Le previsioni stagionali hanno sempre più un posto di tutto riguardo fra le questioni scientifiche irrisolte, al limite fra scienza e fantascienza, tra mondo reale e futuribile. La grande forza di seduzione sta nelle possibili applicazioni e potenzialità economiche, qualora fossero associate a una sufficiente affidabilità. Una migliore gestione delle pratiche agricole e delle risorse idriche, la previsione a lungo termine della diffusione di pollini allergenici sono solo alcuni esempi delle possibilità offerte da una corretta capacità previsionale su scala stagionale. In questa direzione si concentra l’impegno della comunità scientifica coinvolta nel progetto europeo Demeter.
In campo agricolo, una corretta previsione su scala stagionale permetterebbe una più oculata scelta delle colture agricole in accordo al tipo di stagione in arrivo e, in generale, una migliore pianificazione delle attività in campo, una migliore gestione dei fertilizzanti, la previsione delle rese (di grande importanza nelle politiche di marketing), la produzione di previsioni fenologiche a lungo termine e la previsione della diffusione dei pollini allergenici. Infine l’introduzione delle previsioni stagionali all’interno di modelli di bilancio idrico permetterebbe una migliore pianificazione dell’utilizzo delle risorse idriche.La fattibilità delle previsioni stagionali per ogni regione è legata all’esistenza di forti correlazioni tra le anomalie di circolazione atmosferica di larga scala rilevanti per la regione in esame e le anomalie di temperatura superficiale degli oceani nelle regioni tropicali. Tutte queste anomalie, infatti, sono intimamente legate all’esistenza di modi di variabilità del sistema oceano-atmosfera, caratterizzati da elevata predicibilità su scale temporali lunghe, dell’ordine di qualche mese.
Un esempio classico di fenomeni di questo tipo è il tanto menzionato El Niño-Southern Oscillation (ENSO). Esso introduce un legame fra le anomalie climatiche del Nord America e quelle di temperatura superficiale nella parte orientale del Pacifico tropicale, tale da rendere sufficientemente affidabili le previsioni stagionali per queste regioni. Purtroppo, non ovunque la variabilità climatica interannuale è legata a modi altamente predicibili come nel caso del Nord America. In particolare, l’Europa sembra essere maggiormente influenzata da altri fenomeni di larga scala come l’oscillazione nord atlantica (NAO) che regola il flusso delle perturbazioni atlantiche sul continente europeo, ed è caratterizzata da un più ridotto livello di predicibilità. Quando la NAO è in fase positiva le perturbazioni atlantiche interessano preferenzialmente le regioni settentrionali del continente europeo, mentre condizioni più siccitose prevalgono sul bacino Mediterraneo. Al contrario, quando la NAO presenta una fase contraria, il Bacino del Mediterraneo è più “vulnerabile” all’ingresso di perturbazioni atlantiche, determinando con ciò un maggior apporto pluviometrico su tale area.
I modelli globali di previsione stagionale
L’ultima generazione di modelli numerici di circolazione generale del sistema accoppiato atmosfera-oceano (CGCM) utilizzati per produrre le previsioni stagionali presso i maggiori centri internazionali, è caratterizzata da una discreta capacità nella riproduzione del clima medio osservato dell’atmosfera, mentre, per quanto riguarda la riproduzione della variabilità interannuale, presenta ancora risultati fortemente dipendenti dalla regione geografica. In figura in alto a sinistra è riportata la mappa del coefficiente di correlazione tra le anomalie (ACC) mensili invernali (Dicembre, Gennaio, Febbraio e Marzo, DJFM) del geopotenziale alla superficie isobarica di 500 hPa (Z500) previste dal modello del Centro europeo per le previsioni a medio termine (ECMWF, Reading, Inghilterra) e quelle osservate per il periodo dal 1974 al 2002. Gli esperimenti cui si riferisce questa mappa sono stati prodotti all’interno del progetto Europeo Demeter (Development of a European Multimodel Ensemble system for seasonal to inTERannual prediction) utilizzando il modello globale accoppiato dell’ECMWF. Il risultato finale di questi esperimenti consiste in una serie di previsioni per la stagione invernale (DJFM). Ciascuna previsione consta di un gruppo (o ensemble) di 9 integrazioni di 6 mesi dello stesso modello, fatte a partire dalla ri-analisi dell’ECMWF per il primo Novembre di ciascun anno, cui sono state sommate delle piccole perturbazioni, diverse per ciascun membro dell’ensemble. Questa tecnica permette di valutare l’impatto sulla previsione finale dell’incertezza delle condizioni iniziali utilizzate nel modello. Tale tecnica ha come effetto quello di sostituire a una sola previsione deterministica, un insieme di previsioni dalle quali trarre anche delle informazioni aggiuntive di carattere statistico. Le previsioni utilizzate per produrre la figura sono state ottenute mediando su tutti i membri dell’ensemble, mentre le osservazioni utilizzate per verificare le previsioni stagionali sono le anomalie mensili di Z500 estratte dal data-set di ri-analisi dell’ECMWF (ERA40) per il periodo 1974-2002. Come si può vedere il coefficiente di correlazione varia da valori intorno a -0.35 nella parte occidentale del Nord America e in varie regioni delle fascia che va dal Brasile all’Oceano Indiano meridionale fino all’Australia, a valori di poco inferiori a 0.2 nella fascia tropicale che va dall’Africa all’Oceano Pacifico occidentale. Questi valori di correlazione sono piuttosto modesti e comunque indicano l’assenza di una correlazione statisticamente significativa tra le previsioni invernali dell’ECMWF e i valori osservati, per quanto riguarda la circolazione di larga scala.Il Multi-Model Ensemble
Le grandi difficoltà incontrate dal CGCM dell’ECMWF sono simili a quelle di gran parte degli altri modelli CGCM di ultima generazione, anche se i dettagli, vale a dire la dipendenza spaziale dell’errore del modello, cambiano da modello a modello. L’esistenza di diversità tra le dipendenze geografiche dell’affidabilità delle previsioni stagionali dei vari modelli ha suggerito l’estensione dei metodi di ensemble a gruppi di previsioni di più modelli (multi-model ensemble). Qualora infatti i modelli utilizzati abbiano caratteristiche molto differenti, è possibile operare una compensazione tra gli errori e le capacità previsionali (skill) dei vari modelli così da ottenere una previsione statistica di ensemble più affidabile. Questa tecnica, di particolare interesse per la regione europea, che, come si è visto, è caratterizzata da un’elevata percentuale di errori previsionali, è stata utilizzata anche all’interno del progetto Demeter. Nella seconda figura è riportata la ACC della Z500 sull’Europa per tre dei sette modelli utilizzati: il modello di ECMWF (SCWC) quello dell’Ufficio meteorologico inglese (UKMO) e quello dell’Ufficio meteorologico francese (CNRM). Ricordiamo che questi tre modelli sono stati costruiti nell’arco di decine di anni e nonostante alcune parti del loro codice siano molto simili, se non uguali, nel complesso possono essere legittimamente considerati tre prodotti numerici molto diversi fra loro. Le sostanziali differenze fra i modelli si traducono in differenze sia nell’ampiezza che nella dipendenza spaziale dello skill misurato in termini di ACC. In particolare, il modello francese (CNRM) presenta ampiezza massima di ACC in corrispondenza di una zona caratterizzata da valori positivi e posizionata sul centro Europa, mentre nel caso degli altri due modelli, valori di ampiezza maggiori vengono raggiunti per segni negativi dell’ACC con massimi sul Mare del Nord per quanto riguarda il modello UKMO e a sud della Groenlandia e sul Medio Oriente per quanto riguarda il modello ECMWF.
Il metodo di Statistical Downscaling
L’obiettivo finale di questo studio è quello di produrre una previsione stagionale ad alta risoluzione per tre parametri superficiali che descrivono a grandi linee il clima del Nord Italia:la precipitazione;la temperatura minima;la temperatura massima.La variabilità interannuale di queste grandezze localmente si può pensare come la somma di due componenti: una componente influenzata da fenomeni locali aleatori, per loro natura quasi completamente impredicibili, l’altra strettamente legata alla circolazione di larga scala, almeno in parte, predicibile. Dal momento che la prima componente contribuisce in percentuale minore alla variabilità totale, è legittimo utilizzare dei filtri in grado di estrarre dai campi totali la sola componente più predicibile, vale a dire quella legata alla variabilità di larga scala. Lo strumento usato per realizzare questo filtro è l’analisi delle componenti principali (PCA) di ciascun campo superficiale.Le prime quattro componenti principali sono state individuate insieme ai campi di anomalia spaziale ad esse associati (EOF) a partire dai dati osservativi. I dati osservativi utilizzati per i campi superficiali sono quelli dell’analisi MAP (Mesoscale Alpine Precipitation) prodotte dall’istituto svizzero ETH per la precipitazione e quelli delle analisi Ucea (Ufficio centrale di ecologia agraria) per le temperature massima e minima. La combinazione lineare delle EOF utilizzando come coefficienti le quattro PC permette di ricostruire l’80% della variabilità totale della precipitazione e intorno al 95% della variabilità totale della temperatura massima e minima. A questo punto, la previsione dei campi totali di precipitazione e temperatura si può ottenere a partire dalle previsioni di quattro soli indici per ogni campo: le prime quattro PC. Il metodo utilizzato per produrre le previsioni di questi indici è quello di ipotizzare che il legame fra questi indici (predittandi) e un gruppo di possibili indici di circolazione di larga scala (predittori) sia lineare e che sia statisticamente costante nel tempo. Se ciò è vero e sono disponibili delle previsioni sufficientemente buone per gli indici di circolazione di larga scala prescelti, è possibile costruire il metodo di regionalizzazione statistico (statistical downscaling) schematicamente descritto nella terza figura.I coefficienti di regressione lineare fra predittori e predittandi vengono calcolati utilizzando solo i dati osservativi. Non tutti i possibili predittandi contribuiscono alla previsione, ma solo un sottogruppo di essi caratterizzati da valori di alta correlazione con il clima nel Nord Italia, come descritto dai campi di precipitazione e temperatura, e da valori alti di skill della previsione di larga scala. Questo permette di ottenere la migliore previsione possibile per i predittandi a partire dal gruppo di possibili predittori. Infine, per ottenere una previsione per ogni predittando locale, i coefficienti vengono utilizzati per combinare linearmente le previsioni dei predittori di larga scala.Una volta individuate le serie temporali delle previsioni per ciascun predittando è possibile ricostruire il campo pieno per ciascuna delle variabili superficiali selezionate e calcolarne la corrispondente ACC come misura della bontà della previsione stagionale finale ad alta risoluzione.Nella quarta figura sono presentate le mappe di ACC per le previsioni di precipitazione invernale (DJF) per il periodo 1974-‘93 e per le previsioni di temperatura massima e minima per il periodo 1974-2000. I valori di ACC sono stati calcolati solo nei punti in cui sia disponibile almeno l’80% della serie totale di anomalie del data-set osservativo e la qualità dei dati sia buona. Valori massimi di ACC sono stati prodotti per il campo di temperatura massima per il quale sono stati raggiunti valori di ACC superiori al 60%. Per la temperatura minima la previsione ad alta risoluzione è caratterizzata da valori di skill generalmente inferiori, soprattutto nelle parti occidentale e settentrionale della regione alpina dove l’analisi di qualità dei dati osservativi ha evidenziato l’esistenza di alcuni problemi nei dati osservativi utilizzati. Valori ancora inferiori, ma comunque non bassi di ACC, sono stati ottenuti per la precipitazione con un minimo nel basso Piemonte, dove la scarsa densità di dati da stazione potrebbe aver influenzato la qualità della analisi MAP. L’analisi delle PC dei dati osservativi dei tre campi superficiali mette in evidenza che la prima PC spiega gran parte della variabilità interannuale totale di ciascun campo.La dipendenza spaziale delle anomalie associate a queste PC ricorda molto da vicino quella dei valori medi di ciascun campo considerato e quindi ne rappresentano approssimativamente una modulazione del suo valore medio. È stato dunque deciso di valutare più da vicino la qualità delle previsioni ottenute con il metodo sopra descritto, calcolando le tabelle di contingenza (Tabella 1A) per due categorie per ogni PC1: quella degli eventi con PC1 maggiore di zero e quella degli eventi con PC1 minore di zero. Per ogni categoria viene valutato il numero di volte in cui un evento si verifica e viene previsto (X), si verifica e non viene previsto (Y), non si verifica ed era previsto verificarsi (Z), non si verifica come da corretta previsione (W). A partire da queste tabelle sono stati valutati i valori dei quattro indici definiti in Tabella 1B e tali valori sono stati inseriti nella Tabella 2a e b. Da queste ultime si può vedere che, per quanto riguarda la precipitazione, tutti gli eventi con PC1 positiva sono stati correttamente previsti, ma che il numero di previsioni di PC1 positiva era di gran lunga maggiore del numero di eventi realizzatosi, così che, data una previsione di evento positivo, la probabilità che tale previsione fosse corretta era del 50%. Questo implica una frequenza di mancati allarmi nulla e una frequenza di falsi allarmi pari al 50%. Una qualità migliore è associata alle previsioni di evento con PC1 negativa. In questo caso tutte le volte che un evento con PC1 negativa viene previsto, si verifica, e la maggior parte degli eventi con PC1 negativa osservati è stata correttamente prevista. Quest’ultima previsione porta con se una frequenza di falsi allarmi uguale a zero, e una frequenza di mancati allarmi inferiore al 50%. Simili a questi sono anche i valori degli indici per le categorie sia positive che negative delle temperature, anche se in questi casi non tutte le previsioni di evento sono corrette.
A | |||||||||||||
Valore osservato | |||||||||||||
Sì | No | ||||||||||||
Valore previsto | Sì | X | Z | ||||||||||
No | Y | W | |||||||||||
B | |||||||||||||
Probability of Detection = x/(x+y) | Frequency of Hits = x/(x+z) | ||||||||||||
Frequency of Misses = y/(x+y) | False Alarm Ratio = z/(x+z) | ||||||||||||
A | ||||||||||||
PC1 Prec | PC1Tmin | PC1Tmax | ||||||||||
POD | 1.00 | 0.73 | 0.64 | |||||||||
FOM | 0.00 | 0.27 | 0.36 | |||||||||
FOH | 0.50 | 0.61 | 0.58 | |||||||||
FAR | 0.50 | 0.38 | 0.42 | |||||||||
B | ||||||||||||
PC1 Prec | PC1Tmin | PC1Tmax | ||||||||||
POD | 0.54 | 0.64 | 0.64 | |||||||||
FOM | 0.46 | 0.36 | 0.36 | |||||||||
FOH | 1.00 | 0.75 | 0.69 | |||||||||
FAR | 0.00 | 0.25 | 0.31 | |||||||||
Prospettive di sviluppo
I risultati fin qui presentati sono stati ottenuti concentrandosi sulla sola stagione invernale all’interno di un progetto di ricerca nazionale (Climagri, Cambiamenti climatici e agricoltura) coordinato dall’Ucea. Nonostante i grandi limiti degli strumenti disponibili per la produzione di previsione stagionale per l’Europa, è stato possibile raggiungere conclusioni interessanti e quindi a conclusione di questo progetto di ricerca la collaborazione fra Arpa-Sim e Ucea è stata confermata al fine di:estendere la ricerca alle rimanenti stagioni;migliorare per quanto possibile i risultati ottenuti trasformando la previsione BLUE in una previsione statistica che permetta non solo di individuare la previsione più probabile, ma anche l’intervallo di confidenza ad essa associato;applicare le tecniche così affinate ai dati di previsione stagionale operativa disponibili presso ECMWF;utilizzare le previsioni stagionali operative all’interno di modelli numerici agronomici e idrologici e valutare, oltre che la fattibilità, anche l’utilità pratica del prodotto previsionale su scala stagionale.Tratto da un articolo di Valentina Pavan, Stefano Marchesi, Antonella Morbillo, Carlo Cacciamani, per gentile concessione AER, N°1/2005.