Lacatenamodellis.cadiprevisionemeteo-idrologicaperilfiumeArnoComeoperanoimodelliperlaprevisionedell’esondazionedeifiumi.FabioCastelli

Lacatenadiprevisionedellepieneopera.vapressoilCentroFunzionaledellaRegioneToscana

Previsionimeteo‘Mul/-model’

acuradiLaMMA

Retedimonitoraggio Trasformazioneafflussi-deflussieidraulicadel

re.colominoreModellodistribuitosviluppatodaDICeA-

UNIFI

Idraulicadell’astaprincipaleedelle

esondazioniModelloquasi-2D

sviluppatodaAdB-Arno

LaprevisioneidrologicainItalia:Unapproccio‘locale’,chenellacaraFeris/cadiunterritoriofraipiùantropizza/almondo,nascecomeestensionedell’ingegneriaidraulica.

Regional flood forecasting setting

•  16 events in the period 2009-2014 •  Both high flow and false alarms (high rainfall but low rivers flow) cases 30 40 50 60 70 80 90

0

500

1000

1500

2000

Qm

ax (m

3 s-1

)

P (mm)

E01E02

E03

E04

E05

E06

E07E08E09

E10

E11

E12E13

E14

E15 E16

Recen/even/concumulatedipioggia‘importan/’sulBacinodell’Arno

Cumulatadipioggiasu24ore

PortataaS.Giovann

iallaVen

a(PI)

Assimila.onofMeteosatLST Soilsatura.on(%)

AnalysisincrementBackground

Analysis

Precipitation

Runoff-formation (Soil Moisture state)

Flood wave dynamics (River hydraulics)

Variational assimilation with an adjoint

Vegetazione

Suolo a prevalente comportamento

capillare

Suolo a prevalente comportamento gravitazionale

Volume superficiale

Acquifero

Percolazione

AssorbimentoSuzione

Infiltrazione

Precipitazione

Evapo-traspirazione

Calore sens.

Radiazione

Deflusso superficiale

Deflusso ipodermico

Deflusso di base

Vegetazione

Suolo a prevalente comportamento

capillare

Suolo a prevalente comportamento gravitazionale

Volume superficiale

Acquifero

Percolazione

AssorbimentoSuzione

Infiltrazione

Precipitazione

Evapo-traspirazione

Calore sens.

Radiazione

Deflusso superficiale

Deflusso ipodermico

Deflusso di base

Streamflow

Forward model Adjoint sub-models

?

LST

Hydrometric data

Analysis increment of river flows

Analysis increment of hillslope runoff

Difficult to adjoin, but at least mass conservation and rainfall distribution

need to be maintained

Hydrometric data

Analysis increment of river flows

Analysis increment of hillslope runoff and soil moisture

Montecarlo sampling of Antecedent Soil Moisture, rianfall interpolation

Likelyhood

Variational assimilation with an adjoint

•  16 events in the period 2009-2014 •  Both high flow and false alarms (high rainfall but low rivers flow) cases •  Simultaneous assimilation of data from all the 5 available measurement stations •  Sequential assimilations on non-overlapping windows of 6 hours

Streamflow Assimilation

30 40 50 60 70 80 900

500

1000

1500

2000

Qm

ax (m

3 s-1

)

P (mm)

E01E02

E03

E04

E05

E06

E07E08E09

E10

E11

E12E13

E14

E15 E16

High flow event E10

S. GIOVANNI STATION (~PISA)

16/11/14 17/11/14 18/11/14 19/11/14 20/11/14 21/11/140

200

400

600

800

1000

1200

time

Q (m

3 s-1)

Assim. Win.

0246810

P (m

m h

-1)

DataOpen LoopDA Win01DA Win02DA Win03DA Win04

01020304050-1

0

1

2

3

4 S. GIOVANNIalla VENA

Lead Time (hours)

η - η

OP

E01E02E03E04E05E06E07E08E09E10E11E12E13E14E15E16

IncrementoflogarithmicNash-Sutcliffeefficiencyvs.ForecastLeadTime

(η-η

OP)

Leadtime(hours)

! = −ln (1 − )*+)η(NSE=0.9)=2.3

0122436-1

-0.5

0

0.5

1

1.5

2

2.5

3SUBBIANO

0122436-1

-0.5

0

0.5

1

1.5

2

2.5

MONTEV.0122436

-1

0

1

2

3 NAVE ROSANO

0122436

-1

0

1

2

3

4 FUCECCHIO

0122436-1

0

1

2

3

4 S. GIOVANNIalla VENA

E01E02E03E04E05E06E07E08E09E10E11E12E13E14E15E16

0 500 1000 1500 20000

500

1000

1500

2000

Qobs (m3 s-1)

Qm

odel

(m3 s

-1)

Open loop run Run whose assimilation window DOES NOT include observations of peak flow at upstream locations (Subbiano and Montevarchi) Run whose assimilation window DOES include observations of peak flow at upstream locations (Subbiano and Montevarchi)

Peak flow scatter plot S. Giovanni station

(all 16 events)

R2 = 0.42

R2 = 0.52

R2 = 0.85

HILLSLOPERUNOFFANALYSIS(m3 s-1 km-2)forEVENTE04

PortateaNavediRosano

ArnoEsondazioni

S.maidrologico-idraulicadelleesondazioni

schema di moto vario unidimensionale in alveo quasi-bidimensionale per le aree allagabili

Sezioni Arno: n. 1190 Sezioni affluenti: n. 651 Lunghezza affluenti: 27 km APE: n. 375 Connessioni APE: n. 593 Sfioratori:

n. 307

70 Mmc

45 Mmc

25 Mmc Firenze totale 25 Mmc Centro storico 4 Mmc

4 Mmc

Simulazione evento 1966 - Esondazioni

1 Mmc

Contributoalladiscussione

E’ammessal’incertezzanellaprevisionemeteo/idrologica?

Rimandaallevarieteoriesulladecisioneincondizionidiincertezzaesulla

necessità(omeno)diabbandonareilvaloreaSesoinfavoredell’u/litàaFesa

B.Pascal,Pensées,1670 D.Bernoulli,Exposi/onofaNewTheoryontheMeasurementofRisk,1738

Hydrologicensemblepredic/on

1°ques.one:Decisioneincondizionidirischioodiincertezza?

Decisioneincondizionedirischio:Sonoquan.ficabilileprobabilitàdeisingoli‘even.’eicorrisponden.valori.Èformalmentecalcolabileilvaloremonetarioa2eso.

Decisioneincondizionediincertezza:Nonsononoteleprobabilitàdeisingoli‘even.’e/oicorrisponden.valori.DeveessereintrodoSaunafunzionediu5lità.

2°ques.one:Cosamancaper‘decisioniincondizionidirischio’?

Da‘ensemblepredic.on’a‘ensembledamage’(s/madelrischiointemporeale)

∫↑▒$(ℎ)()(ℎ) 

DannoaSesoincasodidecisionedi‘nonallarme’

3°ques.one:Esistonocasiincuiladecisioneèsempreincondizionidiincertezza?

Rischioperlepersonee/obeniculturalidipregio(valorinonmone.zzabili)

Curvadiu/litàdiunallarme?

#diopered’artedanneggiate

U.lità

avversionealrischio

propensioneal

rischio