PROGETTO STRADA · stazioni automatiche per il rilevamento di parametri meteorologici. Ciò...

1

PROGETTO STRADA

Strategie di Adattamento al Cambiamento Climatico per la gestione dei Rischi Naturali nel territorio transfrontaliero

Azione 5:

Caratterizzazione delle precipitazioni estreme in ambito transfrontaliero

2

REPORT FINALE

AZIONE 5: Caratterizzazione delle precipitazioni estreme in ambito transfrontaliero

Partner Capofila: ARPA Piemonte – Dipartimento Sistemi Previsionali

Partner Coinvolti: Regione Lombardia - Direzione Generale Protezione Civile, Prevenzione e Polizia locale Arpa Lombardia – U.O. Servizio Idrografico, Cantone Ticino – Dipartimento del Territorio, Ufficio dei corsi d’acqua

Responsabile dell'Azione: Secondo Barbero - ARPA Piemonte, Dipartimento Sistemi Previsionali

Autori Secondo Barbero , Mariella Graziadei e Milena Zaccagnino Angela Sulis Arpa Lombardia, Servizio Idrografico Angelisa Musolino, Leonardo La Rocca , Regione Lombardia, Protezione Civile Francesco Uboldi Consulente, Novate Milanese Paola Allamano, Elisa Bartolini, Pierluigi Claps, Domenico De Santis, Francesco Laio - Politecnico di Torino, Dipartimento di Ingegneria dell’Ambiente del Territorio e delle Infrastrutture Marzia Ciampittiello, Claudia Dresti, Helmi Saidi - Consiglio Nazionale delle Ricerche, Istituto per lo Studio degli Ecosistemi

1) Obiettivi generali dell’Azione 5

L’analisi e la caratterizzazione statistica delle precipitazioni brevi ed intense in un territorio orograficamente complesso come quello montano delle Alpi occidentali sono complesse. Negli ultimi venti anni si è assistito ad un notevole investimento per incrementare ed integrare le reti di stazioni automatiche per il rilevamento di parametri meteorologici. Ciò sicuramente consente di disporre di un’informazione pluviometrica di maggior dettaglio spazio-temporale rispetto al passato; l’azione si propone di ricongiungere serie pluviometriche storiche con quella recente e successivamente aggiornare la caratterizzazione statistica delle piogge brevi ed intense sul territorio delle Alpi occidentali. Altro obiettivo è quello di analizzare il regime pluviometrico in relazione al “global climate change” che può essere fatto a due livelli: - localmente, attraverso il recupero e la validazione di dati inediti di alcune stazioni di misura caratterizzate da un lungo periodo di funzionamento e l’analisi delle serie temporali di pioggia, - arealmente, attraverso la ricostruzione dei campi di pioggia stimati con i sistemi radar meteorologici presenti nell’area di studio (Monte Lema e Bric della Croce).

DIVULGAZIONE DEI RISULTATI (Sottoazione 5.5)

Tutti i risultati dell’azione verranno sintetizzati in relazioni di sintesi con un taglio d ivulgativo che faranno parte della pubblicazione di progetto. I risultati della caratterizzazione statistica delle precipitazioni brevi ed intense nelle Alpi occidentali (Azione 5.3), saranno messi a disposizione attraverso strumenti web-gis. Verrà creato uno specifico servizio di pubblico accesso che consentirà:

accesso ai dati geografici attraverso funzionalità base GIS di consultazione, analisi, ricerca, di facile utilizzo;

download di dati;

stampa di cartogrammi di sintesi;

consultazione della Meta-documentazione dei Servizi Informativi e dei singoli dati al fine di fornire gli elementi fondamentali per un corretto utilizzo delle funzionalità e delle informazioni presentate.

Il servizio sarà parte integrante dei più ampi servizi GIS On line nell’ambito di portali ambientali istituzionali.

3

2) Descrizione di dettaglio delle Sottoazioni

Sottoazione 5.1: PRECIPITAZIONI BREVI ED INTENSE - Partner referent : Arpa Piemonte - Partecipanti: Arpa Lombardia e Canton Ticino

La sottoazione ha previsto la raccolta e l’integrazione dei massimi annuali di precipitazione breve ed intensa derivanti dalle misure al suolo delle reti pluviometriche del SIMN (Servizio Idrografico e Mareografico Nazionale), delle reti regionali del Piemonte e della Lombardia, delle reti svizzere Federali e del Canton Ticino. Sono stati riorganizzati ed aggiornati, in modo sistematico, i dati pluviometrici raccolti nel periodo compreso tra il 1913 ed il 2006 dai diversi organi preposti al monitoraggio dei dati meteo-climatici, con particolare riferimento al passaggio dalla rete di monitoraggio nazionale gestita dal SIMN alle reti regionali. Particolare attenzione è stata posta nello studio delle precipitazioni estreme (massimi annui di precipitazione per durate pari a 1, 3, 6, 12 e 24 ore) e nella determinazione della curva di probabilità pluviometrica, che ad oggi rappresenta uno strumento necessario per la progettazione idraulica e per la valutazione probabilistica delle portate di piena. Un ulteriore valore caratteristico di precipitazione considerato nel presente studio è rappresentato dalla pioggia media annua, che consente di avere una stima dell'afflusso mediamente ricevuto da un bacino idrografico. Sono state raccolte ed organizzate in un unico database omogeneo le osservazioni relative a:

massime precipitazioni annue per durate pari a 1, 3, 6, 12 e 24 ore raccolte dal Servizio Idrografico e Mareografico Nazionale, da Arpa e dal CNR;

precipitazioni medie mensili, raccolte dal Servizio Idrografico e Mareografico Nazionale;

precipitazioni medie giornaliere, raccolte da Arpa.

Complessivamente sono state considerate 565 stazioni pluviografiche, la cui disponibilità ha subito notevoli variazioni nell'arco temporale di studio, dal 1928 al 2006.

Figura 1: Variazione della numerosità di stazioni pluviografiche attive in Piemonte nel periodo 1928-2006

Figura 2: Variazione della numerosità di stazioni pluviografiche attive gestite dal Servizio Idrografico e Mareografico Nazionale

nel periodo 1928-1996

4

Figura 3: Variazione della numerosità di stazioni pluviografiche attive gestite da Arpa Piemonte nel periodo 1988-2006

Figura 4: Variazione della numerosità di stazioni pluviografiche gestite dal CNR nel periodo 1987-2006

Accorpando le osservazioni fornite dal SIMN per il periodo 1913-2002 e le misurazioni effettuate a seguito

della creazione della rete di monitoraggio regionale per gli anni 1990-2006, sono state determinate le

precipitazioni totali.

5

Sottoazione 5.2: STIMA PRECIPITAZIONE DA RADAR Partner referente: Regione Lombardia Partecipanti: Arpa Lombardia

Contesto scientifico, modelli/metodologie/procedure applicate

Nell’ambito del progetto STRADA Regione Lombardia – UO Protezione Civile ha affidato un incarico di ricerca applicata alla società RSE S.p.A. per la creazione di una banca dati, utile alla stima delle precipitazioni da radar. Partendo da dati forniti dal radar meteorologico del Monte Lema e dai dati pluviometrici a terra della rete fiduciaria regionale, messi a disposizione da ARPA Lombardia, è stato sviluppato un modello di data fusion. Il modello sviluppato è stato applicato ai dati disponibili, sui quali è stato opportunamente tarato e validato, e il risultato ottenuto che fornisce le stime di pioggia su base oraria dal 1997 al 2011 sulla totalità dei territori delle regioni coinvolte nel progetto strategico, con un maggiore dettaglio sulla Lombardia, dove i rilievi a terra erano più frequenti che altrove. La metodologia di calibrazione delle piogge radar è stata sviluppata con lo scopo di migliorare l'annoso problema dello shielding orografico, che degrada la qualità delle misure radar specie sui territori morfologicamente complessi come la Lombardia. In sostanza sono state ricostruite le stime di precipitazione mediante l’uso congiunto di immagini radar e delle osservazioni a terra raccolte degli ultimi tredici anni, utilizzando dati precedentemente sottoposti ad un processo di selezione e validazione e aggiungendo dati che generalmente non sono disponibili in tempo reale perché non teletrasmessi (stazioni meccaniche). Con i risultati ottenuti sono state realizzate delle mappe di precipitazione, tramite metodologie di interpolazione spaziale con finalità di confronto. Infine, sono stati forniti query, applicazioni e specifiche di utilizzo per l’estrazione dei dati dal database in forma scalare e/o aggregata per confronti e statistiche tra le misure. Le query, i programmi e i dati estratti possono essere interfacciati con un sistema Web-GIS. Sono inoltre presenti programmi e relative specifiche di utilizzo per l’alimentazione e l’ampliamento della banca dati con nuovi dati radar e/o pluviometrici.

Collaborando direttamente con R.S.E. ARPA Lombardia ha svolto la propria azione di partnership in particolare nelle attività di: 1. raccolta, organizzazione e fornitura di tutti i dati pluviometrici storici suborari (digitali e digitalizzati) sul

territorio di analisi, identificazione e riduzione dei valori anomali. Il periodo di riferimento è il ventennio 1990-2009, sono stati messi a disposizione dati relativi a 550 siti, costituiti sia dalla rete meccanica acquisiti dal Servizio Idrografico e Mareografico Nazionale (S.I.M.N.) sia dalla rete automatica regionale in telemisura, che avessero almeno il 70% dei dati validi nel ventennio considerato (2010-2011);

2. caricamento ed archiviazione della base dati “STRadar 1997-2011” delle stime di precipitazione ad alta risoluzione spaziale e temporale (2011-2012);

3. test di funzionalità della base dati, analisi della qualità dei dati, progettazione dell’interfaccia cartografica per la divulgazione (2012);

4. pubblicazione del dataset su una interfaccia web-gis e confronto con altri metodi di stima della precipitazione (2013).

6

Figura 5. Localizzazione dei 550 siti di misura della precipitazione della rete SIMN+ARPA

Risultati ottenuti

Stima della pioggia ad alta risoluzione spaziale e temporale: la banca dati STRadar

Nel 2012 ARPA ha preso in carico la banca dati delle precipitazioni orarie dal 01 luglio 1997 al 31 dicembre 2009 sviluppata da RSE. Nel 2012 Regione Lombardia ha affidato un incarico integrativo a RSE, che ha raccolto da ARPA, elaborato ed inserito nella banca dati anche i dati relativi al periodo dal 1 gennaio 2010 al 4 aprile 2011, in un formato omogeneo al precedente. L’intera banca dati finale contiene le stime delle precipitazioni integrate radar-pluviometri con dettaglio orario su grigliato radar 1x1 km e copertura di 400x400 km su un arco temporale di tredici anni. La consultazione dei dati avviene attraverso specifici programmi di estrazione, sviluppati con linguaggi e applicativi gratuiti e open source, i cui algoritmi sono stati pensati nell’ottica della possibilità di ricalibrazione periodica del sistema e dello sviluppo dell’interfaccia web di accesso ai dati, pertanto il prodotto consegnato è corredato dagli strumenti applicativi non solo per visualizzare ma anche per aggiornare la banca dati con nuovi dati pluviometrici e radar acquisibili in futuro, nonché di ricalibrare i autonomamente i parametri del modello. A disposizione degli utenti è stata redatta anche una guida per l’estrazione dei dati ed un resoconto metodologico sintetico della ricerca.

7

Figura 6. Mappa della copertura territoriale e della visibilità dei dati radar+pluvio ricalibrati. Fonte Fonte RSE-Ricerca sul Sistema Energetico

Gli aspetti innovativi del modello di data fusion sviluppato nell’ambito del progetto STRADA sono:

- il modello di regressione lineare utilizzato per la calibrazione, che si avvale della migliore

informazione disponibile a seconda del dato utilizzato: il pattern della precipitazione per il radar e il

volume della precipitazione cumulata per il pluviometro;

- la determinazione di un algoritmo semplice ed efficace per tener conto della diversa qualità del

dato radar nel territorio oggetto della ricerca;

- la determinazione di un algoritmo semplice per tener conto in prima approssimazione della diversa

tipologia di evento pluviometrico da modellizzare, mediante l’uso di coefficienti mensili di

calibrazione;

- la possibilità di ricalibrare il modello se si rendono disponibili ulteriori dati.

8

Figura 7. Problema dello shielding orografico delle misure radar. Fonte RSE-Ricerca sul Sistema Energetico.

Nel corso del progetto ARPA ha utilizzato il dataset per valutare i dati non rilevati alle stazioni nel periodo di riferimento. La banca dati sviluppata nel corso del progetto STRADA è stata ribattezzata “STRadar”; essa copre un territorio sia svizzero che italiano, pertanto si configura come un prodotto progettuale di intesse in ambito transfrontaliero. Il sistema di divulgazione delle informazioni

ARPA Lombardia ha sviluppato un visualizzatore cartografico dedicato alla divulgazione in ambiente web del dataset realizzato nell’ambito del progetto STRADA. I dati sono divulgati con la licenza di utilizzo “Italian Open Data Licence 2.0” e sono corredati dai metadati utili alla loro interpretazione. L’area territoriale sulla quale sono stati pubblicati i dati è la Lombardia idrologica, costituita dal territorio lombardo e dai territori dei bacini extraregionali le cui acque precipitate scorrono sul territorio lombardo: in particolare i bacini di Toce, Ticino, Liro, Poschiavo, Chiese e Sarca. Il sistema è accessibile online dal sito web istituzionale e ha le seguenti caratteristiche: • 4 scale spaziali: punto griglia (area 1x1km2), Comune, Provincia, bacino idrografico; • modalità di visualizzazione degli strati informativi per scenari predefiniti o personalizzabili dall’utente con salvataggio in locale; • possibilità di attivazione e di selezione autonoma da parte dell’utente di tutti gli strati informativi pubblicati; • personalizzazione di classi ed estremi delle scale cromatiche della legenda, personalizzazione dei confini delle unità cartografiche; • sul singolo strato informativo è possibile impostare il livello di trasparenza; • servizi di mappa: localizzatore, zoom, pan, misuratore distanze e aree, selettore singolo; • sfondi e servizi web di Google, Bing e cartografia ufficiale edita da Regione Lombardia, strati informativi relativi ai rischi naturali legati alle precipitazioni intense, inventario dei fenomeni franosi in Lombardia-IFFI, corpi idrici, aree omogenee di allertamento di Protezione Civile. I dati possono essere interrogati in due diverse modalità: come mappe in ambiente gis oppure come serie storiche di un’unità cartografica selezionata. La produzione della mappa avviene attraverso la selezione dei parametri in ambiente cartografico, l’interrogazione della serie storica avviene selezionando l’unità cartografica di intesse a partire dalla mappa, si configura quindi come un ulteriore dettaglio del punto selezionato in ambiente gis.

9

Figura 8. Veste grafica del visualizzatore cartografico delle stime integrate di precipitazione. Estrazione dati cumulati annuali 2000

sul territorio lombardo e interrogazione di un punto griglia.

La consultazione dei dati ha le seguenti caratteristiche: • visualizzazione delle mappe di pioggia orarie o cumulate su un intervallo di tempo definito

dall’utente; • visualizzazione della “visibilità radar” come indicatore della qualità della stima di pioggia; • ambiente di consultazione della serie storica differenziato per tipo di dato: pioggia da

modello di stima integrata radar+misure o da sole misure a terra; • consultazione della serie storica interattiva: possibilità di modificare estremi e aggregazione

temporale, confrontare le due diverse modalità di stima, affiancare i dati di partenza, che pure sono delle elaborazioni originali del dato prodotto dal radar;

• visualizzazione di grafici interrogabili con aggregazione temporale automatica, sezione di visualizzazione dei dati, sezione di esportazione dati, personalizzazione del formato di esportazione in diversi formati.

Le modalità di esportazione dei dati sono due: • esportazione diretta della mappa oraria o cumulata in ambiente gis, con la possibilità di

personalizzazione del sistema di coordinate e del formato dei dati; • esportazione della serie storica dei dati in ambiente di consultazione, con possibilità di scelta

di variabili, estremi temporali, aggregazione temporale, formato dei dati.

10

Figura 9. Ambiente di consultazione della serie storica. Informazioni generali, grafico interrogabile, tabella dei dati, funzioni di

esportazione.

Il servizio di consultazione è libero e gratuito e le richieste dati vengono processate in tempo reale. Accanto alla finestra di esportazione del dato è possibile accedere e scaricare anche tutta la documentazione relativa al dataset. Un aspetto interessante dell’attività di sviluppo del sistema di divulgazione del dataset, che di fatto è stato il primo utilizzo operativo a scala sinottica dei dati, è il feedback positivo che ha avuto sul modello di stima stesso: durante la fase di test sono stati individuati alcuni valori pluviometrici anomali isolati che davano origine ad una sistematica sovrastima della pioggia in circa 300 punti del territorio analizzato. Tali dati, fisicamente non ammissibili, erano localizzati sistematicamente nelle stesse posizioni geografiche e rappresentano probabilmente disturbi definiti in gergo tecnico “clutter”: sono diventati visibili in modo più evidente proprio a seguito delle elaborazioni delle grandezze cumulate giornaliere, mensili e annuali a scala disaggregata e a scala aggregata. Questo ha permesso di mettere a punto in modo condiviso con gli sviluppatori, una modalità operativa di bonifica dei valori anomali, che ha migliorato notevolmente la qualità del dato pubblicato. Il sottoinsieme dei dati con visibilità inferiore ai 4000 metri appare infine di grande utilità per analisi di tipo quantitativo puntale su dati orari e su precipitazioni cumulate inferiori alle 24 ore, individuando quindi con una migliore approssimazione le informazioni quantitative relative agli eventi estremi, tipicamente sottostimati dai soli rilievi a terra. Nei punti con visibilità al di sopra dei 4000 m la stima di precipitazione ha comunque una valenza indicativa e si può utilizzare per analisi climatiche di tipo qualitativo, come la determinazione puntuale di indicatori climatici di soglia basati sulla distinzione pioggia/non pioggia (es. numero di giorni piovosi). Le prospettive future di miglioramento del modello sono possibili con un affinamento della stima di precipitazione laddove la visibilità del radar è al di sopra dei 4000 metri s.l.m., quota sopra la quale la misura remota sottostima la pioggia.

11

Sottoazione 5.3: ATLANTE DELLE PRECIPITAZIONI INTENSE ARPA PIEMONTE

Partner referente: Arpa Piemonte (con la collaborazione del Politecnico di Torino) Partecipanti: Arpa Lombardia, Regione Lombardia

La sottoazione prevede la realizzazione dell’atlante delle piogge intense da utilizzare per calcolare in un qualunque punto del territorio le linee segnalatrici di possibilità pluviometrica (LSPP) di assegnato tempo di ritorno per le durate standard degli annali idrografici.


Piemonte Le variabili di precipitazione sono state spazializzate sull'intero territorio piemontese attraverso l'applicazione del Kriging ordinario, che consente di discretizzare il dominio di studio attraverso una griglia a maglia regolare e di stimare, per ogni punto, un valore della variabile, a sua volta associato ad una varianza di stima. Inoltre, rispetto ad altre metodologie utilizzate per la spazializzazione di variabili, come ad esempio il metodo delle distanze inverse pesate, il Kriging consente una migliore stima dei volumi di pioggia preservando le caratteristiche spaziali dell'evento. L'aspetto innovativo di questo studio consiste nell'applicazione del Kriging a scala annuale e nella determinazione solo successiva dei valori medi e degli indici necessari per la caratterizzazione statistica delle precipitazioni estreme e medie annuali. Durante la spazializzazione viene infatti considerata, di anno in anno, la totalità delle stazioni pluviometriche che presentano una misurazione della variabile in esame, garantendo una massimizzazione dell'informazione disponibile. Le fasi necessarie per l'applicazione del kriging ordinario possono quindi riassumersi in:

ricerca di eventuali relazioni regressive tra la variabile da regionalizzare ed eventuali descrittori (i.e., quota);

determinazione del variogramma campionario;

determinazione del variogramma modello;

definizione della griglia di interpolazione del dominio di studio;

calcolo dei valori della variabile regionalizzata per ogni punto appartenente al dominio. Noti i valori medi regionalizzati delle massime precipitazioni annue per le durate pari a 1, 3, 6, 12 e 24 ore, è possibile calcolare, per ogni punto del dominio di studio, la curva di probabilità pluviometrica media. Inoltre, allo scopo di caratterizzare statisticamente le piogge estreme, è necessario anche determinare gli indici che consentano, a seconda delle formulazioni probabilistiche adottate, di associare ad un determinato evento un tempo di ritorno. Allo scopo di fornire gli strumenti necessari alla caratterizzazione di un maggior numero di modelli probabilistici possibile, si è deciso di determinare, per le medie dei massimi annui di precipitazione per durate pari a 1, 3, 6, 12 e 24 ore:

il coefficiente di variazione, che consente di applicare il metodo della precipitazione indice nell'ipotesi di adottare una distribuzione delle precipitazioni di tipo Gumbel;

gli L coefficienti, da utilizzarsi per la stima dei parametri di un qualsivoglia modello probabilistico, con il metodo degli L momenti.

La curva di probabilità pluviometrica media consente di valutare l’altezza massima di pioggia di assegnata durata che può verificarsi in una determinata zona e viene generalmente espressa per mezzo della formula monomia

L’altezza di pioggia P è espressa in funzione della durata dell’evento meteorico d a meno di due parametri:

12

il coefficiente pluviale orario a, che rappresenta l’altezza media di pioggia caduta in un intervallo di tempo pari ad un’ora;

l’esponente di invarianza di scala n, che governa l’andamento della curva e l’entità della dipendenza dalla durate della precipitazione.

Risultati ottenuti Piemonte La determinazione dei coefficienti della curva di probabilità pluviometrica è stata effettuata considerando sia le medie pesate che le medie aritmetiche delle massime precipitazioni per durate pari a 1, 3, 6, 12 e 24 ore. Il coefficiente pluviale orario a ottenuto dai valori medi pesati di precipitazione è rappresentato in Figura 5. Esso presenta un andamento decrescente rispetto alla quota e assume valori minimi e massimi rispettivamente in corrispondenza della Valle d'Aosta e della Val d'Ossola. Comportamento contrario si riscontra invece per l'esponente di invarianza di scala n, rappresentato in Figura

Figura 5: Coefficiente pluviale orario a ottenuto dal valore medio pesato della precipitazione massima annuale per durate

1, 3, 6, 12 e 24 ore

Figura 6: Esponente di invarianza di scala n ottenuto dal valore medio pesato della precipitazione massima annuale per durate

1, 3, 6, 12 e 24 ore

Per validare la procedura di regionalizzazione applicata nella sottoazione 5.3 per la determinazione della curva di probabilità pluviometrica media si è ritenuto opportuno confrontare i risultati ottenuti con quelli presentati in ricerche affini, come il progetto VAPI. Per quanto riguarda il coefficiente pluviale orario a, le stime ottenute dall'attuale studio e dal progetto VAPI sono sostanzialmente in buon accordo, mentre per quanto riguarda invece l'esponente di invarianza di scala n, le differenze tra i due studi appaiono leggermente più marcate e localizzate. Per validare la procedura di regionalizzazione applicata in questo studio per la determinazione della curva di probabilità pluviometrica media si è ritenuto opportuno confrontare i risultati ottenuti con quelli presentati in ricerche affini, come il progetto VAPI.

13

Il progetto VAPI Piemonte nasce, dapprima in modo informale e in seguito attraverso una convenzione tra la Regione Piemonte ed il Cugri (Consorzio Universitario per la previsione e la prevenzione dei grandi rischi), a seguito di alcune alluvioni del fiume Tanaro, con lo scopo di caratterizzare il rischio idrogeologico nel territorio regionale.

Figura 7. Mappe dei parametri medi della curva di probabilità pluviometrica come desunti dal Vapi; a) parametro a; b) parametro n.

I risultati della regionalizzazione dei parametri della curva di probabilità pluviometrica desunti dal progetto VAPI appartengono ad una griglia quadrata di lato pari a 5 km proiettata secondo il sistema di riferimento Gauss Boaga. Per permettere il confronto con i valori determinati nel presente studio è stato necessario ricampionarli e riproiettarli in modo da ottenere due griglie omogenee e confrontabili. Per quanto riguarda il coefficiente pluviale orario a, le stime ottenute dall'attuale studio e dal progetto VAPI

sono sostanzialmente in buon accordo, con differenze comprese nell'intervallo -19.4 15.7 mm). Le principali differenze, di segno negativo, si osservano nel Verbano-Cusio-Ossola e sul territorio ligure, indicando una possibile sottostima nel modello di regionalizzazione proposto. Tuttavia, considerando la maggiore quantità di dati a disposizione in questo studio, che si avvale anche del raddoppio della rete di monitoraggio del CNR, è lecito aspettarsi che i risultati attuali siano maggiormente rappresentativi del reale andamento delle precipitazioni estreme nell'Alto Piemonte. Per quanto riguarda invece l'esponente di invarianza di scala n, le differenze tra i due studi appaiono

leggermente più marcate (comprese nell'intervallo -0.13 0.14) e localizzate, essendo di segno negativo nelle aree montane e di segno positivo sulla Pianura Padana (Figura 9 )

14

Figura 8: Differenza tra il coefficiente pluviale orario a come stimato nel presente studio e nel VAPI

Figura 9 Differenza tra l'esponente di invarianza di scala n come stimato nel presente studio e nel VAPI

Lombardia


La caratterizzazione delle piogge intense e l’evoluzione della rete osservativa

Le linee segnalatrici di possibilità pluviometrica, note anche come curve di possibilità pluviometrica o climatica, sono uno strumento applicativo consolidato in idrologia, sulle quali esiste ampia letteratura e che trovano applicazione nella progettazione degli interventi di difesa dalle piene fluviali, nella zonazione del rischio idraulico-idrogeologico in funzione del luogo e del tempo di ritorno dell'evento di precipitazione, nonché nella valutazione a posteriori dell’intensità di un evento occorso. Il contesto in cui ARPA Lombardia ha svolto le attività progettuali di aggiornamento della descrizione statistica delle precipitazioni intense è quello della presenza di una base di dati strumentali già consolidata, costituita dalle osservazioni delle piogge massime annue di fissata durata di 1, 2, 3, 6, 12 e 24 ore per 105 stazioni meccaniche del Servizio Idrografico e Mareografico Nazionale, già utilizzate per lo sviluppo di un’attività di caratterizzazione statistica del territorio regionale mediante un modello scala-invariante secondo la distribuzione probabilistica GEV (Generalized Extreme Value), che ha prodotto la parametrizzazione delle LSPP su 69 punti strumentati e da questi su tutto il territorio regionale tramite tecniche di estrapolazione geostatistica (6); questo servizio è attualmente operativo e accessibile su piattaforma web-gis sul sito web istituzionale di ARPA (http://idro.arpalombardia.it). Le tipologie di dati che con il progetto STRADA sono stati integrati hanno una struttura differente ma complementare, si riassumono di seguito le rispettive caratteristiche principali:

http://idro.arpalombardia.it/

15

osservazioni storiche: ampia copertura temporale (1929-2001); ridotta copertura territoriale (69 siti del dataset esistente + 31 siti aggiunti); distribuzione spaziale non uniforme, più concentrata in aree montane; dati raccolti su supporto cartaceo e trasposti in formato digitale, con possibilità di imprecisione nella resa digitale; dati consolidati con un processo di selezione, digitalizzazione e validazione accurato, nonché direttamente certificati quando reperiti da pubblicazioni ufficiali; osservazioni raccolte su stazioni costantemente presidiate da osservatori volontari, che effettuano con frequenza settimanale le operazioni di pulizia e di piccola manutenzione, ma che non hanno la formazione e la strumentazione per intervenire tempestivamente in caso di guasti; strumentazione omogenea costituita da pluviometri a bascula con bocca tarata da 1000 cm2.

osservazioni recenti: ridotta copertura temporale (1987-2011); ampia copertura territoriale (251 siti); dati raccolti direttamente in formato digitale da stazioni automatiche, senza necessità di interventi manuali per la loro trasposizione in formato informatico; dati sottoposti a validazione semiautomatica soltanto per l’eliminazione di valori anomali (fondoscala strumentali); stazioni non presidiate ma generalmente sottoposte a controlli semestrali di manutenzione programmata e a tempestivi interventi di risoluzione dei guasti; equipaggiamento strumentale non omogeneo, costituito da pluviometri a bascula con bocche tarate di diametri differenti, da 400 a 1000 cm2.

L’atlante delle precipitazioni intense

La parametrizzazione delle linee segnalatrici sviluppata per Arpa Lombardia da De Michele et al.(6) è stata migliorata, mantenendo valide alcune scelte metodologiche già consolidate nel prodotto operativo esistente, in particolare si sono conservati: - il principio di invarianza di scala, illustrato in Burlando e Rosso, 1996 (3); - la distribuzione di probabilità del valore estremo a tre parametri, la Generalized Extreme Value (GEV), come tra l’altro suggerito anche da Braca et al.,2013 (1), in buon accordo con i dati campionari utilizzati per il territorio in esame, valutata analiticamente più adatta della distribuzione di Gumbel per la descrizione statistica dei punti più vicini ai confini regionali, in particolare quelli ad orografia complessa; - la stima dei parametri della distribuzione mediante la tecnica operativa degli L-moments. Da un’analisi di sensitività sulle diverse tecniche di stima non si sono comunque rilevate differenze significative in termini operativi sul risultato finale per l’area in esame. Si è deciso invece, come detto, di migliorare la stima dei parametri al di fuori dei punti strumentati, sviluppando un vero e proprio modello di stima interpolato spazialmente. L’approccio tradizionale si basava sulle seguenti assunzioni: a) la serie storica rilevata in un punto ha un’area di influenza, nella quale si propagano le proprietà statistiche di quel punto; b) più lunghe sono le serie storiche puntuali maggiore è la qualità della mappa risultante, con la conseguente inutilizzabilità delle serie corte; c) da ogni serie puntuale di dati osservati si ottiene 1 solo set di parametri; nell’interpolazione spaziale tutti i singoli set hanno egual peso, indipendentemente dalla numerosità del campione osservativo di partenza, a patto che sia superiore alla soglia alla quale si ipotizza la “stabilità della statistica” (in genere almeno 25 anni); d) l’incertezza della stima spaziale varia a seconda della struttura territoriale della rete ma non è quantificabile. Dal punto di vista operativo questo approccio forza la rete osservativa a conservare nel tempo una struttura rigida: i siti di misura diventano quei punti fiduciari sui quali raccogliere dati per far crescere il campione osservativo locale, nonostante il territorio intorno evolva nella destinazione d’uso e in generale nelle caratteristiche morfologiche, con risvolti sul microclima locale, mentre i nuovi punti di misura diventano significativi e possono essere utilizzati solo dopo molto tempo dall’installazione. Quando un punto osservativo rimane fisso ma il territorio che rappresenta muta, ciò impatta anche sulla qualità della misura e sull’omogeneità della serie storica dei dati, e lo si vede bene analizzando i dati stessi: tipico è il caso della stazione climatica installata a inizio XX Secolo in ambiente rurale o periurbano che, con il trascorrere degli anni viene a trovarsi in ambito periurbano e urbano, in Lombardia un esempio noto in

16

letteratura è Milano Brera. L’osservazione di oggi rappresenta un fenomeno meteorologicamente paragonabile a quello, nello stesso punto, di un secolo fa. I valori estremi annui raccolti all’inizio del periodo di osservazione sono confrontabili con quelli alla fine del periodo oppure il sito di misura ora rappresenta un’area con caratteri anche meteorologici e climatici differenti. L’approccio climatologico classico, proposto in (3), (16)-(18), seleziona alcuni siti particolarmente fortunati, protetti e ricchi di informazioni e su quelli effettua una accurata analisi di omogeneità, in particolare su dati aggregati a scale superiori alle 24 ore, mentre non è ancora consolidata in letteratura una metodologia di valutazione dell’omogeneità di dati pluviometrici estremi sub-giornalieri. Accanto a queste considerazioni di contesto si noti come la rete strumentale di ARPA abbia dovuto comunque inseguire i mutamenti del territorio regionale ed evolvere nel tempo, con adeguamenti strumentali (da stazioni meccaniche ad automatiche in telemisura) e con l’aggiunta di ulteriori punti osservativi, fatto che, per il monitoraggio delle piogge intense, rappresenta una evoluzione in positivo, poiché una maggiore densità osservativa permette di individuare più frequentemente quei fenomeni estremi fortemente localizzati come i nubifragi.

Figura 12. Confronto tra Lodi (blu) e Cremona (rosso). A sinistra la serie dei massimi di durata un’ora delle due stazioni, distanti circa

40 km in una vasta area di pianura, e che quindi si presume essere meteorologicamente omogenee, hanno un andamento simile e differisce solo per due anni, nei quali probabilmente per ragioni casuali il centro di scroscio dell’evento critico di un’ora era più vicino

a Cremona piuttosto che a Lodi. Ciò si riflette, nell’approccio tradizionale, in linee segnalatrici molto diverse, specie al crescere dei tempi di ritorno.

Tale struttura in fieri della rete di monitoraggio istituzionale si riflette nella struttura della base dati di cui al paragrafo precedente, per la cui gestione si è definito quindi un approccio metodologico più adatto, basato sulle seguenti assunzioni: a) per determinare una statistica in un punto si tiene conto di tutti i dati osservati nell’intorno, che sia o meno presente un dato rilevato nel punto stesso, pertanto si possono stimare statistiche su tutti i punti del territorio in una griglia regolare; b) l’abbondanza di dati deve essere valutata in termini sia di lunghezza temporale della serie puntuale sia di copertura territoriale dei punti di osservazione. Applicando questo principio per determinarne analiticamente i parametri della distribuzione statistica si sono generate serie sintetiche di osservazioni su ogni punto della griglia, ottenute a partire dai dati osservati nell’intorno, pesandoli in funzione della distanza dal punto stesso e della durata della serie storica. Questa tecnica è stata definita sinteticamente “multi bootstrap spaziale”(Uboldi et.al (18)); c) è possibile assegnare ad ogni stima puntuale una valutazione quantitativa dell’incertezza, sulla base di parametri statistici ottenuti dalle serie sintetiche simulate con il multi bootstrap, fornendo quindi all’utente specializzato una informazione fondamentale per l’uso applicativo del dato stesso e al gestore della rete di monitoraggio indicazioni sulle performance della rete osservativa nella valutazione statistica degli eventi estremi.

Adattamento al cambiamento climatico

17

Un ultimo necessario passaggio è stata l’analisi dell’evoluzione temporale della base dati, per la verifica dell’ipotesi di lavoro di stazionarietà degli estremi pluviometrici, che sta alla base delle linee segnalatrici. Preliminare alla stazionarietà è stato necessario valutare l’omogeneità delle osservazioni, presupposto necessario per la corretta valutazione della stazionarietà stessa. Si è utilizzato l’approccio metodologico proposto da Klein Tank et al, 2009 (9), secondo cui l’omogeneità, specie su un dato climatico molto disaggregato temporalmente, va valutata su una scala territoriale più ampia di quella puntuale, estendendo l’analisi ad una visione areale. Si sono così determinate alcune aree del territorio lombardo che si possono ritenere omogenee dal punto di vista degli eventi pluviometrici estremi: 1) Alta Valtellina da Tirano (AVT); 2) Varese, Como, lago di Como fino a Colico, esclusa Valchiavenna (CoVa); 3) Pianura Padana Lombarda Occidentale (WP); 4) Pianura Padana Lombarda Orientale (EP).

Figura 13. Individuazione delle aree meteoclimatiche omogenee sulle quali è stata effettuata l'analisi di omogeneità.

Si è esteso l’approccio di “cross validation”, definito in Lussana et al, 2010 (10), Uboldi et al, 2008 (12) e già applicato in Ranci e Lussana, 2009 (11) sul controllo di qualità delle osservazioni meteorologiche della rete istituzionale, al confronto tra le distribuzioni dei dati di ogni singola serie con la distribuzione di tutte le altre stazioni della stessa area nello stesso periodo. La cross validation è stata utilizzata sia per la determinazione dell’appartenenza delle osservazioni alle aree stesse, sia per il confronto, nel tempo, dell’andamento dei dati all’interno dell’area omogenea. In sintesi si sono confrontate tra loro diverse distribuzioni campionarie di dati: se le distribuzioni sono tra loro omogenee i parametri statistici campionari non possono essere troppo differenti, in particolare si è ipotizzato che gli interquartili (25%-75%) delle distribuzioni campionarie debbano sovrapporsi. In questa maniera sono stati individuati ulteriori dati non omogenei, che sono stati esclusi dal dataset operativo per la stima delle linee segnalatrici di possibilità pluviometrica. L’analisi di omogeneità per aree è stata effettuata alla ricerca di un sottoinsieme di dati omogenei, sul quale poter valutare la stazionarietà del fenomeno. In particolare sono state indagate le seguenti possibili cause di disomogeneità:

- errori grossolani; - equipaggiamento delle stazioni (automatiche vs meccaniche, ampiezze delle bocche tarate); - posizionamento della stazione (urbano-rurale, fasce di quota); - digitalizzazione dati (da Annale, da carta diagrammata, già in formato digitale); - manutenzione delle stazioni (stazioni coperte dal servizio vs stazioni non coperte).

Risultati ottenuti

La base dei dati strumentali

Il primo fondamentale risultato ottenuto con il progetto STRADA è stato l’aggiornamento ed il miglioramento della base dati delle precipitazioni intense di fissata durata, da 1 a 24 ore.

18

La base dati di partenza era costituita da 2753 osservazioni provenienti dalle citate 69 stazioni meccaniche, in parte digitalizzate dai diagrammi cartacei presenti presso l’archivio cartaceo storico e in parte riprese dalle pubblicazioni ufficiali del servizio (Annali Idrologici), riferite al periodo 1929-2001. La base dati è stata integrata con nuove digitalizzazioni di stazioni storiche e soprattutto con tutte le osservazioni provenienti dalle stazioni pluviometriche automatiche in telemisura di attuale proprietà dell’Agenzia. Il dataset così ottenuto è costituito da 5436 osservazioni, provenienti da 351 siti, 251 dei quali equipaggiati con pluviometri automatici e 100 equipaggiati con pluviometrografi meccanici.

Figura 14. Copertura territoriale. A sinistra il dataset pre-STRADA di sole osservazioni meccaniche, a destra il dataset post-STRADA. In blu le stazioni con meno di 10 anni, in arancio quelle con pari o più di 10 anni. I triangoli rappresentano le stazioni della rete

automatica in telemisura, i circoli le stazioni della rete meccanica e i dati pubblicati sugli Annali Idrologici.

Le caratteristiche del nuovo dataset realizzato con il progetto STRADA sono: - maggiore copertura temporale, in particolare con un notevole incremento di dati relativi al ventennio 1990-2010; - maggiore copertura territoriale: da 69 a 351 siti, con un aumento pari a 5 volte i siti del dataset precedente; - migliore omogeneità e qualità dei dati: sono stati scartati a priori i valori anomali perché al di fuori di estremi di affidabilità strumentale, gli outlier, i dati insufficienti perché incompleti e i dati disomogenei; - inferiore lunghezza media delle serie: da una lunghezza media di 40 anni per stazione si è passati ad una di 15.5 per stazione, la mediana della lunghezza delle serie storiche è passata da 37 a 8 anni; - distribuzione temporale non omogenea delle osservazioni: il nuovo dataset contiene il 50% delle osservazioni negli ultimi 20 anni, a partire dal 1989, mentre il restante 50% si distribuisce con un andamento leggermente crescente nel numero di osservazioni/anno nei precedenti 60 anni, tra il 1929 e il 1988; a partire dal 1995 si inizia stabilmente a raccogliere circa 100 osservazioni valide all’anno.

19

Figura 15. Distribuzione temporale delle osservazioni. In ascissa gli anni, in ordinata il numero di osservazioni. Si noti che il dataset esistente è stato integrato soprattutto, ma non solo, a partire dal 1987, principalmente con dati da stazioni automatiche.

La necessità di integrare la base dati esistente con quanto raccolto negli ultimi 10-20 anni, tenendo conto che dal punto di vista climatico si tratta del periodo più interessante, si è scontrata con un mutamento profondo del campione statistico. Ne è scaturita la necessità di rivedere l’algoritmo di interpolazione spaziale in modo che potesse tener conto non soltanto delle lunghe serie storiche, potenzialmente più ricche di eventi rari, ma anche delle serie di breve durata, specie recenti, molto più numerose e spazialmente distribuite rispetto alle precedenti, che in contesto di cambiamento climatico sono quelle di maggior interesse perché più rappresentative del comportamento recente del clima.

Figura 16. Numero di siti del dataset attuale per lunghezza della serie storica in anni. Si noti che gli anni possono non essere consecutivi, perché vengono scartati dati raccolti da campioni incompleti. La lunghezza media è di 13 anni, la mediana di 7 anni, il

valore più frequente (moda) è 8 anni.

La parametrizzazione delle linee segnalatrici di possibilità pluviometrica

Il nuovo atlante delle piogge intense è stato calcolato puntualmente su una maglia di 1kmx1km in forma esplicita per durate da 1 a 24 ore e per tempi di ritorno dai 10 ai 200 anni. Si rendono disponibili all’utente esperto anche i valori dei parametri e dei quantili della distribuzione GEV per ogni punto-griglia, che permettono da una parte la determinazione della massima altezza di pioggia temibile per un qualsivoglia

20

tempo di ritorno e dall’altra la valutazione del tempo di ritorno di un evento estremo occorso. Quest’ultima valutazione viene già pubblicata in tempo reale durante gli eventi pluviometrici e ha quindi risvolti operativi nell’ambito del monitoraggio ai fini di protezione civile. Infine la caratterizzazione statistica delle piogge intense potrà essere utilizzata in ambito di pianificazione delle emergenze per definire in modo più robusto le soglie di criticità pluviometrica, non soltanto in fase di previsione meteorologica ma anche in fase di monitoraggio e sorveglianza.

Figura 17. Si riporta a titolo esemplificativo l’andamento su tutti i punti griglia delle altezze di pioggia temibili di durata pari 3 ore per tempo di ritorno di 100 anni.

E’ in corso di valutazione la frequenza di aggiornamento dell’atlante, si ritiene che un periodo di 5 anni sia un buon compromesso tra l’arricchimento di dati e l’evoluzione del clima alla scala regionale. Un ulteriore prodotto progettuale ottenuto è una più precisa e puntuale assegnazione delle coordinate e della quota ai punti osservativi della rete, semplice sulla rete attuale e più complicato sulle reti storiche, specie quando le stazioni sono state rimosse e non c’è traccia di metadati negli archivi. Tale risultato è infatti un prerequisito necessario per un’applicazione soddisfacente del metodo di stima sviluppato che sebbene possa rilassare il concetto di continuità della serie storica osservata, necessita del posizionamento preciso nello spazio dei dati. Le fonti delle informazioni sono state anche di carattere “non convenzionale”, come per esempio il servizio web Google Maps, con il quale sono stati effettuati “sopralluoghi virtuali”, e l’ultima pubblicazione ufficiale n. 27 del Servizio Idrografico e Mareografico Nazionale (15), aggiornata al 1970 e fedele riproduzione della posizione delle stazioni su una mappa georeferenziata del territorio italiano dell’epoca.

21

Figura 18. Il testo e soprattutto la cartografia della Pubblicazione 27 del Servizio Idrografico (15) sono stati utilizzati come fonte per il posizionamento nello spazio di dati pluviometrici, specie di stazioni ormai dismesse, con dati riferiti agli anni '70.

I dati, i parametri e i quantili delle distribuzioni sono disponibili dal 1 luglio 2013 online gratuitamente per l’utenza sul sito web istituzionale dell’agenzia.

Figura 19. Sopralluogo virtuale al campo di stazioni meteorologiche e climatiche di Lago Cancano, mediante il servizio maps di Google.

22

L’analisi di stazionarietà e le raccomandazioni gestionali sulla rete di monitoraggio

L’analisi di omogeneità è stato un passo metodologico complesso, ha presentato difficoltà non solo operative ma anche di interpretazione dei risultati ottenuti. L’approccio di lavoro alla scala areale ha permesso innanzitutto di confermare il comportamento meteoclimatico differente delle diverse aree individuate relativamente agli eventi pluviometrici estremi.

Figura 20. Distribuzione delle osservazioni nelle quattro aree meteoclimatiche individuate. La durata di 3 ore, mostrata nel grafico a sinistra, è rappresentativa degli eventi a maggior carattere convettivo (temporali), la durata di 24 ore, mostrata nel grafico a destra,

è rappresentativa degli eventi stratiformi.

Un altro importante risultato progettuale è stato ottenuto con l’uso della cross validation “estesa” applicata al dataset degli estremi pluviometrici di fissata durata, che da un lato ha dato conferma della qualità di gran parte delle serie storiche e dall’altro ha permesso l’individuazione analitica delle osservazioni sulle quali affinare l’analisi di qualità del dato. A titolo esemplificativo si riporta il caso della stazione di Bellano, che possiede una serie storica particolarmente lunga (1933-1997), ma che non ha superato i test di cross-validation, né all’interno dell’area omogenea di appartenenza, né a confronto con tutti i restanti dati del dataset. L’analisi dei metadati della stazione ha rivelato che l’ultima ricognizione fotografica, effettuata negli anni ‘90, ha individuato il sito di misura come non più idoneo, da cui probabilmente la chiusura della stazione e l’interruzione delle rilevazioni.

Figura 21. Il caso della stazione di Bellano. A sinistra il confronto tra il box plot ottenuto dalle 62 osservazioni raccolte nel sito e il corrispondente delle restanti stazioni attribuite all’area Como-Varese. Si noti che la distribuzione campionaria di Bellano è

distribuita significativamente al di sotto quella ottenuta con i restanti dati osservati nell'area omogenea. La ragione di tale sottostima risiede probabilmente nella posizione del sito di misura, visibile nella foto a destra, scattata negli anni ’90.

23

Sono emerse chiaramente alcune raccomandazioni operative sulla gestione delle reti osservative, e sono da considerarsi un risultato progettuale. Si riassumono qui le più significative relativamente alla realtà lombarda: - per un buon monitoraggio degli eventi intensi è importante che la dotazione strumentistica della rete sia omogenea: in aree soggette a nubifragi, come quella di Como-Varese, i pluviometri con bocca tarata da 400 cm2 hanno sottostimato sistematicamente gli eventi intensi; - è importante tenere traccia strutturata dei metadati relativi alla dotazione strumentale, alla manutenzione, alla posizione della stazione e al contesto nel quale è posizionata; - è importante che il posizionamento di un sito di misura sia periodicamente verificato come idoneo allo scopo.

Figura 22. Nell'area meteoclimatica di Como-Varese le osservazioni raccolte dalla rete meteorologica di qualità dell'aria presentano una sistematica sottostima degli estremi, probabilmente per una dotazione strumentale non adeguata allo scopo (bocca tarata da

400 cm2).

Lo studio dell’andamento temporale delle distribuzioni ha effettivamente evidenziato elementi di non stazionarietà nel dataset, dovuti sia all'evoluzione nel tempo della rete osservativa, che a variazioni temporali climatiche, anche se rimane difficile discriminare tra tendenze stabili e oscillazioni di medio periodo (multidecadali). Ad esempio nell'area meteoclimatica 1 (Alta Valtellina) il numero di stazioni osservative è aumentato progressivamente dagli anni '40 agli anni '80, e in modo più drastico nel periodo successivo. A questo è probabilmente legato l'aumento nel tempo, effettivamente riscontrato, della frequenza di eventi intensi: una variazione climatica non può essere confermata o esclusa in questo caso. Nell'area meteoclimatica 2 (Como-Varese), invece, l'analisi delle sole stazioni meccaniche, la cui densità spaziale è rimasta pressoché costante dagli anni '50 fino alla loro dismissione (2004), permette di evitare questo problema. In questo caso si riscontra un evidente aumento nel tempo della variabilità nella distribuzione dei massimi, soprattutto per le durate più lunghe tra quelle analizzate, 12 e 24 ore. Essendo stato possibile escludere anche le altre possibili cause prese in esame di non stazionarietà legate al dataset, e in assenza di altre ipotesi, questa variazione va attribuita al clima. Entrambi gli ordini di motivi, variazioni del dataset e variazioni propriamente climatiche, portano, dal punto di vista operativo, all'opportunità di impostare revisioni periodiche dell'atlante delle precipitazioni intense, come si è detto nella sezione 5.3.2.2.

24

Bibliografia e riferimenti 1. G. Braca, M. Bussettini, B. Lastoria, S. Mariani, Linee guida per l'analisi e l'elaborazione statistica di base delle serie storiche di dati idrologici, Pubbl. 84/2013 dell’Istituto Superiore per la Protezione dell’Ambiente ISPRA (http://www.isprambiente.gov.it/files/pubblicazioni/manuali-lineeguida/MLG_84_2013.pdf)

2. M. Brunetti, G. Lentini, M. Maugeri, T. Nanni, C. Simolo, J. Spinoni, 2009. 1961-1990 high-resolution northern and central Italy monthly precipitation climatologies. Advances in Science and Research.

3. P. Burlando, R. Rosso, 1996. Scaling and multiscaling models of depth-duration-frequency curves of storm precipitation. Journal of Hydrology, 187, 45_64.

4. M. Cislaghi, C. De Michele, A. Ghezzi, R. Rosso, 2005. Statistical assessment of trends and oscillations in rinfall dynamics: analysis of long daily italian series. Atmospheric Research, 77, 188_202.

5. S. Coles, 2004. An introduction to statistical models of extreme values. Springer.

6. C. De Michele, R. Rosso, M. C. Rulli, 2005. Il regime delle precipitazioni intense sul territorio della Lombardia. Technical report, ARPA Lombardia, Milano.

7. J. R. M. Hosking, 1990. L-moments: analysis and estimation of distributions using linear combinations of order statistics. Journal of the Royal Statistical Society, 52B, 105_124.

8. F. A. Isotta, C. Frei, V. Weilguni, M. Per£ec Tadi¢, P. Lasségues, B. Rudolf, V. Pavan, C. Cacciamani, G. Antolini, S. M. Ratto, L. Maraldo, S. Micheletti, V. Bonati, C. Lussana, C. Ronchi, E. Panettieri, G. Marigo, G. Verta£nik, 2013. The climate of daily precipitation in the alps: development and analysis of a high-resolution grid dataset from pan-alpine rain-gauge data. International Journal of Climatology, Submitted. 17

9. M. G. Klein Tank, F. W. Zwiers, X. Zhang, 2009. Guidelines on analysis of extremes in a changing climate in support of informed decisions for adaptation. WCDMP-72, WMO-TD, 1500.

10. C. Lussana, F. Uboldi, M. R. Salvati, 2010. A spatial consistency test for surface observations from mesoscale meteorological networks. Quarterly Journal of the Royal Meteorological Society, 136, 1075_1088.

11. M. Ranci, C. Lussana, 2009. An automated data quality control procedure applied to a mesoscale meteorological network. In: 9th EMS Annual Meeting, 9th European Conference on Applications of Meteorology (ECAM) Abstracts, held Sept. 28-Oct. 2, 2009 in Toulouse, France. http://meetings.copernicus.org/ems2009/, id. EMS2009-335. p. 335.

12. F. Uboldi, C. Lussana, M. Salvati, 2008. Three-dimensional spatial interpolation of surface meteorological observations from high-resolution local networks. Meteorological Applications, 15, 331_345.

13. F. Uboldi, A.Sulis, C.Lussana, M.Cislaghi, M.Russo, 2013. A spatial bootstrap technique for parameter estimation of rainfall annual maxima distribution, in corso di sottomissione. Per info: [email protected].

14. S. Wilks, 2011. Statistical Methods in the Atmospheric Sciences, 3rd Edition. Elsevier.

15. Servizio Idrografico Italiano, 1976. Elenco delle stazioni termopluviometriche del Servizio Idrografico Italiano (situazione al 1970), Pubblicazione n.27 del Servizio.

16. Z. W. Kundzewicz and A. Robson, 2000, World Climate Programme – Water, Detecting trend and other changes in hydrological data, WCDMP – 45, WMO/TD-No. 1013, Geneva, May.

25

17. Xiaolan L. Wang ET AL.,2010, New techniques for detection and adjustment of shifts in daily precipitation data series, J. APPL. METEOR. CLIMATOL.

18. Xiaolan L. Wang ET AL.,2007. Changepoint Detection in Periodic and Autocorrelated Time Series, JOURNAL OF CLIMATE, VOL 20.

26

Sottoazione 5.4: ANALISI LUNGHE SERIE STORICHE

Partner referente: Arpa Piemonte (con la collaborazione del CNR-ISE Istituto per lo Studio degli Ecositsemi)

La sottoazione ha previsto analisi statistiche su lunghe serie di pioggia con dettaglio sub-orario, al fine di analizzare anche gli eventi di breve durata e forte intensità che giocano un ruolo fondamentale nei processi di instabilità di versante, nella formazione delle colate detritiche e nella formazione delle piene improvvise.


La ricerca di trend nelle serie storiche di eventi estremi è diventata un tema di particolare interesse, sia perché la loro presenza potrebbe rappresentare un segnale del cambiamento climatico in atto, sia perché la conoscenza dell’evoluzione nel tempo può diventare uno strumento di supporto nella definizione di possibili scenari futuri, nella pianificazione e nella gestione delle risorse di un territorio. La conoscenza di eventuali trend, infine, permette di evidenziare la presenza di serie climatologiche non stazionarie nella prospettiva di un miglioramento della qualità dei modelli previsionali. Nella sottoazione5.4 ci si è occupati della raccolta delle serie storiche di precipitazioni brevi e intense e del recupero di dati cartacei (per periodi superiore ai 50 anni) tramite la loro digitalizzazione e validazione, e dell’approfondimento delle tecniche e dei metodi di analisi statistica per gli eventi piovosi estremi e per le lunghe serie temporali.

Raccolta di dati

Le stazioni su cui si è concentrata la digitalizzazione, la verifica e l’analisi di lunghe serie temporali, (tabella 1) sono state scelte tra quelle a disposizione di ARPA Piemonte e quelle ubicate all’interno del bacino del Lago Maggiore, a disposizione del CNR-ISE (stazione di Pallanza).

Tabella 1. Anagrafica sintetica delle stazioni digitalizzate

Anni digitalizzati Stazione Provincia Coordinate

UTM_X

Coordinate

UTM_Y

Quota

(m s.l.m.)

Bacino di appartenenza

1951-1991 Pallanza VB 465025 5086015 211 Lago Maggiore

1933-2003 Bra CN 406484 4950575 290 PO

1927-2003 Vercelli VC 450608 5020448 135 SESIA

1939-2003 Lombriasco TO 392207 4965614 241 PO

Queste stazioni sono state selezionate tra quelle caratterizzate da un lungo periodo di funzionamento (superiore a 40 anni) e quelle dotate di misurazione pluviografica. Per ciascuna stazione si sono cercate informazioni circa la tipologia di strumenti utilizzati nel tempo, eventuali cambiamenti nella loro posizione, o del tipo di strumento, visto l’elevato numero di anni da analizzare; questo al fine di interpretare al meglio i dati digitalizzati, valutando se cambiamenti nel trend o nelle caratteristiche pluviometriche dell’area, siano dovute ad un effettivo cambiamento climatico o invece all’effetto dei cambiamenti strumentali avvenuti negli anni. Dall’analisi dei dati digitalizzati, per quanto riguarda le piogge da 1 a 12 ore e sub-orarie, per tutte e quattro le stazioni oggetto di studio, non si sono rilevate particolari influenze o effetti dovuti al cambiamento nella posizione o nel sito della stazione di misura, o della sensibilità strumentale. Il recupero dei dati cartacei disponibili per le quattro stazioni riportate in tabella 1, è quindi stato effettuato attraverso la loro digitalizzazione e validazione, al fine di ottenere lunghe serie continue di dati di pioggia a passo temporale elevato. Sono stati utilizzati programmi adatti alla conversione dei dati di pioggia da un formato

27

cartaceo a un formato digitale per recuperare in tempi rapidi la grande quantità di informazioni registrate sui pluviogrammi. I programmi utilizzati per la lettura automatica sono:

GetData Graph Digitizer (http://getdata-graph-digitizer.com).

Plot2Data: Software sviluppato dal CNR-ISAC per la digitalizzazione automatica di serie temporali registrati su cartogrammi (Leonardi et al., 2006).

Si sono lette manualmente tutte quelle strisce che per diversi motivi non potevano essere lette in modo automatico con nessuno dei due software scelti; ad esempio non è stato possibile leggere quelle non ben conservate, o che hanno presentato tracce di muffa oppure quelle con linee scolorite dal tempo. Sono stati riscontrati diversi tipi di modelli cartacei, tra cui:

modello1: foglio settimanale, pluviografo a bascula con tic di 0.2 mm fondo scala 10 mm con inversione del senso di tracciamento.

modello2: foglio singolo con durata variabile, pluviografo a bascula con tic di 1 mm, scala orizzontale illimitata (entro il limite della carta), ritorno della penna ogni 24 ore con inversione del senso di tracciatura.

modello3: foglio settimanale, avanzamento costante, fondo scala 10 mm con ritorno veloce della penna a zero.

Sono stati riscontrati diversi fattori limitanti nella corretta digitalizzazione dei dati , tra cui:

La conservazione del supporto cartaceo rappresenta un fattore critico. Con il passare degli anni, la carta si impolvera e si rovina, mentre le tracce sbiadiscono e diventano sempre meno leggibili.

A volte lo stato di conservazione di questo supporto non consente neanche la lettura ad occhio del valore di precipitazione.

In alcuni casi le tracce presentano “vuoti” maggiori di due ore (settimanali in un cartogramma).

Alcune tracce sono confuse con altre, a volte con i segni dell’operatore, e si nota la presenza di molti spot (macchie) ad esempio di inchiostro e/o di muffa.

Inoltre si sono trovati casi di saturazione, ovvero segni vicinissimi di salita e discesa del pennino sulla carta; fotocopie di pessime qualità, grandi macchie e doppie tracce.

In tutti questi casi il software automatico di lettura (Plot 2Data) non è in grado di restituire valori corretti e coerenti e risulta necessaria una lettura manuale, quindi:

Lunghi tempi di acquisizione. Metodologia

La scelta della metodologia di analisi dei dati digitalizzati, è stata fatta dopo una ricerca bibliografica approfondita. L’Organizzazione Mondiale di Meteorologia (OMM o WMO) distingue le variazioni a lungo termine in due grandi categorie o classi (Apadula e Cortesi, 2009), in altre parole in “trend” e in “change point”. I segnali della prima classe si riferiscono a mutamenti caratterizzati da una graduale crescita o decrescita del valor medio e/o della varianza, mentre quelli della seconda riguardano cambiamenti bruschi e permanenti di tali grandezze. Le finalità del lavoro di analisi sono state quelle di individuare e valutare le eventuali variazioni climatiche di alcuni aspetti specifici dei fenomeni piovosi, con particolare riguardo alle precipitazioni molto intense, e di mettere in luce se i fenomeni di precipitazioni estreme siano aumentati nel corso degli ultimi anni sia per quanto riguarda la frequenza degli eventi sia per quanto riguarda la loro intensità. Con il termine di trend si intende un andamento non stazionario privo di irregolarità accidentale, che si evidenzia quando si considerano serie lunghe di dati. Il trend viene generalmente rappresentato con una funzione matematica di tipo semplice, come, ad esempio, un polinomio o una funzione esponenziale nel tempo. In tutte le serie temporali sono sempre presenti delle irregolarità, di segno positivo e negativo rispetto alla media del fenomeno, che sembrano prodotte da un comportamento di tipo aleatorio. Tale componente si chiama casuale (Claps, 2002) ed assomma in sè gli elementi di incertezza (o aleatorietà) che caratterizzano i fenomeni naturali. Esistono varie tecniche matematico/statistiche che permettono di valutare al meglio eventuali trend di lungo periodo per gli eventi estremi; tra tali tecniche la scelta è

http://getdata-graph-digitizer.com/

28

ricaduta sul test di Mann-Kendall per la stima del livello di significatività del trend. Tutte le serie storiche acquisite dopo la fase di digitalizzazione sono state analizzate con il test non parametrico di Mann-Kendall, come descritto da Sneyers (1990), per individuare la presenza di eventuali trend ed è stato anche studiato il comportamento stagionale e annuale degli eventi estremi. Il primo punto che è stato necessario chiarire è la definizione di ciò che costituisce un evento estremo: tale definizione risulta complessa in ambito scientifico, in quanto all’interno di categorie di ragionamento tendenzialmente oggettive, un evento estremo può essere selezionato in base o al superamento di una certa frequenza, o intensità o soglia oppure rispetto agli impatti fisici previsti (Ntegeka e Willems, 2008). In sostanza tale definizione dipende dalla finalità d'uso con cui si valuta l’evento estremo, soprattutto in ambito di progettazione e programmazione. Volendo dare una definizione più completa di un evento estremo, si può utilizzare quella del Long Term Ecological Research Network (LTER) degli Stati Uniti (Apadula e Cortesi, 2009), secondo la quale “gli eventi estremi sono fenomeni rari nella frequenza, intensità e/o durata, per una singola variabile o per una combinazione di grandezze meteorologiche, in un particolare ambiente e/o ecosistema”. La capacità di riconoscere e di individuare gli eventi estremi è quindi fortemente dipendente dalla lunghezza e dall’affidabilità delle serie osservative di variabili meteorologiche a disposizione. Per poter quindi identificare e isolare gli eventi estremi avvenuti durante gli anni di osservazione analizzati, si sono utilizzati due indicatori, di tali eventi: a) l’indicatore di frequenza e di intensità e b) i picchi oltre la soglia (POT Peaks Over Threshold).

Indici di eventi estremi

Oltre ai valori massimi annuali e stagionali, per valutare gli indicatori di frequenza e intensità di cui sopra, sono stati calcolati per ogni anno due indici di precipitazioni estreme (Haylock e Nicholls, 2000): 1) il numero di eventi che superano il 95-esimo percentile, che fa riferimento all’indicatore di frequenza 2) l’intensità media di pioggia caduta durante gli eventi più estremi, che rappresenta l’indicatore di intensità. L'indicatore di frequenza esamina i cambiamenti che riguardano il numero di eventi estremi ed è determinato contando il numero di eventi in un anno con intensità maggiore del 95-esimo percentile. Quest’approccio è simile a quello utilizzato da Karl e Knight (1998) che ha considerato i cambiamenti nelle frequenze o le probabilità di eventi estremi che superano un percentile specificato. E’ stato dimostrato (Karl e Knight,1998) che gli aumenti delle precipitazioni totali sono fortemente influenzati da un aumento della frequenza e dell’intensità delle precipitazioni estreme, e che la percentuale di precipitazione totale annua, derivata da episodi di eventi intensi ed estremi, è aumentata. Riassumendo, per quanto riguarda le caratteristiche climatiche degli eventi estremi, si è adottato la convenzione di considerare estrema la precipitazione che, nella scala ordinata in senso crescente dei valori misurati, supera il 95-esimo percentile, vale a dire quella che si presenta con frequenza minore del 5%, per ognuna delle scale temporali da 5 minuti a 12 ore per tutte le stazioni eccetto Bra, che ha dati su base temporale a partire da un’ora. L'indicatore d’intensità rappresenta i cambiamenti nella media di tutti gli eventi superiori al percentile scelto. Questo indice è stato calcolato utilizzando due metodi differenti: i) la media dei quattro eventi più grandi in termini di altezza di precipitazione per ogni anno ii) la media di tutti gli eventi maggiori del 95-esimo percentile. Per ciascuna scala temporale è stato considerato l’andamento nel tempo di questi indici di eventi rari, calcolando la retta di trend. La valutazione della significatività del trend, calcolato sulla base di un lungo periodo per gli eventi estremi, è stata ricavata usando il test di Mann-Kendall. Test di Mann-Kendall

Per valutare eventuali trend di lungo periodo per gli eventi estremi esistono varie tecniche matematico/statistiche, come il coefficiente di Spearman e il test di Mann-Kendall.

29

Esistono varie tecniche matematico/statistiche, come il coefficiente di Spearman e il test di Mann-Kendall, che permettono di meglio valutare eventuali trend di lungo periodo per gli eventi estremi (Sneyers, 1990). Esaminate queste tecniche, sono stati individuati decine di indici spesso ridondanti che generalmente si dividono in tre categorie (Peralta-Hernandez et al. 2009): 1) Indicatori di frequenza (Frequency indicators) 2) Indicatori di intensità (Intensity indicators) 3) Percentuale di eventi estremi (Extreme percent) Tra queste pratiche la scelta è ricaduta sulla regressione lineare con il metodo dei minimi quadrati per la stima dei valori dei trend e su Mann-Kendall test per la stima del livello di significatività. Tutte le serie di dati sono state analizzate con il test non parametrico di Mann-Kendall, come descritto da Sneyers (1990), per individuare la presenza di eventuali trend. E’ stata, inoltre, studiata la correlazione tra il comportamento stagionale e annuale degli eventi estremi usando lo stesso metodo. Il metodo di Mann-Kendall è molto utilizzato in idrologia e climatologia per verificare la presenza di trend soprattutto per la sua robustezza rispetto all’influenza dei valori estremi e per la presenza in tali serie di distribuzioni di frequenza non necessariamente di tipo normale (Capra et al. 2011) Questo test definisce (Camuffo e Pagan, 2005): 1) quando un trend è significativo; 2) il suo segno; 3) dove orientativamente questo segno inizia, se all’inizio o dove all’interno della serie.

Peaks-Over-Threshold (POT)

Lo strumento più utilizzato per modellizzare gli eventi più elevati è la teoria dei valori estremi. All'interno di questa teoria il metodo più comunemente usato è il conteggio dei superamenti di una certa soglia o dei picchi oltre la soglia, chiamato anche POT dall'inglese Peaks Over Threshold (Davison e Smith, 1990). Inizialmente, questo metodo è stato sviluppato per l’analisi dei dati idrogeologici ma a partire dalla seconda metà degli anni ‘70 ha trovato una sempre maggiore applicazione in più campi. I valori di precipitazione oltre una certa soglia, opportunamente selezionati, saranno modellati tramite GPD (Generelized Pareto Distribution). L'approccio Peaks-Over-Threshold (POT) è una tecnica che sfrutta il fatto che la distribuzione delle eccedenze ha proprietà asintotiche simili a quelle delle distribuzioni dei valori estremi come la GPD e che non considera solamente i valori massimi annuali. Questo fatto permette di utilizzare il metodo anche in presenza di un minor numero di osservazioni e per questo spesso è preferibile ad altri. L'intervallo di attesa (o separazione) tra due eventi piovosi indipendenti successivi è stato stimato in 12 ore (Ntegeka e Willems, 2008). Un primo problema che riguarda la modellizzazione degli eventi estremi con il metodo dei POT è la scelta del valore soglia. Il valore del Threshold selezionato, infatti, influenza il valore stimato del parametro di forma ξ della distribuzione GPD. In particolare, questa quantità dev’essere grande abbastanza in modo da poter considerare estreme le osservazioni superiori ad essa: scegliere una soglia u troppo piccola implicherebbe stime distorte degli altri parametri (Coles, 2001). D’altra parte, la scelta di una soglia u troppo alta implicherebbe un minor numero di osservazioni con cui stimare i parametri della GPD, e quindi una maggiore variabilità delle stime. Nella pratica, il metodo che è stato adottato per la scelta di questo soglia parte dalla stima dei due parametri della distribuzione GPD per diversi valori di essa, e arriva a osservare l’andamento della distribuzione, così da stabilire se il valore soglia scelto è corretto oppure no. I suddetti parametri presenti nell’ espressione che definisce la GPD sono: il parametro di scala che rappresenta la dispersione della distribuzione e il parametro di forma. Questi due parametri sono stati stimati usando il metodo degli L-moments (Hosking JRM and Wallis JR. 1997). Le elaborazione sono state effettuate tramite lo strumento di statistica: R Development Core Team (http://www.r-project.org/).

http://www.r-project.org/

30

Analisi degli indici

Per ogni stazione pluviometrica sono stati calcolati diversi indici per la valutazione degli eventi estremi e ciascun indice è poi stato sottoposto al test statistico di Mann-Kendall. Le stagioni sono state definite secondo la definizione standard: inverno (dicembre, gennaio, febbraio), primavera (marzo, aprile, maggio), estate (giugno, luglio, agosto), autunno (settembre, ottobre, novembre). Quindi, per ogni stazione pluviometrica sono stati calcolati i diversi indici per la valutazione degli eventi estremi e ciascun indice è poi stato sottoposto al test statistico di Mann-Kendall.

Massimi annuali

Per quanto riguarda i massimi annuali, dall’analisi dei dati si è ricavato che l’unica tendenza significativa è quella dell’aumento della precipitazione massima annua, registrata nella stazione di Bra per una durata di 12 ore (fig. 5). Per le altre scale temporali e per tutti le stazioni studiate, l’andamento non è significativo.

Media mobile (massimo annuale)

0

20

40

60

80

100

120

140

1930 1950 1970 1990 2010

anno

massim

o a

nn

uale

massimo annuale MM(massimo annuale)

Figura 23. Media mobile a 5 anni, del massimo annuale: precipitazione di durata 12 ore (stazione di Bra).

Massimi stagionali

Per quanto riguarda i massimi stagionali e per le precipitazioni a scala sub oraria, l’andamento delle precipitazioni non risulta caratterizzato da trend particolarmente significativi, se non una tendenza crescente del massimo primaverile per le stazioni di Bra e Lombriasco (tabella 2, fig. 24).

Tabella 2. Risultati dell’applicazione del test di Mann-Kendal per i massimi primaverili.

Durata Pallanza Vercelli Lombriasco Bra

1 ora NS NS NS NS

2 ore NS NS NS NS

3 ore NS NS + +

6 ore NS NS + +

12 ore NS NS NS +

NS: non significativo

31

Figura 24. Media mobile di 5 anni del valore massimo di precipitazione primaverile per la stazione di Bra: durata (a) 3 ore (b) 6ore

(c) 12ore

Indicatore di frequenza

Per quanto riguarda l’indicatore di frequenza, nella stazione di Pallanza, l’unica scala temporale che presenta un incremento significativo è quella di 30 minuti. Tutte le altre stazioni non hanno registrato nessun cambiamento nell’indicatore di frequenza per le scale temporali minori di un’ora. Per la stazione di Vercelli l’indicatore di frequenza ha definito un incremento significativo solo per eventi di durata di un’ora.

Le stazioni di Bra e Lombriasco sono quelle dove si sono registrate delle tendenze simili per quanto riguarda l’indicatore di frequenza; probabilmente questo può essere dovuto alla relativa vicinanza delle due stazioni (fig 25).

Figura 25. Media mobile di 5 anni dell’indicatore di frequenza per le precipitazioni di durata 3ore: (a) Bra (b) Lombriasco

Indicatore di intensità

Per quanto riguarda questo indicatore, nella stazione di Vercelli non abbiamo registrato nessuna tendenza significativa per tutte le scale temporali. La stazione di Pallanza ha mostrato un aumento significativo del’indicatore di intensità estrema per la durata di 30 minuti: stesso risultato per l’indicatore di frequenza. Questo aumento nell’intensità e nella frequenza di eventi di pioggia con scala temporale sotto l’ora è dovuto al fatto che la stazione di Pallanza si trova nel bacino imbrifero del lago Maggiore caratterizzato

Media mobile (indicatore di frequenza)

0

2

4

6

8

10

12

14

16

18

1930 1940 1950 1960 1970 1980 1990 2000 2010

anno

ind

icato

re d

i fr

eq

uen

za

indicatore di frequenza MM(indicatore di frequenza)

(a) Media mobile (indicatore di frequenza)

0

2

4

6

8

10

12

14

16

18

20

1930 1950 1970 1990 2010

anno

ind

icato

re d

i fr

eq

uen

za

indicatore di frequenza MAindicatore di frequenza)

(b)

Media mobile (primavera)

0

10

20

30

40

50

60

70

1930 1940 1950 1960 1970 1980 1990 2000 2010

anno

pri

mavera

primavera MM(primavera)

(a) Media mobile (primavera)

5

10

15

20

25

30

35

40

45

50

1930 1950 1970 1990 2010

anno

pri

mavera

primavera MM(primavera)

(b) Media mobile (primavera)

0

10

20

30

40

50

60

70

1930 1950 1970 1990 2010

anno

pri

mavera

primavera MA(primavera)

(c)

32

mediamente da una elevata piovosità, 1662 mm medi annui (Ciampittiello et al., 2011) contro la media annua del territorio piemontese variabile tra i 921 mm e i 1094 mm (http://www.idrologia.polito.it/web2/open-data/cd_Dati_Regione_Piemonte/50_anni_dati_meteo_Piemonte/clima_ed_indicatori.htm) e quindi caratterizzata da una presenza significativa anche degli eventi estremi, in netta crescita, soprattutto quelli di breve durata. L’unica tendenza al decremento è stata registrata nelle stazione di Bra per le precipitazione di durata di 1ora (fig 26).

Media mobile (indicatore di intensità)

4

6

8

10

12

14

16

18

1930 1950 1970 1990 2010

anno

med

ia d

i even

ti m

ag

gio

ri d

el 95°

perc

en

tile

media di eventi maggiori del 95° percentile

MM(media di eventi maggiori del 95° percentile)

Figura 26. Media mobile a 5 anni dell’indicatore di intensità: precipitazione di durata un’ora (stazione di Bra)

Peaks over threshold

Per lo studio degli eventi estremi, si è applicato anche il modello POT ai dati pluviometrici raccolti, al fine di analizzare le modifiche della curva di crescita degli ultimi 20 anni, rispetto a tutti i dati della serie temporale delle precipitazioni brevi e intense a disposizione (le curve di crescita sono esaminate con il metodo degli L-moments). Come riportato in precedenza, i POT dei valori estremi vengono estratti utilizzando il software R (http://www.r-project.org/). Dovendo lavorare su lunghe serie temporali è importante selezionare solo gli eventi indipendenti tra loro. Il criterio di indipendenza si basa su una procedura di estrazione del valore di POT di precipitazione, simile a quella di estrazione dei POT per i flussi (Ntegeka e Willems, 2008). Il criterio di indipendenza per gli eventi di pioggia considera che due eventi consecutivi sono indipendenti se l’occorrenza di un evento non influenza l’altro. Ntegeka e Willems (2008) hanno proposto per l'analisi del valore estremo basato sulle serie di precipitazioni, un minimo di 12 ore come tempo di inter-evento, considerando così due eventi che accadono nello stesso giorno o di notte come un unico evento. Inizialmente si è scelta una soglia relativamente bassa, per poter estrarre più eventi, così da poter selezionare successivamente una soglia ragionevole per l'approssimazione asintotica del GPD; in questo modo alcuni eventi inizialmente scelti, non risultano estremi nel senso stretto del termine. Un esempio della procedura adottata è riportata qui di seguito. Dalla figura 27 si evince che la scelta di un valore soglia di 10 mm potrebbe essere ragionevole, per la serie di 1ora di precipitazione per la stazione di Vercelli. La soglia selezionata deve essere sufficientemente bassa per avere abbastanza eventi di cui sopra, per ridurre la varianza, ma nello stesso tempo non troppo bassa per non aumentare troppo il bias, ovvero la differenza tra il valore stimato e quello reale. Ri-estraendo gli eventi maggiori della soglia di 10 mm si va a verificare la correttezza o meno della scelta iniziale.

http://www.idrologia.polito.it/web2/open-data/cd_Dati_Regione_Piemonte/50_anni_dati_meteo_Piemonte/clima_ed_indicatori.htm

http://www.idrologia.polito.it/web2/open-data/cd_Dati_Regione_Piemonte/50_anni_dati_meteo_Piemonte/clima_ed_indicatori.htm

http://www.r-project.org/

33

0 10 20 30 40

24

68

10

Mean Residual Life Plot

Threshold

Mean E

xcess

0 10 20 30 40

0.8

1.2

1.6

2.0

Dispersion Index Plot

ThresholdD

ispers

ion I

ndex

0 10 20 30 40

020

40

60

Threshold

Modifie

d S

cale

0 10 20 30 40

-1.5

-1.0

-0.5

0.0

Threshold

Shape

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.4

0.8

Probability plot

Empirical

Model

------------------------------------------------

------------------------------------------

--------------------------------------

---------------------------------------

-------------------------------------

------------------------------------

------------------------------------

-----------------------------------

-------------------------------

------------

----------------------------

---------------------------------

------------------------------------

-----------------------------------

-------------------------------------

---------------------------------------

--------------------------------------

-----------------------------------------

------------------------------------------

-------------------------

10 20 30 40 50 60

10

20

30

40

QQ-plot

Model

Em

piric

al

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

----------------------------------------------------------------------------------------

--------------------------------------------------------

-----------------

---------

-----

- - --

-

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

--

-

10 20 30 40 50 60

0.0

00.0

50.1

00.1

5

Density Plot

Quantile

Density

1 5 50 500

10

30

50

Return Level Plot

Return Period (Years)

Retu

rn L

evel

Figura 27. Selezione del Threshold per le precipitazioni di durata di un’ora (Vercelli)

Figura 28. Grafico diagnostico (precipitazione di un’ora – stazione di Vercelli)

La figura 28 mostra l’esame diagnostico, rappresentato dal grafico, del modello GPD adottato. Si può notare che in questo caso la soglia scelta sembra appropriata.

La tabella 3 mostra le soglie selezionate per la stazione di Vercelli e per le diverse durate temporali utilizzate per le analisi. Questi valori rappresentano il punto di partenza per il calcolo della serie POT per ogni scala temporale.

Tabella 3. Esempio di soglia oltre la quale sono state calcolate le serie POT: stazione di Vercelli.

Scala temporale (ora) 1 2 3 6 12

Soglia (mm) 10 13 15 25 34

Le serie POT estratte dai dati di precipitazione raccolti nelle diverse stazioni con alta risoluzione (5, 10, 15, 20, 30 minuti e 1, 2, 3, 6, 12 ore) sono state utilizzate per produrre curve di crescita attraverso una distribuzione dei valore estremi (GPD nel nostro caso). È stato quindi fatto un confronto tra le curve di crescita generate dalle serie POT, ricavate dalla lunga seria storica, e quelle che fanno riferimento agli ultimi 20 anni. Esaminando la curva di crescita si è visto che essa si è accentuata ed i recenti eventi di precipitazione brevi ed intensi sono aumentati nel corso degli ultimi 20 anni (1984-2003), rispetto alla serie storica esaminata (1927-2003 per quanto riguarda Vercelli), nel caso di una scala temporale minore di un’ora. Questo andamento è molto più evidenziato nella stazione di Lombriasco (fig.29) rispetto alla stazione di Vercelli (fig. 30).

34

-2 0 2 4 6

02

46

810

POT Lombriasco 5min

Reduced variate, log log F

Quantile

2 5 10 20 50 100 500

Return period

1956-1982

1984-2003

-2 0 2 4

05

10

15

POT Lombriasco 10min


Quantile

2 5 10 20 50 100 200

Return period

1956-1982

1984-2003

Figura 29. Cambiamento negli eventi estremi rispetto agli ultimi 20 anni: stazione di Lombriasco

-2 0 2 4 6

02

46

810

12

POT Vercelli 5min


Quantile

2 5 10 20 50 200 500

Return period

1940-1983

1984-2003

-2 -1 0 1 2 3 4 5

05

10

15

20

POT Vercelli 10min


Quantile

2 5 10 20 50 100

Return period

1940-1983

1984-2003

Figura 30. Cambiamento negli eventi estremi rispetto agli ultimi 20 anni: stazione di Vercelli

Più la scala temporale diventa grande, ovvero maggiore è la durata degli eventi, più questi, rispetto agli ultimi 20 anni, cominciano ad avvicinarsi agli eventi ricavati per la serie storica utilizzata, fino ad arrivare a una scala di 12 ore, dove si nota un decremento di questi eventi recenti rispetto al passato (fig. 31).

-2 -1 0 1 2 3 4 5

050

100

150

POT Vercelli 12h


Quantile

2 5 10 20 50 100

Return period

1927-1983

1984-2003

-2 -1 0 1 2 3 4 5

020

40

60

80

100

120

POT Bra 12h


Quantile

2 5 10 20 50 100

Return period

1933-1983

1984-2003

Figura 31. Diminuzione degli eventi estremi rispetto agli ultimi 20 anni: stazione di Vercelli e Bra

35

Conclusioni

La parte iniziale del lavoro è stata quella di raccogliere le serie storiche attraverso la digitalizzazione dei dati dal formato cartaceo; si è poi proceduto alle analisi statistiche sulle serie temporali ottenute, con dettaglio orario e sub-orario dove possibile, al fine di analizzare l’andamento degli eventi di breve durata e forte intensità, che giocano un ruolo fondamentale nei processi di instabilità di versante, nella formazione delle colate detritiche, nelle piene improvvise e nella globale gestione della risorsa idrica e del territorio. Le analisi dei trend degli eventi estremi, eseguite usando il test di Mann-Kendall e il calcolo di alcuni indici di eventi climatici estremi, hanno dato i seguenti principali risultati:

Su base annua, la precipitazione massima annuale è stazionaria per tutte le stazioni studiate e per tutte le durate eccetto per la stazione di Bra, dove è stato registrato un aumento con una scala temporale di 12 ore.

Su base stagionale, si è rilevata una crescita delle precipitazioni intense primaverili

In generale, le curve di crescita hanno mostrato che gli eventi brevi di precipitazione sono aumentati nel corso degli ultimi 20 anni per scale temporali basse, ovvero da 5 a 60 minuti. Più la scala temporale aumenta, più questi eventi risultano diminuire rispetto al passato.

Bibliografia

Ambrosetti W., Barbanti L. & Rolla A. 2006. Annuario dell'Osservatorio Meteorologico di Pallanza 1997-2003. Ed. Istituto per lo Studio degli Ecosistemi, Verbania Pallanza: 1-38. Apadula F, Cortesi N. 2009. Studio del ruolo delle variabili meteoclimatiche sulla domanda elettrica. Rapporto CESI RICERCA per la Ricerca di Sistema, 08005759. Alpert P, Ben-Gai T. Baharad A. et al. 2002. The paradoxical increase of Mediterranean extreme daily rainfall in spite of decrease in total values.Geophys. Res. Lett. vol. 29, n° 11. Barbanti L. 1968. Annuario 1967 dell’Osservatorio Meteorologico di Pallanza. Mem. Ist. Ital. Idrobiol., 23: 245-320. Brunetti M, Buffoni L, Mangianti F, Maugeri M, Nanni T. 2004. Temperature and extreme events during the last century in Italy. Global and planetary change 40, 141-149. Brunetti M, Buffoni L, Maugeri M, Nanni T. 2000. Precipitation intensity trends in Northern Italy. International Journal of climatology 20, 1017-1031. Brunetti M, Maurizio M, Nanni T, Navarra A. 2002. Droughts and extreme events in regional daily Italian precipitation series. International Journal of climatology 22: 543–558. doi: 10.1002/joc.751. Camuffo D, Pagan E. 2005. Analisi di serie storiche di temperatura e precipitazione in località prossime agli speleo temi. Studi Trent. Sci. Nat., Acta Geol., 80 (2003): 37-4. Capra A, LaSpada C, Porto P, Scicolone B. 2011. Trend degli afflussi e dei deflussi di bacini idrografici calabresi. Convegno di Medio Termine dell’Associazione Italiana di Ingegneria Agraria. Belgirate, 22-24 settembre 2011. Cat Berro D., Ratti M., & Lupotto E. 2004. Il clima di Vercelli dal 1871 in Vercelli e il suo tempo. Vercelliviva e Società Meteorologica Italiana Eds. Gallo Artigrafiche, Vercelli: 65-195 pp. Claps P. 2002: “Simulazione stocastica di serie idrologiche a supporto della pianificazione e gestione dei sistemi idrici”. Appunti scritti per il Corso di III livello. Politecnico di Torino, 20-22 Novembre 2002.

36

Ciampittiello, M., C. Dresti & H. Saidi 2011. Indagini sul bacino imbrifero. Caratteristiche idrologiche - Ricerche sull'evoluzione del Lago Maggiore. Aspetti limnologici. Programma quinquennale 2008-2012. Campagna 2010. Commissione Internazionale per la protezione delle acque italo-svizzere(Ed.): 5-11. Coles S. 2001 “An Introduction to Statistical Modelling of Extreme Values”. Springer Series in Statistics. Cortemiglia G.C. 1999. Serie climatiche ultracentenarie. Regione Piemonte. CSI Piemonte. 172 pp. Davison AC. and Smith R.L. 1990. Models for exceedances over high thresholds (with discussion). J.R. Statist. Soc. B 52, 393- 442. Haylock M. and Nicholls N. 2000. Trends in extreme rainfall indices for an updated high quality data set for Australia, 1910–1998. Int. J. Climatol., 20, 1533–1541. Hosking JRM, Wallis JR. 1997. Regional Frequency Analysis: An Approach Based on L-Moments. Cambridge University Press. Cambridge. IPCC 2007. Climate Change 2007. The Physical Science Basis. Contribution of Working Group I to the Fourth Assessmen Report of the Intergovernmental Panel on climate change. Cambridge University press. IPCC 2012. Managing the risks of extreme events and disasters to advance climate change adaptation. Special Report of the Intergovernmental Panel on climate change. Cambridge University press. Karl TR, Knight RW, Plummer N, 1995. Trends in high frequency climate variability in the twentieth century. Nature 377, 217-220. Karl TR, Knight RW. 1998. Secular trends of precipitation amount frequency and intensity in the United States. Bulletin of the American Meteorological Society 79: 231–241. Leonardi R. Montefinale T. Malvestuto V. Testa O. Beltrano M.C. 2006. The automatic digitization of time series recorded on graph paper supports. WMO technical conference on instruments and methods of observation, December 4th 2006 (2006-12-04), pages 1-8, XP002477828. Mercalli L. 2004. Meteorologia: Scienza d’avanguardia e guida per il futuro da Vercelli al clima globale, in Vercelli e il suo tempo. Vercelliviva e Società Meteorologica Italiana Eds. Gallo Artigrafiche, Vercelli: 17:64 pp. Ntegeka, V., Willems P., 2008. “Trends and multidecadal oscillations in rainfall extremes, based on a more than 100-year time series of 10 min rainfall intensities at Uccle, Belgium”, Water Resour. Res., 44, W07402, doi:10.1029/2007WR006471. Saidi H. Ciampittiello M. Dresti C. Ghiglieri G. 2012. The Climatic Characteristic of Extreme Precipitations for short-term Intervals in the Watershed of Lake Maggiore. Theor. Appl. Climatol. DOI 10.1007/s00704-012-0768-x. Sneyers R. 1990. On the statistical Analysis of Series of observations. WMO, Technical Note N. 415, Geneve, 192pp.

PROGETTO STRADA · stazioni automatiche per il rilevamento di parametri meteorologici. Ciò...

Documents

Transcript of PROGETTO STRADA · stazioni automatiche per il rilevamento di parametri meteorologici. Ciò...