si è optato per produrli a partire da un algoritmo specifico. Infatti tali prodotti, al fine di ottimizzare l informazione contenuta nelle osservazioni METEOSAT, includono l uso, quando possibile, dei dati del canale nel visibile. Ciò si ripercuote su una differente sensibilità, funzione dell illuminazione solare, che può introdurre variabilità temporali dovute piuttosto al cambio di algoritmo che alla nuvolosità stessa. La stima della copertura nuvolosa da satellite è basata su una singola soglia definita per ogni pixel ogni slot ed ogni mese con una procedura simile a quella descritta in Liberti e Cheruy, Sono stati utilizzati due metodi distinti per ricavare le soglie di classificazione, e di conseguenza due stime della copertura nuvolosa. Ciò al fine, principalmente, di testare la dipendenza dei risultati ottenuti dalla procedure di stima della copertura nuvolosa. 4 DESCRIZIONE DELL APPROCCIO Il presente studio si basa su due aspetti principali che lo distinguono: Lo sviluppo di diagnostici basati sul confronto delle caratteristiche di variabilità temporale, piuttosto che sul valore assoluto della copertura nuvolosa, presenta il vantaggio di minimizzare le incertezze dovute sia allo schema di overlap (nel modello) che alla definizione di copertura nuvolosa (nei dati da satellite), inoltre produce informazioni facilmente interpretabili in termini delle componenti, ed i processi fisici che esse rappresentano, che costituiscono l insieme del modello di nube (per es. problemi nella rappresentazione dei processi responsabili del decadimento di un sistema nuvoloso). L introduzione di sottoregioni ovvero i diagnostici sviluppati sono basati sull ipotesi che all interno della regione d interesse sia possibile identificare sottoregioni in cui la nuvolosità è legata agli stessi forzanti locali. Tali sottoregioni sono trattate come un unico punto su cui viene calcolato un valore di copertura nuvolosa ogni 30. Sotto tale ipotesi, a prescindere dall esatta collocazione spaziale e coincidenza temporale, si confrontano le caratteristiche dell evoluzione temporale delle nubi nel modello con quelle osservate. Tale approccio permette, oltre a risolvere il problema della differente e allo stesso tempo variabile risoluzione spaziale, di minimizzare l effetto dovuto a variabili d ingresso generati da moduli del modello differenti da quello delle nubi. Ovvero, si vedrà nella sezione suc- 40

4 Modellistica del clima cessiva, che la maggior parte dei test ricavano le caratteristiche temporali delle nubi indipendentemente nelle 2 serie temporali per poi confrontarle. Ovvero, a prescindere dall esatta coincidenza temporale, che potrebbe peraltro essere dovuta a fattori differenti dalle nubi, si assume che una volta presenti le condizioni per sviluppare una nube tale nube debba svilupparsi nel modello secondo le stesse caratteristiche osservate. La procedura per definire le sotto-regioni si basa sull ipotesi che, una volta identificata una variabile legata principalmente all attività nuvolosa, è possibile identificare, all interno della regione d interesse, sotto regioni caratterizzate da correlazione spaziale relativamente alta della variabile selezionata. La definizione di sottoregioni è stata effettuata sulla base delle osservazioni da satellite e le sottoregioni cosi ottenute sono state definite nella griglia del modello. La variabile selezionata è la differenza tra il valore osservato di Tb ed il valore della moda della distribuzione, per quel pixel e quella slot/mese. Tale scelta, è mirata a minimizzare la correlazione dovuta alla superficie (responsabile principale su terra della variabilità diurna). Sono state anche esaminate altre variabili. La procedura per la definizione delle sottoregioni è la seguente: 1. si definisce soggettivamente un pixel di riferimento iniziale ad es. al centro dell immagine. Per ogni pixel nell area d interesse si calcola il coefficiente di correlazione tra la serie temporale della variabile nel pixel selezionato e quella ottenuta nel pixel di riferimento. Si otterrà una mappa di valori di coefficiente di correlazione; 2. si identifica all interno di tale mappa il pixel con correlazione più bassa con il pixel di riferimento. Tale pixel, che si assume il più indipendente in termini di forzaggi, viene assunto come nuovo pixel di riferimento; 3. si calcola la nuova mappa di coefficienti di correlazione considerando il nuovo pixel di riferimento e si costruisce una nuova mappa composita ottenuta selezionando per ogni pixel il valore più alto di coefficiente di correlazione finora trovato. A ogni pixel è associato un indice che contiene l informazione sul pixel di riferimento con cui tale pixel ha la correlazione massima; 4. si analizza la matrice composita dei coefficienti di correlazione e si identifica, nel pixel col valore minore di coefficiente di correlazione, il nuovo pixel di riferimento; 5. si ripete 3 e 4 fino a che non si è ottenuto il numero desiderato di sottoregioni; 6. si definiscono sottoregioni l insieme dei pixel che hanno il massimo della correlazione con il medesimo punto di riferimento. Intuitivamente le definizioni di sottoregioni derivate da tale procedure dipendono da: - la variabile utilizzata - la serie temporale analizzata - il punto iniziale - il criterio di arresto della procedura iterativa. Tali aspetti sono stati parzialmente analizzati e sicuramente, qualora risulti interessante seguire tale approccio, è necessario uno sforzo specifico per definire una procedura robusta e delineare la sensibilità ai criteri soggettivi applicati nella procedura. 5 ESEMPI RISOLUTIVI In questa sezione sono descritti alcuni esempi di test diagnostici sviluppati. Attualmente i risultati sono in fase di analisi al fine di stimare il contenuto d informazione utile. Distribuzione delle derivate temporali. A partire dalle serie temporali di copertura nuvolosa, per ogni sottoregione, viene calcolata la distribuzione in frequenza della derivata temporale della copertura nuvolosa. Differenze in tale distribuzione contengono informazioni su eventuali anomalie (ad es: velocità di crescite troppo rapida) sistematiche del modello rispetto alle osservazioni. Oltre a confrontare la distribuzione è interessante confrontare la simmetria di tali distribuzioni. Auto de-correlazione temporale. Per ogni sottoregione, per una determinata sorgente di stima della copertura nuvolosa (per es. osservazioni) si calcola la correlazione tra il valore 41

5 Clima e cambiamenti climatici: le attività di ricerca del CNR di copertura a ogni passo temporale e quello ad un passo temporale successivo di un intervallo temporale dato. Si grafica successivamente la correlazione calcolata in funzione del valore del passo temporale. Cross de-correlazione temporale. Per ogni sottoregione si calcola la correlazione tra il valore di copertura da modello a ogni passo temporale e quello da satellite ad un passo temporale precedente o successivo di un intervallo temporale dato. Si grafica successivamente la correlazione calcolata in funzione del valore del passo temporale. Questo test è l unico, di quelli presentati che assuma la coincidenza temporale tra osservazioni e modello. Ciclo diurno. Si calcola il ciclo diurno medio della copertura nuvolosa indipendentemente per osservazioni e per il modello. le due curve, una volta normalizzate per il valore massimo, vengono confrontate. Curva di vita media. Ogni serie temporale è analizzata per identificare i massimi relativi di copertura nuvolosa. Ogni massimo è identificato come evento e all occorrenza del massimo viene associato il valore 0 su una scala temporale di sviluppo del singolo sistema. L evento è delimitato dai minimi relativi che si verificano prima e dopo il massimo relativo. Gli eventi cosi identificati sono successivamente raggruppati in funzione del valore massimi di copertura raggiunta durante l evento. Partendo dall ipotesi che vi sia una relazione tra durata di una nube e sua estensione, gli eventi appartenenti alla stessa classe sono mediati ottenendo, sia per le osservazioni che per il modello, una curva media di vita per ogni nube di una certa classe d estensione. Il confronto di tali curve medie costituisce il diagnostico. 6 CONCLUSIONI È stato sviluppato un insieme di programmi per analizzare la capacità del modello di clima LMDZOR di riprodurre, sull area Mediterranea, le caratteristiche di variabilità temporale delle nubi come osservate da satellite geostazionario. L analisi del contenuto d informazione utile, generato da tali programmi, per lo sviluppo ed il miglioramento della descrizione di nubi all interno del modello di clima, è attualmente in corso. Le analisi preliminari confermano che l approccio adottato minimizza la dipendenza dei risultati ottenuti, in termini di comportamento del modello, sia dallo schema di cloud overlap, nel modello, che dalla procedura di stima di copertura nuvolosa da dati da satellite, inoltre evidenziano, consistentemente in diversi test, comportamenti sistematici del modello. Risulta evidente verificare la validità di alcune delle ipotesi utilizzate nello sviluppo dei diagnostici descritti. In particolare, è fondamentale verificare la correttezza del concetto sottoregioni, e la procedura per la loro definizione, all interno delle quali si assume, non solo che i processi fisici responsabili dell attività nuvolosa siano omogenei ma anche che la vita di un sistema nuvoloso si svolga principalmente all interno della sottoregione stessa. Al tal fine, oltre a verificare la robustezza della procedura di definizione delle sottoregioni, si sta procedendo in parallelo allo sviluppo di programmi per lo studio, da un punto di vista lagrangiano, delle nubi. 7 BIBLIOGRAFIA ESSENZIALE Coindreau, O., et al., Assessment of Physical Parameterizations Using a Global Climate Model with Stretchable Grid and Nudging. Mon. Wea. Rev., 135: Hourdin F., et al The LMDZ4 general circulation model: climate performance and sensitivity to parametrized physics with emphasis on tropical convection. Clim Dyn 2006, 27: Liberti G.L., Cheruy F., Tropospheric dryness and clouds over tropical Indian Ocean. Atmos. Res., 82: