Francesca Ventura1*, Roberto Solone1, Alberto Bertozzi2, Ivano Valmori3
1
Dipartimento di Scienze Agrarie, Università di Bologna, Viale Fanin 44, 40127, Bologna
2 MeteoCenter, Parco delle Arti e delle Scienze "TORRICELLI", Via Albert Einstein, 8 (edificio Modulo 3), 48018 Faenza RA 3 Direttore Image Line, Via Gallo Marcucci, 24, 48018 Faenza RA
Abstract
One of the main aspects of the development of a meteorological model is the verification its reliability. It allows to know the behaviour of the model in different weather situations and to assess its performances in terms of both average and extremes. The verification helps to figure out how to tune the model in order to have better. The quantitative prediction of precipitation has a fundamental role in agriculture and therefore its verification becomes particularly relevant.
Aim of this study was to calculate daily precipitation and temperature data by the model, for the year 2014 in three agro- meteorological stations, two in Trentino and one in Sicily. Statistical indexes useful for assessing the model performances, both monthly and annually, showed good correspondence for the temperatures, quite good for precipitation.
Keywords: forecasting models; precipitation, temperature; statistical indexes. Parole chiave: modelli previsionali; precipitazione; temperatura; indici statistici. Introduzione
Il lavoro qui presentato parte dal servizio offerto dalla ditta Image Line di previsioni meteorologiche personalizzate in tutta Italia, in collaborazione con MeteoCenter, azienda specializzata nella fornitura di previsioni meteo. Il sistema di raccolta ed elaborazione dati che sta alla base del servizio MeteoGest integra informazioni provenienti da modelli globali, modelli di previsione europei, modelli di previsione nazionale, che rendono disponibili informazioni con una risoluzione di 1 x 1 km; per alimentare i modelli vengono utilizzati i dati dalle reti nazionali e regionali per le osservazioni meteorologiche. Tutte queste informazioni vengono elaborate da MeteoCenter e rese disponibili per gli utenti della Community di Image Line Network due volte al giorno, con previsioni a 7 giorni su una maglia di 1 x 1 km. Questo servizio ha carattere strettamente applicativo, ad esempio i dati vengono utilizzati in seconda battuta per modelli fitopatologici o per l’assistenza agli agricoltori. La loro validità è dunque importante, ed è molto utile confrontarli con dati misurati, anche per l’implementazione della modellistica meteorologica a piccola scala.
Materiali e Metodi
La validazione del modello è stata effettuata utilizzando dati previsti e osservati di temperatura dell’aria (T) e precipitazione (P) delle stazioni agrometeorologiche di Ala e Piovi in provincia di Trento, e della stazione di Villa Albius in Acate (RG), gestite dalla Fondazione Edmund Mach di S. Michele all’Adige. Le stazioni trentine si trovano sul fondovalle del fiume Adige, Ala nella parte meridionale della regione, a 160 m slm, Piovi nei pressi diMezzocorona, a circa 60 km a Nord della stazione di Ala, a 220m slm. La stazione di Albius invece si trova nella
pianura vocata alla orticoltura e alle serre nei pressi di Vittoria e Ragusa.
I dati analizzati sono a cadenza oraria e giornaliera. I dati orari sono stati utilizzati per calcolare quelli giornalieri, poi mensili ed annuali. Sono state calcolate le T medie annue e i totali annui, mensili e stagionali per P. Successivamente sono stati calcolati indici statistici specifici per valutare i modelli (Wilks, 2005):
• RMSE, Scarto Quadratico Medio o Deviazione Standard; • MAE, Errore Assoluto Medio;
• EF, Efficienza della Modellazione (valore ottimale: 1.0); • CRM, Coefficiente di Massa Residua (valore ottimale: 0.0);
• Retta di regressione, con i parametri coefficiente angolare (b1), intercetta (b0) ed R2;
Gli ultimi 3 indici danno una valutazione sulla capacità previsionale del modello. Essi sono stati calcolati solo su base annua per le temperature, annua e mensile per le precipitazioni, data la maggiore difficoltà nel prevedere quest’ultima grandezza meteorologica.
Risultati e Discussione
TEMPERATURE
I risultati relativi al confronto tra temperature misurate e previste nelle tre stazioni sono molto simili tra loro. A titolo di esempio si riportano in Fig. 1 il confronto tra T simulata e misurata nella stazione di Ala, in Fig. 2 la stazione di Albius. Si vede come nel primo caso il modello tende a sottostimare i dati misurati, mentre nel secondo sovrastima. In tutti i casi l’errore quadratico medio è dell’ordine di 2.4 – 3.4 °C, e gli errori assoluti medi vanno da 1.8 per Albius a 2.7 per Piovi. I valori di EF calcolati sono molto vicini a quelli ottimali (1.0), mostrando che la previsione è vicina al reale. Infine anche gli altri indici di capacità previsionale
del modello sono vicini ai valori ottimali, denotando che il modello stima con una certa accuratezza le temperature. Questa tendenza è confermata dal valore dei coefficienti angolari delle rette di regressione, pari a 0.95 per le stazioni trentine e a 1.18 per quella siciliana. Gli R2 sono piuttosto buoni, oscillando tra 0.83 e 0.95. Inoltre, osservando i dati giornalieri a confronto, si nota che il modello tende a sovrastimare sempre nella stazione di Albius, e sovrastimare in inverno nelle due stazioni trentine, nelle quali invece sottostima per tutto il resto dell’anno.
Fig.1: Mean annual temperature observed and modelled for the Ala station.
Fig.1: Temperature medie annue osservate e simulate per la stazione di Ala.
Fig.2: Mean annual temperature observed and modelled for the Albius station.
Fig.2: Temperature medie annue osservate e simulate per la stazione di Albius.
PRECIPITAZIONI
Nel caso di P le tre stazioni sono molto diverse tra di loro. Infatti le due stazioni trentine hanno una precipitazione osservata cumulata pari a 1582 mm/y e 1242 mm/y rispettivamente per Ala e Piovi, mentre nella stazione siciliana sono piovuti 388 mm. Nonostante ci sia una così grande differenza il modello si comporta nello stesso modo, sovrastimando. La sovrastima però è diversa per le stazioni più piovose rispetto a quella più siccitosa, ed in particolare
si ha una sovrastima di qualche percento per le stazioni trentine (6% e 2.4 % rispettivamente per Ala e Piovi) ed una sovrastima del 20% per Albius. In fig. 3 le cumulate di P per la stazione di Piovi, con un RMSE pari a 5.0 mm ed un MAE di 2.2. Inoltre il coefficiente angolare della retta di regressione tra osservato e previsto è pari a 0.80, 0.88 e 0.93 rispettivamente per Ala, Piovi e Albius.
Dal punto di vista modellistico è interessante considerare le precipitazioni su base mensile, in quanto quelle estive hanno solitamente carattere convettivo, sono più circoscritte nel tempo e nello spazio e dunque più difficili da simulare, e la loro performance potrebbe influenzare negativamente il risultato annuale. In realtà i risultati non danno segnali molto precisi. Nelle stazioni trentine abbiamo grandi differenze tra osservato e previsto sia in inverno che in estate, con RMSE contrastanti: ad Ala il modello dà una performance peggiore in estate che in inverno, a Piovi la situazione è opposta. Nel caso di Albius non si hanno precipitazioni nella stagione estiva, (P=0 in giugno, luglio e agosto). Nei mesi di ottobre e novembre l’osservato è molto minore del previsto, e ciò può essere dovuto a quanto supposto sulle piogge convettive.
Fig. 3: Cumulative rainfall for the Piovi observed (black line) and simulated (grey line) data.
Fig. 3: Precipitazioni cumulate per la stazione di Piovi, dati osservati (linea nera) e simulati (linea grigia).
Conclusioni
Il presente lavoro analizza il confronto tra dati di temperature e precipitazioni giornaliere, simulate e osservate in tre stazioni agrometeorologiche di Trentino e Sicilia. Il modello dà risultati molto buoni per quanto riguarda le temperature dell’aria, mentre per le precipitazioni tende alla sovrastima, in particolare per la stazione siciliana che è più siccitosa. I risultati del modello verranno utilizzati dagli sviluppatori del modello stesso per migliorarne le prestazioni, anche se un solo anno di verifica del modello potrebbe essere insufficiente
Bibliografia
Wilks, D.S., 2005: Statistical Methods in the Atmospheric Sciences. 2nd Edition. Elsevier, 627 pp.
WMO, 1992. Standardized Verification System (Svs) For Long-Range Forecasts (Lrf). ATTACHMENT II.8.