PRIN RETE NAZIONALE PER IL MONITORAGGIO, LA MODELLAZIONE E LA GESTIONE

Transcript

1 PRIN RETE NAZIONALE PER IL MONITORAGGIO, LA MODELLAZIONE E LA GESTIONE SOSTENIBILE DEI PROCESSI EROSIVI NEI TERRITORI AGRICOLI, COLLINARI E MONTANI UNITÀ OPERATIVA DELL UNIVERSITÀ DI PERUGIA Prof. Francesco Mannocchi Prof.ssa Francesca Todisco Dott. Lorenzo Vergni

2 1. SCALA PARCELLARE. EROSIONE RILL+INTERRILL Obiettivo 1.1: Valutare l efficacia dell uso di reti neuro-fuzzy (modelli ANFIS) per la stima del deflusso e della relativa perdita di suolo alla scala parcellare. Dati: database del sito sperimentale Masse (UniPg) 61 eventi erosivi (perdita di suolo, deflusso relativi alle parcelle L=22 m, dati climatici con T=5 min) 59 eventi non erosivi. Modelli implementati per la simulazione del deflusso Sono stati implementati 4 modelli diversi per combinazioni di input: Standard regression indices Efficiency indices Error indices Modelli implementati per la simulazione della perdita di suolo Sono stati implementati 4 modelli diversi per combinazioni di input: la pioggia precipitata nei 15 giorni precedenti è stata sostituita dal deflusso osservato. Standard regression indices Efficiency indices Error indices h d I 3 max h (t t(i 3 max )) h (t -15 t ) M1 x Range Optimal value M2, Checking x data CV5 x Slope of observed vs. simulated data linear M2 regression x line (- ;+ ) x x x Intercept of observed vs. simulated data M3 linear regression x line (- ;+ ) x.387 x x r, correlation coefficient M4 x [-1;1] x 1 x.851 x x R 2, coefficient of determination [;1] E, Nash-Sutcliffe index E (Nash and Sutcliffe, 197) [- ;1] 1.73 E 1, modified Nash-Sutcliffe index (Legates and McCabe, 1999) [- ;1] d, index of agreement (Willmott, 1981) [;1] d 1, modified index of agrrement (Wilmott et al. 1985) [;1] RMSE, Root Mean Square Error [;+ ) 2.76 MAE, Mean Absolute Error [;+ ) 1.33 MAPE, Mean Absolute Percentage Error [;+ ) PBIAS, Percent Bias (Gupta et al., 1999) (- ;+ ) RSR, RMSE-observation Standard deviation Ratio (Moriasi et al., 27). [;+ ).545 h d I 3 max h (t t(i 3 max )) UNR M1 x Range Optimal value x M1, Checking data CV1 x Slope of observed vs. simulated M2data linear regression x line x(- ;+ ) 1 x x Intercept of observed vs. simulated M3 data linear regression x line (- ;+ ) x.178 x x r, correlation M4 coefficient x x [-1;1] 1 x.973 x x R 2, coefficient of determination [;1] E, Nash-Sutcliffe index E (Nash and Sutcliffe, 197) [- ;1] 1.88 E 1, modified Nash-Sutcliffe index (Legates and McCabe, 1999) [- ;1] d, index of agreement (Willmott, 1981) [;1] d 1, modified index of agrrement (Wilmott et al. 1985) [;1] RMSE, Root Mean Square Error [;+ ) 1.35 MAE, Mean Absolute Error [;+ ).6 MAPE, Mean Absolute Percentage Error [;+ ) PBIAS, Percent Bias (Gupta et al., 1999) (- ;+ ) RSR, RMSE-observation Standard deviation Ratio (Moriasi et al., 27). [;+ ).438 PRIN UNITÀ OPERATIVA DI PERUGIA.

3 I risultati mostrano che il campione di dati disponibili non è ancora sufficiente per costruire un training set con cui la rete possa acquisire una buona capacità di generalizzazione (in Licznar & Nearing (23) sono stati usati 2879 eventi erosivi!). I risultati sul checking set e sul training set suggeriscono che una struttura semplice del modello, con un limitato numero di input, garantisce risultati migliori. Modelli più complessi migliorano le prestazioni sui dati di training, ma peggiorano in fase di validazione. Su alcuni sottoinsiemi in fase di validazione si sono osservati risultati molto buoni. Ciò suggerisce che aumentando il campione di dati disponibili i risultati possano migliorare sensibilmente. Studi da effettuare 1) Accoppiare il modello ANFIS per la simulazione del deflusso e quello per la simulazione della perdita di suolo (utilizzando gli output del primo come input per il secondo)con in input solo dati di pioggia. 2) Accoppiare il modello ANFIS per la stima del deflusso parcellare ed il modello USLE-MM. PUBBLICAZIONI Termite L., Todisco F., Vergni L., Mannocchi F.,., Quaderni di Idronomia Montana..in stampa. PRIN UNITÀ OPERATIVA DI PERUGIA.

4 1. SCALA PARCELLARE. EROSIONE RILL+INTERRILL Obiettivo 1.2: Valutare l efficacia dell uso del modello MISDc accoppiato con un modello USLE-derivato nella previsione della perdita di suolo unitaria parcellare alla scala del singolo evento erosivo utilizzando il database di misure di perdita di suolo e deflusso parcellare e di dati climatici della stazione di Masse (PG) Dati: database del sito sperimentale Masse (UniPg): perdita di suolo e deflusso parcellare, dati climatici. MSIDc stima accuratamente i deflussi medio alti mentre invece ci sono alcune marcate sottostime dei deflussi bassi relativi al periodo Giugno-Settembre. Il modello USLE-MM anche nel caso di deflusso simulato è risultato più accurato della USLE nella previsione della perdita di suolo relativa al singolo evento erosivo Il contenuto idrico del suolo pre-evento si è rivelata una valida variabile alternativa al coefficiente di deflusso per correggere R e nel modello tipo USLE-MM Studi da effettuare 1) Lo studio effettuato per la stazione di Masse la media delle misure relative alle 1 parcelle (di lunghezza variabile) verrà ripetuto limitatamente alle misure derivanti dalle parcelle L=22 m. 2) I risultati verranno confrontati con quelli ottenuti con il database della stazione di Sparacia relativamente alle parcelle L=22 m. 3) Definizione di un nuovo modello in cui il deflusso sia sostituito dal contenuto d acqua PUBBLICAZIONI. Todisco F., Brocca L.., Quaderni di Idronomia Montana 3. PRIN UNITÀ OPERATIVA DI PERUGIA.

5 V [m 3 ] V [m 3 ] 1. SCALA PARCELLARE. EROSIONE RILL Obiettivo 1.3: Valutare l efficacia della tecnica laser scanning come possibile soluzione ad alcuni problemi relativi al rilievo dei rill con profilometri; Confronto fra le grandezze morfologiche caratteristiche dell erosione rill rilevate con i due metodi; Verifica delle relazioni tra le variabili morfologiche dei solchi già validati presso il sito sperimentale di Masse (Di Stefano et al., 212) Rill Ephemeral Gully Gully LS, L [m] Relazione lunghezza L- volume V rilevata presso Masse e confronto con rill, EG e gully Rill LS,1 profilometro LS, L [m] Relazione lunghezza L- volume V per rill (Di Stefano e Ferro, 211) PRIN UNITÀ OPERATIVA DI PERUGIA. I dati L-V si adattano perfettamente alla relazione proposta.

6 V r,s /L r,s 3 1.E+2 1.E+1 1.E+ 1.E-1 1.E-2 1.E-3 1.E-4 1.E-5 1.E-6 Rills Capra et al. (25b) Cheng et al. (26) Zhang et al. (27) Daba et al. (23) Moges & Holden (28) Di Stefano & Ferro (211) Bruno et al. (27) Masse_rillometro Masse_Laser Scanner Le caratteristiche rilevate tramite elaborazioni successive a partire dal rilievo con laser scanner si sovrappongono alla relazione adimensionale proposta da Di Stefano e Ferro (211). 1.E-7 1.E-8 1.E-9 1E-9 1E wh Vr, Confronto fra le coppie di valori (, 2 3 L, L, tudi da effettuare r s s r s wh/l r,s 2 ) misurate a Masse e l equazione proposta da Di Stefano e Ferro (211) ) Migliorare l applicabilità della tecnica laser scanning al rilievo delle formazioni rill effettuando scansioni con l utilizzo di una torre; ) Approfondire lo studio del fenomeno erosivo, anche nella componente interrill, con monitoraggi a intervalli temporali ravvicinati (pre e post evento) e l utilizzo di tecniche alternative per la definizione della superficie pre-evento ) Utilizzare la tecnica laser scanning per un analisi: - sull effetto della rugosità della superficie sul deflusso superficiale e la perdita di suolo - sulla dinamica delle caratteristiche geomorfologiche di un versante soggetto a piogge artificiali PUBBLICAZIONI. Vinci A., Todisco F., Vergni L., Mannocchi F.,., Quaderni di Idronomia Montana..in stampa.

7 2. SCALA DI BACINO Obiettivo 2.1: Valutare l efficacia dell uso del modello SEDD per la stima della produzione di sedimenti in un bacino agricolo in ambiente collinare Umbro. In località MASSE. Criterio spazialmente distribuito per la stima dei processi di SEDD = USLE + deposito delle particelle lungo il bacino idrografico ATTIVITÀ INTRAPRESE NELLA PRIMA FASE DEL PROGETTO ED IN VIA DI ULTIMAZIONE: K, mappa di erodibilità del suolo con tecnica di interpolazione kriging in interfaccia GRASS a partire da una campagna di campionamento del suolo (38 campioni) prelevati indisturbati secondo una maglia di campionamento appositamente studiata, con relativa analisi granulometrica e calcolo di K (modello RUSLE). L, S, DEM maglia 5 m x 5 m e determinazione per ciascuna cella di pendenza media ed esposizione. R, dati di erosività ipotizzati omogenei nel bacino e stimati sulla base dei dati climatici rilevati in continuo nella stesso bacino da una stazione climatica a t= 5 min C, mappa di uso del suolo da suddivisione del bacino in poligoni omogenei per uso del suolo (individuati mediante ortofotocarte e validati mediante rilievo in campo. Per ogni poligono tenendo conto anche delle varie tecniche colturali (es vigneto inebito o non inerbito) è stato definito un valore di C. Suddivisione del bacino in unità morfologiche (aree con stessa pendenza ed esposizione o da un elemento del reticolo idrografico in grado di intercettare il deflusso) punto di partenza per la definizione del coefficiente di resa solida (SDRw) secondo SEDD. DATI IN FASE DI ACQUISIZIONE:misure di produzione di sedimenti rilevate tramite sezione di misura predisposta ed in fase di attivazione PRIN UNITÀ OPERATIVA DI PERUGIA.

8 AGGRESSIVITÀ PIOGGIA Obiettivo 3.1: individuare le caratteristiche che differenziano gli ietogrammi di pioggia relativi agli eventi che hanno effettivamente prodotto deflusso e perdita di suolo, da quelli che non hanno prodotto runoff. Materiali: database Masse (28 e il 212) dati pluviometrici registrati a t=5 minuti e da dati di deflusso parcellare alla scala di evento: 6 eventi erosivi, 159 eventi non erosivi. Sono stati considerati gli eventi distinti (separati da più di 6 ore di non pioggia e con spessore totale maggiore di 1 mm). Metodo: le caratteristiche della pioggia sono state individuate applicando allo ietogramma una soglia di troncamento espressa in termini di spessore di pioggia (mm) e conseguentemente individuando i runs sopra soglia e quantificandoli tramite diversi parametri. Le soglie di troncamento applicate sono mm e 9 mm/h. Severità run con massima severità, S run,max_sev (mm) Pioggia (mm) Alcune caratteristiche dello ietogramma di pioggia permettono di operare una classificazione tra eventi erosivi e non erosivi in misura migliore rispetto agli indici di letteratura. Rimane ancora presente però una zona di transizione nella quale le due tipologie di evento non sono identificabili chiaramente. Studi da effettuare 1) L estensione dell analisi a indici che quantifichino, anche se in modo indiretto, le condizioni di umidità del suolo pre-evento 2) L installazione di sensori per il monitoraggio in continuo del deflusso superficiale 3) L installazione di sonde per il monitoraggio del contenuto idrico del suolo.

9 Aggressività annuale simulata (MJ mm/ha h) Aggressività annuale (MJ mm/ha h) Aggressività mensile simulata (MJ mm/ha h) Aggressività mensile (MJ mm/ha h) 3. AGGRESSIVITÀ PIOGGIA Obiettivo 3.2: Valutare l efficacia dell uso di modelli ANFIS per la stima dell aggressività della pioggia a diverse scale spaziali e temporali utilizzando in input dati di pioggia con risoluzione temporale giornaliera. Materiali: Valori di pioggia con risoluzione temporale di 3 minuti per 18 stazioni distribuite sul territorio umbro, per il periodo (7 stazioni) o (11 stazioni); Valori di temperatura media giornaliera per la città di Perugia. Metodo: modelli ANFIS. In tutti i modelli implementati gli input sono la pioggia caduta nel corso dell evento plurigiornaliero e la temperatura media calcolata tra il giorno di inizio e il giorno di fine dell evento Vengono implementate diverse reti ANFIS, raggruppate in 3 modelli: A, B e C Valori medi mensili Azzano, modello A Valori medi mensili Azzano, modello A Reali Simulati Aggressività mensile osservata (MJ mm/ha h) Mese 3 Valori annuali Azzano, modello A 3 Valori annuali Azzano, modello A Reali Simulati Aggressività annuale osservata (MJ mm/ha h) Anno

10 Dicembre Novembre Ottobre Settembre Agosto Luglio Giugno Maggio Aprile Marzo Febbraio Gennaio Errore nella stima di R mensile (%) San Biagio Ponte Santa Maria Piediluco Petrelle Perugia Nocera Umbra Narni Scalo Montelovesco Montecucco Gubbio Forsivo Foligno Compignano Cerbara Casigliano Casacastalda Bastardo Azzano Errore nella stima di R annuo (%) Modello C Modello B Modello A Modello C Modello B Modello A Il modello A funziona meglio rispetto agli altri due. Il modello C non risulta efficace, sottostimando fortemente il totale annuale su quasi tutte le stazioni. Il modello A e il modello B sovrastimano il valore dell aggressività nei mesi ricadenti nei periodi umido e invernale, mentre sottostimano i valori dei mesi del periodo secco. Il modello C sottostima invece i valori mensili regionali in 8 casi su 12, comprendendo quindi anche valori del periodo umido e di quello invernale. Per quanto riguarda i modelli A e B, i risultati sono paragonabili con quelli ottenuti nel lavoro del 21, che utilizzava in input i dati di altezza totale di evento.