Centro funzionale
Notizie

22 marzo 2019 - Aumento dell'instabilità del manto nevoso per il rialzo dello zero termico
Continua questa anomala stagione invernale con una settimana trascorsa all'inseg...

22 marzo 2019 - #giornatamondialedellacqua: Non lasciamo nessuno indietro
Non lasciamo nessuno indietro (Leaving no one behind) è il tema di quest'anno pe...

21 marzo 2019 - Intervento di Arpa nel Torrente Cervetto di Vercelli. Gli esiti delle analisi
Il 13 febbraio scorso Arpa Piemonte, congiuntamente ai Vigili Urbani, era interv...

15 marzo 2019 - Instabilità del manto nevoso per aumento dello zero termico. Il video del pericolo valanghe
Continua questa anomala stagione invernale caratterizzata da scarse nevicate e r...

15 marzo 2019 - Concorso le scuole. Un video per la Climate song
Molte sono le iniziative di educazione ambientale che l'Agenzia ha avviato nel c...

Pubblicazioni
Accesso ai dati
Approfondimenti
Media gallery
Meteo per i siti web
FAQ

Novità nel sito

22/03/2019 E' online il video bollettino valanghe per il fine settimana del 23-24 marzo 2019

21/03/2019 E' online il nuovo VIDEO sulla previsione meteorologica per il fine settimana del 23-24 marzo 2019 sulle montagne piemontesi


21/12/201 Avviato progetto MISTRAL per la realizzazione del portale della meteorologia italiana

06/07/2018 Realizzato un nuovo servizio di 'richiesta automatica dei dati idro-meteorologici orari'

30/10/2017 Disponibili nuovi OPEN DATA sul clima nella sezione dedicata


Approfondimenti » Clima » Il Cambiamento Climatico » Scenari futuri
 

Regionalizzazione di scenari climatici futuri

La disponibilità di un dataset di osservazioni accuratamente validate e spazializzate ottenuto con l’OI costituisce la base di dati per la regionalizzazione sulla nostra regione di scenari climatici futuri.
Utilizzando la tecnologia Multimodel, già ampiamente impiegata per le previsioni meteorologiche, è possibile stimare gli errori che i run di controllo dei modelli climatici (periodo: 1961-2000) commettono nella descrizione della temperatura e della precipitazione sul Piemonte.
Applicando i bias e i pesi calcolati nel periodo di controllo è possibile correggere gli scenari dei medesimi modelli (periodo 2000-2100), nell’ipotesi che i bias e i pesi non varino in modo significativo. E’ quindi possibile ottenere degli scenari più accurati per la regione Piemonte, con la possibilità di distinguere il comportamento delle zone pianeggianti da quello delle zone montane e con una stima dei principali indicatori climatici previsti dallo scenario.

Per il calcolo del Multimodel SuperEnsemble sono utilizzati i modelli climatici regionali del progetto ENSEMBLES (http://ensembles-eu.metoffice.com/), ed in particolare le re-analisi nel periodo 1961-2000 a partire da ERA40, e i run di scenario continuativi nel periodo 1961-2100 a partire da diversi modelli climatici globali girati sullo scenario SRES A1B. I dati sono disponibili su base giornaliera e il numero di diversi modelli è davvero significativo, abbiamo scelto di utilizzare i modelli riportati in tabella 1, scelti con criteri della massima varietà possibile di modelli regionali, modelli globali e, ovviamente, in base alla disponibilità di spazio disco.



tabella 1 – modelli climatici regionali del progetto ENSEMBLES utilizzati

 

L’applicazione del Multimodel SuperEnsemble su questi modelli permette di avere delle stime giornaliere dei parametri al suolo particolarmente adattati alla situazione piemontese, così come descritta per il passato dalla Optimal Interpolation.

Come prima verifica del lavoro svolto, abbiamo diviso il periodo di controllo in due parti. Nella prima (1961-1980) abbiamo calcolato i pesi di Multimodel, mentre nella seconda (1981-2000) abbiamo calcolato il Multimodel SuperEnsemble usando tali pesi. Utilizzando la tecnica di scomposizione Seasonal Decomposition of Time Series di Loess abbiamo valutato la bontà dell’applicazione del post-processing per la temperatura massima e minima. Entrambi questi campi presentano un ottimo accordo con i valori osservati, sia per quanto riguarda il trend che per la componente stagionale.

Una volta verificata la bontà degli scenari ottenuti con il Multimodel SuperEnsemble, abbiamo applicato la tecnica allo scenario vero e proprio (periodo di training 1961-2000, periodo di forecast 2001-2100). Le figure 1 e 2 mostrano le variazioni su un periodo di 50 anni per la temperatura massima e minima rispettivamente. I dati di Multimodel permettono una migliore caratterizzazione della regione alpina rispetto ai modelli climatici regionali originali, con differenze più marcate. In particolare, le temperature massime aumentano più in pianura che non in montagna in primavera e autunno, mentre le temperature minime aumentano di più in montagna che non in pianura in autunno e in inverno.

 

Figura 1: Differenza tra le temperature massime ottenute con Multimodel SuperEnsemble sullo scenario A1B mediate sul periodo 2031-2050 rispetto al periodo 1981-2000 in funzione della stagione. Le differenze di temperatura non significative per un T-Test con un livello di confidenza del 95% sono mostrate in grigio.


Figura 2: Differenza tra le temperature minime ottenute con Multimodel SuperEnsemble sullo scenario A1B mediate sul periodo 2031-2050 rispetto al periodo 1981-2000 in funzione della stagione. Le differenze di temperatura non significative per un T-Test con un livello di confidenza del 95% sono mostrate in grigio.


La tecnica del Multimodel SuperEnsemble non si può applicare ai valori di precipitazione, poiché gli scenari non sono necessariamente correlati tra di loro e le risultanti precipitazioni risultano la media pesata tra eventi correlati, portando ad una sottostima dei quantitativi di precipitazione sulla regione. Abbiamo perciò applicato la tecnica del Multimodel SuperEnsemble Dressing, sviluppata presso Arpa Piemonte, per ottenere una stima più coerente del campo di precipitazione. Abbiamo quindi calcolato le distribuzioni di densità di probabilità delle osservazioni condizionate allo scenario, calcolato i pesi con l’inverso del Continuous Ranked Probability Score nel periodo di training e quindi calcolato le distribuzioni di densità di probabilità del Multimodel, traendo poi una realizzazione che abbiamo usato come singolo modello deterministico.
Anche in questo caso abbiamo effettuato una verifica preliminare dividendo il periodo di controllo in una prima metà di training (1961-1980) e una seconda di forecast (1981-2000). Il Multimodel SuperEnsemble Dressing riproduce in modo più che ragionevole la componente stagionale della precipitazione, ma soprattutto non contiene le sovrastime evidenti nei diagrammi di Walter & Leith dei modelli.


Abbiamo infine applicato la tecnica allo scenario vero e proprio anche per le precipitazioni (periodo di training 1961-2000, periodo di forecast 2001-2100). La figura 3 mostra le variazioni su un periodo di 50 anni per la precipitazione. Le differenze sono significative (e negative) solamente in estate e in autunno, in particolare in montagna.


Figura 3: Differenza tra le precipitazioni ottenute con Multimodel SuperEnsemble Dressing sullo scenario A1B mediate sul periodo 2031-2050 rispetto al periodo 1981-2000 in funzione della stagione. Le differenze di temperatura non significative per un T-Test con un livello di confidenza del 95% sono mostrate in grigio.