VI CONVEGNO NAZIONALE
Il controllo degli agenti fisici:
Il controllo degli agenti fisici:
Il controllo degli agenti fisici:
Il controllo degli agenti fisici:
ambiente, territorio e nuove tecnologie
ambiente, territorio e nuove tecnologie
ambiente, territorio e nuove tecnologie
ambiente, territorio e nuove tecnologie
6
6
6
6 ---- 7
7
7
7 ---- 8 giugno 2016
8 giugno 2016
8 giugno 2016
8 giugno 2016
Dipartimento di Scienze e Innovazione Tecnologica Dipartimento di Scienze e Innovazione Tecnologica Dipartimento di Scienze e Innovazione Tecnologica Dipartimento di Scienze e Innovazione Tecnologica
Università del Piemonte Orientale Università del Piemonte Orientale Università del Piemonte Orientale Università del Piemonte Orientale viale Teresa Michel 11
viale Teresa Michel 11 viale Teresa Michel 11
viale Teresa Michel 11 ---- Alessandria Alessandria Alessandria Alessandria
SESSIONE PLENARIA
L'evoluzione della normativa in campo acustico nel processo di armonizzazione con le disposizioni europee
Curcuruto S., Licitra G.
SESSIONE A1
Gli sviluppi normativi e le ricadute sulle attività di monitoraggio e controllo
Misura del campo magnetico generato da cabine di trasformazione MT/bt: criticità e definizione di un metodo
Adda S., Caputo E.
Proposta di procedura di verifica degli impianti di telefonia mobile alla luce della legge 221/2012
Benes M., Tramontin L., Moretuzzo M., Montefusco C., Barba S., Poles N., Salvagni M., Brinis V., Battistutta M., Marzona M., Bampo A.
Sviluppi della normativa nazionale sui campi elettromagnetici: novità e prospettive
Curcuruto S., Baratta. C., Logorelli M.
Definizione di un metodo per l’esecuzione dei controlli intermedi degli strumenti di misura di campo elettrico e magnetico a radiofrequenza e a bassa frequenza
Desandré C., Bottura V., Imperial E., Cerise L., Cappio Borlino M.
Problematiche connesse alla misura dei livelli di campo elettrico emesso dalle tecnologie per telefonia mobile lte e umts: normativa tecnica e confronto fra diversi sistemi di misura e simulazioni
Fraschetta M., Gaidolfi L., Balzani L.,Tiberti M., Taddei I., Zanichelli P., Bruni M., Paolini P., Tedeschini M., Anania G., Baldassini S., Bontempelli D., Colantonio S., Marchesini G., Trepiccione M., Caccoli A., Geminiani L., Tinarelli R., Bellodi S., Cavallari M.A., Tosi M., Trombini M., Ceccarelli C., Graziosi G.
Normativa CEM e sviluppo delle reti di telefonia mobile
Gianola P., Bastonero S., Scotti R., Cimò R., Macrì M.
SESSIONI PLENARIA E TEMATICHE
VI CONVEGNO NAZIONALE
Il controllo degli agenti fisici:
Il controllo degli agenti fisici:
Il controllo degli agenti fisici:
Il controllo degli agenti fisici:
ambiente, territorio e nuove tecnologi
ambiente, territorio e nuove tecnologi
ambiente, territorio e nuove tecnologi
ambiente, territorio e nuove tecnologie
e
e
e
6
6
6
6 ---- 7
7
7
7 ---- 8 giugno 2016, Alessandri
8 giugno 2016, Alessandri
8 giugno 2016, Alessandria
8 giugno 2016, Alessandri
a
a
a
SpectrEM – Un software per il controllo remoto dell’analizzatore di spettro vettoriale e per la gestione dell’attività di analisi selettiva in conformità alla norma tecnica CEI 211-7/E
Pavoncello S. - Franci D. - Grillo G. - Coltellacci S. - Aureli T.
Misure del campo elettrico generato da stazioni radiobase: confronto tra diversi metodi di valutazione indicati dalla norma CEI 211-7/E
Sepulcri D., Scola M., Zulianello M., Andolfato F., Canal L., Cecchinato M., Guaiti F., Lorenzetto G., Belleri L.
SESSIONE A2
Valutazioni relative agli ambienti di lavoro
Influenza del metodo di calcolo nella determinazione dell’indice di picco ponderato per esposizione a campi elettromagnetici
Andreuccetti D., Contessa G.M., Falsaperla R., Lodato R., Lopresto V., Merla C., Pinto R., Zoppetti N.
Esposizione simultanea a campo magnetico statico e gradienti: valutazione della corrente indotta al cuore
Valbonesi S., Papotti E., Sghedoni R., Tiberti M., Vanore A., Zanichelli P.
La valutazione dell’esposizione umana a campi elettromagnetici in ambienti di lavoro complessi
Zoppetti N., Andreuccetti D., Bianchi S., Pancari G.
Valutazione dell’esposizione degli operatori sanitari addetti alla stimolazione magnetica transcranica con induttore circolare
Zucca M., Bottauscio O., Chiampi M., Zilberti L., Manconi M. P., Ferrero L., Maccagno L.
SESSIONE A3
Misure di campi elettromagnetici a radiofrequenza
Misure in modalità Span Zero su impianti LTE: prime misure della potenza associata ai canali di segnalazione e di controllo
Barellini A., Bracci B., Licitra G., Pinzauti A., Silvi A.M.
Misure di campo elettrico in prossimità di impianti radar HF per il rilevamento delle correnti marine
Barellini A., Bracci B., Licitra G., Silvi A.M., Zari A.
Taratura e utilizzo antenne a larga banda per il monitoraggio ambientale in banda stretta dei campi elettromagnetici
Benedetto A., Trinchero S., Anglesio L., d'Amore G.
L’evoluzione dello standard Wi-Fi e le criticità di misura dell’esposizione
SESSIONE B1
Metodi di misura e assicurazione di qualità
Stima dell’incertezza nella correzione per autoassorbimento in spettrometria gamma
Albertone L.
Normazione e accreditamento di metodi radiometrici per le acque potabili – Tendenze e nuovi sviluppi
Forte M., Rusconi R., Arrigoni S.
Un approccio alternativo per la risposta dei rivelatori CR-39 ad alte esposizioni di gas radon: utilizzo della dark area e confronto con la metodologia standard
Franci D., Cardellini F., Aureli T.
Assicurazione della qualità del dato in un laboratorio di radioattività ambientale: metodologia ed applicazioni pratiche
Porzio L., Albertone L., Marga M., Tozzi G.
Metodi di misura per la determinazione della concentrazione di attività del radon in acqua destinata al consumo umano
Procopio S., Diano A., Capone P., Migliorino C., Barbuto P., Mancuso C., Curcio D.
SESSIONE B2 Normativa e NORM
L'integrazione delle disposizioni del D.Lgs. n. 230/1995 e s.m.i. in alcuni procedimenti di autorizzazione ambientale ai sensi del D.Lgs. n. 152/2006 e s.m.i.
Bucci S., Iacoponi A., Peroni I., Bologna L.
Il recepimento italiano della direttiva 2013/51/Euratom sul controllo della radioattività nelle acque destinate al consumo umano: metodologia adottata, sintesi dei contenuti e prospettive
Alessandro Magliano, Francesco Bochicchio, Luca Lucentini, Paolo Rossi, Aldo Di Benedetto, Rossella Colagrossi
Un indice più flessibile e accurato per stimare il contributo dei materiali da costruzione alla dose gamma indoor
Nuccetelli C., Federica Leonardi F., Rosabianca Trevisi R.
SESSIONE B3
Radioattività ambientale e rifiuti radioattivi
Master in Manager ambientale per la gestione del decommissioning e dei rifiuti radioattivi in ambito sanitario, industriale e di ricerca
M.Arneodo
Il Deposito Nazionale e Parco Tecnologico – Controllo dell’ambiente e coinvolgimento del territorio
Misure di 7Be nel particolato e nelle deposizione umide e secche: serie storiche e correlazione con parametri ambientali
M. Magnoni, L. Bellina, S. Bertino, B. Bellotto, M. Ghione, G. Garbarino
Aeromobile a pilotaggio remoto per la localizzazione e identificazione di materiale radioattivo disperso nell’ambiente
Zappettini A., Bettelli M., Calestani D., Aleotti J., Micconi G., Caselli S., Zambelli N., Benassi G., Sogni R.
SESSIONE B4 Radon
Problemi di radioprotezione nello scavo di gallerie stradali e ferroviarie
Giorgio Cucchi, Andrea Lisardi, Domiziano Mostacci, Laura Tositti
Radionuclidi naturali nelle rocce del Piemonte: verso la definizione del potenziale geogenico radon
Paolo Falletti, Enrico Chiaberto, Elena Serena, Anna Prandstatter, Rosamaria Tripodi, Mauro Magnoni, Anselmo Cucchi
Andamento nel tempo della concentrazione di radon indoor: 14 anni di misure in 14 edifici
Giovani C., Candolini G., Pividore S., Di Marco P., Garavaglia M., Piccini L.,
L’individuazione delle radon-prone areas: metodologie e applicazioni.
Salvi F., Raspa G.
Radon nelle scuole in Alto Adige: aspetti pratici e normativi
Verdi L., Marchesoni C., Amadori C., Ceccon D.
SESSIONE C1 Acustica
Il criterio differenziale nell’ambito dell’evoluzione della normativa nazionale sull’inquinamento acustico: riflessioni e proposte
Callegari Anna, Poli Maurizio
OpeNoise Meter: app android opensource per misurare il rumore
Masera S., Fogola J., Giovanni Malnati, Antonio Lotito, Enrico Gallo
Applicazione della norma UNI/TS 11326-2. Analisi degli effetti della norma su casi pratici (riferiti all’anno 2015)
Nava E., Carella F., Pozzi V., Raimondo A., Rossetti D., Strada S.D., Vurro B., Bassanino M.
Geolocalizzazione e cloud storage di misure ambientali: utilizzo di smartphone per la generazione di mappe acustiche in real-time
SESSIONE D1 Radiazione ottica
Il monitoraggio dell’inquinamento luminoso nella regione Veneto
Bertolo A., Binotto R., Menini L., Pasquini L., Sapienza S.
Modelli di previsione dell’indice ultravioletto (UVI)
Casale G.R.1, Siani A.M.1, Diémoz H.2, Agnesod G.2, Pedone M.3, Colosimo A.4
ROA non coerenti: Esperienza in ambito Ospedaliero
Ferrari M.B., Maldera A., Mainardi C., De Mattia C., Torresin A., Maringoni M.D.
Radiometri satellitari: potenzialità e limiti nella valutazione dell’irraggiamento UV a terra e parametri sulla qualità dell'aria
Ialongo I.
La taratura dei radiometri solari effettuata dal Laboratorio di Ottica di Arpa Piemonte: metodo e risultati
S.Saudino Fusette, S.Facta, A.Bonino, L.Anglesio, G.d’Amore
SESSIONE E1 Sistemi Informativi
Strumenti e servizi del Geoportale di Arpa Piemonte a supporto della gestione e diffusione delle informazioni sugli agenti fisici
Bonansea E., Alibrando M., Assom A., Carrino M., Cassulo R., Forestello L., Livorno M., Nicolò G., Tinetti I.
Proposte per la valutazione teorica in ambiente cartografico 3D dell’impatto ambientale di radar
B. Bracci, A. D’Ambra, G.Licitra, A. Zari
Applicativo cartografico RE.MO.: REte di Monitoraggio dei siti nucleari italiani
Bunone E., Martocchia F.
yEM - Nuovo software per l’analisi dell’impatto elettromagnetico prodotto dalle stazioni radiobase in Friuli Venezia Giulia
Salvagni M., Poles N., Moretuzzo M., Bampo A.
SESSIONE F1
Metodi per la valutazione della qualità dell'aria
Incidenza dei vettori navali Ro/Ro sulla qualità dell’aria portuale e verifica del rispetto del limite di emissione di NOx
Barbieri M., Campus S., Castiglioni F., Cavazzini S., Cogorno A., D’Acqui R.M., Parodi A., Vairo T.
Tecniche di fotometria solare per la qualità dell'aria: recenti avanzamenti nello studio del contenuto colonnare di NO2 e delle proprietà ottiche degli aerosol
Diemoz H., Siani A.M., Casale G. R., Campanelli M.
Ottimizzazione del modello a mesoscala WRF per l’individuazione dei Wind Days nell’area di Taranto.
F. Fedele, A. Guarnieri Calò Carducci, S. Ottonelli, A. Turnone, M. Menegotto, A. Tateo, A. Pollice, R. Bellotti
Modelli di dispersione degli inquinanti in atmosfera: esperienze applicative
Enrico Ferrero
Impiego di sistemi LIDAR per il monitoraggio atmosferico di un sito industriale
Ottonelli S., Guarnieri Calò Carducci A., Fedele F., Turnone A., Menegotto M., Di Liberto L., Dionisi D., Gobbi G.P., Barnaba F.
1
Ottimizzazione del modello a mesoscala WRF per l’individuazione dei
Wind Days nell’area di Taranto.
F. Fedele1, A. Guarnieri Calò Carducci1, S. Ottonelli1, A. Turnone1, M. Menegotto1, A.
Tateo4, A. Pollice3, R. Bellotti2
1
f.fedele@arpa.puglia.it, ARPA Puglia, Corso Trieste, 27, 70126 - Bari
2
roberto.bellotti@ba.infn.it, Istituto Nazionale di Fisica Nucleare, Via Orabona 4, 70126 Bari
3
alessio.pollice@uniba.it, Dipartimento di Scienze Economiche e Metodi Matematici, Largo Abbazia Santa scolastica 53, 70124 Bari
4
andrea.tateo@uniba.it, Dipartimento di Fisica, Via G. Amendola 173, 70126 Bari
RIASSUNTO
Nel presente lavoro verrà esposta la procedura di correzione statistica di un modello numerico di previsione meteorologica ad alta risoluzione spaziale, il Weather Research and Forecasting model (WRF), già ottimizzato per la specifica zona di Taranto che ospita sul suo territorio un imponente polo industriale che include il più grande impianto siderurgico d’Europa. Il modello è stato installato presso l’infrastruttura di calcolo ReCaS dell’Istituto Nazionale di Fisica Nucleare (INFN). In particolare il modello numerico di previsione viene utilizzato per la previsione, con 72 ore di anticipo, dei Wind Days ovvero delle giornate caratterizzate da condizioni meteorologiche che tendono a produrre un accumulo di inquinanti in particolare nel quartiere Tamburi di Taranto. Da una prima stima delle performance del modello WRF nella previsione a 72 ore della velocità e direzione del vento è emerso che il modello presenta sulla velocità un forte bias positivo in tutti i settori di provenienza del vento e ciò penalizza la performance di individuazione dei Wind Days. Nel tentativo di migliorare tali performance sono stati applicati tre metodi di correzione statistica alle uscite del modello: rete neurale artificiale (ANN), filtro di Kalman (KF) e un modello additivo generalizzato (GAM). Si è riscontrato che il filtro di Kalman migliora notevolmente la previsione dei Wind Days rispetto al WRF non corretto e corretto tramite rete neurale e GAM.
INTRODUZIONE
A causa delle numerose attività industriali altamente impattanti in termini di qualità dell’aria, Taranto è inclusa in un’area ad alto rischio di crisi ambientale. La città ospita infatti un importante polo industriale, a ridosso del quartiere Tamburi, che conta il più grande impianto siderurgico d’Europa (ILVA), una raffineria (ENI) ed un cementificio (CEMENTIR). Le emissioni sono principalmente composte da Idrocarburi Policiclici Aromatici (IPA), benzene e particolato atmosferico (PM). Il PM è attualmente oggetto di molti studi a causa del suo effetto sulla salute umana (Brunekreef et al., 2002). Negli anni fino al 2012, sono stati registrati nel quartiere Tamburi numerosi superamenti di PM rispetto ai limiti di legge e da uno studio condotto da Arpa Puglia è emersa chiaramente la correlazione fra condizioni meteorologiche caratterizzate da venti intensi provenienti dai quadranti di Nord-Ovest e il deterioramento della qualità dell’aria in questo
quartiere in termini di PM10 (Fedele et al., 2014). Le giornate caratterizzate dalle suddette
condizioni meteo sono state identificate con il nome di Wind Days. In ottobre 2012 la Regione Puglia ha predisposto un piano per il risanamento del quartiere Tamburi di Taranto che prevede la messa in atto di una serie di misure di contenzione delle emissioni in corrispondenza dei Wind
Days. Per questa ragione Arpa Puglia ha avuto la necessità di costruire un sistema di previsione
meteo a 72 ore per l’identificazione dei Wind Days.
A questo fine si è scelto di utilizzare il modello numerico ad alta risoluzione WRF, un modello open-source sviluppato principalmente dall’NCAR (National Center for Atmospheric Research) (http://www.wrf-model.org). Il modello ha un ampio range di applicazioni sia operative che di ricerca ed offre la possibilità di scegliere fra diverse parametrizzazioni fisiche. Le previsioni con il WRF sono a cura del Servizio Agenti Fisici di Arpa Puglia che ogni giorno verifica il possibile instaurarsi del Wind Days in corrispondenza delle coordinate di una specifica centralina meteo nell’area di Taranto, denominata San Vito e posizionata nel golfo di Taranto come indicato in fig.1 (cerchio verde). Questa centralina, appartenente alla rete della qualità dell’aria dell’Agenzia, è utilizzata anche per la verifica ex-post. Nella stessa figura è rappresentato il polo industriale (zona rosa) nonché la posizione del quartiere Tamburi (stella rossa in alto). Il WRF è stato installato
2
presso la piattaforma di calcolo ReCaS dell’Istituto Nazionale di Fisica Nucleare (INFN) con cui Arpa Puglia ha una collaborazione scientifica definita da apposita convenzione.
Figura 1 – Golfo di Taranto
Posizione della centralina
meteorologica San Vito (cerchio verde) e del quartiere Tamburi (stella rossa in alto) rispetto al polo industriale (zona rosa)
Per gli specifici scopi del presente lavoro, è stata utilizzata una implementazione del WRF modificato rispetto alla sua versione di base ottenuta sostituendo il database di land cover di default (U.S. Geological Survey - USGS) con il database Europeo CORINE caratterizzato da una migliore risoluzione e più recente aggiornamento ottenendo significativi miglioramenti sia in termini geografici di descrizione del territorio sia in termini di riproduzione dei dati osservati (Fedele et al., 2015 a). L’implementazione scelta è stata selezionata anche sulla base di uno studio della distribuzione regionale del bias sulla velocità del vento che caratterizza il WRF (Fedele et al., 2015 b). Da questo studio è emerso che la parametrizzazione dello strato limite planetario che minimizza il bias sul vento è quella nota come Yonsei University ed è per questo stata scelta per lo studio in esame.
Con questa configurazione del WRF si è proceduto alla previsione dei Wind Days dell’anno 2014 e si è fatta una valutazione della performance ottenuta in riferimento ai Wind Days osservati dalla centralina di San Vito. Nel tentativo di migliorare ulteriormente tale performance si è realizzato un post-processing statistico delle uscite del modello mediante tre metodi, rete neurale artificiale, filtro di Kalman e modello additivo generalizzato. Questi metodi, così come i risultati da essi ottenuti in termini di classificazione di Wind Days, verranno mostrati nel seguito.
METODI DI POST-PRCESSING STATISTICO
I modelli numerici di previsione meteorologica odierni, come il WRF, sono molto accurati nel riprodurre le dinamiche atmosferiche. Tuttavia si pone la necessità di reinterpretare le uscite di tali modelli che presentano implicitamente diverse fonti di errore tra cui l’approssimazione dei fenomeni fisici e l’incertezza nelle condizioni iniziali necessarie alla risoluzione delle equazioni. Le parametrizzazioni della fisica semplificano ed omogenizzano le condizioni di superficie rappresentando il mondo come un insieme di punti griglia il che rende i fenomeni di piccola scala non risolvibili e comporta l’introduzione di inevitabili approssimazioni. L’errore sulle condizioni iniziali è dovuto invece al fatto che la superficie terrestre non è coperta con continuità da punti di misura sicché le condizioni iniziali risultanti saranno necessariamente affette da errore che si tradurrà in un bias sugli output del modello. Per ridurre l’effetto di questi errori, negli ultimi anni si è sviluppata la previsione di ensamble in cui vengono perturbate le condizioni iniziali ottenendo in uscita un insieme di soluzioni delle equazioni ognuna corrispondente ad una determinata condizione iniziale. È anche possibile fare una previsione di ensamble utilizzando per una stessa simulazione diverse parametrizzazioni fisiche in diverse combinazioni. Le previsioni così costruite avranno carattere probabilistico e non deterministico riducendo l’effetto dei bias.
Nel presente lavoro si è invece scelto di correggere le uscite del modello utilizzando i tre metodi statistici già elencati e settati utilizzando i dati reali registrati dalla centralina di San Vito.
3
In particolare la rete neurale artificiale (ANN) utilizzata ha una architettura feed-forward
multi-layer perceptron che è il più comune tipo di rete neurale. Gli elementi di calcolo, detti neuroni, sono
organizzati in strati: lo strato di input, che conta un numero di neuroni pari alla dimensione del segnale di input, gli strati nascosti che hanno dimensioni variabili a seconda degli specifici scopi e lo strato di output che conta un numero di neuroni pari alla dimensione del segnale di output. Nel nostro caso in input la rete ha tre neuroni che corrispondono alle variabili velocità del vento da modello WRF e componenti S1 e S2 dell’ora del giorno H:
⋅ = 24 2 sin 1
π
H S ⋅ = 24 2 cos 2π
H SL’insieme di giorni di training utilizzati per addestrare la rete e per settare il filtro di kalman ed il modello GAM è costruito come una finestra mobile contente un certo numero di giorni n che viene fatto scorrere con passo di un giorno fino a coprire tutto il periodo di interesse mantenendo fissa la dimensione n. Una volta settati i coefficienti, essi vengono utilizzati per fare la correzione alla previsione fino alla 72-esima ora di ogni giorno dell’anno simulato con il WRF (2014). L’output di WRF corretto con la rete sarà indicato con WRF+ANN.
Il filtro di Kalman è un algoritmo ricorsivo che stima il bias futuro di un segnale a partire dalla conoscenza del bias del passato, secondo:
t t t t t t t t t x x|−∆ = −∆|−2∆ +
η
−∆dove η è l’errore sistematico distribuito normalmente con media zero e varianza ση
2 e x è il bias
che vogliamo stimare. L’output di WRF corretto con il filtro di Kalman sarà indicato con WRF+KF. Per introdurre i GAM è utile introdurre i modelli lineari generalizzati (GLM). Essi sono una generalizzazione dei modelli regressivi lineari che in più consentono di considerare variabili risposta (µ) aventi distribuzioni diverse dalla distribuzione normale mediante l’utilizzo di funzioni
link (g) che legano le variabili risposta alle covariate (x). Un GAM è a sua volta un GLM in cui il
predittore è la somma di funzioni smooth f delle covariate anziché delle covariate stesse:
... ) , ( ) ( ) ( ) ( i =Xi + f1 x1i + f2 x2i + f3 x3i x4i ⋅x5i + g
µ
β
L’output di WRF corretto con il GAM sarà indicato con WRF+GAM. Calcolando il Root Mean Square Error (RMSE) annuo per diverse dimensioni dell’insieme di training n, si è stabilito che per la rete neurale il numero di giorni di training che minimizza il RMSE è 16, per il filtro di Kalman è 16, e per il modello GAM è 30.
RISULTATI
Gli output del WRF sono stati confrontati con gli output corretti WRF+ANN, WRF+KF e WRF+GAM. Una prima valutazione globale delle performance viene dal diagramma di Taylor di fig. 2. Si vede come il WRF+ANN e WRF+GAM (cerchio verde e blu rispettivamente) portino ad un notevole miglioramento in termini di correlazione, RMSE e deviazione standard rispetto al WRF non corretto (cerchio rosso) mentre il filtro di Kalman (cerchio viola) lascia quasi del tutto immutata la performance del WRF da solo. Questo risultato è confermato dai discrimination plot riportati in fig. 3 che evidenziano anche la presenza di un bias positivo sull’intensità del vento del WRF come evidenziato dal fatto che la linea delle mediane osservate (rossa) stia sempre sotto la linea delle mediane del predetto (linea blu). Sempre in fig. 3 si nota anche chiaramente che il modello GAM è quello per cui le mediane dell’osservato si avvicinano di più all’ideale indicando che esso riproduce meglio degli altri metodi la distribuzione dei dati reali. Da un punto di vista di analisi dei residui, dalla fig. 4 si evince che la distribuzione dei residui del WRF non corretto è fortemente spostata verso i valori alti positivi indicando la presenza di un bias positivo sull’intensità del vento. Tutti i metodi di correzione rendono invece tale distribuzione simmetrica rispetto allo zero (linea rossa) indicando una eliminazione dell’errore sistematico ed inoltre si nota come la rete neurale ed il
4
modello GAM portino anche ad un restringimento della distribuzione dei residui indicando una riduzione dell’errore del modello.
Figura 2 – Diagramma di Taylor
Ogni cerchio colorato rappresenta la
performance di uno dei quattro output analizzati in termini di correlazioni, errore quadratico medio e deviazione standard.
È utili al fine di ottimizzare le uscite del WRF per la previsione dei Wind Days analizzare l’andamento polare degli output del WRF e delle sue correzioni rispetto ai dati osservati. In fig. 5 è riportato questo confronto mediante la rappresentazione delle rose dei venti. La rosa dei venti reale (nel quadrato tratteggiato giallo) è quella registrata a San Vito.
Osservando la rosa dei venti ottenuta dal WRF non corretto si nota la presenza di un forte bias positivo in tutti i settori di provenienza del vento. Nel pannello inferiore della stessa figura, si nota che il WRF+ANN ed il WRF+GAM riducono notevolmente questo bias in tutte le direzioni a differenza del WRF+KF che invece apporta un leggero miglioramento in questo senso. Va tuttavia osservato che il WRF+KF lascia pressoché inalterato rispetto all’osservato il quadrante di Nord-Ovest che è quello di interesse per l’individuazione dei Wind Days.
Figura 2 – Discrimination plot
I discrimination plot mostrano la mediana dei valori osservati (linea rossa) che per un modello ideale deve giacere sulla bisettrice (linea blu).
5
Figura 4 – Analisi dei residui
Ogni puntino nero rappresenta la misura di un residuo. La posizione dello zero è indicata dalla line rossa.
Figura 5 – Rose dei venti
Si riportano le rose dei venti ottenute dai dati veri della centralina di San Vito (nel quadrato tratteggiato giallo) e dagli output del WRF (in alto a destra) e del WRF corretto con i tre metodi statistici (in basso).
DISCUSSIONE
Il criterio per l’individuazione del Wind Days dai dati della centralina di San Vito si basa su un criterio che prevede vento superiore a 7 m/s con direzione compresa tra 270° e 360°. Un analogo criterio va stabilito per l’individuazione dei Wind Days previsti con 72 ore di anticipo con il WRF e con il WRF corretto. In particolare, ammettendo una certa variabilità dei dati simulati, abbiamo scelto di testare diversi criteri facendo variare sia l’intervallo angolare di direzione sia la soglia sulla velocità del vento. Il criterio migliore, in termini di sensibilità e specificità ottenuto per confronto con la lista dei Wind Days reali, è risultato essere il criterio denominato B che prevedere la direzione
WRF+KF
WRF+ANN WRF+GAM
6
compresa tra 260° e 10° e tre possibilità per la soglia sulla velocità del vento, 7, 6 e 5.5 m/s, cui corrispondono rispettivamente i criteri B_7, B_6 e B_5.5. In fig. 6 è mostrato l’andamento della sensibilità in funzione della specificità per i criteri B suddetti. Nella stessa figura sono riportare due linee tratteggiate nere corrispondenti ad un valore si specificità e sensibilità pari a 80% e che individuano un’area di accettazione. In questa area ricade il criterio B_7 (rombo nero) del WRF non corretto e tutti i criteri del WRF+KF (rombo, quadrato e triangolo celesti). Nessun criterio per WRF+ANN e WRF+GAM ricade in questa zone indicando che benché queste due tecniche di correzione si siano rivelate efficaci nella correzione del bias globale del modello WRF non risultano idonee nella previsione dei Wind Days. Si può dunque concludere che il filtro di Kalman migliora notevolmente la previsione dei Wind Days rispetto al WRF non corretto e corretto tramite rete neurale e GAM proprio perché, come evidenziato in fig. 5, questa tecnica di correzione lascia pressoché inalterato il quadrante Nord-Ovest di interesse per i Wind Days. Nella catena operativa previsionale implementata dal Servizio Agenti Fisici di Arpa Puglia per l’individuazione dei Wind
Days, sarebbe opportuno inglobare anche la correzione con il filtro di Kalman che consentirà, a
parità di sensibilità, un notevole aumento di specificità (da 81.7% a 94.33%).
Figura 6 – Performance criterio B
Sono riportati i valori di sensibilità e specificità del criterio denominato B per il WRF e per il WRF corretto con i tre metodi. Le linee tratteggiate verticale ed orizzontale rappresentano il valore 80% di sensibilità e specificità preso come soglia di accettazione.
Bibliografia
Brunekreef Bert and Holgate Stephen T. Air pollution and health, (2002). The lancet, 360.9341:1233-1242. Fedele F., Menegotto M., Trizio L., Angiuli L., Guarnieri Calò Carducci A., Bellotti R., Giua R, Assennato G. (2014). Meteorological effects on PM10 concentrations in an urban industrial site: a statistical analysys. Conference Proceedings 1st International Conference on Atmospheric Dust – DUST2014 ISSN: 2283-5954 vol. 1, 162-167.
Fedele F., Miglietta M.M., Perrone M.R., Burlizzi P., Bellotti R., Conte D., and Guarnieri Calò Carducci A. (2015 a). Numerical simulations with the wrf model of water vapour vertical profiles: a comparison with lidar
and radiosounding measurements. Atmospheric Research, 166:110 -119.
Fedele F., Pollice A., Guarnieri Calò Carducci A., Bellotti R. (2015 b). Spatial bias analysis for the Weather
Research and Forecasting model WRF) over the Apulia region. Proceedings of the GRASPA2015
