Profili di vento di GAP - Diagnostica e correzione a ... · meteoequalitàdell’aria Temp: 26...
Transcript of Profili di vento di GAP - Diagnostica e correzione a ... · meteoequalitàdell’aria Temp: 26...
Profili di vento di GAP
Diagnostica e correzione a posteriori
Giovanni Bonafè, Anna Chiara GoglioCentro Regionale di Modellistica Ambientale, ARPA-FVG
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 1 / 41
obiettivi
I quantificare gli errori nei profili di vento
I indagarne l’origine (WRF o interpolazione?)
I valutare possibili metodi di correzione a posteriori
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 2 / 41
meteo e qualità dell’aria
Temp: <9 Temp: 9−26 Temp: >26
Pressure: <
1017 hPa
Pressure: >
1017 hPa
0 6 12 18 0 6 12 18 0 6 12 18
0
20
40
60
80
0
20
40
60
80
Hour
obs
Var
NO2
PM10
WindSp
<1.5 m/s
>1.5 m/s
PM10 molto sensibile ai venti deboli
Figura: Giorni medi di concentrazioni di NO2 e PM10. Media 2014–2016 delle stazioni
FVG (esclusa RFI).
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 3 / 41
meteo e qualità dell’aria
Temp: <9 Temp: 9−26 Temp: >26
Pressure: <
1017 hPa
Pressure: >
1017 hPa
0 6 12 18 0 6 12 18 0 6 12 18
0
20
40
60
80
0
20
40
60
80
Hour
obs
Var
NO2
PM10
WindSp
<1.5 m/s
>1.5 m/s
PM10 molto sensibile ai venti deboli
Figura: Giorni medi di concentrazioni di NO2 e PM10. Media 2014–2016 delle stazioni
FVG (esclusa RFI).
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 3 / 41
catena F-Air presso CRMA
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 4 / 41
dataset
I corsa WRF 2015 (rianalisi NAUSICA)
I corsa GAP 2015 (input WRF rianalisi NAUSICA)
I corsa GAP 2016 (input WRF operativo)
I misure anemometri OSMER (a 10 m)
I radiosondaggi grezzi Campoformido/Rivolto: considerate le misure in una
finestra di 40 m, centrata nel livello GAP (terrain following)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 5 / 41
confronto GAP vs WRF
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 6 / 41
confronto misure–WRF
Figura: distribuzioni empiriche dell’intensità del vento a 10 m (Campoformido
Dic2015–Feb2016), secondoWRF e secondo lemisure OSMER
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 7 / 41
confronto GAP–WRF
Figura: distribuzioni empiriche dell’intensità del vento a circa 20-30 m (Campoformido
2015), secondoWRF e secondoGAP
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 8 / 41
sintesi
I GAP va nella direzione giusta: riduce il bias positivo di WRF vicino al suolo
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 9 / 41
diagnostica: GAP vs radiosondaggi
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 10 / 41
rose dei venti
model
Frequency of counts by wind direction (%)
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 3.29
calm = 0%
20
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 3.8
calm = 0%
75
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 4.22
calm = 0%
150
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 4.42
calm = 0%
250
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 4.49
calm = 0%
380
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 4.55
calm = 0%
560
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 4.77
calm = 0%
800
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 5.26
calm = 0%
1130
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 6.08
calm = 0%
1570
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 7.31
calm = 0%
2160
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 8.8
calm = 0%
2970
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 10.8
calm = 0%
4050
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 13.4
calm = 0%
5500
W
S
N
E5%
10%15%
20%25%
30%35%
40%45%
mean = 17
calm = 0%
7000
0 to 2 2 to 4 4 to 6 6 to 61.095
(m s−1)
radiosounding
Frequency of counts by wind direction (%)
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 2.93
calm = 0.1%
20
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 3.63
calm = 0.1%
75
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 3.99
calm = 0.1%
150
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 4.16
calm = 0.3%
250
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 4.06
calm = 0.1%
380
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 4.02
calm = 0.1%
560
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 4.22
calm = 0.1%
800
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 4.68
calm = 0%
1130
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 5.73
calm = 0%
1570
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 7.08
calm = 0%
2160
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 8.59
calm = 0%
2970
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 10.6
calm = 0%
4050
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 13.5
calm = 0%
5500
W
S
N
E5%
10%15%
20%25%
30%35%
mean = 17.3
calm = 0%
7000
0 to 2 2 to 4 4 to 6 6 to 62.6
(m s−1)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 11 / 41
errori di velocità e direzione
windGAP − windRDS
Frequency of counts by wind direction (%)
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = 0.4
mean wd = −2.6
20
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = 0.2
mean wd = 0.9
75
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = 0.2
mean wd = −0.8
150
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = 0.3
mean wd = −3.3
250
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = 0.4
mean wd = −1.2
380
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = 0.5
mean wd = −3.7
560
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = 0.6
mean wd = −3.7
800
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = 0.6
mean wd = 1.5
1130
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = 0.4
mean wd = 0.4
1570
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = 0.2
mean wd = −1.5
2160
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = 0.2
mean wd = −5.7
2970
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = 0.2
mean wd = −5.5
4050
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = −0.1
mean wd = −3.8
5500
W
S
N
E5%
10%15%
20%25%
30%35%
40%
mean ws = −0.3
mean wd = −2.4
7000
wind spd.
−24 to −5
−5 to −1
−1 to 1
1 to 5
5 to 24
24 to 29.508
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 12 / 41
bias relativi della velocità
(NAUSICA 2015)
Run y2015
10 20
30 ws 40
50 60
70
W
S
N
E
20
10 20
30 ws 40
50 60
70
W
S
N
E
75
10 20
30 ws 40
50 60
70
W
S
N
E
150
10 20
30 ws 40
50 60
70
W
S
N
E
250
10 20
30 ws 40
50 60
70
W
S
N
E
380
10 20
30 ws 40
50 60
70
W
S
N
E
560
10 20
30 ws 40
50 60
70
W
S
N
E
800
10 20
30 ws 40
50 60
70
W
S
N
E
1130
10 20
30 ws 40
50 60
70
W
S
N
E
1570
10 20
30 ws 40
50 60
70
W
S
N
E
2160
10 20
30 ws 40
50 60
70
W
S
N
E
2970
10 20
30 ws 40
50 60
70
W
S
N
E
4050
10 20
30 ws 40
50 60
70
W
S
N
E
5500
10 20
30 ws 40
50 60
70
W
S
N
E
7000
median
fBIAS
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 13 / 41
bias relativi della velocità (ope-
rativo 2016)
Run y2016
10 20
30 ws 40
50 60
W
S
N
E
20
10 20
30 ws 40
50 60
W
S
N
E
75
10 20
30 ws 40
50 60
W
S
N
E
150
10 20
30 ws 40
50 60
W
S
N
E
250
10 20
30 ws 40
50 60
W
S
N
E
380
10 20
30 ws 40
50 60
W
S
N
E
560
10 20
30 ws 40
50 60
W
S
N
E
800
10 20
30 ws 40
50 60
W
S
N
E
1130
10 20
30 ws 40
50 60
W
S
N
E
1570
10 20
30 ws 40
50 60
W
S
N
E
2160
10 20
30 ws 40
50 60
W
S
N
E
2970
10 20
30 ws 40
50 60
W
S
N
E
4050
10 20
30 ws 40
50 60
W
S
N
E
5500
10 20
30 ws 40
50 60
W
S
N
E
7000
median
fBIAS
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 14 / 41
scatterplot e fit lineare
●●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
●●●●●●●
●●●●
●
●
●●●
●
●
●●●
●
●
●●●
●●
●
●
●●
●
●
●●●
●●●●
●
●
●
●●
●
●
●
●
●●●●
●
●●
●●●●
●
●●
●●●●
●
●●●●●●●
●
●●●●●●●●●●●
●●●●●●●●●
●●●●●●●●●●●
●●●●●●●●
●●●●●
●●●●●●●
●●●
●●●●●●
●
●
●●●
●
●
●
●
●●
●
●
●●
●
●●
●●
●●●●
●●
●●●
●
●●●
●●●●●
●●●●●●●●●
●●●●●●●●●
●
●●●●●●
●
●●●●●●●●●●
●●
●●
●
●●●●
●●●
●
●●●●●
●
●●●
●
●
●
●●●
●
●
●
●●●●●
●●
●
●
●●●
●
●
●●
●●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●●
●
●
●●●●●
●
●
●●
●
●
●
●
●
●●
●
●●
●
●●
●
●
●●●
●●
●●●●
●
●●●●●●●
●●●●●●●●
●●●●●●●●●●●
●
●●●●
●●●●●●●●
●●
●●●●●●
●
●●
●●
●●●●
●●●●
●●
●
●●
●●●
●●
●
●
●
●●
●
●
●
●
●●●
●●●●
●●
●
●●
●
●●
●●
●
●
●●
●
●●●
●
●
●●
●
●
●
●●●●●●●
●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●●●●●●●●
●●●●●●●
●●●●●●●
●●
●
●●●
●●●●●●●●●●
●●
●●●
●●●●●●●
●●●●●
●●
●●●●
●●●
●
●
●
●●●●●●●●●
●●●
●
●
●
●
●
●●
●●
●●●
●
●
●●●●
●
●
●●●
●●●●
●●
●
●
●
●●
●●
●
●
●
●
●●●
●
●
●
●
●●●
●
●●●
●●●●
●●
●●
●
●●
●
●
●●
●
●●
●●
●
●●●
●
●●●●
●
●●●●●●
●●●●●●●●●●●●●●●●●●●
●
●●●●●●●●●●●●
●
●●●●●●●●●●●●●
●●●●●●●●●●●●
●
●●●●●
●
●●●●
●
●●●●●●
●
●
●
●
●
●
●●●●
●
●
●
●
●
●●
●●●
●
●
●●
●
●
●
●
●●
●●●
●
●
●
●
●●●●
●
●●●
●
●●
●
●
●●●●
●●
●
●
●●●●●●
●●
●●
●
●
●●
●
●●
●●
●
●●
●
●●
●●●●
●
●
●
●●
●
●●
●
●
●●●
●●●●
●
●●●●
●
●
●●●
●
●●●
●
●●
●
●
●●●
●●
●●●
●●●●
●●
●●●●
●
●●
●
●
●
●
●
●●●●
●
●
●
●●
●
●●●
●●●●
●●
●
●●●●
●●
●
●●●
●
●
●
●●
●●
●●●
●
●●
●●
●
●
●●●●●●
●●
●●●
●
●
●
●●●●●
●●
●
●
●
●●
●
●●●
●
●
●
●●●
●●●●
●●
●
●
●●●●
●●
●
●
●
●
●
●
●●
●
●
●●
●
●
●●
●●●●●●●●●●●
●
●●
●
●
●●●●
●●●
●●●●
●●
●●●●●●●
●
●●
●
●●
●
●
●●●●●
●
●●
●●●
●●●
●
●
●
●
●●●●●
●
●●●●●●●●
●●
●
●●●
●●
●
●
●●
●●
●
●
●
●
●●●●●●●
●
●
●●●
●●●●
●●●●●
●
●
●
●●
●
●
●
●●●
●
●●●●●●
●
●●
●●●
●
●●
●
●
●
●
●
●
●
●
●●
●●●
●●●
●●●
●●●
●●
●
●●●●
●
●●●●●●
●●●●●●●●●●●
●●●●●●●●
●●●●●●●●●●●●●●●●
●●●●●●●●●●●●
●●●●
●●●●
●●●●●●●
●
●●●●●●●●●●
●
●
●
●
●●●●
●●●●
●●●
●
●●●●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●●●
●
●
●
●●
●
●
●●
●
●●
●●
●
●
●
●
●●
●●
●
●●●●●
●●●●●●●●
●●●●●●●●
●●●●●●
●●●●●●●●
●●●●●●●●●●●
●●●●●●●●●●●●
●
●
●●●●●●●●●●●●●●●●
●●●●
●●
●
●●
●
●●●●●●●●●
●●
●
●
●
●
●
●●
●●
●
●
●
●
●
●●
●●●●● ●●●
●●●●
●
●●●●●●
●●●●●●●●●●●●●●●●
●●
●●●●●
●●
●●●●●●●●
●
●●●●
●●●●
●●
●●●
●●●
●●●●
●●
●●
●
●
●
●
●●
●●
●●●●●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●●●●●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●●
●
●●
●
●●
●●●●●●●●●●●
●●●●●●●●●●●●●●
●
●●●●●●
●
●●●●●●●
●
●
●
●●●●
●
●
●●●
●●
●●●
●
●
●●●●●●●
●●
●
●
●
●●●
●●
●
●●●
●
●●
●
●
●
●
●
●
●●
●
●●●
●
●
●
●●
●
●
●
●●
●●●●●●●
●
●
●
●●
●
●
●
●
●
●●●
●
●
●
●
●●
●
●
●
●●
●
●
●●●
●●●
●●●●●●●
●
●●
●●
●
●●●●●●
●
●●●●
●●
●●●●●●
●●●●●●●●●●●●
●●●●
●●●
●●
●
●●●
●
●●●
●●●●
●
●●●●
●●
●
●
●
●
●●
●●●●
●●
●●●●
●
●●
●
●●
●●●●
●●
●●
●
●●
●
●
●
●●●●
●
●
●
●●
●
●
●●
●
●
●●●
●
●●
●
●●●
●
●
●
●
●
●
●
●
●
●●●
●
●●
●●●●
●
●●
●
●●
●●
●●●●
●
●
●●
●
●
●●●●●
●●●●●●●●
●●●●●
●●●●
●●
●●●●●●
●●
●
●●●
●
●●●●●●●●●●●●●●
●●
●
●
●●
●●●●●
●●●●
●●●●●●
●●
●
●
●●●
●●●●●●●●
●●●
●
●
●
●
●
●
●●●●●●
●●●●
●●
●
●●●
●
●●●
●
●
●
●●●●
●
●
●●
●
●●
●
●
●
●●●●
●●
●
●
●●
●●
●
●
●
●●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●●●●
●●
●●
●●
●
●
●
●
●
●●
●
●
●
●●
●●●●
●
●●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●●
●●
●●
●●
●●
●●
●
●●●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●●
●
●●●●
●●
●
●
●
●
●
●
●●●
●
●
●
●●
●
●
●
●●
●●●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●●●
●
●●
●
●
●●
●●
●
●●
●
●
●●
●●●
●
●
●
●●●
●●
●●●
●
●●●
●
●●●
●●
●●●
●
●
●
●
●●●●●●●
●●●
●
●●
●
●
●●●
●
●
●
●
●●
●
●●
●
●●
●●
●●
●●●
●
●
●●
●
●●●●
●●
●●
●
●
●
●
●●●●●●
●●●
●●
●
●
●●
●●
●●●
●
●●●●●●
●
●
●●●
●
●●
●
●●●●●
●
●
●
●
●
●
●●●
●●
●
●
●
●●●
●
●
●
●●●
●●
●
●●
●●●
●
●●●
●
●●
●
●●
●●
●
● ●
●
●●
●
●
●
●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●
●
●●●●●
●
●●●●●●●●
●●
●●●●●●●
●●●
●●●●
●●
●
●●●●●●
●
●●●●
●●●
●●
●●●
●●
●●●●
●
●
●
●
●●
●
●
●
●
●
●●
●●
●●
●
●●
●
●●
●●●●●
●●
●●
●
●
●
●
●●
●
●●
●●
●●●●
●
●
●●
●
●●●●
●●●●●●
●●●●●●●●
●●●●●●●●●●●●
●●●●●●●
●●●●●●●●●●
●
●●●●●●●●●
●●●
●●
●
●●●
●
●
●●●●●
●
●
●●●●
●
●
●
●●●●
●●●●
●
●●●
●
●●●●
●●
●●
●●
●
●
●
●●
●●●
●
●
●
●●
●●●●●
●●
●
●●
●
●●●
●●●●
●
●●●●●●●
●
●●●●●●●
●●●●●●●●●●●●
●●●●●●●●
●●●●●●
●●●●●
●●●
●●●●●●●●
●●●
●
●●●●●●
●●●
●
●●
●
●●●
●●●
●●
●●
●
●
●●●
●
●
●
●●
●●
●
●●●
●
●●●
●●●
●●●
●
●
●●
●
●
●
●●
●●
●●
●
●
●●●●
●
●●
●●
●
●●
●●
●●
●●
●●●●●●
●●●●●
●●●●●
●
●
●●●●●●●●
●
●●●●●
●●●
●
●●●●●●
●●●
●
●
●●
●●●●
●●
●●●●
●●●
●●●●●●
●●
●
●●
●
●
●
●
●●
●●●
●
●●
●
●
●
●
●●
●●●●●
●
●●●●●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●●●
●●
●●
●●●●●
●●●●
●
●
●
●
●
●
●●
●
●
●●●
●
●●
●●●
●
●●●●
●
●
●●●
●●
●●●
●●●●
●
●●
●●●
●●●
●●●●●●●●
●
●●●
●●●●●
●
●
●●●●●
●
●●●●●
●●●
●●●●●●●
●
●●●●●●●●●●●●
●●●●●
●
●●●●
●●●●●
●●
●
●
●●
●●
●●
●
●
●
●●●
●●
●●
●●●●●●
●
●
●●●
●
●
●
●
●
●
●●
●●●●
●
●
●●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●●●●
●
●●●●
●
●●●●
●●
●●
●●●
●●●●●●●●
●●●●●
●
●
●●●●●
●●●
●●●
●●
●●
●●
●●
●
●●●●●●●
●●
●●
●●●●
●●●●●●
●
●
●●●●●●●●
●
●
●
●
●●●
●●●
●
●●
●●●●●●
●●●●●●●●●
●●
●●
●
●
●
●●
●●●●●
●●
●
●●●
●●
●
●●●●
●
●●●●●●
●
●
●
●●
●
●
●
●
●●●
●
●
●●
●
●
●
●
●
●●●●●●●●●●●●
●●●●●●●●●●●●●●
●●
●
●●●●●●●●●
●
●●
●●
●●●●●
●
●
●
●●●●●●
●
●●●●
●●●●
●●●
●●
●●●
●
●
●
●
●
●
●●●●
●●●
●
●●
●
●
●
●
●
●●●
●●
●
●●●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●
●●●
●
●●●
●
●●●●
●
●●
●
●
●
●
●
●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●
●●●●
●●●●
●●●●●
●●●
●●●●●
●●●
●●●●●●●
●
●
●●●●●
●
●●
●
●●
●●●
●
●
●
●
●
●●
●
●
●●●
●●●●●
●
●
●
●●●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●●
●
●●●●●
●
●●
●●
●
●●
●●
●
●
●●
●
●●
●
●
●●●●●●●●●●
●●●●●●●●●●
●●●●●
●●●●●●●●●●
●●
●●
●
●●●●●●●●●
●●
●●●●●
●
●●●●
●
●●●●●
●
●
●●●
●●●●●
●●●●●
●
●●●
●●●
●●
●●
●
●
●
●
●●●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●●●
●●
●●●●
●●
●●
●
●●●●●
●●●●●●●●
●●●●●●●●●
●●●●●●
●●●●●●
●●
●
●
●
●●●●
●●●●●●
●●
●●●●●
●
●
●●●
●●●●●
●●
●
●●●
●●
●●●●●
●●●●
●
●
●●●●●
●
●●●●
●●
●●
●●●
●
●●
●
●
●●
●●●●●
●
●●
●
●
●
●
●
●
●
●●
●●●
●●
●●
●
●
●●
●
●
●●
●●
●●●
●●●●●
●●●
●
●
●
●●
●●
●●
●●
●●
●
●●●●
●●●●
●●●●●●
●
●●
●●●●●
●●●●●●●
●
●
●
●●
●●
●
●
●●
●
●
●●
●●●
●
●
●●
●●
●
●
●●
●●●●
●
●
●
●●
●
●
●●
●●●●●●
●
●
●●●●
●●●●
●●●●
●●
●●
●
●●●
●
●●●
●
●●
●●●●●●
●
●●●●
●
●
●
●●●●
●●
●
●
●
●
●●
●
●●●●
●●
●
●●●
●
●●●●●
●●●●
●
●●●
●
●
●●
●●
●
●
●
●
●
●
●●
●●●
●
●
●
●
●
●●
●●
●●●●●●
●●
●●
●●●●
●
●
●
●●●●
●●●●●
●●
●
●●●
●
●●●●●●
●●
●●●
●
●●●●
●●
●
●●●
●●●
●●●●●●
●●●●●●●●●●●
●
●
●
●●●
●
●
●●●●
●●●●●
●
●
●
●●
●
●●●
●
●●
●●●●●●
●●
●
●
●
●
●●
●●●●●●●
●●
●
●●●●
●
●●●●
●●●●●
●
●
●
●
●
●
●●●
●●●●●
●
●
●
●●
●
●
●●
●
●●
●●
●
●●
●
●●●
●●
●●
●
●
●●●
●●●●●
●●
●
H_agl: 5500 H_agl: 7000
H_agl: 1570 H_agl: 2160 H_agl: 2970 H_agl: 4050
H_agl: 380 H_agl: 560 H_agl: 800 H_agl: 1130
H_agl: 20 H_agl: 75 H_agl: 150 H_agl: 250
0 5 10 15 20 0 5 10 15 20
0 5 10 15 20 0 5 10 15 20
0
5
10
15
20
0
5
10
15
20
0
5
10
15
20
0
5
10
15
20
WSobs (m s)
WS
mod
(ms)
Run
y2015
y2016
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 15 / 41
diagrammi di Taylor
standard deviation (normalised)
stan
dard
dev
iatio
n (n
orm
alis
ed)
0.5
1.0
1.5
0.5 1.0 1.50
centred
RMS error
0.5
centred
RMS error
1
centred
RMS error
1.5
centred
RMS error0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.99
correlation
●observed
●●●●
●●●●
●●
●
●●●
y2015
0.5 1.0 1.5
0
centred
RMS error
0.5
centred
RMS error
1
centred
RMS error
1.5
centred
RMS error0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.99
correlation
●observed
●●●●● ●
●●●●
●
●●●
y2016
H_agl
●●●●●●●●●●●●●●
20 75 150 250 380 560 800 1130 1570 2160 2970 4050 5500 7000
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 16 / 41
diagnostica: sintesi
I distribuzioni e rose dei venti sono riprodotte piuttosto bene
I sovrastima dei venti deboli, sottostima dei venti forti
I sovrastima della varianza negli strati intermedi
I correlazione tra 0.4 e 0.8, cresce con la quota
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 17 / 41
test di possibili correzioni a posteriori
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 18 / 41
metodo
I l’insieme di dati è diviso in due sotto-insiemi di uguali dimensioni, uno per
la calibrazione e uno per la validazione
I sul sotto-insieme di calibrazione sono calcolati i percentili dell’osservato
Po e del modello Pm
I si calibra una funzione di trasformazione Po ≈ f(Pm), minimizzando
l’errore quadratico medio
I si applica la f sul sotto-insieme di validazione e se ne valutano le
prestazioni
Il metodo è realizzato nel pacchetto R ’qmap’ (Piani et al., 2010; Dosio and
Paruolo, 2011; Gudmundsson et al., 2012)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 19 / 41
funzioni di trasformazione
codice formula parametri
power a · xb a, b
linear a+ b · x a, b
expasympt (a+ b · x) · (1 − e−xτ ) a, b, τ
scale x · b b
power.x0 a · (x − x0)b a, b, x0
expasympt.x0 (a+ b · x) · (1 − e−(x−x0)
τ ) a, b, x0, τQUANT empirical quantiles -
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 20 / 41
skill scores (1)
mean bias: MB = 1n
∑ni=1 Mi − Oi
mean gross error: MGE = 1n
∑ni=1|Mi − Oi|
normalised mean bias: NMB =
∑n
i=1Mi−Oi∑
n
i=1Oi
normalised mean gross error: NMGE =
∑n
i=1|Mi−Oi|∑n
i=1Oi
root mean squared error: RMSE =
√∑n
i=1(Mi−Oi)2
n
Pearson correlation coefficient: r = 1(n−1)
∑ni=1(
Mi−MσM
) · (Oi−OσO
)
fraction of predictions within a factor of two: FAC2 =Count(0.5≤ Mi
Oi≤2.0)
Count(Mi)
Coefficient of Efficiency: COE = 1 −∑
n
i=1|Mi−Oi|∑
n
i=1|Oi−O|
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 21 / 41
skill scores (2)
Index of Agreement: IOA =
1 −
∑n
i=1|Mi−Oi|
2·∑
n
i=1|Oi−O|
, when
∑n
i=1|Mi−Oi|
2·∑
n
i=1|Oi−O|
≤ 1.
2·∑
n
i=1|Oi−O|∑
n
i=1|Mi−Oi|
− 1, when
∑n
i=1|Mi−Oi|
2·∑
n
i=1|Oi−O|
> 1.
(Willmott et al., 2012)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 22 / 41
skill scores delle diverse tra-
sformazioni (NAUSICA 2015)
●
● ● ●
●
●
●
●
original−0.06
power−0.03
linear−0.03
expasympt−0.03
scale0
power.x00
expasympt.x0−0.03
QUANT−0.01
●
●
● ●
●
● ●●
original0.41
power−0.02
linear0.02
expasympt0.02
scale0.11
power.x00.03
expasympt.x00.02
QUANT0.04
●
● ● ●
●
●
●
●
original0.6
power0.58
linear0.58
expasympt0.58
scale0.56 power.x0
0.56
expasympt.x00.58
QUANT0.57
●
●
● ●
●
●
●
●
original0.64
power0.62
linear0.62
expasympt0.62
scale0.65
power.x00.66
expasympt.x00.62
QUANT0.65
●
● ● ●
●
●
●
●
original1.81
power1.76
linear1.76
expasympt1.76
scale1.71 power.x0
1.7
expasympt.x01.76
QUANT1.72
● ● ● ●●
●
●
●
original0.46
power0.46
linear0.46
expasympt0.46
scale0.46
power.x00.45
expasympt.x00.46
QUANT0.45
●
● ● ●
●
●
●
●
original0.47
power0.48
linear0.48
expasympt0.48
scale0.5
power.x00.5
expasympt.x00.48
QUANT0.49
●
●
● ●
●
● ●●
original0.14
power−0.01
linear0.01
expasympt0.01
scale0.04
power.x00.01
expasympt.x00.01
QUANT0.01
●
●
● ●
●
●
●
●
original2.62
power2.59
linear2.55
expasympt2.55
scale2.48
power.x02.57
expasympt.x02.55
QUANT2.62
NMGE r RMSE
MB MGE NMB
COE FAC2 IOA
orig
inal
pow
er
linea
r
expa
sym
pt
scal
e
pow
er.x
0
expa
sym
pt.x
0
QU
AN
T
orig
inal
pow
er
linea
r
expa
sym
pt
scal
e
pow
er.x
0
expa
sym
pt.x
0
QU
AN
T
orig
inal
pow
er
linea
r
expa
sym
pt
scal
e
pow
er.x
0
expa
sym
pt.x
0
QU
AN
T
0.47
0.48
0.49
0.50
0.00
0.05
0.10
2.48
2.52
2.56
2.60
0.62
0.63
0.64
0.65
1.700
1.725
1.750
1.775
1.800
0.4475
0.4500
0.4525
0.4550
−0.06
−0.04
−0.02
0.00
0.0
0.1
0.2
0.3
0.4
0.56
0.57
0.58
0.59
Function
valu
e
run:y2015, height:20m (agl)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 23 / 41
skill scores delle diverse tra-
sformazioni (operativo 2016)
●
●● ●
●
●
●
●
original−0.07
power−0.03
linear−0.03
expasympt−0.03
scale−0.01
power.x0−0.06
expasympt.x0−0.03
QUANT−0.02
●
●● ●
●
●
● ●
original0.28
power−0.07
linear−0.06 expasympt
−0.06
scale0.02
power.x00.18
expasympt.x0−0.06
QUANT−0.06
●
●● ●
●
●
●
●
original0.57
power0.55
linear0.55
expasympt0.55
scale0.54
power.x00.56
expasympt.x00.55
QUANT0.54
● ●
● ●
●
●
●
●
original0.65
power0.65
linear0.63
expasympt0.63
scale0.66
power.x00.64 expasympt.x0
0.63
QUANT0.66
●
●● ●
●
●
●
●
original1.62
power1.57
linear1.57
expasympt1.57
scale1.53
power.x01.61
expasympt.x01.57
QUANT1.56
●
●
● ● ● ●●
●
original0.37
power0.37
linear0.37
expasympt0.37
scale0.37
power.x00.37
expasympt.x00.37
QUANT0.38
●
●● ●
●
●
●
●
original0.47
power0.49
linear0.48
expasympt0.48
scale0.5
power.x00.47
expasympt.x00.48
QUANT0.49
●
●● ●
●
●
● ●
original0.1
power−0.03
linear−0.02 expasympt
−0.02
scale0.01
power.x00.06
expasympt.x0−0.02
QUANT−0.02
●
●
● ●
●
●
● ●
original2.28
power2.25
linear2.23
expasympt2.23
scale2.17
power.x02.27
expasympt.x02.23
QUANT2.23
NMGE r RMSE
MB MGE NMB
COE FAC2 IOA
orig
inal
pow
er
linea
r
expa
sym
pt
scal
e
pow
er.x
0
expa
sym
pt.x
0
QU
AN
T
orig
inal
pow
er
linea
r
expa
sym
pt
scal
e
pow
er.x
0
expa
sym
pt.x
0
QU
AN
T
orig
inal
pow
er
linea
r
expa
sym
pt
scal
e
pow
er.x
0
expa
sym
pt.x
0
QU
AN
T
0.47
0.48
0.49
−0.025
0.000
0.025
0.050
0.075
0.100
2.175
2.200
2.225
2.250
2.275
0.64
0.65
0.66
1.550
1.575
1.600
1.625
0.370
0.375
0.380
−0.06
−0.04
−0.02
0.0
0.1
0.2
0.54
0.55
0.56
0.57
Function
valu
e
run:y2016, height:20m (agl)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 24 / 41
boxplot delle diverse trasfor-
mazioni (20m)
●●●●●●
●
●
●
●
●●●●●●●●●
●●
●●●●
●
●●●
●●●●●
●●●●●●●●
●●●●
●
●●●●●●
●●●●●●
●●●●
●●●●●
●
●
●●●●●●●●●●●●●
●●●●●●●●
●
●●●●●
●●●●●
●●
●●●
●●●
●●●●●●●
●●●
●
●●●●●●●●
●●●●●●●●
●
●●●●●
●
●●●●●●●
●
●●●●
●●●●●
●●●●●●
●●●●●
●●●●●
●●●●●
●
●●●●
●●●●
●●●●●●●●●●●●
●●●●
●●●
●●●
●●●
●●
●
●●
●●●●
●●●
●●●●●●●●●
●●●●●
●●●●●
●●●●
●●●●●●●
●●●●●
●●●●
●●●●●●
●●●●●●
●●●●●
●●●●
●●●●
●●
●●●●●●
●●●●●●
●●●●
●●●●
●●●
●●●●●
●●●●●●
●●●●●
●●●●●●●
●●●●
●●●●
●●●●●
●●●●●●
●●●●●●●
●●●●●●●
●●●●●●
●●●●
●●
●●●
●●●●●●●●●
●●●●●●●●
●●●●
●●●●
●●●
●●●●
●●●
●●
●●●●
●●●
●●●●●●●●●
●●●●●
●●●●●
●●●●
●●●●●●●
●●●●●
●●●●
●●●●●●
●●●●●●
●●●●●
●●●●
●●●●
●●
●●●●●●
●●●●●●
●●●●
●●●●
●●●
●●●●●
●●●●●●
●●●●●
●●●●●●●
●●●●
●●●●
●●●●●
●●●●●●
●●●●●●●
●●●●●●●
●●●●●●
●●●●
●●
●●●
●●●●●●●●●
●●●●●
●●●
●●●●●●●●●●
●●●●
●●●
●●●●
●●●
●●●●
●●●
●●●●
●●●
●●●●●●●●●
●●●●●
●●●●●
●●●●
●●●●●●●
●●●●●
●●●●
●●●●●●
●●●●●●
●●●●●
●●●●
●●●●
●●
●●●●●●
●●●●●●
●●●●
●●●●
●●●
●●●●●
●●●●●●
●●●●●
●●●●●●●
●●●●
●●●●
●●●●●
●●●●●●
●●●●●●●
●●●●●●●
●●●●●●
●●●●
●●
●●●
●●●●●●●●●●●●●●●●●
●●●●
●●●●
●●●
●●●●
●●●
●●●●
●●●
●●●●●●●●●
●●●●●
●●●●●
●●●●
●●●●●●●
●●●●●
●●●●
●●●●●●
●●●●●●
●●●●●
●●●●
●●●●
●●
●●●●●●
●●●●●●
●●●●
●●●●
●●●
●●●●●
●●●●●●
●●●●●
●●●●●●●
●●●●
●●●●
●●●●●
●●●●●●
●●●●●●●
●●●●●●●
●●●●●●
●●●●
●●
●●●
●●●●●●●●●●●●●●●●●
●●●●
●●●●
●●●
●●●●
●●●
●●●●
●●●
●●●●●●●●●
●●●●●
●●●●●
●●●●
●●●●●●●
●●●●●
●●●●
●●●●●●
●●●●●●
●●●●●
●●●●
●●●●
●●
●●●●●●
●●●●●●
●●●●
●●●●
●●●
●●●●●
●●●●●●
●●●●●
●●●●●●●
●●●●
●●●●
●●●●●
●●●●●●
●●●●●●●
●●●●●●●
●●●●●●
●●●●
●●
●●●
●●●●●●●●●●●●●●●●●
●●●●
●●●●
●●●
●●●●
●●●
●●●●●●●●●
●●
●●●●
●●●
●●●●●●●●●
●●●●●
●●●●●
●●●●
●●●●●●●
●●●●●
●●●●●●●●
●●●●
●●●●●●
●●●●●●
●●●●●●
●●●●●
●●●●
●●●●
●●
●●●●●●
●●●●●●
●●●●
●●●●
●●●●
●●●
●●●●●
●●●●●●
●●●●●●●
●●●●●
●●●●●●●
●●●●
●●●●●●●●
●●●●
●●●●●●
●●●●●
●●●●●●●
●●●●●●
●●●●●●●
●●●●●●●
●●●●●●
●●●●
●●
●●●
●●●
●●●●●●●●●
●●●●●
●●●
●●●●●●●●●●
●●●
●●●●
●●●
●●●●
●●●
●●●●
●●●
●●●●
●●●
●●●●●●●●●
●●●●●
●●●●●
●●●●
●●●●●●●
●●●●●
●●●●
●●●●●●
●●●●●●
●●●●●
●●●●
●●●●
●●
●●●●●●
●●●●●●
●●●●
●●●●
●●●
●●●●●
●●●●●●
●●●●●
●●●●●●●
●●●●
●●●●
●●●●●
●●●●●●
●●●●●●●
●●●●●●●
●●●●●●
●●●●
●●
●●●
●●●●●●●●●●●●●●●●●
●●●●
●●●●
●●●
●●●●
●●●
●●●●
●●●●●●●●●
●●●●●
●●●●
●
●●●●
●●●●●●●
●●●●●
●●●●
●●●●●●
●●●●●●
●●●●●
●●●●
●●●●
●●
●●●●●●
●●●●●●
●●●●
●●●●
●●●
●●●●●
●●
●●●●
●●●●●
●●●●●●●
●●●●
●●●●
●●●●●
●●●●●●
●●●●●●●
●●●●●●●
●●●●●●
●●●●
●●
●●●
●●●●●●●●●
●●●●●
●●●
●●●●●●●●●●
●●●●
●●●●●●●
●●●
●●●●
●●●
0.9
6.1
1.0
6.8
0.7
6.3
0.7
6.4
0.7
6.4
0.9
6.3
1.0
6.2
0.7
6.4
0.9
5.9
0
5
10
15
20
obs
orig
inal
pow
er
linea
r
expa
sym
pt
scal
e
pow
er.x
0
expa
sym
pt.x
0
QU
AN
T
Function
valu
e
Function
obs
original
power
linear
expasympt
scale
power.x0
expasympt.x0
QUANT
annotation: 10th and 90th percentile
run:y2015, height:20m (agl)
●
●●●●
●●●●●●
●●
●●
●●●
●●
●●●●●●●●
●●●
●●●●●
●●●
●●●●●●●●●
●●●●●
●●●●●●
●●●●
●●
●
●
●
●●●●●●
●
●
●
●●●●
●●●●●●●●●●●●●●●●●
●●●
●●●
●●●●●●
●●●
●●●●●
●●●●●●●●● ●●●●
●●●●●●●●●●●●
●
●●●●●
●●●
●●●●●
●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●
●●●●●●●●●●●
●●●●
●●
●●●●●●●●
●●
●●●●
●
●●●●●●●
●
●●●●●●●●●●
●●●●
●●●●●●
●●●●●
●●●●
●●●●●●
●●●●
●●●
●●●●●●
●●
●●●
●●●●●
●●●●●●●
●●●●
●●●●●●●●
●●●●
●●●●●●●●●●●●
●
●●●●●
●●●●
●●●
●●●●●
●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●
●●●●●●●●●●●
●●●●
●●
●●●●●●●●
●●
●●●●
●
●●●●●●●
●
●●●●●●●●●●
●●●●
●●●●●●
●●●●●
●●●●
●●●●●●
●●●●●●●
●●●
●●●●●●
●●
●●●
●●●●●
●●●●●●●
●●●●
●●●●●●●●
●●●●
●●●●●●●●●●●●
●
●●●●●
●●●
●●●●●
●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●
●●●●●●●●●●●
●●●●
●●
●●●●●●●●
●●
●●●●
●
●●●●●●●
●
●●●●●●●●●●
●●●●
●●●●●●
●●●●●
●●●●
●●●●●●
●●●●
●●●
●●●●●●
●●
●●●
●●●●●
●●●●●●●
●●●●
●●●●●●●●
●●●●
●●●●●●●●●●●●
●
●●●●●
●●●
●●●●●
●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●
●●●●●●●●●●●
●●●●
●●
●●●●●●●●
●●
●●●●
●
●●●●●●●
●
●●●●●●●●●●
●●●●
●●●●●●
●●●●●
●●●●
●●●●●●
●●●●
●●●
●●●●●●
●●
●●●
●●●●●
●●●●●●●
●●●●
●●●●●●●●
●●●●
●●●●●●●●●●●●
●
●●●●●
●●●
●●●●●
●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●
●●●●●●●●●●●
●●●●
●●
●●●●●●●●
●●
●●●●
●
●●●●●●●
●
●●●●●●●●●●
●●●●
●●●●●●
●●●●●
●●●●
●●●●●●
●●●●
●●●
●●●●●●
●●
●●●
●●●●●
●●●●●●●
●●●●
●●●●●●●●
●●●●
●●●●●●●●●●●●
●
●●●●●
●●●
●●●●●
●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●
●●●●●●●●●●●
●●●●
●●
●●●●●●●●
●●
●●●●
●
●●●●●●●
●
●●●●●●●●●●
●●●●
●●●●●●
●●●●●
●●●●
●●●●●●
●●●●
●●●
●●●●●●
●●
●●●
●●●●●
●●●●●●●
●●●●
●●●●●●●●
●●●●
●●●●●●●●●●●●
●
●●●●●
●●●
●●●●●
●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●
●●●●●●●●●●●
●●●●
●●
●●●●●●●●
●●
●●●●
●
●●●●●●●
●
●●●●●●●●●●
●●●●
●●●●●●
●●●●●
●●●●
●●●●●●
●●●●
●●●
●●●●●●
●●
●●●
●●●●●
●●●●●●●
●●●●
●●●●●●●●
●●●●
●●●●
●●●●●●●●
●
●●●●●
●●●
●●●●●
●●●
●●●●
●●●●●●
●●●●●
●●●●●●●
●●●●●●●●●●●
●●
●●
●●●●
●●●●●
●●●●●
●●●●
●●●●●●
●●●●
●●●●●●
●●●
●●●●●●
●●●●●●●●●
0.9
5.5
1.1
5.6
0.9
5.1
0.8
5.1
0.8
5.1
1.0
5.1
1.0
5.5
0.8
5.1
1.0
5.2
0
5
10
15
20
obs
orig
inal
pow
er
linea
r
expa
sym
pt
scal
e
pow
er.x
0
expa
sym
pt.x
0
QU
AN
T
Function
valu
e
Function
obs
original
power
linear
expasympt
scale
power.x0
expasympt.x0
QUANT
annotation: 10th and 90th percentile
run:y2016, height:20m (agl)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 25 / 41
boxplot delle diverse trasfor-
mazioni (75m)
●
●●
●
●
●
●
●●●
●●●●●●●
●●●
●
●
●
●●●●
●●●●●
●●●
●●●●
●●●
●●●
●
●
●●●●●●●●●●
●
●●●●●
●●
●
●●
●
●
●
●●●
●
●
●
●
●
●●●●●●
●●●●●●●
●
●
●
●●●●●
●
●
●
●
●●●●●●
●●
●●●
●●●
●●●●●●●
●●●●●
●●●●●
●●●●●●
●●●●
●●●●●●●●●●●
●●●●●●●●●●●●●●
●●
●●●●●●●●
●●●●●●
●●●
●
●●●●●
●●●●●●●
●●●●
●●
●●●●●●●
●●●●●
●●●●●
●
●●●
●●●●●
●●●●●●●●●●●
●●●●
●●
●●
●●●
●●●●●
●●●
●●●
●●●●●●●
●●●●●
●●●●●
●●●●●●
●●●●
●●●●●●●●●●●
●●●●●●●●●
●●
●●●●●●●●
●●●●●●
●●●
●
●●●●●
●●●●●●●
●●●●
●●
●●●●●●●
●●●●●
●●●●●
●
●●●
●●●●●●●●●●●
●●●●
●●
●●
●●●
●●●●●●●●
●●●
●●●●●●●
●●●●●
●●●●●
●●●●●●
●●●●
●●●●●●●●●●●
●●●●●●●●●●●●●●
●●
●●●●●●●●
●●●●●●
●●●
●
●●●●●
●●●●●●●
●●●●
●●
●●●●●●●
●●●●●
●●●●●
●
●●●
●●●●●●●●●●●●●●●●
●●●●
●●
●●
●●●
●●●●●●●●
●●●
●●●●●●●
●●●●●
●●●●●
●●●●●●
●●●●
●●●●●●●●●●●
●●●●●●●●●
●●
●●●●●●●●
●●●●●●
●●●
●
●●●●●
●●●●●●●
●●●●
●●
●●●●●●●
●●●●●
●●●●●
●
●●●
●●●●●●●●●●●●●●●●
●●●●
●●
●●
●●●
●●●●● ●●●
●●●
●●●●●●●
●●●●●
●●●●●
●●●●●●
●●●●
●●●●●●●●●●●
●●●●●●●●●●●●●●
●●
●●●●●●●●
●●●●●●
●●●
●
●●●●●
●●●●●●●
●●●●
●●
●●●●●●●
●●●●●
●●●●●
●
●●●
●●●●●●●●●●●●●●●●
●●●●
●●
●●
●●●
●●●●●
●●●●●●
●●●
●●●
●●●●●●●
●●●●●
●●●●●
●●●●●●
●●●
●●●●
●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
●●
●●●●●●●●
●●●●●●
●●●
●
●●●●●●●●●●
●
●●●●●
●●●●●●●
●●●●●●●●
●●●●●
●●●●
●●
●●●●●●●
●●●●●
●●●●●
●●●●●●●
●
●●●
●●●●●
●●●●●
●●●●●●
●●●●●●●●●●●●●●●●●●●
●●●●
●●
●●●●
●●
●●●
●●●●●●●●
●●●
●●●●●●●
●●●●●
●●●●●
●●●●●●
●●●●
●●●●●●●●●●●
●●●●●●●●●
●●
●●●●●●●●
●●●●●●
●●●
●
●●●●●
●●●●●●●
●●●●
●●
●●●●●●●
●●●●●
●●●●●
●
●●●
●●●●●●●●●●●●●●●●
●●●●
●●
●●
●●●
●●●●●●●●
●●●
●●
●●●
●●●●●
●●●●
●●
●●●●
●●●●●●●●●●●
●●●●●●●●●●●●●●
●●
●●●
●●●●●
●●●●●●
●●●
●
●●●●●
●●●●●●●
●●●●
●●●●
●●
●●●●●●●
●●●
●●
●●●●●
●
●●●
●●●●●●●●●●●
●●●●●●●●●●●
●●●●
●●
●●
●●●
●●●●●
1.0
7.2
1.0
8.4
0.9
7.5
1.1
7.5
1.0
7.5
0.9
7.6
1.3
7.4
1.1
7.5
1.1
7.0
0
5
10
15
20
obs
orig
inal
pow
er
linea
r
expa
sym
pt
scal
e
pow
er.x
0
expa
sym
pt.x
0
QU
AN
T
Function
valu
e
Function
obs
original
power
linear
expasympt
scale
power.x0
expasympt.x0
QUANT
annotation: 10th and 90th percentile
run:y2015, height:75m (agl)
●
●●
●●
●
●●
●●●
●●
●
●●●●
●
●●●●●●
●
●●
●●●●
●●●●●●
●●●●
●
●●
●●●
●●●
●●
●●●●
●●●●●
●●●●●
●●●●
●●
●●
●
●
●●
●●●●●●●●●
●●
●●●●
●
●●
●●●
●●●●●
●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●●
●●●●●
●●●●●●
●●●●●
●●●●●
●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●
●●●●●
●●●●●●
●●●●●
●●●●●●●●●●●
●●●●
●
●●
●●●
●●●●●●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●●
●●●●●
●●●●●●
●●●●●
●●●●
●●●●●●●●●●●●
●●●●●●●●●●●
●●●●●
●●●●●●●●●
●●
●●●●
●
●●
●●●
●●●●●
●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●●
●●●●●
●●●●●●
●●●●●
●●●●●
●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●
●●●●●
●●●●●●
●●●●●
●●●●●●●●●●●
●●●●
●
●●
●●●
●●●●●●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●●
●●●●●
●●●●●●
●●●●●
●●●●
●●●●●●●●●●●●
●●●●●●●●●●●
●●●●●●●●●
●●
●●●●
●
●●
●●●
●●●●●
●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●●
●●●●●
●●●●●●
●●●●●
●●●●●
●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●
●●●●●
●●●●●●
●●●●●
●●●●●●●●●●●
●●●●
●
●●
●●●
●●●●●●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●●
●●●●●
●●●●●●
●●●●●
●●●●
●●●●●●●●●●●●
●●●●●●●●●●●
●●●●●●●●●●●
●●●●
●
●●
●●●
●●●●●●●●
●●●●
●●
●●●●●●
●●●●●
●●●●●●●●
●●●●●
●●●●●●
●●●●●
●●●●
●●●●●●●●●●●●
●●●●●●●●●●●
●●●●●●●●●
●●
●●●●
●
●●
●●●
●●●●●
●●●
●●●●
●●●●●●
●●
●●●●●●●●
●●●●●●
●●●●●
●●●●
●●●●●
●●●●●●
1.1
7.0
1.0
7.6
1.1
7.2
1.2
7.2
1.0
7.2
1.0
7.3
1.1
7.2
1.0
7.2
1.1
6.8
0
5
10
15
20
obs
orig
inal
pow
er
linea
r
expa
sym
pt
scal
e
pow
er.x
0
expa
sym
pt.x
0
QU
AN
T
Function
valu
e
Function
obs
original
power
linear
expasympt
scale
power.x0
expasympt.x0
QUANT
annotation: 10th and 90th percentile
run:y2016, height:75m (agl)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 26 / 41
distribuzioni delle diverse tra-
sformazioni (NAUSICA 2015)
0.00
0.25
0.50
0.75
1.00
0.5 1.0 2.0 5.0 10.0 20.0 50.0
value
y
Function
obs
original
power
linear
expasympt
scale
power.x0
expasympt.x0
QUANT
run:y2015, height:20m (agl)
0.00
0.25
0.50
0.75
1.00
0.5 1.0 2.0 5.0 10.0 20.0 50.0
value
y
Function
obs
original
power
linear
expasympt
scale
power.x0
expasympt.x0
QUANT
run:y2015, height:75m (agl)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 27 / 41
scatterplot delle diverse tra-
sformazioni (NAUSICA 2015)
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
● ●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
0
1
2
3
0 1 2 3
WSobs (m s)
WS
mod
(ms)
Function
original
power
linear
expasympt
scale
power.x0
expasympt.x0
QUANT
run:y2015, height:20m (agl)
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
● ●
●
●
●●
●●
●
●
● ●
●
●
● ●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
● ●
●
●
●●
●●
●
●
● ●
●
●
● ●
●
●
●
●
●
●
●
●●
● ●
●
●
●
●
●
● ●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
● ●
●
●
●●
●●
●
●
● ●
●
●
● ●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
● ●
●
●
●●
●●
●
●
● ●
●
●
● ●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●●
●●
●
●
●●
●
●
● ●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
● ●
●
●
●●
●●
●
●
● ●
●
●
● ●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●●
●
●
● ●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
0
1
2
3
4
5
0 1 2 3 4 5
WSobs (m s)
WS
mod
(ms)
Function
original
power
linear
expasympt
scale
power.x0
expasympt.x0
QUANT
run:y2015, height:75m (agl)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 28 / 41
risultati
I non fanno miracoli: la correlazione resta invariata
I sul bias il beneficio è evidente
I in qualche caso power, power.x0, linear e scale hanno risultati poco
soddisfacenti
I QUANT (non parametrica) è più complessa da implementare fuori da R
I expasympt e expasympt.x0 danno risultati confrontabili
I preferiamo expasympt, perchè ha un parametro in meno
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 29 / 41
applicazione della trasformazione
‘expasympt’
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 30 / 41
trasformazione
Mtransf =
(a+ b · M) · (1 − e
−Mτ ), when M ≥ M0
0, when M < M0.
parametri da calibrare: a, b, τ (‘tau’),M0 (‘zero’)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 31 / 41
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
tau zero
a b
0 1 2 3 4 0.0 0.5 1.0
0 1 2 3 4 5 0.6 0.8 1.0
20
75
150
250380560800
1130157021602970405055007000
20
75
150
250380560800
1130157021602970405055007000
value
z agl
(m) Run
●
●
y2015
y2016
parameters for transformation function: 'expasympt'
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 32 / 41
b: 0.5 b: 0.8 b: 1
a: −0.5
a: 0.5a: 5
0.5 1.0 2.0 5.0 10.0 20.0 50.0 0.5 1.0 2.0 5.0 10.0 20.0 50.0 0.5 1.0 2.0 5.0 10.0 20.0 50.0
0.5
1.0
2.0
5.0
10.0
20.0
50.0
0.5
1.0
2.0
5.0
10.0
20.0
50.0
0.5
1.0
2.0
5.0
10.0
20.0
50.0
x
y
tau
0.2
1
4
a: −0.5, 0.5, 5; b: 0.5, 0.8, 1; tau: 0.2, 1, 4; zero: 0.25
function 'expasympt'
a 20m
a 1570m (NAUSICA)
a 560m (operativo)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 33 / 41
b: 0.5 b: 0.8 b: 1
a: −0.5
a: 0.5a: 5
0.5 1.0 2.0 5.0 10.0 20.0 50.0 0.5 1.0 2.0 5.0 10.0 20.0 50.0 0.5 1.0 2.0 5.0 10.0 20.0 50.0
0.5
1.0
2.0
5.0
10.0
20.0
50.0
0.5
1.0
2.0
5.0
10.0
20.0
50.0
0.5
1.0
2.0
5.0
10.0
20.0
50.0
x
y
tau
0.2
1
4
a: −0.5, 0.5, 5; b: 0.5, 0.8, 1; tau: 0.2, 1, 4; zero: 0.25
function 'expasympt'
a 20m
a 1570m (NAUSICA)
a 560m (operativo)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 33 / 41
b: 0.5 b: 0.8 b: 1
a: −0.5
a: 0.5a: 5
0.5 1.0 2.0 5.0 10.0 20.0 50.0 0.5 1.0 2.0 5.0 10.0 20.0 50.0 0.5 1.0 2.0 5.0 10.0 20.0 50.0
0.5
1.0
2.0
5.0
10.0
20.0
50.0
0.5
1.0
2.0
5.0
10.0
20.0
50.0
0.5
1.0
2.0
5.0
10.0
20.0
50.0
x
y
tau
0.2
1
4
a: −0.5, 0.5, 5; b: 0.5, 0.8, 1; tau: 0.2, 1, 4; zero: 0.25
function 'expasympt'
a 20m
a 1570m (NAUSICA)
a 560m (operativo)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 33 / 41
b: 0.5 b: 0.8 b: 1
a: −0.5
a: 0.5a: 5
0.5 1.0 2.0 5.0 10.0 20.0 50.0 0.5 1.0 2.0 5.0 10.0 20.0 50.0 0.5 1.0 2.0 5.0 10.0 20.0 50.0
0.5
1.0
2.0
5.0
10.0
20.0
50.0
0.5
1.0
2.0
5.0
10.0
20.0
50.0
0.5
1.0
2.0
5.0
10.0
20.0
50.0
x
y
tau
0.2
1
4
a: −0.5, 0.5, 5; b: 0.5, 0.8, 1; tau: 0.2, 1, 4; zero: 0.25
function 'expasympt'
a 20m
a 1570m (NAUSICA)
a 560m (operativo)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 33 / 41
r RMSE
FAC2 MB
0.4 0.5 0.6 0.7 0.8 3 4 5 6
0.6 0.7 0.8 0.9 −0.25 0.00 0.25 0.50 0.75
20
75
150
250380560800
1130157021602970405055007000
20
75
150
250380560800
1130157021602970405055007000
value
z agl
(m)
Run
y2015
y2016
model
mod
transf.mod
skill scores for transformation function: 'expasympt'
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 34 / 41
obs.range: (4,9] obs.range: (9,63]
obs.range: (0,2] obs.range: (2,4]
0 1 2 3 0 1 2 3
20
75
150
250
380560800
1130157021602970405055007000
20
75
150
250
380560800
1130157021602970405055007000
value
z agl
(m)
Run
y2015
y2016
model
mod
transf.mod
normalized mean bias for transformation function: 'expasympt'
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 35 / 41
obs.range: (4,9] obs.range: (9,63]
obs.range: (0,2] obs.range: (2,4]
−0.5 0.0 0.5 1.0 −0.5 0.0 0.5 1.0
20
75
150
250
380
560
20
75
150
250
380
560
value
z agl
(m)
Run
y2015
y2016
model
mod
transf.mod
normalized mean bias for transformation function: 'expasympt'
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 36 / 41
diagrammi di Taylor
standard deviation (normalised)
stan
dard
dev
iatio
n (n
orm
alis
ed)
0.5
1.0
1.5
0.5 1.0 1.50
centred
RMS error
0.5
centred
RMS error
1
centred
RMS error
1.5
centred
RMS error0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.99
correlation
●observed
y2015
0.5 1.0 1.5
0
centred
RMS error
0.5
centred
RMS error
1
centred
RMS error
1.5
centred
RMS error0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.95
0.99
correlation
●observed
y2016
H_agl
20 75 150 250 380 560 800 1130 1570 2160 2970 4050 5500 7000
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 37 / 41
conclusioni, prospettive
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 38 / 41
conclusioni
Diagnostica:
I distribuzioni e rose dei venti sono riprodotte piuttosto bene
I sovrastima dei venti deboli, sottostima dei venti forti
I sovrastima della varianza negli strati intermedi
I correlazione tra 0.4 e 0.8, cresce con la quota
I GAP riduce il bias positivo di WRF vicino al suolo
Correzione:
I azzera il bias a tutti i livelli
I ottimizza la varianza lasciando invariata la correlazione
I migliora RMSE
I attenua sensibilmente la sovrastima dei venti deboli, ma peggiora
lievemente la sottostima dei venti più intensi
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 39 / 41
prospettive
I correzione del vento a 10 m
I correzioni di altre variabili (temperatura, precipitazione)
I test di sensibilità su FARM e SPRAY
I valutazione del potenziale eolico
I analisi di scenarioI cambiamento climatico (post-elaborazione di modelli climatici globali o
regionali)I unbiasing di scenari di riduzione delle emissioni (FARM)
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 40 / 41
riferimenti bibliografici
Dosio, A. and Paruolo, P. (2011). Bias correction of the ENSEMBLES
high-resolution climate change projections for use by impact models:
evaluation on the present climate. Journal of Geophysical Research:
Atmospheres, 116(D16).
Gudmundsson, L., Bremnes, J., Haugen, J., and Engen-Skaugen, T. (2012).
Downscaling RCM precipitation to the station scale using statistical
transformations-a comparison of methods. Hydrology and Earth System
Sciences, 16(9):3383.
Piani, C., Weedon, G., Best, M., Gomes, S., Viterbo, P., Hagemann, S., and Haerter,
J. (2010). Statistical bias correction of global simulated daily precipitation
and temperature for the application of hydrological models. Journal of
Hydrology, 395(3-4):199–215.
Willmott, C. J., Robeson, S. M., and Matsuura, K. (2012). A refined index of model
performance. International Journal of Climatology, 32(13):2088–2094.
Palmanova, 7 maggio 2018 G.Bonafè, A.C.Goglio 41 / 41