Downscaling stocastico

Introduzione

Numerose tecniche di disaggregazione (o “downscaling”) sono state messe a punto negli ultimi anni per aumentare la risoluzione spaziale dei modelli regionali (10-20 km) e ottenere scenari climatici che risultino utili per applicazioni idrologiche o eco-idrologiche e studi di impatto (scala del km o inferiore). Un approccio efficace è basato sull'applicazione di metodi di downscaling statistico e stocastico. Nel primo caso si stabilisce un legame statistico fra le variabili a grande scala (dette predittori) e quelle che si desidera descrivere a scala locale (predittandi) al fine di produrre realizzazioni ad alta risoluzione di queste ultime. Il downscaling stocastico invece, specificatamente indicato per il downscaling di campi di precipitazione, permette di generare insiemi stocastici di possibili realizzazioni di campi di precipitazione aventi le corrette proprietà statistiche a piccola scala della precipitazione osservata, unicamente partendo dalla conoscenza di campi di precipitazione a grande scala (Ferraris et al. 2003a,b). Uno dei vantaggi di questo tipo di downscaling è che, per la sua natura stocastica, permette di generare un insieme (ensemble) di campi sintentici di precipitazione a piccola scala fornendo anche una stima dell’incertezza associata ai campi di precipitazione e permettendo un confronto con i dati osservativi (Brussolo et al. 2008).

Il downscaling stocastico non è da considerarsi come sostituto dei modelli regionali fisicamente basati (downscaling dinamico), ma è un modo per introdurre variabilità nei campi di precipitazione alle scale non risolte dai (o non affidabili nei) modelli globali o regionali.

RainFARM

Il metodo è stato inizialmente utilizzato per applicazioni idro-meteorologiche alla scala di evento che includono l’analisi di sensibilità di un modello idrologico distribuito alla variabilità della distribuzione spaziotemporale di un campo di pioggia (Gabellani et al. 2007); la stima dell’incertezza nella previsione di eventi estremi come alluvioni (Rebora et al. 2006a); la valutazione delle principali fonti di incertezza e loro propagazione nelle previsioni di insieme della precipitazione (von Hardenberg et al. 2007); la quantificazione di errori di campionamento per la verifica delle previsioni meteorologiche tramite confronto con dati osservati (Brussolo et al. 2008). Il confronto tra i campi di precipitazione ottenuti mediante downscaling stocastico usando RainFARM a partire da rianalisi ECMWF, and campi ottenuti usando un modello regionale (downscaling dinamico) ha messo in luce capacità probabilistiche previsionali confrontabili (Brussolo et al. 2009).

Il metodo RainFARM è stato originariamente messo a punto per effettuare il downscaling spazio-temporale di eventi di precipitazione intensa su scale meteorologiche. Studi di impatto del cambiamento climatico, ad esempio sulla disponibilità a lungo termine delle risorse idriche,  richiedono tuttavia l’applicabilità del metodo su lunghi periodo di tempo che sicuramente includono un gran numero di singoli eventi di precipitazione (e non un singolo evento) che possono avere proprietà spettrali differenti. Inoltre, la risoluzione temporale tipica dei modelli globali e regionali usati per produrre gli scenari climatici è dell’ordine delle 3 o 6 ore nella maggioranza dei casi, dunque adeguata per effettuare la maggior parte degli studi di impatto. Queste due ragioni insieme suggeriscono di applicare RainFARM in modalità di downscaling solo spaziale quando si ragiona su scale climatiche anziché meteorologiche. In un recente lavoro, D'Onofrio et al. 2014 hanno messo a punto una versione modificata del metodo adatta ad applicazioni di tipo climatico, in particolare agendo sul miglioramento della rappresentazione  degli spettri di potenza ed eliminando artefatti che emergono quando il metodo originale di downscaling spazio-temporale è applicato in modalità solo spaziale. La prima applicazione in questo ambito è stata ai campi di precipitazione prodotti da un modello regionale idrostatico; i campi sintetici downscalati sono stati confrontati in senso statistico (ad esempio, distribuzione di probabilità dell’intensità della precipitazione) con dati di una fitta rete pluviometrica nell’Italia nord-occidentale ottenendo ottimi risultati (D'Onofrio et al. 2014).

Disponibilità del codice e dati downscalati

L’accesso al modello e a dati di precipitazione downscalati su specifiche regioni è possibile contattando direttamente il Progetto NextData.

E' disponibile un tool web di downscaling con RainFARM.

Bibliografia

• Brussolo, E., J. von Hardenberg, L. Ferraris, N. Rebora, and A. Provenzale, 2008: Verification of quantitative precipitation forecasts via stochastic downscaling. J. Hydrometeor., 9, 1084– 1094, doi:10.1175/2008JHM994.1.
• Brussolo, E., J. von Hardenberg,, and N. Rebora, 2009: Stochastic versus dynamical downscaling of ensemble precipitation forecasts. J. Hydro- meteor., 10, 1051–1061, doi:10.1175/2009JHM1109.1.
• D'Onofrio, D.; Palazzi, E.; von Hardenberg, J., Provenzale A., Calmanti S. Stochastic Rainfall Downscaling of Climate Models. J of Hydrometeorology 15 (2), 830-843 (2014)
• Ferraris, L., S. Gabellani, U. Parodi, N. Rebora, J. von Hardenberg, and A. Provenzale, 2003a: Revisiting multifractality in rainfall fields. J. Hydrometeor., 4, 544–551, doi:10.1175/ 1525-7541(2003)004,0544:RMIRF.2.0.CO;2.
• Gabellani, S., G. Boni, L. Ferraris, J. von Hardenberg, and A. Provenzale, 2007: Propagation of uncertainty from rainfall to runoff: A case study with a stochastic rainfall generator. Adv. Water Resour., 30, 2061–2071, doi:10.1016/j.advwatres.2006.11.015.
• Rebora, N., L. Ferraris, J. von Hardenberg, and A. Provenzale, 2006a: Rainfall downscaling and flood forecasting: A case study in the Mediterranean area. Nat. Hazards Earth Syst. Sci., 6, 611–619, doi:10.5194/nhess-6-611-2006.
• Rebora, N., L. Ferraris, J. von Hardenberg, and A. Provenzale 2006b: RainFARM: Rainfall downscaling by a filtered autoregressive model. J. Hydrometeor., 7, 724–738, doi:10.1175/JHM517.1.