Upload
saveria-perego
View
214
Download
1
Embed Size (px)
Citation preview
YURI BRUGNARAIstituto di Scienze dell’Atmosfera e del Clima (ISAC)
Consiglio Nazionale delle Ricerche (CNR)(now at Institute of Geography - Oeschger Center for Climate Change Research, University of Bern)
Facoltà di Ingegneria - Università di TrentoMesiano, 30.05.2011
SEMINARIO
90 ANNI DI PRECIPITAZIONIIN TRENTINO – ALTO ADIGE:DALL’ OMOGENEIZZAZIONE
ALL’ ANALISI DEI TREND
30/05/2011 [email protected]
Un po’ di storia…
Nel 1917 viene istituito in Italia il Servizio Idrografico Centrale, suddiviso in 10 compartimenti delimitati con criteri idrografici (bacini fluviali).
La rete ha raggiunto una fase di massima espansione all’inizio degli anni ’30, con 400 unità di personale (la maggior parte laureati o diplomati). Già negli anni ’50/’60 il contingente era sceso a 300 unità per ridursi ulteriormente nel 1990 a 103 persone.
Le stazioni pluviometriche, che nel 1930 erano 4300, sono scese negli anni ’90 a 2850, e le misure delle portate fluviali sono scese da 450 a 130.
In base al decreto legislativo n. 112, del 31 marzo 1998, gli uffici periferici del Dipartimento dei servizi tecnici nazionali – Servizio Idrografico e Mareografico sono stati trasferiti alle regioni ed incorporati nelle strutture operative regionali competenti in materia.
30/05/2011 [email protected]
Oltre 300 seriedi precipitazioni giornaliereper le Alpi centro-orientali,
periodo 1920 - 2009
30/05/2011 [email protected]
Come sono cambiate le precipitazioni?Cambiamenti nei valori stagionali?
Cambiamenti nella distribuzione statistica degli accumuli giornalieri?
Quali le cause?Aumento della temperatura?
Cambiamenti nella circolazione atmosferica?
30/05/2011 [email protected]
Source: IPCC AR4, WG I: The Physical Science Basis (2007)
“Substantial uncertainty remains in trends of hydrological variables because of large regional differences, gaps in spatial
coverage and temporal limitations in the data.”
30/05/2011 [email protected]
Brunetti et al. (2006), “Precipitation variability and changes in the greater Alpine region over the 1800–2003 period”,
Journal of Geophysical Research 111, D11107.
30/05/2011 [email protected]
Le serie meteorologiche, specialmente quelle lunghe, sono quasi sempre affette da importanti errori sistematici
Le cause sono da ricercarsi nelle modifiche alla strumentazione, all’ambiente circostante le stazioni, alle convenzioni di misura etc.
Il segnale fisico che vogliamo studiare è quindi spesso nascosto da un segnale artificiale che va eliminato
QUALITÀ DEI DATI
30/05/2011 [email protected]
METODI DIRETTI METODI INDIRETTI
BASATI SULLE INFORMAZIONI RELATIVE
ALLA STORIA DELLA STAZIONE (METADATAMETADATA)
BASATI SU METODI STATISTICI E SUL
CONFRONTO CON SERIE LIMITROFE
VANTAGGI SVANTAGGI VANTAGGI SVANTAGGI
INFORMAZIONI PRECISE SU QUANDO ÈAVVENUTA LA
DISCONTINUITÀ E CHE COSA L'HA CAUSATA
DIFFICILE UTILIZZO PRATICO PER LA
CORREZIONE DEI DATI: RARAMENTE SI RIESCONO
AD ESTRAPOLARE DAI METADATA I VALORI
CORRETTIVI DA UTILIZZARE PER ELIMINARE LA DISOMOGENEITÀ
FORNISCONO UN METODO SEMPLICE PER
OTTENERE I VALORI CORRETTIVI DA
UTILIZZARE
RICHIEDONO LA FORMULAZIONE DI ALCUNE IPOTESI
DISOMOGENEITÀ ED ERRORI SONO
PRESENTI IN TUTTE LE SERIE
CHE COSA È MEGLIO??
Omogeneizzazione
NO METADATA!
30/05/2011 [email protected]
METODI INDIRETTI
Omogeneizzazione
Una certa serie di precipitazioni X(t) può essere rappresentata come il prodotto del suo valore “normale” N (media climatologica, ad esempio sul periodo 1961-1990), delle anomalie A(t) (rapporto con la media in un dato istante) e della funzione IH(t) che rappresenta le eventuali disomogeneità presenti nella serie: X(t) = N A(t) IH(t)∙ ∙ (t = 1, 2,..., n) Usando la stessa notazione, una serie di riferimento R(t) (ad esempio i dati misurati da una stazione vicina) può essere scritta come segue:
R(t) = N’ ∙ A’(t) ∙ IH’(t) (t = 1, 2,..., n)
Se la correlazione tra le due serie è sufficientemente alta, possiamo assumere che A(t) = A’(t); inoltre se R(t) è omogenea avremo che IH’(t) = 1.
30/05/2011 [email protected]
METODI INDIRETTI
Omogeneizzazione
Il rapporto tra la serie sotto esame e la serie di riferimento sarà pertanto: Z(t) = X(t) / R(t) = (N / N’) IH(t)∙ (t = 1, 2,..., n) Se non ci sono disomogeneità nelle due serie (i.e., IH(t) = IH’(t) = 1), idealmente Z(t) deve quindi risultare costante.Naturalmente nella realtà due serie non sono mai perfettamente correlate, quindi Z(t) avrà delle deviazioni casuali (rumore) dal valore costante.Se Z(t) si discosta troppo dal valore costante, la serie analizzata non è omogenea, cioè IH(t) ≠ 1.
COSTANTE
?
30/05/2011 [email protected]
CRADDOCK TEST
Omogeneizzazione
x: serie da testare y: serie di riferimento
Deviazioni puntuali:
Deviazioni cumulate:
Il grafico delle deviazioni cumulate si permette di individuare più facilmente eventuali punti di disomogeneità (break points)
-5
0
5
10
15
0 20 40 60 80 100
-10
-5
0
5
10
0 20 40 60 80 100
-10
-5
0
5
10
0 20 40 60 80 100
-50
0
50
100
150
0 20 40 60 80 100
30/05/2011 [email protected]
Nessuna serie può essere assunta omogenea a priori…
Per questo ogni serie è stata testata con 10 diverse serie di riferimento
Omogeneizzazione
?
?
?
30/05/2011 [email protected]
Non solo la quantità di precipitazioni, ma anche il numero di giorni piovosi può
essere soggetto a disomogeneità
Omogeneizzazione
30/05/2011 [email protected]
Omogeneizzazione
ESEMPIO: Prima dell’omogeneizzazione
Precipitazioni annuali(serie blu da omogeneizzare)
Test di Craddock(10 serie di riferimento)
1963
30/05/2011 [email protected]
Omogeneizzazione
ESEMPIO: Dopo l’omogeneizzazione
Precipitazioni annuali
Test di Craddock(10 serie di riferimento)
30/05/2011 [email protected]
Omogeneizzazione
Qualche statistica…
200 serie controllate di cui circa l’80% presentava disomogeneità
350 breaks individuati nelle precipitazioni totali durata media di un periodo omogeneo: 33 anni
103 sottoperiodi eliminati a causa di disomogeneità nel numero di giorni piovosi
30/05/2011 [email protected]
Interpolazione
Il nostro approccio:
1. Selezione delle serie con meno del 25% di dati mancanti nel periodo di riferimento 1971-2000 (127 serie)
2. Ricostruzione dei dati giornalieri mancanti nel periodo di riferimento
3. Conversione dei dati mensili e stagionali in anomalie (rapporti o differenze rispetto alla media nel periodo di riferimento)
4. Interpolazione su una griglia con risoluzione di 0.1° x 0.1° (periodo 1922-2009)
30/05/2011 [email protected]
Interpolazione
crad
i
yxid
eyxw
),(2
),( 5.0ln
2d
c
n
ii
yx
n
ii
angi
yxw
liwyxw
1
),(1
),(
),(cos11),(
),(),(),( yxwyxwyxw angi
radii
),(),( liyx
con
dove è la separazione angolare tra la stazione i e quella j con vertice nel punto di griglia (x,y)
N
ii
N
iii
yxw
vyxwyxV
1
1
),(
),(),(
(x,y)
IL VALORE SU OGNI PUNTO DI GRIGLIA VIENE CALCOLATO COME MEDIA PESATA DEI VALORI DELLE SINGOLE STAZIONI
PESI:
PESO RADIALE
PESO ANGOLARE
i
j
),(),( liyx
m
PESO TOTALE
30/05/2011 [email protected]
Interpolazione
30/05/2011 [email protected]
Interpolazione
Variabili interpolate (mensili, stagionali, annuali):
• Precipitazioni totali (TP)
• Numero di giorni piovosi (WDs)
• Intensità media (PI)
• Numero di giorni piovosi appartenenti a 12 diverse categorie di intensità (NPC1, …, NPC10, NPC95, NPC99)
• Precipitazioni totali imputabili alle 12 categorie (PC1, …, PC10, PC95, PC99)
NPC = Number of eventsPC = Absolute contribution (mm)
(N)PC1: below 10th percentile(N)PC2: 10th ÷ 20th percentile(N)PC3: 20th ÷ 30th percentile(N)PC4: 30th ÷ 40th percentile(N)PC5: 40th ÷ 50th percentile(N)PC6: 50th ÷ 60th percentile(N)PC7: 60th ÷ 70th percentile(N)PC8: 70th ÷ 80th percentile(N)PC9: 80th ÷ 90th percentile(N)PC10: over 90th percentile(N)PC95: over 95th percentile(N)PC99: over 99th percentile
30/05/2011 [email protected]
350breaks
corrected
103sub-periods
deleted
TRENDS OF YEARLY TOTAL PRECIPITATION 1922-2009
TRENDS OF YEARLY WET DAYS 1922-2009
Analisi trend
30/05/2011 [email protected]
Analisi trend
30/05/2011 [email protected]
Sinottica
Correlazione tra indice NAO e precipitazioni nel periodo 1922-2008
30/05/2011 [email protected]
Sinottica
Andamento indice NAO(Data Source: CGD's Climate Analysis Section)
30/05/2011 [email protected]
SInottica
Aumento pressione nel bacino del Mediterraneo
Spostamento verso nord della
storm track
Trend pressione a livello del mare dal dataset HadSLP2, periodo 1922-2008
menoprecipitazioni
in T.A.A.
menoprecipitazioni
in T.A.A.
30/05/2011 [email protected]
Sinottica
Correlazione tra altezze di geopotenziale a 500 hPa e precipitazioni in T-AA dataset HadSLP2, periodo 1949-2007
30/05/2011 [email protected]
SInottica
Lista dei maggiori eventi precipitativi in Trentino dal 1921:
http://www.isac.cnr.it/~climstor/index.html
Brugnara Y., Brunetti M., Maugeri M., Nanni T., Simolo C., 2011, “High-resolution analysis of daily precipitation trends in the central Alps over the last century”,
International Journal of Climatology, in press