INDICE
ELENCO DEGLI AUTORI
PREMESSA
PREFAZIONE
1.
LA QUALITA’ NEL MONITORAGGIO DI VARIABILI
METEOCLIMATICHE
1
G. La Loggia, L.V. Noto, F. Viola
1.1
1.2
1.3
1.4
1.5
1.6
1.7
2.
INTRODUZIONE
I FATTORI CHE INFLUISCONO SULLA QUALITÀ DEL DATO
CONTROLLO DI QUALITÀ
MONITORAGGIO DELLA QUALITÀ
OMOGENEITÀ DEI DATI E METADATI
1.5.1
Causa di disomogeneità
1.5.2
Metadati
GESTIONE DELLA QUALITÀ
BIBLIOGRAFIA
RETI PER IL MONITORAGGIO METEOCLIMATICO
1
3
5
6
6
6
6
20
21
22
I. Nalbantis, G. Tsakiris G. La Loggia, L.V. Noto, F. Viola, G. Iiritano,
T. Caloiero
2.1
2.2
2.3
2.4
2.5
2.6
3.
INTRODUZIONE
FINALITA’ DI UNA RETE DI MONITORAGGIO
CRITERI DI PROGETTAZIONE DI UNA RETE
2.3.1
Metodologia A
2.3.2
Metodologia B
2.3.3
Metodologia C
2.3.4
Metodologia D
2.3.5
Metodologia E
METODOLOGIA PROPOSTA DAL GRUPPO DEL NTUA
2.4.1
Conclusioni dai lavori precedenti
2.4.2
Adattamento della metodologia esistente
CONSIDERAZIONI CONCLUSIVE
BIBLIOGRAFIA
22
25
26
28
31
34
37
41
44
44
46
48
48
DATABASE RELAZIONALE PER L’ARCHIVIAZIONE DEI DATI
METEOCLIMATICI
51
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R. Maletta,
G. Mendicino, A. Senatore
3.1
INTRODUZIONE
51
ii
3.2
3.3
3.4
3.5
3.6
3.7
4.
3.1.1
Database e sistemi informativi
3.1.2
Un database per l’archiviazione dei dati meteo-climatici
3.1.3
obiettivi
3.1.4
Software, hardware e risorse umane
3.1.5
Attività preliminari
DESCRIZIONE DELLA BASE DATI STRUTTURATA
3.2.1
Struttura concettuale
3.2.2
Diagramma entità-relazioni
CONTENUTO DELLA BASE DATI
3.3.1
Elementi geografici
3.3.2
Codifica delle caratteristiche strumentali
3.3.3
Serie storiche omogenee
3.3.4
Dati giornalieri
3.3.5
Elementi informativi su aspetti gestionali della rete
3.3.6
Portabilità e compatibilità
3.3.7
Casi particolari
DATABASE TERRITORIALI: LE APPLICAZIONI GIS
3.4.1
Introduzione
3.4.2
Gli obiettivi
3.4.3
L’approccio seguito
3.4.4
Descrizione del web-gis
3.4.5
Il sistema integrato a scala regionale
L’INTERFACCIA WEB-GIS
CONDIDERAZIONI CONCLUSIVE
BIBLIOGRAFIA
PROCEDURE DI CONTROLLO DI QUALITA’ DEI DATI
PROVENIENTI DALLA RETE IDROMETEOROLOGICA
51
52
53
54
54
55
56
57
61
62
63
63
64
64
66
67
68
68
68
69
69
71
73
76
77
79
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto, A. Campisano,
V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
4.1
4.2
4.3
4.4
INTRODUZIONE
80
VALIDAZIONE DEI DATI MENSILI DI PIOGGIA E TEMPERATURA
(PROCEDURA DICA-UNICT)
81
4.2.1
Procedura di controllo
81
4.2.2
Controllo dei dati di temperatura media mensile
86
4.2.3
Controllo dei dati di precipitazione mensile
88
PROCEDURE OPERATIVE PER LA VALIDAZIONE DI DATI
GIORNALIERI DI TEMPERATURA E PRECIPITAZIONE (PROCEDURA
ARPA-EMILIA ROMAGNA)
89
4.3.1
Controllo di qualità della temperatura massima e minima
90
4.3.2
Controllo di qualità della precipitazione
96
VALIDAZIONE DEI DATI GIORNALIERI DI TEMPERATURA E
PRECIPITAZIONE (PROCEDURA DICA-UNICT)
99
4.4.1
Controllo di qualità della temperatura massima e minima
99
4.4.2
Controllo di qualità della precipitazione
106
iii
4.4.3
4.5
4.6
5.
Analisi dell’affidabilità della procedura di validazione dei dati
giornalieri
111
CONSIDERAZIONI CONCLUSIVE
114
BIBLIOGRAFIA
116
PROCEDURE DI CARATTERIZZAZIONE DEI DATI STORICI
117
G. La Loggia, L.V. Noto, F. Viola, M.T. Noto
5.1
5.2
5.3
5.4
5.5
5.6
5.7
6.
INTRODUZIONE
CONTROLLI DI OMOGENEITA’ BASATI SULLO STORICO
(METADATI)
CONTROLLI DI OMOGENEITA’ BASATI SU METODI
MATEMATICI
LA STIMA DEI DATI CLIMATICI MANCANTI PER LA
RICOSTRUZIONE DELLE SERIE STORICHE
CRITERI PER LA SELEZIONE DI UNA RETE DI QUALITA’
5.5.1
Attribuzione dell’etichetta di qualità alla singola stazione di
misura della generica grandezza idro-meteorologica
5.5.2
Attribuzione dell’etichetta di qualità alla rete di misura della
generica grandezza idro-meteorologica
CRITERI PER L’ASSEGNAZIONE DI UN GIUDIZIO DI QUALITA’
ALLA RETE PER IL MONITORAGGIO DELLA SICCITA’
5.6.1
Rete per il monitoraggio della siccità di qualità sufficiente
5.6.2
Rete per il monitoraggio della siccità di qualità buona
5.6.3
Rrete per il monitoraggio della siccità di qualità ottima
BIBLIOGRAFIA
117
118
119
121
129
130
135
138
138
138
138
139
ASPETTI DI QUALITA’ PER L’OTTENIMENTO DI MAPPE DI
TEMPERATURA SUPERFICIALE DEL SUOLO (LST) DA DATI
TELERILEVATI DA SATELLITE
141
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
6.1
6.2
6.3
6.4
INTRODUZIONE
141
NORMATIVA DI RIFERIMENTO E PRINCIPI DI QUALITÀ PER LA
GESTIONE DEI DATI DA SATELLITE
142
6.2.1
Normativa di riferimento
142
6.2.2
Principi di qualità applicati ai dati telerilevati da satellite per
l’ottenimento della lst
145
PROCEDURE DI QUALITÀ PER LA RICEZIONE ED
ELABORAZIONE DEI DATI AVHRR/NOAA
149
6.3.1
Controllo della geolocazione dei dati
150
6.3.2
Estrazione dei count e calcolo dei coefficienti di calibrazione per
un’area geografica
155
6.3.3
Calibrazione radiometrica dei dati
155
IMPOSTAZIONI PER IL CONFRONTO DEI PRODOTTI OTTENUTI DA
SATELLITE CON MISURE VERITÀ A TERRA
157
iv
6.5
6.6
PROCEDURE DI ARCHIVIAZIONE E INTERSCAMBIABILITÀ DEI
DATI
6.5.1
Archivio elettronico della stazione ricezione satelliti del pin prato
6.5.2
FormatoHRPT dei dati NOAA acquisiti alla stazione ricezione
satelliti del PIN - Prato
6.5.3
Formati standard di memorizzazione su file (HDF eGEOtiff)
BIBLIOGRAFIA
160
161
163
164
166
APPENDICE
A1
SELEZIONE DI UNA RETE PER IL MONITORAGGIO DELLA
SICCITA’ NELL’ISOLA DI CRETA
169
I. Nalbantis, G. Tsakiris
A2
A1.1 AREA DI STUDIO
A1.2 DATA COLLECTION E PRE-PROCESSING
A1.3 RISULTATI
169
170
171
APPLICAZIONE DELLA PROCEDURA DICA-UniCT DI
VALIDAZIONE DEI DATI TERMOMETRICI MENSILI A 43
STAZIONI DELLA SICILIA
175
G. Rossi, A. Cancelliere, A. Campisano
A3
APPLICAZIONE DELLA PROCEDURA (DICA-UniCT) DI
VALIDAZIONE DEI DATI PLUVIOMETRICI MENSILI A 43
STAZIONI DELLA SICILIA
185
G. Rossi, A. Cancelliere, A. Campisano
A4
ESEMPIO DI APPLICAZIONE DELLA PROCEDURA DELLA
ARPA-EMILIA ROMAGNA PER IL CONTROLLO DELLA
QUALITA’ DEI DATI TERMOMETRICI GIORNALIERI DI
ALCUNE STAZIONI DELLA RETE DELL’EMILIA ROMAGNA 193
V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
A4.1 IMPATTO DEL CONTROLLO DI QUALITÀ SUI DATI DA
STAZIONE
A5
194
ESEMPIO DI APPLICAZIONE DELLA PROCEDURA DELLA
ARPA-EMILIA ROMAGNA PER IL CONTROLLO DELLA
QUALITA’ DEI DATI PLUVIOMETRICI GIORNALIERI DI
ALCUNE STAZIONI DELLA RETE DELL’EMILIA ROMAGNA 201
V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
v
A6
ESEMPIO DI APPLICAZIONE DELLA PROCEDURA DI
VALIDAZIONE AUTOMATICA (DICA-UniCT) AI DATI DI
TEMPERATURA MASSIMA E MINIMA GIORNALIERI
205
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto
A6.1 GENERALITÀ
205
A6.2 COSTRUZIONE FASCE DI CONFIDENZA BASATE SUI DATI DELLA
STAZIONE IN ESAME
207
A6.3 COSTRUZIONE FASCE DI CONFIDENZA BASATE SUI DATI DELLE
STAZIONI DI RIFERIMENTO
213
A7
ESEMPIO DI APPLICAZIONE DELLA PROCEDURA DI
VALIDAZIONE AUTOMATICA (DICA-UniCT) AI DATI
PLUVIOMETRICI GIORNALIERI
217
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto
A8
SELEZIONE DI UNA RETE PER IL MONITORAGGIO DELLA
SICCITA’ NELLA REGIONE SICILIANA
221
M.T. Noto
A9
A8.1 ANALISI STORICA PER LA VERIFICA E/O RICOSTRUZIONE DEI
METADATI
A8.2 ASSEGNAZIONE ETICHETTA DI QUALITÀ ALLA STAZIONE DI
MISURA DELLA SINGOLA GRANDEZZA
A8.3 ASSEGNAZIONE ETICHETTA DI QUALITÀ ALLA RETE
SELEZIONATA
A8.4 ASSEGNAZIONE ETICHETTA DI QUALITÀ SISTEMA DI
MONITORAGGIO MESSO A PUNTO
BIBLIOGRAFIA
234
234
LA RICOSTRUZIONE DEI DEFLUSSI ATTRAVERSO IL
BILANCIO IDRICO DEGLI INVASI: RISULTATI OTTENUTI
PER I LAGHI DELLA SARDEGNA
235
222
227
233
A. Abis, G. M. Sechi
A9.1 INTRODUZIONE
A9.2 IL BILANCIO IDRICO DEGLI INVASI ARTIFICIALI
A9.3 RICOSTRUZIONE DEI DEFLUSSI AFFLUENTI NEI SERBATOI
ARTIFICIALI IN SARDEGNA
A9.4 SINTESI DEI RISULTATI OTTENUTI
BIBLIOGRAFIA
235
236
239
246
251
vi
vii
ELENCO DEGLI AUTORI
Giulia ADEMBRI
Stazione Ricezione Satelliti - PIN Servizi
Didattici e Scientifici per l’Università di
Firenze, Piazza Ciardi, 25, 59100 Prato
and
Dipartimento
di
Ingegneria
Elettronica e delle Telecomunicazioni,
Università di Firenze, via S. Marta, 3,
50139
[email protected]
Salvatore ARCURI
Regione Calabria – Centro Funzionale–
Dip. Presidenza – Settore Prot. Civile
[email protected]
Brunella BONACCORSO
Dipartimento di Ingegneria Civile e
Ambientale, Università di Catania, viale
A. Doria 6, 95125 Catania, Italia
[email protected]
Tommaso CALOIERO
Regione Calabria – Centro Funzionale –
Dip. Presidenza – Settore Prot. Civile;
[email protected]
Alberto CAMPISANO
Dipartimento di Ingegneria Civile e
Ambientale, Università di Catania, viale
A. Doria 6, 95125 Catania, Italia
[email protected]
Antonino CANCELLIERE
Dipartimento di Ingegneria Civile e
Ambientale, Università di Catania, viale
A. Doria 6, 95125 Catania, Italia
[email protected]
Enzo Marco CASTROGIOVANNI
Regione Siciliana – Agenzia Regionale
per i Rifiuti e le Acque – Settore
Osservatorio delle Acque, via Bonsignore
1, 90135 Palermo, Italia
[email protected]
Michele DI LORENZO
Servizio
Idrometeorologico
Emilia
Romagna, Agenzia Regionale per la
protezione dell’Ambiente, viale Silvani 6,
40122 Bologna, Italia
[email protected]
Luca DE FELICE
Regione Calabria – Centro Funzionale –
Dip. Presidenza – Settore Prot. Civile,
Viale Europa n. 35, Località Germaneto –
Catanzaro
[email protected]
Giuseppe IIRITANO
Regione Calabria – Centro Funzionale –
Dip. Presidenza – Settore Prot. Civile,
Viale Europa n. 35, Località Germaneto –
Catanzaro
[email protected]
Monica INNOCENTI
Stazione Ricezione Satelliti - PIN Servizi
Didattici e Scientifici per l’Università di
Firenze, Piazza Ciardi, 25, 59100 Prato
and
Dipartimento
di
Ingegneria
Elettronica e delle Telecomunicazioni,
Università di Firenze, via S. Marta, 3,
50139
[email protected]
Goffredo LA LOGGIA
Dipartimento di idraulica ed applicazioni
ambientali, Università degli studi di
Palermo, viale delle Scienze, 90135,
Palermo, Italia
[email protected]
Roberta MALETTA
Dipartimento di Difesa del Suolo “V.
Marone” - Università della Calabria, via
P. Bucci 41b, 87036 Arcavacata di Rende,
Cosenza, Italia
[email protected]
Stefano MARCHESI
Servizio
Idrometeorologico
Emilia
Romagna, Agenzia Regionale per la
protezione dell’Ambiente, viale Silvani 6,
40122 Bologna, Italia
[email protected]
Giuseppe MENDICINO
Dipartimento di Difesa del Suolo “V.
Marone” - Università della Calabria, via
P. Bucci 41b, 87036 Arcavacata di Rende,
Cosenza, Italia
[email protected]
Ioannis NALBANTIS
Laboratory of Reclamation Works and
Water Resources Management, National
Technical University of Athens
[email protected]
viii
Leonardo Valerio NOTO
Dipartimento di idraulica ed applicazioni
ambientali, Università degli studi di
Palermo, viale delle Scienze, 90135,
Palermo, Italia
[email protected]
Maria Teresa NOTO
Regione Siciliana – Agenzia Regionale
per i Rifiuti e le Acque – Settore
Osservatorio delle Acque, via Bonsignore
1, 90135 Palermo, Italia
[email protected]
Valentina PAVAN
Servizio
Idrometeorologico
Emilia
Romagna, Agenzia Regionale per la
protezione dell’Ambiente, viale Silvani 6,
40122 Bologna, Italia
[email protected]
Pier Franco PELLEGRINI
Stazione Ricezione Satelliti - PIN Servizi
Didattici e Scientifici per l’Università di
Firenze, Piazza Ciardi, 25, 59100 Prato
and
Dipartimento
di
Ingegneria
Elettronica e delle Telecomunicazioni,
Università di Firenze, via S. Marta, 3,
50139
[email protected]
Gabriele POLI
Stazione Ricezione Satelliti - PIN Servizi
Didattici e Scientifici per l’Università di
Firenze, Piazza Ciardi, 25, 59100 Prato
and
Dipartimento
di
Ingegneria
Elettronica e delle Telecomunicazioni,
Università di Firenze, via S. Marta, 3,
50139
[email protected]
Giuseppe ROSSI
Dipartimento di Ingegneria Civile e
Ambientale, Università di Catania, viale
A. Doria 6, 95125 Catania, Italia
[email protected]
Andrea SELVINI
Servizio
Idrometeorologico
Emilia
Romagna, Agenzia Regionale per la
protezione dell’Ambiente, viale Silvani 6,
40122 Bologna, Italia
[email protected]
Alfonso SENATORE
Dipartimento di Difesa del Suolo “V.
Marone” - Università della Calabria, via
P. Bucci 41b, 87036 Arcavacata di Rende,
Cosenza, Italia
[email protected]
Guido SCIUTO
Dipartimento di Ingegneria Civile e
Ambientale, Università di Catania, viale
A. Doria 6, 95125 Catania, Italia
[email protected]
Maurizio TOMMASINI
Stazione Ricezione Satelliti - PIN Servizi
Didattici e Scientifici per l’Università di
Firenze, Piazza Ciardi, 25, 59100 Prato
and
Dipartimento
di
Ingegneria
Elettronica e delle Telecomunicazioni,
Università di Firenze, via S. Marta, 3,
50139
[email protected]
Rodica TOMOZEIU
Servizio
Idrometeorologico
Emilia
Romagna, Agenzia Regionale per la
protezione dell’Ambiente, viale Silvani 6,
40122 Bologna, Italia
[email protected]
George TSAKIRIS
Laboratory of Reclamation Works and
Water Resources Management, National
Technical University of Athens, 9, Iroon
Polytechniou str., 157 80, Atene, Grecia
[email protected]
Francesco VIOLA
Dipartimento di idraulica ed applicazioni
ambientali, Università degli studi di
Palermo, viale delle Scienze, 90135,
Palermo, Italia
[email protected]
9
x
PREFAZIONE
L’ Ufficio Idrografico della Regione Sicilia, oggi Osservatorio delle Acque (legge
regionale n. 19 del 22 dicembre 2005, art.7), ha operato, sin dalla sua istituzione, per
l'attività conoscitiva dei parametri idrologici caratterizzanti il ciclo dell’acqua ed, in
particolare, per la vigilanza sulle grandezze idrologiche al fine di prevenire situazioni di
rischio e pericolo in occasione di eventi e situazioni eccezionali, sia riguardo ai fenomeni
di piena, sia riguardo al depauperamento delle risorse idriche superficiali e profonde
anche in relazione ai fenomeni conseguenti alle siccità.
Negli ultimi decenni, anche in relazione ai cambiamenti climatici che interessano
l’area del Mediterraneo Occidentale, si è sviluppata un’azione di monitoraggio sempre più
efficace per la conoscenza del ciclo idrologico, ciò al fine di porre in essere ogni iniziativa
per la mitigazione degli effetti negativi legati alla siccità.
Ciò ha indotto l’Ufficio a promuovere diversi progetti di iniziativa comunitaria tra cui
SEDEMED e SEDEMED II, attraverso i quali ha portato avanti studi e ricerche, in
sinergia con le istituzioni scientifiche (quali le Università), inerenti i fenomeni estremi
quali siccità e desertificazione, svolgendo, tra l’altro, un ruolo di coordinamento degli Enti
operanti negli stessi settori.
Il progetto SEDEMED II costituisce un approfondimento di ricerca operativa per
strutturare ed avviare, all’interno dell’Ufficio, un sistema per la valutazione, prevenzione e
mitigazione del fenomeno della siccità su scale spaziali che vanno dall’intera area
MEDOCC fino a quella di bacino nonché di piccole isole le cui risorse di
approvvigionamento sono limitate e lontane .
Il volume “Progetto, organizzazione e gestione in qualità di un Sistema di
monitoraggio idrometereologico” riporta i risultati illustrati in occasione del Workshop
conclusivo del progetto tenutosi a Palermo nel settembre 2006. In particolare, il volume
compendia le caratteristiche di una rete di monitoraggio, gli scopi, le qualità ed i criteri di
progetto di una rete nuova o l’adeguamento di una rete esistente. Si conclude con le
procedure concernenti la convalida ed il controllo dei dati giornalieri e mensili di pioggia
e temperatura, nonché le procedure per la determinazione del livello di qualità del sistema
di monitoraggio.
Particolare ringraziamento rivolgo a tutti coloro che con grande impegno hanno
partecipato all’attuazione del progetto ed al raggiungimento di risultati certamente
positivi, consentendo la pubblicazione del volume, utile, a mio avviso, a tutti coloro che
operano per il monitoraggio e la gestione delle risorse idriche nonché per ogni azione di
contrasto e di lotta alla siccità ed alla desertificazione
Il Direttore dell’Osservatorio delle Acque
Ing. Giuseppe Geraci
xi
1. LA
QUALITA’ NEL
METEOCLIMATICHE
MONITORAGGIO
DI
VARIABILI
G. LA LOGGIA, L.V. NOTO, F. VIOLA
Dipartimento di Idraulica ed Applicazioni Ambientali, Università degli Studi
di Palermo
Abstract: Si vogliono qui definire procedure che conducano alla rilevazione e
all’acquisizione di dati meteorologici di qualità. La maggior parte dei criteri qui
descritti fanno ovviamente riferimento agli standard del WMO. Il problema della
qualità viene affrontato secondo tre fasi tra loro fortemente interconnesse e cioè il
controllo, il monitoraggio e la gestione. Verranno descritti i fattori che influiscono sulla
qualità del dato durante tutta la vita delle stazioni di monitoraggio, dalla progettazione
all’esercizio ponendo grande attenzione sia sul trattamento dei dati sia sulla
manutenzione della rete. Viene dato ampio rilievo al tema dei metadati, strumento
necessario affinché la storia del singolo dato meteorologico sia documentabile e si
possa procedere quindi alla condivisione delle informazioni tra diverse organizzazioni.
Key words: qualità, controllo, monitoraggio, gestione, manutenzione, metadati.
1.1
INTRODUZIONE
L’acquisizione e la distribuzione di dati meteorologici di buona qualità è
praticamente impossibile senza un sistema di gestione della qualità. I sistemi
caratterizzati da alti livelli di qualità operano senza soluzione di continuità a tutti i
livelli del sistema di osservazione: dalla pianificazione della rete di acquisizione,
all’installazione delle stazioni, fino alla trasmissione e all’archiviazione del dato, e
all’addestramento del personale. Questi sistemi includono acquisizioni e
distribuzioni del dato a diverse scale temporali (dal tempo reale alla scala annuale)
utilizzando continui processi di feedback. Naturalmente le risorse economiche che
devono essere destinate all’effettiva gestione della qualità dovrebbero essere una
significativa percentuale dei costi di impianto del sistema di acquisizione dati.
Senza la parte relativa alla qualità, qualsiasi dato possa essere acquisito e fornito
dal gestore della rete diventa altamente incerto e la sua utilità a qualsiasi fine può
diminuire drasticamente.
Per queste ragioni è necessario che ogni ente/ufficio che operi nel campo
dell’acquisizione, archiviazione e distribuzione di dati meteorologici e/o idrologici
2
G. La Loggia, L. V. Noto, F. Viola
si doti di regole che testimonino la qualità del dato e delle operazioni necessarie ad
acquisirlo e ad archiviarlo. Parlando di qualità del dato meteorologico il WMO
distingue le procedure inerenti la qualità in tre fasi:
1. Controllo della qualità
2. Monitoraggio della qualità
3. Gestione della qualità
Il controllo della qualità è la più conosciuta componente di un sistema di
gestione di qualità e costituisce la parte minima. Essa consiste essenzialmente
dell’esame dei dati nelle stazioni e nei centri in cui i dati confluiscono per
evidenziare eventuali errori e correggerli o eliminarli. Un buon sistema di controllo
della qualità dovrebbe includere anche delle procedure che permettano di risalire
alle sorgenti degli errori che si possono presentare per evitare che tali problemi si
possano ripresentare. Il controllo della qualità può essere applicato on-line e offline (controllo ritardato).
Il controllo on-line deve essere eseguito presso la stazione di acquisizione e/o
presso il centro di acquisizione e analisi del dato. Quello off-line può essere
eseguito solo nei centri di acquisizione e analisi del dato ricostruendo un database
corretto. Il controllo on-line deve essere adottato per la correzione della rete in
telemisura mentre il controllo off-line è un controllo che potrà essere impiegato per
un riesame critico delle banche dati esistenti insieme all’anagrafica delle stazioni
(metadati) per fornire una sorta di classificazione della qualità e dell’attendibilità
del dato storico.
Il monitoraggio della qualità rappresenta un’attività da eseguire non in tempo
reale e che permette l’analisi del sistema di osservazione e dell’intera rete per
evidenziare eventuali deficienze sistematiche della stessa rete. Essa dovrebbe
essere tipicamente effettuata dall’ufficio che gestisce e che ha responsabilità della
rete e del sistema e che può prescrivere cambiamenti alle attrezzature e nelle
procedure.
La gestione della qualità in generale include le prime due fasi e include anche
tutti quei fattori che possono influenzare la qualità del dato come strumentazione,
posizione, manutenzione, ispezioni, data processing e addestramento. Questa fase
è di solito sotto la responsabilità del gestore della rete di acquisizione.
La qualità nel monitoraggio di variabili meteoclimatiche
1.2
3
I FATTORI CHE INFLUISCONO SULLA QUALITÀ DEL DATO
La vita di una rete meteorologica coinvolge differenti fasi, la prima delle quali
in ordine temporale è la progettazione da effettuare contestualmente alle richieste
degli utenti finali. Successivamente viene richiesta la selezione e l’installazione
degli strumenti di misura. Una volta installata la rete si pone il problema della
calibrazione e, durante il funzionamento, grande attenzione va dedicata alla
continua manutenzione degli strumenti. Un aspetto non trascurabile nella vita di
una rete è poi l’attività di formazione del personale a questa addetto. Per ottenere
dati di prefissata e adeguata qualità ognuna delle fasi innanzi accennata deve essere
opportunamente eseguita.
Esigenze degli utenti: la qualità di un sistema di misurazione può essere
valutata dal confronto delle esigenze degli utenti e dalla capacità dei sistemi di
realizzarle.
Caratteristiche funzionali e tecniche: la traduzione dei requisiti espressi in
caratteristiche tecniche sono dei compiti molto importanti e complessi. Richiedono
una conoscenza profonda delle esigenze degli utenti, della tecnologia di
misurazione meteorologica, dei metodi di osservazione, delle regolazioni ed
infrastrutture tecniche/amministrative relative di condizione di funzionamento.
Selezione degli strumenti: gli strumenti dovrebbero essere selezionati con
attenzione considerando le richieste in termini di esattezza, range di funzionamento
e la risoluzione.
Prove di accettazione: prima dell’installazione e dell’accettazione, è necessario
accertarsi che lo strumento soddisfi le specifiche originali. Le prestazioni degli
strumenti e la loro sensibilità dovrebbero essere pubblicate dai fornitori ed a volte
sono certificate dalle autorità di calibrazione.
Compatibilità: problemi di compatibilità di dati possono presentarsi quando
strumenti con differenti caratteristiche tecniche sono utilizzati per lo stesso tipo
delle misure. Ciò può accadere per esempio quando si passa da misure manuali a
misure automatizzate.
Ubicazione ed esposizione: la densità delle stazioni meteorologiche dipende
dalla scala spazio-temporale dei fenomeni meteorologici osservati e generalmente è
specificata dagli utenti o è fissata dai regolamenti del WMO.
Errori strumentali: una selezione adeguata degli strumenti è una condizione
necessaria ma non sufficiente per la buona qualità dei dati. Non c'è nessuna tecnica
di misurazione perfetta e tutti gli strumenti producono vari errori, sistematici e
casuali.
4
G. La Loggia, L. V. Noto, F. Viola
Acquisizione dei dati: la qualità di dati è non solo una funzione della qualità
degli strumenti e della loro corretta ubicazione ed esposizione ma inoltre dipende
dalle tecniche e dai metodi impiegati per ottenere i dati e per convertirli in dati
rappresentativi.
Elaborazione dei dati: gli errori possono essere introdotti dalle tecniche di
conversione o dalle procedure di calcolo applicate per convertire i dati del sensore
in dati meteorologici inseriti in un database. Gli errori inoltre si presentano durante
la codificazione o la trascrizione dei messaggi meteorologici, in particolare se ciò è
fatto da un osservatore.
Controllo di qualità in tempo reale: queste procedure sono specifiche per ogni
tipo di misura, ma includono i controlli grossolani per i valori plausibili, i tassi di
cambiamento ed i confronti con altre misure.
Controllo delle prestazioni: poiché le procedure in tempo reale di controllo di
qualità presentano le loro limitazioni ed alcuni errori possono restare inosservati,
come ad esempio le deviazioni di lunga durata nei sensori e gli errori nella
trasmissione di dati, il controllo di prestazioni al livello di rete è necessario venga
effettuato nei centri meteorologici.
Prove e calibrazione: durante il funzionamento, le prestazioni e le
caratteristiche strumentali degli strumenti meteorologici cambiano per parecchi
motivi, come ad esempio l’invecchiamento dei componenti hardware, la
manutenzione, la variazione dell'esposizione, ecc. Questi possono causare
cambiamenti improvvisi nella calibrazione. Di conseguenza, gli strumenti hanno
bisogno dei controlli e di calibrature normali per fornire dei dati certi.
Manutenzione: la manutenzione può essere correttiva (quando vengono a
mancare delle parti), preventiva (pulizia o lubrificazione) o adattabile (in risposta a
variazioni di requisiti o all'obsolescenza). La qualità dei dati forniti da uno
strumento è influenzata considerevolmente dalla qualità della relativa
manutenzione.
Formazione ed istruzione: la qualità di dati dipende inoltre dall’abilità del
personale tecnico incaricato delle attività di prova, di calibrazione e di
manutenzione e degli osservatori che fanno le osservazioni.
Metadati: un sistema di qualità richiede la disponibilità delle informazioni
dettagliate sul sistema d'osservazione in se ed in particolare su tutti i cambiamenti
che si presentano durante il periodo del relativo funzionamento. Tali informazioni
sui dati, conosciute come metadati, permettono al responsabile di un sistema
d'osservazione di intraprendere le azioni preventive, correttive ed adattabili più
appropriate per effettuare o migliorare la qualità di dati. In seguito si argomenterà
dettagliatamente a riguardo dei metadati.
La qualità nel monitoraggio di variabili meteoclimatiche
1.3
5
CONTROLLO DI QUALITÀ
Il WMO (1981) prescrive che alcune procedure di controllo di qualità debbano
essere applicate a tutti i dati meteorologici qualora si pensi ad uno scambio
internazionale di tali grandezze. Il WMO distingue i controlli di qualità per le
stazioni manuali e per quelle automatiche.
Procedure del controllo della qualità (QC) sono applicate per rilevare e
identificare gli errori fatti nel processo di registrazione, manipolazione,
formattazione, trasmissione e archiviazione dei dati. La conoscenza delle procedure
applicate permetterà di valutare la validità delle osservazioni migliorando l'utilizzo
dei dati.
Le operazioni più comuni che si possono eseguire on line sono appresso
elencate e brevemente descritte:
−
−
−
−
Controllo di errore grossolano: vengono utilizzati in genere dei filtri logici
per rilevare e segnalare valori ovviamente erronei come ad esempio valori
anomali, generati dallo spostamento della virgola decimale, valori di
precipitazione negativa, ecc.
Prove di tolleranza: servono a segnalare quei valori considerati esterni ai
propri limiti superiori ed inferiori, definiti dalle caratteristiche climatiche
del sito.
Controllo di consistenza interno: serve a indicare se i dati hanno subito
ispezione per coerenza tra elementi associati all'interno di ogni
registrazione (per esempio, temperatura massima < temperatura minima);
ecc.
Coerenza temporale: si possono eseguire prove per rilevare se i valori
osservati sono coerenti con la quantità di cambiamento che potrebbe essere
atteso in un elemento in un dato intervallo e valutare il cambiamento di
segno da un’osservazione alla successiva.
Effettuate le misure, le registrazioni, e la trasmissione dei dati all’ente,
debbono eseguirsi i controlli detti off-line tra i quali i controlli sulla:
−
−
Coerenza spaziale: possono eseguirsi delle prove per determinare se ogni
osservazione è coerente con quella presa contemporaneamente in stazioni
vicine interessate da influenze climatiche simili.
Omogeneità: la verifica dell’omogeneità è eseguita per assicurare che le
fluttuazioni dei dati nel tempo siano dovute soltanto a cause climatiche.
L'omogeneità temporale di una registrazione di dati climatici è essenziale
in particolare quando i dati sono utilizzati per convalidare modelli
climatici, studi sul cambiamento del clima e il suo impatto socioeconomico.
6
G. La Loggia, L. V. Noto, F. Viola
1.4
MONITORAGGIO DELLA QUALITÀ
La gestione di una rete è fortemente rafforzata dal misurarne la qualità a
cadenza tipicamente giornaliera o mensile. L’obiettivo di un monitoraggio continuo
della qualità è quello di revisionare costantemente la qualità delle stazioni di campo
e di ognuno dei sistemi di osservazione. Esistono differenti aspetti nel
monitoraggio della qualità, tutti volti all’identificazione di errori sistematici e
all’indicazione di azioni correttive.
Il monitoraggio della qualità è un compito assai oneroso dal punto di vista del
tempo da dedicarvi, perciò chi gestisce le reti dovrebbe allocarvi adeguate risorse.
1.5
OMOGENEITÀ DEI DATI E METADATI
In passato le reti di osservazione erano costruite per supportare le previsioni
meteo e quindi i controlli di qualità erano concentrati principalmente
sull’individuazione degli outliers, ma raramente comprendevano dei controlli
sull’omogeneità dei dati. Il recente interesse negli studi dei cambiamenti climatici,
ha invece reso necessari tali controlli, per effettuare i quali risultano, inoltre,
essenziali delle informazioni - metadati – sui dati stessi.
1.5.1
CAUSA DI DISOMOGENEITÀ
Le disomogeneità nei sistemi di osservazione si presentano come discontinuità
brusche, o come cambiamenti graduali. Le discontinuità brusche sono
principalmente dovute a un cambio di strumentazione, o ad una ricollocazione della
stazione. Le discontinuità ad effetto graduale possono essere dovute a cambiamenti
nei dintorni della stazione, quali l’urbanizzazione, o da modifiche progressive delle
caratteristiche dello strumento.
1.5.2
METADATI
È fondamentale avere informazioni sulle disomogeneità che si verificano, in
quanto la conoscenza del tipo e del momento in cui si sono realizzate permette ai
climatologi di intervenire statisticamente sui dati. Le informazioni di questo tipo
sono comunemente presenti nei metadati.
Quando è misurato un parametro meteorologico come ad esempio la piovosità
o la temperatura di una regione, sia che i dati siano utili immediatamente sia che
vengano utilizzati in futuro, nasce l’esigenza di documentare anche dove e come la
La qualità nel monitoraggio di variabili meteoclimatiche
7
misura è stata eseguita. Tale insieme di informazioni costituisce nel suo complesso
la documentazione di una stazione e anch’essa in campo meteo-climatico viene
sovente definita con il termine di metadato. La parola metadata nasce dall’unione
della parola greca "meta" (oltre) e il "datum" latino (un fatto dato). Poiché il
metadato dovrebbe rappresentare come, dove, quando e per chi le informazioni
sono state raccolte, è lecito ritenere metadato anche la registrazione di tutti i
cambiamenti che una stazione ha subito durante la sua vita, costruendo quella che è
chiamata la storia della stazione.
Informazioni aggiuntive sulle osservazioni, come ad esempio il tipo di
strumento
o
l’esposizione,
possono
fornire
maggiori
potenzialità
sull'interpretazione delle misure osservate. Talvolta quando gli strumenti vengono
sostituiti, le osservazioni mostrano un aumento o una diminuzione improvvisa nel
valore misurato. Tale salto è un esempio di una inomogeneità. Affinché una serie
storica di lunga durata sia considerata omogenea, tutte le variazioni nei valori
devono essere causate esclusivamente da fenomeni atmosferici.
Dei buoni metadati sono quindi necessari per assicurare all'utente finale che nei
dati non sussista alcun dubbio sulle condizioni in cui sono stati registrati, raccolti e
trasmessi, al fine di potere estrarre conclusioni esatte dalla loro analisi. La
conoscenza della data e dell’ora esatta della sostituzione di un termometro e la
conoscenza delle caratteristiche tecniche dello strumento nuovo e di quello
vecchio, aiuteranno sicuramente a rimuovere l'impronta artificiale dovuta a questo
cambiamento per quella particolare registrazione. Alta qualità dei dati e datasets di
lunga durata omogenei sono necessari per valutare ogni argomento che abbia un
collegamento con il clima.
I metadati hanno un ruolo chiave nel processo di gestione dei dati, infatti, la
conoscenza della storia della stazione fornisce una maggiore fiducia sui dati da essa
misurati per potere assicurare che le uniche variazioni presenti su una serie storica
climatica sono soltanto causate dalla variabilità e dal cambiamento effettivo del
clima. Gli utenti dei dati meteorologici che operano su campi applicativi
specialistici come l’agrometeorologia, l’ingegneria idraulica e l’aeronautica,
traggono beneficio anche dall’esistenza di buoni metadati. Questi professionisti
hanno infatti la necessità di estrarre la massima precisione dalle osservazioni e
potere confrontare spesso dati misurati in vari luoghi ed in tempi differenti. Una
conoscenza completa delle condizioni di misura li aiuterà a ottenere questo
obiettivo.
Il WMO ha fissato uno standard per la realizzazione di metadati di stazioni
meteo-climatiche sullo stesso principio della norma ISO 19015 (da distinguere con
i metadati relativi ai dati misurati) individuando un core elements obbligatorio ed
uno costituito da informazioni opzionali che possono ricostruire con univocità la
storia della stazione. Le classi di informazione vengono distinte in:
8
G. La Loggia, L. V. Noto, F. Viola
−
−
−
−
−
−
−
Identificativi di stazione e dati geografici
Ambiente locale
Strumentazione
Procedure operative di osservazione
Elaborazione dei dati
Informazioni storiche generali della rete
Deposito ed accesso ai metadati.
Tali sezioni vengono divise in sottosezioni le quali individuano tutti i parametri
capaci di individuare ogni elemento rappresentativo della stazione.
1.5.2.1 Identificativi di stazione e dati geografici
I dati devono essere sempre associati ad un luogo. La prima cosa su cui l'utente
deve essere informato è dove è localizzato tale punto nel territorio. Per fare ciò, è
necessario che la stazione sia identificata da un nome e un codice e che sia
localizzata in una regione geografica. È importante identificare chiaramente anche
quando la stazione ha iniziato a produrre dati e da chi è stata gestita. Riferire con
attenzione queste informazioni e tutti gli eventuali cambiamenti che la stazione ha
subito è il requisito minimo dei metadata.
Identificativi di stazione
−
−
−
−
Nome: di solito i nomi delle stazioni sono associati alla città o alla località
dove sono raccolti i dati. Se una città ha più stazioni, è importante
estendere il nome, (per esempio Palermo centro, Palermo Orto Botanico)
per non lasciare alcun dubbio.
Alias: le stazioni possono essere talvolta riconosciute per più di un nome.
Questo può succedere quando, ad esempio, la città o il luogo dove la
stazione è situata ha cambiato nome per varie ragioni ed è quindi utile
identificare nel metadata i vari nomi (o alias) che una stazione può avere.
WMO Code o station number: in tutto il mondo, il WMO identifica le
stazioni meteorologiche che appartengono al circuito del WMO con un
codice di 5 cifre. Il codice WMO identifica universalmente una singola
stazione di registrazione, benché possa essere riposizionata durante la sua
storia. Le prime due cifre identificano la regione del mondo ed il paese
dove la stazione è situata.
Station number o codice in altre reti: Numero o codice di stazione in altre
reti: per varie ragioni, non tutte le stazioni meteorologiche nel mondo
hanno un codice assegnato WMO. A molte altre stazioni è dato un codice
nazionale o locale che non ha nulla a che fare con la rete internazionale;
tale codice identifica comunque la stazione nel contesto della rete cui
La qualità nel monitoraggio di variabili meteoclimatiche
−
−
−
9
appartiene. E’ quindi utile tenere anche in debito conto il numero di codice
della rete locale.
Data Apertura/Chiusura: identifica quando la stazione inizia il suo periodo
di operatività e di chiusura
Tipo di stazione: se sinottica, aeronautica, agrometeorologica, ecc.
Station information contact: riferisce su chi deve essere contattato per
avere ulteriori informazioni sulla stazione. I metadati infatti dovrebbero
fornire dettagli su dove ottenere ulteriori informazioni sulla stazione
(nome, indirizzo, telefono, fax e posta elettronica) e identificare la persona
responsabile delle misure in caso di una stazione funzionante o per
l'archiviazione dei dati in caso di stazioni non più operative. È utile avere
registrazione completa temporale di tutti i responsabili che si sono
succeduti ed il periodo di gestione.
Dati geografici
I dati climatici devono sempre essere associati ad una posizione geografica per
potere essere utilizzati. I parametri fondamentali per una esatta conoscenza
territoriale sono:
−
−
−
Latitudine e longitudine: preferibilmente con precisione sufficiente perché
la stazione possa essere localizzata con un errore di alcune centinaia di
metri, per esempio in unità di 0.001 gradi di latitudine.
Quota sul livello medio del mare: la quota della superficie terrestre nel
punto della stazione sul livello di mare deve essere riferita con una
precisione di alcuni metri o ancora più precisa.
Riposizionamenti: quando uno qualunque dei parametri di localizzazione è
cambiato, a causa dello spostamento dell'intera stazione o soltanto di
qualche singolo sensore, anche a breve distanza, è molto importante riferire
nel metadata i nuovi parametri di posizione ed il momento esatto del
cambiamento.
1.5.2.2 Ambiente locale
Le coordinate e l'elevazione non sono informazioni sufficienti a documentare
una stazione meteorologica. I dati sono influenzati da fattori ambientali che
agiscono a differenti scale:
−
a livello di mesoscala (da 1 km a 30 km) il clima è influenzato dalla
prossimità e dalla dimensione di grandi superfici di acqua, dalla presenza
di aree urbanizzate e aree montane;
10
G. La Loggia, L. V. Noto, F. Viola
−
−
a livello di toposcala (a scala "locale"da 300 m a 2 km) le osservazioni
sono influenzate dalla pendenza del terreno dalla presenza di foreste, e
dalla presenza di alberi, dalle colture e altre asperità presenti nel suolo;
a livello di microscala (meno di 300 m) la temperatura minima è
influenzata dalle gelate del suolo, mentre lo scambio di energia in
superficie è influenzata dall’umidità e dalla conduttività termica della
Terra e la quantità di radiazione trasmessa dipende dall’orizzonte libero da
ostacoli.
I requisiti di base per documentazione ambientale di una stazione sono:
−
−
Mappatura aggiornata in qualsiasi formato della regione a livello di
mesoscala a ~ 1:100.000;
Mappatura a livello di toposcala (~ 1: 5000), aggiornata ogni anno, come
specificato dal WMO Technical Commission for Instrument and Methods
of Observation (WMO, 1996);
Figura 1.1 – Esempio di mappa a livello di toposcala con inserita una fotografia del sito di
osservazione.
−
−
−
Mappatura dell’orizzonte radiante, aggiornata ogni anno (vedi figura 1.1);
Le fotografie, prese a 360° intorno al punto di misura;
Una mappa a livello di microscala dell’intorno della stazione, aggiornata
La qualità nel monitoraggio di variabili meteoclimatiche
11
quando i singoli strumenti sono riposizionati o si verificano altri
cambiamenti significativi. La sezione relativa alla strumentazione sotto
riportata elenca ulteriori informazioni necessarie a livello di microscala.
1.5.2.3 Strumenti di misura
Tipi di strumenti
È molto importante documentare il genere di strumento con il quale vengono
eseguite le misurazioni. Buoni metadati dovrebbero registrare i seguenti attributi:
−
−
−
−
−
nome del produttore
modello dello strumento, con dimensioni ed identificazione
tipo di uscita e sensibilità
eventuale tipo di trasduttore
eventuale tempo di risposta.
L'identificazione del modello è insufficiente, perché gli opuscoli dei produttori
sono spesso incompleti. La parte dei metadati relativa agli strumenti può essere
documentata adeguatamente da un tecnico durante l’installazione della stazione e a
seguito di richiesta di aggiornamento in caso di cambiamento o di sostituzione di
strumenti.
A seconda di ogni elemento meteorologico, sono molto importanti aggiungere
altre informazioni sugli strumenti:
−
−
per temperatura e umidità: schermo (tipo e dimensione) e la ventilazione
Precipitazione: diametro dell’orlo del bicchiere, altezza dell’orlo da terra,
presenza di deposito in eccedenza, presenza di uno schermo o altre
caratteristiche che possano modificare il flusso del vento, la presenza di
riscaldamento o altro processo significativo per la precipitazione solida
I cambiamenti degli strumenti possono avere un grande impatto sui dati.
Quando c'è un cambiamento di strumentazione è cruciale annotare nel relativo
metadato la data esatta della sostituzione, perché queste modifiche hanno un
impatto sull'omogeneità di dati.
Capannelle strumentali e supporti degli strumenti
I cambiamenti dei supporti degli strumenti possono anche causare un notevole
impatto sull'omogeneità di dati e quindi è necessario che siano descritti con
attenzione. Alcuni aspetti relativi sul supporto degli strumenti dovrebbero essere
resi disponibili nel metadata includendo:
−
−
Altezza sopra la superficie del terreno
Descrizione del rifugio
12
G. La Loggia, L. V. Noto, F. Viola
−
Grado di interferenza, causata da altri strumenti o oggetti, come una
sorgente di calore artificiale o un ventilatore.
Come per le sezioni precedenti, le immagini possono aiutare ad identificare
possibili problemi. Nel caso di numerosi strumenti montati su un singolo supporto,
un'immagine dell'insieme potrebbe completare il metadato.
Registrazione e trasmissione dei dati
Quando un elemento meteorologico è misurato con uno strumento, i dati
devono essere registrati e solitamente trasmessi alla sala di gestione dei dati per
controllo e l’archiviazione. La conoscenza delle procedure di gestione, controllo ed
archiviazione dei dati può aiutare l'utente ad identificare i limiti potenziali dei dati
e/o gli eventuali problemi. I metadati dovrebbero includere:
−
−
Tipo di registrazione: informazioni su l’unità di misura e la risoluzione di
scala, l’intervallo di variazione minima registrabile, il tempo di risposta e/o
il tempo di campionamento, e, se presente, il range temporale del calcolo
della media.
Trasmissione del segnale: tipo di segnale, tipo e posizione di una
qualunque unità di modifica, lunghezza e tipo di cavi (se applicabile).
1.5.2.4 Procedure operative di osservazione
Le procedure operative sugli algoritmi di conversione dei dati variano
continuamente sia nel passato che nel presente. Questi cambiamenti possono
causare effetti indesiderabili in una serie di dati temporali climatologici
riducendone la qualità, determinando interruzioni e invalidandone l’omogeneità.
L’elenco degli attributi da includere nel metadato sono riportati di seguito.
Osservatore
Per una stazione data, è importante sapere se l'osservatore è sempre la stessa
persona o se nel tempo si sono succedute diverse persone o ancora non esiste in
particolare un osservatore nella stazione. Di solito nell'ultimo caso anche
l'affidabilità della stazione diminuisce quando viene meno la presenza costante di
un osservatore.
Elementi osservati
Le stazioni meteorologiche dovrebbero tenere un elenco degli elementi
meteorologici che hanno osservato e misurato direttamente e di quelli che invece
hanno calcolato indirettamente dalle osservazioni dirette.
Tempi di osservazione
Un’altra informazione cruciale da documentare nel metadato è il tempo di
La qualità nel monitoraggio di variabili meteoclimatiche
13
osservazione. I tempi e il numero di osservazioni variano da stazione a stazione e
durante gli anni anche nella stessa particolare stazione. Tali cambiamenti possono
determinare una interruzione nell'omogeneità di una serie temporale di dati
climatici. E’ quindi di vitale importanza documentare chiaramente il periodo di
osservazione riportando, quando possibile, i motivi delle mancate osservazioni
Manutenzione di routine
Un altro argomento da documentare nei metadata è relativo alle informazioni
sulla manutenzione di routine della stazione. La verifica della precisione degli
strumenti, la sostituzione di sensori malfunzionanti, la manutenzione del locale che
contiene gli strumenti dovrebbe essere documentato come di seguito riferito:
−
−
−
Strumenti di controllo: Devono essere riportate le date delle ispezioni ed il
risultato dei controlli di routine sugli strumenti per assicurare che la loro
manutenzione e il loro corretto funzionamento sia regolare in ogni
stazione.
Sostituzione dei sensori: un programma di manutenzione include una
periodica sostituzione di sensori o parti di essi presenti negli strumenti. La
data della sostituzione e quant’altro disponibile dovrebbe essere riportato
in questa sezione del metadata della stazione.
Gestione del luogo di osservazione: mantenere il posto di osservazione in
buon ordine richiede operazioni come taglio dell’erba, pulizia delle
superfici dei sensori esposti alle intemperie, ecc. Tutte queste operazioni
dovrebbero essere documentate registrando sempre il giorno in cui sono
stati eseguiti questi lavori.
Correzioni eseguite dall’osservatore
Numerosi elementi sono corretti in situ dall’osservatore, come ad esempio la
riduzione a livello del mare della pressione barometrica misurata o altro. Tutti i
valori strumentali originali prima di qualsiasi correzione fatta dall'osservatore
dovrebbe essere archiviata.
1.5.2.5 Elaborazione dei dati
È molto importante tenere informazioni su come i dati sono stati trattati,
convalidati e trasmessi all'ufficio regionale o alla centrale da ogni singola stazione.
La conoscenza dell'elaborazione dei dati, delle procedure di controllo della qualità
e dell'omogeneizzazione, le prove applicate ai dati sono vitali per assicurare sia la
precisione delle osservazioni misurate sia la validità della serie temporale
risultante. Un completo e accurato metadato dovrebbe documentare come minimo
le informazioni sull’unità usata, gli speciali codici utilizzati, le correzioni fatte ai
dati, le procedure applicate per il controllo della qualità, le modifiche ai dati fatte
14
G. La Loggia, L. V. Noto, F. Viola
per correggere l’omogeneità del dato, il dato stimato e inserito dopo l’applicazione
della procedura di interpolazione selezionata.
Unità di misura
Tenere e fornire informazioni sull’unità di misura impiegata è parte essenziale
di un metadato e dovrebbe essere effettuato per ogni stazione. Le unità impiegate
per quantificare un elemento misurato possono variare nel tempo e possono essere
diverse da nazione a nazione (per esempio, la temperatura è stata ed è espressa in
Celsius, in Kelvin, Fahrenheit o livelli Reamur, secondo il paese o il periodo
storico). La confusione con le unità può causare errori sull’interpretazione dei dati.
Codici speciali
Di solito le stazioni meteorologiche includono codici speciali nei dati, per
riferire situazioni speciali, dati mancanti simili, valori errati, tracce di pioggia,
mancanza di precipitazione o precipitazione accumulata, ed altro ancora. Nel
processo di trasmissione dei dati, questi codici dovrebbero essere correttamente
identificati e mantenuti nel database del metadato. Ad esempio, è comune in molti
paesi codificare la presenza di tracce di precipitazione con "-3" o altro valore
negativo. In assenza di metadati l'utente può rifiutare un valore di pioggia sotto
zero producendo una cattiva valutazione dei giorni piovosi.
Calcoli
I calcoli diversi da quelli resi sul luogo dagli osservatori, come il periodo di
determinazione della media (giornaliero, mensile e altro) degli elementi, possono
essere eseguiti anche nelle stazioni o presso gli uffici meteorologici regionali e
centrali.
Controllo di qualità
Il primo dato da inserire è un flag binario a risposta si/no per indicare se
qualsiasi QC è stato applicato o no. Se la risposta è positiva, è buona pratica
documentare il grado di QC applicato ai dati (per esempio, se sottoposto soltanto
ad un filtro logico, confronto di coerenza interno in una sequenza di osservazioni,
controllo di coerenza spaziale tra stazioni vicine, controllo di coerenza con i suoi
valori e i suoi limiti climatologici) fornendo dettagli sulle tecniche impiegate per
effettuare:
−
−
−
−
−
Controllo di errore grossolano
Prove di tolleranza
Controllo di consistenza interno
Coerenza temporale
Coerenza spaziale.
Qualsiasi dettaglio disponibile sulle tecniche esatte applicate sarà un grande
La qualità nel monitoraggio di variabili meteoclimatiche
15
aiuto per il futuro utente di dati, così come informazioni sui dati che falliscono le
prove e sul periodo per cui le prove sono state eseguite.
Va ricordato che quasi tutte le strutture preposte alla osservazione di parametri
climatici eseguono verifiche per il controllo della qualità dei dati, ma quasi tutte o
non riportano le metodologie utilizzate o vengono riportate in documenti e
pubblicazioni spesso non direttamente ricollegabili alle stazioni della rete. Riferire
tali informazioni nei metadati delle stazioni garantisce invece una immediata
disponibilità di tali informazioni per ogni singola stazione.
Adattamenti di omogeneizzazione
E’ essenziale sapere se qualche verifica sull’omogeneità dei dati è stata
applicata sui dati stessi:
−
−
−
−
−
−
−
−
−
−
quali elementi sono stati ricercati per l'omogeneità;
in quale periodo;
su quale scala temporale (quotidiana, mensile, stagionale o annuale);
nome e tipo di prova applicata;
contare le registrazioni omogenee/disomogenee trovate all'interno di una
rete dopo avere applicato la prova;
il numero di inomogeneità trovate in una singola serie storica;
lunghezza delle sezioni trovate in ogni serie storica e/o i punti di
interruzione;
variazione annua del numero di inomogeneità in ogni registrazione
(numero di casi al mese);
dimensione dell'inomogeneità rilevata e i fattori di correzione utilizzati per
adattarli;
cause dell'inomogeneità rilevata in ogni serie storica: cambiamenti
repentini, riposizionamenti, cambiamento di strumenti, cambiamento del
tempo dell’osservazione, cambiamento di osservatore, cambio di tempo
delle osservazioni; tendenze al riscaldamento/raffreddamento dell’area ove
è posta la stazione causate dagli effetti urbani e da variazioni della
copertura o uso del suolo.
Recupero dei dati
Quando le osservazioni sono sottoposte a qualche genere di convalida, prova di
controllo di qualità o di omogeneità, una quantità variabile di valori viene eliminata
e segnata come mancante, sospetta o non omogenea. Alcuni dati sono rilevati e
corretti sul posto prima di essere inviati al centro di elaborazione. I dati modificati
dovrebbero essere documentati correttamente. È di vitale importanza sapere se per
qualsiasi ragione alcuni dati sono stati modificati rispetto ai loro valori originali o
sono stati inseriti dati mancanti. È consigliato riportate nei metadata se qualsiasi
16
G. La Loggia, L. V. Noto, F. Viola
procedura di controllo di qualità è stata applicata ai dati o no. In tal caso, sarebbe
una buona pratica riportare qualche altra informazione quale:
−
−
−
−
−
la percentuale di dati valutati in una serie storica;
la percentuale di dati mancanti utilizzati nel calcolo delle medie mensili;
gli algoritmi di calcolo utilizzati per l’interpolazione di dati temporali;
gli algoritmi impiegati e le stazioni vicine utilizzate (il numero di stazioni,
nomi e posizione dettagliata) per calcoli di interpolazione spaziale;
periodo di dati per cui è stato utilizzato un algoritmo di interpolazione.
1.5.2.6 Informazioni generali sulla storia della rete
Informazioni generali che riguardano l’intera rete di monitoraggio sembrano
spesso essere banali e non sono documentate perché si pensa che siano ovvie.
Tuttavia, tali informazioni sono tanto importanti quanto le informazioni delle
singole stazioni. Per un metadato storico questo argomento diventa sempre più
importante.
La storia di alcuni paesi può causare cambi di gestione delle reti di
monitoraggio e ciò può essere causa di inomogeneità.
Cambio delle capannelle e nell’ambiente circostante
Inizialmente i termometri non erano generalmente protetti adeguatamente per
minimizzare l'errore dovuto all’irradiazione diretta. Le vecchie stazioni erano senza
capannella e/o i termometri erano all’interno di schermi in metallo o altri non
adatti. Per ogni rete, è di grande importanza sapere quando i sensori sono stati
protetti e quello che è stato utilizzato precedentemente. Un processo simile può
essere descritto per i cambiamenti dell’area circostante agli strumenti, che può
influire su serie storica lunga in modo significativo. Ad esempio, si è avuta la
tendenza a spostare in altezza la posizione dei termometri e pluviometri e ciò è
spesso una causa di inomogeneità piuttosto significativa in serie storica.
Cambi nel calcolo della media
Nel passato non tutte le organizzazioni utilizzavano le medesime ore (ad
esempio dalle ore 8 alle ore 8 del giorno successivo o dalle ore 0.00 alle ore 24.00)
per la valutazione delle medie giornaliere anche se già nel secolo scorso furono
fatti tentativi per unificare le ore di osservazione per rendere le medie giornaliere e
mensili le più coerenti possibili. Le ore di osservazione sono state spesso oggetto di
cambiamento. Ciò causa un indesiderabile effetto che può ridurre la qualità e
l'omogeneità delle registrazioni di dati climatici a lunga scadenza.
La qualità nel monitoraggio di variabili meteoclimatiche
17
Cambiamenti urbanistici dell’area o dell’uso del suolo
L’espansione urbanistica delle città ha causato una profonda trasformazione
delle periferie che da aree verdi sono diventate aree edificate massicciamente con
la presenza di più veicoli ed industrie, concentrazioni più elevate di sostanze
inquinanti, ecc. Ciò ha determinato un graduale aumento della temperatura
comunemente conosciuta come l'"isola di calore urbano". La popolazione crescente
e i cambiamenti dell’uso del suolo possono determinare un notevole impatto sulla
serie meteorologica.
Introduzione delle stazioni climatiche automatiche o nuovi tipi di strumenti
Il numero delle AWS (Automatic Weather Stations) cioè le moderne stazioni
automatiche climatiche da alcuni anni è in forte aumento in tutto il mondo e tale
tendenza continuerà anche nel prossimo futuro. Questo sviluppo delle reti di
monitoraggio climatico richiede una attenta documentazione, anche se la stazione è
ubicata nella stessa identica posizione. Le misure parallele tra stazioni meccaniche
ed automatiche sono molto importanti finché possibile, poiché esse possono
direttamente documentare l'effetto dell'introduzione del nuovo sistema.
Cambi nelle procedure del controllo di qualità, omogeneizzazione e recupero
dei dati.
Come visto in precedenza, un metadato completo dovrebbe includere
informazioni sui processi di controllo della qualità, sull'omogeneizzazione e sui
tentativi di recupero dei dati. Da un punto generale dell’intera rete, è importante
riferire i cambiamenti fatti su queste procedure.
Modificare le procedure di controllo della qualità da un certo momento in poi
può avere un impatto importante sui dati. Ad oggi l'uso crescente di software
potente basato su sistemi GIS e/o pacchetti statistici permette una definizione
migliore della gamma di validità dei dati. I Metadati in questo caso devono
permettere di individuare da quando questi strumenti sono stati utilizzati.
Iniziare un’attività per il recupero dei dati è importante perché diminuirà la
quantità di dati mancanti, ma avrà anche un impatto sull’uso dei dati stessi. E’
quindi importante annotare quando tale attività viene eseguita e quali dati sono stati
recuperati. Così come è importante annotare le variazioni delle procedure per
l’omogeneizzazione dei dati.
1.5.2.7 Deposito ed accesso ai metadati
Come visto in precedenza i metadati sono di importanza cruciale per
interpretare le misure e le osservazioni climatiche. Molte reti di gestione di dati
meteoclimatici non posseggono metadati, ma quasi tutte posseggono un patrimonio
18
G. La Loggia, L. V. Noto, F. Viola
di conoscenze scritto su documenti cartacei conservati in uno o nell’altro cassetto,
posseggono un patrimonio di conoscenze personali basato sull’esperienza e
sull’attività storica di alcuni responsabili di stazioni o di reti che da soli possono
documentare una notevole quantità di informazioni da inserire nei metadati. Una
delle principali attività da incoraggiare all’interno di un servizio tecnico
idrometeorologico è quello di realizzare un sistema di gestione dei metadati nel
quale tutti possano inserire le proprie conoscenze per incrementarne la quantità di
informazioni gradualmente senza che sia necessario uno sforzo immediato comune.
Di seguito verranno riepilogati i dati da raccogliere in un ideale metadato di
una stazione identificando quelli ritenuti minimi. Benché possa sembrare difficile e
laborioso conservare o recuperare i metadati, spesso si tratta esclusivamente di una
mancata capacità organizzativa in quanto molti dati (soprattutto i minimi
indispensabili) possono essere immediatamente acquisiti con una procedura di
acquisizione interna, con schede, interviste o con l’immissione diretta dei dati, che
impegnerebbe solo parzialmente il personale.
Tra le metodologie più comuni per il recupero e la raccolta dei metadati
abbiamo:
−
−
−
−
−
a livello di ufficio meteorologico: l’ufficio di gestione della rete
meteorologica è la sorgente principale dei metadati poiché è l'istituzione
responsabile dei dati registrati ed archiviati;
a livello di stazione: come visto nei paragrafi precedenti, tracciare una
mappa e fotografare il posto meteorologico fornisce una grande quantità di
informazioni sulle condizioni di registrazione;
a livello di dati: i dati stessi sono una sorgente eccellente dei metadati,
poiché da essi si possono desumere direttamente i tempi di osservazione
l’inizio e la fine della serie registrata, le eventuali interruzioni, ecc;
a livello di personale addetto alle osservazioni ed altri esperti: intervistare
gli osservatori attuali e quelli precedenti oltre agli esperti locali può
aggiungere informazioni utili così come le biblioteche, gli archivi dei
quotidiani, ecc; consultare queste sorgenti di informazioni può aiutare a
recuperare informazioni storiche per una singola stazione o per un'intera
rete che sono stati persi. Essi possono anche fornire dati sulla popolazione,
sulla crescita urbana e sugli eventi storici;
a livello di produttori degli strumenti: essi possono fornire informazioni
più precise su argomenti tecnici relativi alle prestazioni degli strumenti
(precisione, accuratezza, ecc).
Realizzando un sistema scalare sarà possibile inserire ulteriori dati fino al
completamento o quasi di tutto il meta-database che diverrebbe a quel punto un
patrimonio di valore indescrivibile della rete di gestione (al pari dei dati
meteoclimatici stessi).
La qualità nel monitoraggio di variabili meteoclimatiche
19
Tabella 1.1 - Elementi Metadata da conservare per una stazione meteorologica. Gli
elementi in grassetto sono richieste minime; altri elementi sono pratiche migliori.
CATEGORIA
IDENTIFICATIVI DELLA
STAZIONE
TIPO METADATO
Codice locale
Codice WMO
Nome e alias
Attivo/chiuso
Data di inizio/data fine attività
Tipo di stazione
Organizzazione responsabile
Stazione manuale/AWS
Fuso orario
Rete
DATI GEOGRAFICI
Latitudine
Longitudine
Elevazione
Date di rilocalizzazione
Informazioni topografiche
Metodo per la determinazione della
latitudine e la longitudine
Risoluzione e grado di precisione
della latitudine e longitudine
AMBIENTE LOCALE
Uso del suolo locale e land cover
Esposizione degli strumenti
Tipo di suolo
Condizione sul luogo
Fotografie
Piani di posa
Diagrammi di orizzonte
Tipo di strumenti
Confronti di strumento
Data iniziale e finale degli strumenti
Condizione di strumenti
Strumento in rifugio o su palo
esterno
Tipo di registrazione
Eventuali calibrature e loro risultati
Mantenimento speciale/critica
Modifiche
Altezza di barometro
Informazioni sul personale di
osservazione
Livello formazione del personale
osservatore
COLLOCAZIONE DELLA
STRUMENTAZIONE E
MANUTENZIONE
PRATICHE DI
OSSERVAZIONE
BREVE SPIEGAZIONE
Identifica chiaramente la
stazione e chi ne ha la
responsabilità.
È
molto
importante fare riferimento a
tutti i vari codici, quando le
stazioni fanno parte dei
circuiti internazionali come il
WMO poiché il codice locale
non è noto all'esterno della
rete. È anche utile sapere a
quale rete una stazione
appartiene.
Le coordinate geografiche e le
date
esatte
dei
riposizionamenti insieme ad
altri dettagli topografici.
Porre attenzione alla chiara
individuazione degli emisferi
N/S/E/W per la latitudine e la
longitudine e la definizione
della parte frazionaria (se in
minuti e secondi o millesimi
di grado).
Documentare
l'ambiente
locale e l’esposizione degli
strumenti:
presenza
di
ostacoli, uso del suolo,
incremento
demografico,
copertura vegetale nel luogo
di esposizione ecc.
Segnalare le caratteristiche
degli strumenti in uso e loro
caratteristiche di protezione,
esattezza,
calibratura
e
manutenzione; indicare come
sono
trasmessi
i
dati.
Annotare
qualsiasi
cambiamento
nella
strumentazione.
Prendere nota su quali
elementi sono stati osservati e
quando,
con
attenzione
speciale
all’applicazione
20
G. La Loggia, L. V. Noto, F. Viola
ELABORAZIONE DATI
Elenco di elementi osservati
Tempi di osservazione
Unità di misura utilizzate
Istruzioni di osservazione
Operazioni di manutenzione di
routine
Sostituzione degli elementi
Correzioni fatte da osservatore
Unità di misura
Codici speciali
Calcoli
Algoritmi
Applicazione del QC? (si/no)
Altri dettagli su QC
Omogeneizzazione? (si/no)
Altri dettagli sull’omogeneizzazione
Tentativi di recupero di dati?
(si/no)
Altri dettagli sul recupero di dati
Trattamento di dati ridondanti
EVENTI STORICI
Cambiamenti all'ambiente sociale,
politico e istituzionale
Date di cambio ora solare/legale
COMUNICAZIONE
Segnalate trasporto/trasmissione dati
Corrispondenza generale
1.6
dell’ora legale; descrivete il
momento
esatto
delle
operazioni di manutenzione e
di qualsiasi correzione fatta ai
dati
Riferite unità in uso e date
fattori di conversione se essi
non appartengono al sistema
metrico.
Indicate
codici
speciali utilizzati e il loro
significato;
citate
nei
metadata
qualsiasi
emendamento fatto ai dati
registrati: calcoli, correzioni,
qc,
omogeneizzazione
e
interpolazione di dati. Riferire
criteri per dati mancanti, e se
più di uno strumento per lo
stesso elemento, considerate
lo strumento principale.
Aggiungete
a
metadata
qualsiasi
cambiamento
significativo al contesto di
stazione che può influire su
raccolta di dati
La corrispondenza generale
come posta elettronica tra
operatori e osservatori di
stazione
può
includere
informazioni potenzialmente
di valore sulla qualità di
osservazioni.
GESTIONE DELLA QUALITÀ
La gestione della qualità deve includere le azioni correttive in risposta a
quanto emerso nelle fasi di controllo della qualità e di monitoraggio della qualità.
Le linee guida sulla gestione delle reti in termini generali sono dettate dal WMO
(1989). Risulta vantaggioso identificare una persona o un ufficio preposto alla
gestione della qualità.
Le stazioni vanno ispezionate regolarmente, con l’ausilio di una procedura
La qualità nel monitoraggio di variabili meteoclimatiche
21
ampiamente documentata. Gli ispettori dovrebbero porre l’attenzione sui seguenti
aspetti:
−
−
−
prestazioni degli strumenti
metodi di osservazione
esposizione della stazione.
In campo industriale si usano da tempo tecniche di gestione della qualità:
queste ultime risultano applicabili altresì in campo meteorologico. L’International
Organization for Standardization (ISO) ha sviluppato degli standard per la
gestione della qualità, detti ISO 9000. Un altro sistema è noto come sistema di
qualità totale (TQM).
1.7
BIBLIOGRAFIA
Deming, W. E., 1986: Out of the Crisis: Quality, Productivity and Competitive Position.
University of Cambridge Press, Cambridge.
International Organization for Standardization, 1994a: Quality Management and Quality
Assurance Standards: Guidelines for Selection and Use. ISO 9000.1.
International Organization for Standardization, 1994b: Quality Management and Quality System
Elements: Guidelines. ISO 9004.1.
Miller, P. A. and Momne, L. L., 1993: Real-time Quality Control of Hourly Reports from the
Automated Surface Observing System. Eighth Symposium on Meteorological Observations and
Instrumentation, American Meteorological Society.
World Meteorological Organization, 1981: Manual on the Global Observing System. Volume 1:
Global aspects. WMO-No. 544 Geneva.
World Meteorological Organization, 1988: Practical experience of the operation of quality
evaluation programs for automated observations both on land and over the sea (M. Field and J. Nash).
Papers Presented at the WMO Technical Conference on Instruments and Methods of Observation
(TECO-88) Leipzig, 16-20 May 1988, Instruments and Observing Methods Report No. 33, 222,
Geneva.
World Meteorological Organization, 1989: Guide on the Global Observing System. WMO-No.
488, Geneva World Meteorological Organization, 1992: Manual on the Global Data-processing
System.
WMO-No. 485, Geneva.
World Meteorological Organization, 1993a: Guide on the Global Data-Processing System.
WMO-No. 305, Geneva.
World Meteorological Organization. 1993b: Historical Changes in Radiosonde Instruments and
Practices (D.J. Gaffen). Instruments and Observing Methods Report No. 50, 541, Geneva.
World Meteorological Organization, 1994: Homogeneity of data and the climate record (K. D.
Hadeen and N. E. Guttman). Papers Presented at the WMO Technical Conference on Instruments and
Methods of Observation Geneva, 28 February- 2 March 1994, Instruments and Observing Methods
Report No. 57, 588, Geneva.
2. RETI PER IL MONITORAGGIO METEOCLIMATICO
I. NALBANTIS, G. TSAKIRIS
Laboratory of Reclamation Works and Water Resources Management,
National Technical University of Athens
G. LA LOGGIA, L.V. NOTO, F. VIOLA
Dipartimento di Ingegneria Idraulica ed Applicazioni Ambientali, Università
degli Studi di Palermo
G. IIRITANO, T. CALOIERO
Regione Calabria
Abstract: Per effettuare correttamente il monitoraggio della siccità bisogna affrontare
il problema del progetto delle reti pluviometriche. I risultati di una ricerca bibliografica
porgono cinque metodologie di progetto, che sono state esaminate con lo scopo di
selezionarne alcune per altre analisi. Le cinque metodologie individuate sono basate
sulla teoria dei campi random. La struttura spaziale dei campi di precipitazione è
rappresentata attraverso i campi di covarianza. La variabile chiave è sempre la
precipitazione media annua (o MAP), la cui precisione nella stima costituisce l’unico
criterio di progettazione. Delle metodologie proposte è stata scelta quella introdotta da
Lebel et al. (1987) soprattutto perché è basata sul kriging che è un metodo noto e
ampiamente testato, ed è stata sviluppata mediante applicazioni in aree vicine al
Mediterraneo.
Key words: Reti di monitoraggio, precipitazione, campo casuale, geostatistica.
2.1
INTRODUZIONE
Le principali grandezze meteoclimatiche presentano variazioni su diverse scale
spaziali e temporali e, di conseguenza, possono avere impatti diversi sulle attività
umane. La variabilità spazio-temporale non riguarda solo piogge e temperature, ma
tutte le grandezze in grado di segnalare eventuali cambiamenti climatici ed utili per
lo studio dei fenomeni siccitosi.
Per una corretta caratterizzazione del fenomeno siccitoso, ed in particolar
modo per poter realizzare un bollettino della siccità, è necessario quindi procedere
allo studio di diverse variabili meteo-climatiche nonché al monitoraggio
sistematico di tali grandezze. Infatti, solo effettuando un monitoraggio sistematico
24
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
è possibile poter identificare i periodi siccitosi nonché le zone maggiormente
colpite da fenomeni siccitosi.
I problemi legati al monitoraggio e dunque al reperimento delle misure non
devono essere mai separati da un programma preliminare di interpretazione e di
modellazione del sistema che si vuole gestire. La scelta delle variabili che devono
essere misurate e la loro locazione ottimale dipende innanzitutto dallo scopo che
deve essere raggiunto, e dal tipo di modello che deve essere utilizzato per
sintetizzare o per rappresentare il sistema in esame. Più spesso la validità delle
stesse informazioni è determinata dalle condizioni di misura, dall’accuratezza della
stessa e dalla variabilità spazio-temporale dei fenomeni da studiare.
La descrizione degli indici di siccità, esposta nel secondo volume del progetto,
ha evidenziato che le principali variabili coinvolte nella stima delle condizioni
siccitose sono le seguenti:
1. precipitazione in tutte le sue forme (pioggia, neve ecc.);
2. evapotraspirazione potenziale.
Tra queste variabili, l’evapotraspirazione viene stimata in maniera indiretta
mediante la misura di altre variabili, quali temperatura dell’aria, umidità dell’aria,
velocità del vento, ecc.
La scala temporale di misura delle variabili varia da pochi minuti per i moderni
sensori elettronici a un giorno per le tecniche manuali convenzionali. Le scale
temporali di interesse per la siccità sono quella mensile, quella stagionale –
indipendentemente da come le stagioni siano definite – e quella annuale. Di
conseguenza, si è previsto di ricorrere a dati sottoposti a processi di aggregazione
temporale.
La più bassa scala temporale è di un mese e le variabili idrologiche di interesse
sono:
1. la precipitazione totale mensile (mm);
2. l’evapotraspirazione potenziale totale mensile (mm).
Quest’ultima viene calcolata con il metodo di Penman o con modelli da esso
derivati. Nel caso in cui non si abbia disponibilità dei dati necessari, si può
accettare l’utilizzo del metodo di Thornthwaite, il quale fa uso soltanto della
temperatura media mensile dell’aria. Di conseguenza, nel peggiore dei casi chi
conduce l’analisi dovrà progettare una rete meteorologica per le precipitazioni
mensili e per la temperatura mensile dell’aria.
Dal momento che la variabilità spaziale della precipitazione generalmente
supera quella della temperatura, la variabile chiave per la progettazione di una rete
è la precipitazione. Questo è il motivo per cui l’attenzione di questo capitolo è stata
limitata al progetto di reti pluviometriche.
Reti per il monitoraggio meteoclimatico
2.2
25
FINALITA’ DI UNA RETE DI MONITORAGGIO
In genere il progetto di una rete di misura come quella pluviometrica consiste
nella determinazione del numero dei siti di campionamento necessari e sufficienti a
soddisfare certi obiettivi e nella loro ubicazione sul territorio. Le diverse
impostazioni di tale problema sono pertanto da ricondursi ai diversi obiettivi che ci
si pone in fase di progettazione.
Negli U.S.A., ad esempio, il O.W.D.C. (Office of Water Data Coordination),
con riferimento alla progettazione di reti di misura, definisce tre diversi livelli a cui
competono tre diversi obiettivi.
Il Livello I rappresenta il livello di base, relativo a grandi aree geografiche, per
reti estese (in generale a tutto il territorio nazionale) e finalizzate dunque alla
valutazione della risorsa idrica, alla sintesi regionale dell’informazione e al
controllo globale del rischio associato alle carenze di risorse disponibili. Inoltre si
presta ad un utilizzo come informazione di background per la progettazione di reti
più fitte o più specifiche; a tale livello compete il valore delle grandezze nel lungo
periodo, mensile, stagionale e annuale.
Il Livello II è quello relativo alla scala subregionale, per reti finalizzate alla
pianificazione delle risorse idriche; le scale di riferimento sono di solito quelle
mensili e giornaliere.
Il Livello III è il livello locale, associato alle specifiche attività di gestione e
pianificazione delle risorse e alla previsione e controllo del rischio idrogeologico;
in questo caso la scala temporale di osservazione è molto dettagliata.
Si vede dunque come il problema della progettazione delle reti
idrometereologiche sia completamente differente a seconda che si vogliano
conseguire gli obiettivi del livello I o II o del III livello e che sia difficile definire
una rete di misura valida, allo stesso modo, per ogni diverso obiettivo. Quando si
deve lavorare al livello III non risulta molto difficile individuare gli obiettivi di
un'eventuale ottimizzazione dal punto di vista economico; ciò di solito è dato dal
fatto che i benefici marginali prodotti dall'aggiunta di nuovi dati non deve essere
mai minore del costo sostenuto per raccogliere tali dati. Questo tipo di approccio è
stato seguito da molti autori e si basa sulla premessa che l'informazione è valutabile
solo se il suo possesso può causare un cambiamento di azione/decisione, e il suo
valore è misurato proprio dal guadagno economico associato al cambiamento
dell'azione/decisione. Se bisogna invece progettare una rete che debba conseguire
gli obiettivi fissati dal livello I e II, come ad esempio una rete finalizzata allo studio
e alla previsione dei fenomeni siccitosi, non è possibile procedere come accennato
precedentemente; in questo caso allora il gestore si deve lasciare guidare da quelli
che possono essere definiti principi guida:
26
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
1) Una rete che opera con un budget fisso deve essere progettata per
minimizzare l'errore di stima della variabile idrologica in gioco.
2) Una rete che opera sulla base di un criterio di accuratezza minima
accettabile deve essere progettata per minimizzare i costi (di impianto e di
gestione).
Dunque qualsiasi formulazione che conduce alla progettazione di questi tipi di
rete (livelli I e II) deve includere uno dei due seguenti parametri: una stima
dell'errore commesso dal sistema o una misura della quantità di informazione che
la rete rende disponibile.
Tra le variabili climatiche la precipitazione è normalmente uno dei parametri
idrologici più variabili sul territorio, e la sua caratterizzazione è necessaria sia per
gli studi riguardanti i bilanci idrici di un territorio sia per la previsione delle piene.
Nel primo caso si rende necessario il valore medio di precipitazione a lungo
termine durante un certo periodo di tempo. Tale periodo può dipendere
principalmente dalla variabilità della pioggia che può essere mensile, stagionale e
annuale; dipende cioè dalla scala temporale del fenomeno e dall'utilizzo che deve
essere fatto dei dati.
Per quanto riguarda la variabilità spaziale, questa può essere studiata attraverso
l’interpolazione spaziale delle diverse variabili climatiche (Hartkamp et al. 1999).
Tra i diversi metodi di interpolazione quelli maggiormente utilizzati sono l’IDW, la
spline, la regressione polinomiale e gli interpolatori geostatistici come il kriging ed
il co-kriging (Collins e Bolstad 1996; Hutchinson e Corbett 1995; Phillips et al.
1992).
2.3
CRITERI DI PROGETTAZIONE DI UNA RETE
La progettazione di reti pluviometriche (o più in generale di reti
meteorologiche) ha costituito per lungo tempo un campo di attiva ricerca. Tale
ricerca comprende sia gli aspetti tecnologici che quelli economici.
Tradizionalmente le reti meteorologiche sono state multi-funzione. In primo luogo
la previsione del tempo ha fatto sì che la progettazione delle reti trovasse impiego
in particolari campi quali l’aviazione e l’agricoltura, o nell’informazione pubblica.
In secondo luogo gli studi climatici sono da supporto a due finalità: la ricerca e la
divulgazione delle informazioni verso un pubblico sempre più ampio.
Nei paragrafi precedenti si è giunti alla conclusione che la variabile di interesse
è la precipitazione. A questo punto diviene critico il problema di scegliere la scala
spaziale. Il punto di partenza è il fatto che la stima delle condizioni di siccità
richiede scale spaziali che vanno da pochi km2 a poche centinaia di km2. Quindi la
Reti per il monitoraggio meteoclimatico
27
precipitazione media areale (indicata in seguito con MAP) è la variabile chiave cui
riferirsi. Come supporto nell’impostazione del problema di progettare una rete
pluviometrica, per la determinazione della MAP si definiscono le seguenti
grandezze che si ritroveranno nel prosieguo del capitolo, tranne alcune eccezioni:
1. K è il numero di stazioni nella rete,
2. B(K) è il guadagno tratto dal funzionamento della rete, ed è una funzione
crescente dalla precisione della MAP,
3. C(K) è il costo della rete (installazione, funzionamento, ecc.),
4. NB(K) è il guadagno netto calcolato come B(K) – C(K)
Naturalmente, il problema della progettazione di una rete, come detto in
precedenza, si riduce al problema di ottimizzazione:
Massimizzare NB(K)
(2.1)
precisione della MAP ≥ precisione richiesta
(2.2)
sotto la condizione che
In ogni caso questa ottimizzazione risulta impossibile fino a quando:
1. la maggior parte delle reti è progettata – o lo diviene successivamente –
come una rete multi-funzione;
2. non può essere stabilita una relazione diretta tra guadagno e precisione
della MAP per molte delle finalità che la rete deve soddisfare;
3. qualora quanto previsto dal punto 2 fosse possibile, rimane aperta la
questione di come aggregare queste relazioni.
Ovviamente, quanto riportato nei punti precedenti preclude la stima dei
guadagni netti. Dunque rimane solo la relazione (2.2) e il problema del progetto di
una rete si può ridurre a due passi computazionali:
1. la stima della precisione della MAP in una rete di prova;
2. la definizione della precisione della MAP richiesta dall’utenza (a questo
punto chi conduce l’analisi effettua le stime di siccità).
Il problema della valutazione della precisione della MAP è stato ampiamente
affrontato negli ultimi trent’anni del secolo scorso. Di seguito sono riportate alcune
metodologie che si basano su una trattazione matematica rigorosa della variabilità
spaziale della precipitazione. Inizialmente questi requisiti precludono gli approcci
empirici, come quello basato sui poligoni di Thiessen. Tra le metodologie che
accolgono questi criteri ne sono state selezionate cinque che verranno ampiamente
esaminate nei paragrafi che seguono.
Metodologia A: I ricercatori del M.I.T. (Massachusetts Institute of Technology),
USA, sono stati i primi a porsi il problema della stima della MAP all’interno di
un rigorosa struttura matematica (Bras e Rodriguez-Iturbe, 1976). Senza dubbio
28
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
il contributo di questa ricerca è stato un catalizzatore per gli sviluppi successivi.
Metodologia B: Sulla base dei risultati ottenuti dalla Metodologia A, i ricercatori
dell’Institute of Hydrology, UK (Jones et al., 1979) hanno formulato il problema
della progettazione di una rete in un contesto più orientato verso il campo
applicativo prima di utilizzare la metodologia sviluppata in un ampio studio
finalizzato alla ricostruzione di tutta la rete pluviometrica in Gran Bretagna.
Metodologia C: Sulla base dei risultati della ricerca precedente e della potenza dei
nuovi strumenti geostatistici, un team di ricercatori del National Polytechnic
Institute at Grenoble, Francia (Lebel et al., 1987), ha sviluppato una
metodologia per il progetto di reti basata su dati provenienti da bacini
sperimentali francesi, utilizzati precedentemente in un’applicazione nell’ambito
dell’esperimento a scala globale HAPEX-Sahel nell’Ovest dell’Africa.
Metodologia D: Partendo da una solida rassegna bibliografica, Bacchi (1991),
dopo aver illustrato i più diffusi criteri per la progettazione di reti di misura
delle precipitazioni, ha proposto alcune procedure finalizzate alla progettazione
delle stesse reti di misura, e al miglioramento delle loro performance (problema
del rinfittimento, dell’eliminazione delle stazioni ridandanti, etc.).
Metodologia E: Basandosi su studi precedenti, alcuni ricercatori dell’Università di
Lovanio (Belgio), hanno messo a punto una semplice procedura per la stima del
MAP utilizzando un approccio di tipo geostatistico. La MAP viene calcolata
tramite uno stimatore BLUE (Best Linear Unbiased Estimator) che richiede la
determinazione del variogramma del random field bidimensionale della
precipitazione. Gli autori hanno proposto, per il variogramma, uno stimatore
tempo-variante che prende in considerazione le influenze sulla struttura di
correlazione della pioggia sia delle variazioni stagionali, sia dell’intensità
dell’evento meteorico, illustrandone l’applicazione a due bacini in Belgio.
Le principali caratteristiche di queste cinque metodologie sono riportate nei
paragrafi seguenti.
2.3.1
METODOLOGIA A
L’idea di base di questa metodologia può essere riassunta nei seguenti punti:
2. il problema del progetto di una rete è posto come un problema di
ottimizzazione, con una funzione obiettivo che ricerca un equilibrio tra
precisione della MAP e costi della rete;
3. la MAP è stimata in due fasi: nella prima l’integrale esatto della
precipitazione sull’area di interesse è approssimato dalla somma dei valori
di pioggia puntuale ad un set finito di punti specifici; in secondo luogo, la
Reti per il monitoraggio meteoclimatico
4.
5.
6.
7.
29
precipitazione in questi punti è stimata come una funzione lineare delle
misure puntuali di pioggia, che contengono anche errori di misura;
come evidenziato sopra, la precisione della MAP è rappresentata
dall’errore quadratico medio della stima proveniente da tutti i passi della
stima;
il problema della stima della MAP richiede una misura della variabilità
spaziale della precipitazione puntuale;
si richiede un modello teorico di covarianza;
è stata condotta una ricerca sistematica soltanto su reti ideali.
Nel seguito sono state trattate le caratteristiche principali della metodologia,
esponendo le trattazioni matematiche strettamente necessarie.
Per prima cosa il progetto della rete viene ridotto ad un problema di
ottimizzazione del tutto analogo a quello espresso nelle equazioni (2.1) e (2.2). Il
guadagno è considerato come l’errore quadratico medio (MSE) della MAP e il
costo è trasformato in una quantità commisurata all’MSE mediante un parametro di
compensazione della sensitività detto coefficiente di trade-off.
La regione di interesse di area A è discretizzata in n celle rettangolari o in una
griglia di n punti (i centri delle celle). Si assume che in alcuni di questi punti ci
siano delle stazioni (in numero pari a K) . Per ciascuna stazione j la pioggia
puntuale misurata è Zj. Non serve un riferimento temporale. In ciascun punto i (i =
1, 2, ..., n) definiamo la precipitazione puntuale reale Yi, e la precipitazione
puntuale stimata Xi basata su misure di precipitazione puntuale errate. Si assume un
modello lineare, ad esempio:
Z j = ∑i =1 hij X i + V j
n
(2.3)
dove Vj è l’errore di misura e hij sono coefficienti (nulli o da determinare).
Il valore stimato della MAP, indicato con PE, è ottenuto come:
PE =
1 n
∑ Xi
n i =1
(2.4)
mentre il valore approssimato della MAP, indicato con PA, è dato da:
PA =
1 n
∑ Yi
n i =1
(2.5)
mentre il valore reale della MAP è fornito da:
P=
1
Y ( x) dx
A ∫A
(2.6)
30
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
dove x sono le coordinate in due dimensioni.
Nel passaggio da P a PE abbiamo commesso due errori; primo l’errore del
modello è definito come:
e2 = PA − P
(2.7)
e secondo, la stima dell’errore è data da:
e1 = PE − PA
(2.8)
Una trattazione analitica consente di decomporre l’errore quadratico medio
(MSE) della stima della MAP in tre termini:
[ ] [ ]
MSE = E e12 + E e22 + 2 cov(e1 , e2 )
(2.9)
dove i termini 1, 2 e 3 sono numerati in base all’ordine in cui compaiono
nell’equazione (2.9). Essi sono definiti come segue:
1. il termine 1 è legato alla stima dell’errore connesso alla stima della pioggia
puntuale su tutta la griglia basata sugli errori di misura puntuali;
2. il termine 2 è legato all’errore del modello, e si riferisce alla sostituzione di
un integrale continuo nello spazio con una somma finita;
3. il termine 3 è dovuto alla dipendenza lineare tra i due errori suddetti.
Studi approfonditi su reti ideali ma realistiche hanno evidenziato che:
1. il termine 1 è in genere prevalente e giustifica la quasi totalità dell’MSE,
ad eccezione dei casi che presentano una densità di stazioni molto elevata;
2. i termini 2 e 3 rimangono sempre più piccoli rispetto al termine 1, essendo
dello stesso ordine di grandezza e opposti di segno.
Le conclusioni appena esposte permettono di ignorare l’errore del modello e
stimare la MAP solamente come una combinazione lineare di misure puntuali di
precipitazione. In Figura 2.1 abbiamo rappresentato un esempio in cui i tre termini
dell’MSE e l’MSE totale sono comparabili per un ampio spettro del numero di
stazioni. Osserviamo che il termine 1 tiene conto della quasi totalità dell’MSE.
31
Reti per il monitoraggio meteoclimatico
Term 1
-3
2
Term of MSE (10 in )
0.20
Term 2
0.15
Term 3
0.10
Total
0.05
0.00
-0.05
0
1
2
3
4
5
6
7
8
9
Number of stations
Fig. 2.1 - Termini dell’MSE della MAP da una rete di prova con una griglia di 30 punti
(Bras and Rodriguez-Iturbe, 1976).
La rappresentazione della variabilità spaziale del campo di precipitazione
mediante la covarianza conduce ad espressione analitiche molto complesse per i tre
termini dell’MSE che non sono qui riportate.
2.3.2
METODOLOGIA B
I risultati della Metodologia A sono stati sfruttati dall’Institute of Hydrology
(IH), UK, per la formulazione di una metodologia che risultasse più funzionale
rispetto alla prima. Molte delle assunzioni fatte rimangono le stesse della
Metodologia A, mentre altre sono state modificate per migliorare l’applicabilità. Le
assunzioni modificate sono le seguenti:
1. il problema non è posto come un problema di ottimizzazione, dal momento
che la precisione della MAP e i costi della rete sono quantità non
commisurate. Come riportato nella sezione 2.3, ciò conduce alla sola stima
della precisione della MAP;
2. contrariamente alla Metodologia A, la MAP è stimata in una singola fase:
la reale precipitazione sull’area di interesse è stimata come una funzione
lineare della misura della precipitazione puntuale, che comprende anche gli
errori di misura.
32
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
Lo spazio bidimensionale è considerato continuo, senza nessuna
discretizzazione. Per ciascun punto x di coordinate (x1, x2) l’esatta precipitazione
puntuale Y(x) è definita insieme alla misure Z(x) in alcuni punti. Il numero dei
punti di misura è K. Il valore esatto della MAP è dato dall’equazione 2.6 e il valore
stimato da:
PE = ∑i =1 λi Z i
K
(2.10)
dove λi sono coefficienti da determinare.
L’errore quadratico medio della MAP stimata è definito come:
[
MSE = E (PE − P )
2
]
(2.11)
mentre la distorsione (bias) della stima è data da:
Bias = E [PE ] − P
(2.12)
Si risolve il seguente problema di ottimizzazione
minimise MSE
s.t.
Bias = 0
(2.13)
Ciò permette la stima dei parametri λi e µ (moltiplicatori di Lagrange)
mediante il sistema di equazioni:
Per i = 1,..., K
∑
K
j =1
∑
K
j =1
λ j cov(xi − x j ) + μ =
1
cov(x − x i )dx
A ∫A
(2.14)
λj = 1
dove cov(.) è la covarianza del campo di precipitazione reale.
Allo stesso tempo l’MSE è ottenuto analiticamente come:
MSE =
1
A2
∫∫ cov(x
A
i
− x j )dxi dx j −
1
K
λ j cov(x − x j )dx − μ
∑
∫
A A j =1
(2.15)
Per mantenere l’omogeneità in tutte le metodologie presentate le equazioni
precedenti sono state piuttosto semplificate rispetto a quelle date da Jones et al.
(1979).
La covarianza del campo reale di precipitazione è definita come:
33
Reti per il monitoraggio meteoclimatico
cov(x − x′) = ∫ (Y (x) − m(x) )(Y (x′) − m(x′) )
(2.16)
A
dove x e x’ sono due punti nell’area A, (x – x’) è la distanza euclidea di questi, e
m(x) e m(x’) sono i valori medi nei punti di coordinate x e x’.
Un’espressione analitica o modello di covarianza è calibrata sulla base dei dati.
Gli autori hanno applicato il modello esponenziale potenziato con l’anisotropia:
cov(x − x′) = σ 2 (a + (1 − a − ε ) exp(− bv ))
(
dove v = ( x1 − x1′ + c1 ( x2 − x′2 )) 2 + c2 ( x2 − x′2 ) 2
)
1
(2.17)
2
dove σ2 è la varianza, e a, b, c1, c2 ed ε sono parametri.
Il problema del progetto di una rete in un’area con una densa rete preesistente è
pertanto posto come segue:
1. per prima cosa si seleziona una possibile rete sulla base di un criterio
arbitrario:
2. si stima l’MSE della MAP;
3. la stima dell’MSE è confrontata con il valore minimo richiesto;
4. se la rete non risulta soddisfacente, ne viene selezionata un’altra in una
maniera predefinita e la procedura ricomincia dal punto 1.
Come esempio tra le numerose applicazioni degli autori abbiamo riportato
quella fatta per il bacino del Bristol Avon nella Wessex Water Authority, in Gran
Bretagna, con un area di 2200 km2, per una scala temporale mensile. La rete
preesistente comprendeva 51 stazioni. Sono state valutate varie reti ridotte in base
ai due passi seguenti:
1. per un fissato numero di stazioni K è stata fatta una selezione random di
stazioni;
2. la radice quadrata dell’errore quadratico medio (RMSE) della stima della
MAP è stata calcolata per tutta l’area mediante la metodologia prima
esposta.
I risultati sono mostrati in figura 2.2 in termini di radice quadrata dell’ errore
quadratico medio (RMSE) della MAP, stimato come una funzione del numero di
stazioni nella rete. Da questa figura appare chiaro che le reti con più di 20 stazioni
non possono aggiungere nessuna informazione nei riguardi della MAP. Inoltre un
test con 20 stazioni distribuite in maniera uniforme ha mostrato uno scarso
miglioramento rispetto al caso delle 20 stazioni selezionate in maniera random.
34
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
9.0
2, 8.3
8.0
Random
sampling
RMSE (mm)
7.0
6.0
Regular spacing
3, 5.7
5.0
4.0
3.0
20, 1.6
2.0
1.0
51, 1
20, 1.2
0.0
0
4
8 12 16 20 24 28 32 36 40 44 48 52 56
Number of gauges
Fig. 2.2 - Radice quadrata dell’errore quadratico medio della stima della MAP (RMSE) in
funzione del numero di stazioni nella rete per il bacino Bristol Avon, UK (adattato da
O’Connel, 1978).
2.3.3
METODOLOGIA C
La Metodologia C sfrutta i progressi compiuti nel campo della geostatistica dai
ricercatori della Ècole de Mines, a Fontainebleau, Parigi. Più precisamente il
metodo del kriging e le sue varianti costituiscono le basi per lo studio dei campi di
precipitazione. La struttura spaziale dei campi di precipitazione è rappresentata
mediante il semivariogramma definito come:
1
2
γ (x − x′) = Var[Y (x) − Y (x′)]
(2.18)
dove Var[.] indica la varianza, x e x’ sono due punti distinti nello spazio 2-D
L’introduzione del semivariogramma conduce all’adozione di assunzioni sulla
precipitazione che sono fondamentalmente differenti da quelle fatte nel caso della
covarianza. Fatta eccezione per tali assunzioni le restanti caratteristiche della
Metodologia B rimangono invariate. La MAP è stimata mediante kriging:
Per i = 1,..., K
∑
K
j =1
λj = 1
∑
K
j =1
λ jγ (xi − x j ) + μ =
1
γ (x − x i )dx
A ∫A
(2.19)
Reti per il monitoraggio meteoclimatico
35
dove λi e µ sono i parametri da stimare.
Allo stesso tempo il MSE (errore quadratico medio) della MAP stimata è
ottenuto analiticamente come:
MSE = −
1
A2
∫∫ γ (x
A
i
− x j )dxi dx j +
K
1
λ jγ (x − x j )dx + μ
∑
∫
A A j =1
(2.20)
Dividendo il semivariogramma di ciascuna realizzazione per la varianza del
campo si ottiene il semivariogramma riscalato. La media del semivariogramma
riscalato calcolata sul numero totale di realizzazioni di campo è definita come
semivariogramma climatologico riscalato (Lebel e Bastin, 1985). L’applicazione
del kriging con il semivariogramma climatologico riscalato fornisce la varianza in
scala dell’errore della MAP, che rappresenta il criterio chiave per la progettazione
di reti, dal momento che: (a) dipende dal comportamento della media del campo di
precipitazione nell’area di interesse, e (b) è legata solamente alla configurazione
della rete.
La verifica di una specifica rete comprende i seguenti passi:
1. la (2.19) fornisce i parametri per il variogramma climatologico riscalato;
2. il MSE della (2.20) adesso rappresenta la varianza riscalata dell’errore
della MAP;
3. quest’ultima viene moltiplicata per la varianza del campo per dare il MSE
della MAP.
Come nella Metodologia B, l’analisi prende avvio dall’adattamento di un
modello teorico ad un semivariogramma climatologico riscalato “empirico”
ottenuto a partire dai dati. E’ possibile ritrovare alcuni di questi modelli nella
letteratura scientifica relativa alla geostatistica.
La metodologia è stata testata in una regione nel Sud della Francia, la regione
di Cevennes, caratterizzata da un’alta densita di strumenti di misura delle
precipitazioni. Il bacino principale è il Gordon d’Anduze con 34 stazioni di misura
della pioggia. I risultati nella regione di Cevennes per un piccolo sottobacino sono
riportati in Figura 2.3. La Figura 2.4 mostra risultati analoghi per l’intero bacino di
Gordon d’Anduze, con scala temporale di un’ora.
Nella fase successiva la metodologia è stata ampiamente testata all’interno
della struttura dell’Hydrologic-Atmospheric Pilot Experiment nel Sahel (HAPEX Sahel) nell’Ovest dell’Africa. Tale verifica è stata condotta su un dominio di 1o×1o
dotato di 107 stazioni in totale. La principale scala temporale era quella dell’evento
piovoso (fino a poche ore), sebbene sia stata utilizzata anche una scala più ampia.
Un esempio dei risultati per la scala temporale relativa all’evento è riportato in
36
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
figura 2.5, dove la deviazione standard riscalata della MAP è la radice quadrata
della varianza riscalata della MAP.
Hourly rainfall on Gardon St. Andre
2
(53 km ) (Lebel et al., 1987)
Scaled variance
0.6
0.5
0.4
0.3
From analyses
0.2
Power (From
analyses)
0.1
0.0
0
2
4
6
8
10
12
14
16
18
Number of stations in network
Fig. 2.3 - Varianza riscalata della MAP in funzione del numero di stazioni della rete per
una scala temporale di un’ora per lo studio del Cevennes (adattato da Lebel et al., 1987)
Hourly rainfall on Gardon d'Anduze
2
(545 km ) (Lebel et al., 1987)
Scaled variance
0.08
0.07
0.06
0.05
From analyses
0.04
Power (From
analyses)
0.03
0.02
0.01
0.00
0
2
4
6
8
10
12
14
16
18
Number of stations in network
Fig. 2.4 - Varianza riscalata della MAP in funzione del numero di stazioni della rete per
una scala temporale di un’ora per lo studio del Cevennes (adattato da Lebel et al., 1987)
37
Scaled standard deviation (%)
Reti per il monitoraggio meteoclimatico
60
50
40
30
20
10
0
0
20
40
60
80
Number of stations per 1000 km
100
120
2
Fig. 2.5 - Deviazione standard riscalata della MAP come funzione del numero di stazioni
nelle rete per la scala temporale dell’evento per la sperimentazione della HAPEX-Sahel e
per un’area di 100 km2 (adattato da Lebel e Le Barbe, 1997).
2.3.4
METODOLOGIA D
La procedura elaborata da Bacchi et al. (1991) è finalizzata al progetto e alla
verifica delle reti pluviometriche ed è estendibile anche a tutte le grandezze
meteoclimatiche. Essa si basa sulla determinazione della densità ottimale di una
rete di monitoraggio. Intuitivamente, ma anche teoricamente (Schertzer e Lovejoy,
1987), si arguisce che per la misura della piogge una rete di misura regolare risulta
più efficiente rispetto a una irregolarmente spaziata.
Detta L l’interdistanza tra i pluviometri, le reti regolari possibili sono:
a.
triangolare equilatera, con distanza massima dal punto di stima più
b.
lontano, d m = L 3 4 ;
quadrate, con distanza massima dal punto di stima più lontano,
dm = L 2 2 ;
c.
esagonali, con distanza massima dal punto di stima più lontano, d m = L ;
Per non incrementare troppo la distanza tra baricentro (punto critico) e punti di
misura, la rete più conveniente appare quella a maglie quadrate.
38
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
2.3.4.1 Elaborazioni preliminari
In base alle osservazioni pluviometriche disponibili nell’area di interesse, si
effettua l’identificazione e la stima della funzione di covarianza spaziale del campo
di pioggia con procedure ampiamente descritte nella letteratura scientifica (Chua e
Bras, 1980; Bacchi e Kottegoda, 1994). Effettuata tale operazione si fissa, in
relazione alla desiderata efficienza della rete, e compatibilmente con gli oneri
economici e gestionali tollerabili, la massima varianza di progetto Max( σ p2 ) delle
stime puntuali di precipitazione. A tale massimo valore, in base alla relazione
precedente, corrisponde una densità di progetto della rete, D*, tale da garantire che,
mantenendo in ogni punto della regione una densità D > D*, gli errori di stima si
mantengano ovunque inferiori a Max( σ p2 ) . Parallelamente per la zona di interesse
si elabora, con la metodologia prima illustrata la mappa delle densità locali.
2.3.4.2 Eliminazione delle stazioni ridondanti
Per ciascuna delle aree che presentano una densità superiore a D*, aree
ottenute raggruppando le celle contigue con densità superiore a D*, si stabilisce il
numero ottimale di stazioni moltiplicando l’area medesima per D*. La differenza
tra il numero di stazioni realmente esistente e quello ottimale rappresenta il numero
di stazioni eventualmente da dismettere. Questa dismissione deve essere eseguita
con opportuni accorgimenti, operando in modo che le stazioni rimanenti risultino
distribuite nel modo più uniforme possibile e cercando di eliminare le stazioni con
periodi di osservazione più brevi o i cui dati siano meno affidabili.
2.3.4.3 Allocazione dei nuovi punti di misura
Nelle aree che risultano a densità D < D * si procede all’allocazione di nuove
stazioni sovrapponendo all’area di interesse una griglia a maglie quadrate con lato
L* = 1
D * . Quando all’interno di una maglia così determinata non ricade
alcuna stazione esistente, se ne posiziona una nuova. Anche questa operazione
deve essere condotta in modo tale da rendere la distribuzione risultante il più
uniforme possibile; in tal senso, nelle zone del tutto prive di stazioni, un buon
criterio è quello di ubicare le nuove installazioni nel centro delle maglie.
2.3.4.4 Aggiustamento e verifica della nuova rete
Soprattutto nelle aree di confine tra le zone ad alta densità (D>D*) e quelle a
bassa densità (D<D*), può verificarsi che permangano piccole aree dove la densità
risulta inferiore a D* a causa dell’eliminazione di alcune stazioni preesistenti. Di
39
Reti per il monitoraggio meteoclimatico
conseguenza occorre effettuare un riaggiustamento della rete reinserendo qualche
stazione soppressa o allocandone qualcuna nuova. Definite le allocazioni, si
procede infine alla verifica della rete tramite la costruzione della mappa
σ2
rappresentativa della distribuzione spaziale dei valori della varianza di stima, p ,
ottenuta applicando la tecnica del kriging accennata in precedenza (Chua e Bras,
σ2
σ2
p
1980). L’eventuale presenza di zone ove
è maggiore di Max( p )*, di
progetto, indica immediatamente le zone ove occorrerà installare qualche ulteriore
stazione.
2.3.4.5 Varianza di stima
In letteratura esistono diverse espressioni teoriche della varianza di stima in
funzione della densità della rete per diverse espressioni analitiche della funzione di
covarianza.
La funzione di covarianza, Cov(u1,u2), di un generico processo stocastico
spaziale Z(u), ove u è il vettore di coordinate che individua il punto all’interno del
campo di definizione del processo, risulta definita come:
Cov(u1 , u2 ) = E [(Z (u1 ) − m(u1 )) ⋅ (Z (u2 ) − m(u2 ))] =
= E [Z (u1 ) ⋅ Z (u2 )] − m(u1 ) ⋅ m(u2 )
(2.21)
Nelle ipotesi di stazionarietà del secondo ordine e di isotropia essa si riduce a:
Cov(u1 , u2 ) = Cov(u1 − u2 ) = E[Z (u1 ) ⋅ Z (u2 )] − m 2 = Cov(h)
(2.22)
dove h = h = u1 − u 2 è la distanza tra i punti indicati.
Le espressioni analitiche isotrope di covarianza più utilizzate nelle applicazioni
tecnico-scientifiche sono quelle relative ai modelli:
1. Lineare
⎧
⎛ h⎞
⎪ A0 [1 − ϕ (h )] + w⎜1 − ⎟ per h < δ
Cov(h ) = ⎨
⎝ δ⎠
⎪⎩ 0
per h ≥ δ
(2.23)
2. Sferico
3
⎧
w⎛
h ⎛h⎞ ⎞
⎪ A0 [1 − ϕ (h )] + ⎜ 2 − 3 + ⎜ ⎟ ⎟ per h < δ
Cov(h ) = ⎨
2 ⎜⎝
δ ⎝ δ ⎠ ⎟⎠
⎪ 0
per h ≥ δ
⎩
(2.24)
40
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
3. Esponenziale
⎛ h⎞
Cov(h ) = A0 [1 − ϕ (h )] + w ⋅ exp⎜ − ⎟
⎝ δ⎠
(2.25)
4. Gaussiano
⎡⎛ h ⎞ 2 ⎤
Cov(h ) = A0 [1 − ϕ (h )] + w ⋅ exp ⎢⎜ − ⎟ ⎥
⎣⎢⎝ δ ⎠ ⎦⎥
(2.26)
nei quali la funzione ϕ (h ) assume valori
⎧1 per h > 0
⎩0 per h = 0
ϕ (h ) = ⎨
(2.27)
e i parametri che compaiono nei modelli rappresentano la distanza di correlazione
( δ ), la caduta della covarianza nell’origine ( A0 ) e la varianza del campo depurata
della discontinuità ( w = σ 2 − A0 ).
Dalle espressioni analitiche isotrope di covarianza, sostituendo in luogo della
distanza h la densità D, si ottengono per Max( σ p2 ) le relazioni:
1.
2.
w
⎧
⎪⎪ A 0 + 0,561 δ D
Max( σ ) = ⎨
⎪A 0 + w 0,914 − 0,25 δ D
⎪⎩
δ
2
p
[
(
4.
)]
⎧
⎡ 0,841
0,25 ⎤
⎪ A 0 + w⎢
+
⎥
3
⎢⎣ δ D δ D ⎥⎦
⎪⎪
2
Max( σ p ) = ⎨
⎡ 1,371
⎤
0,104
⎪
A
0
,
25
+
−
−
⎢
⎥
0
3
⎪
⎪⎩
⎣⎢ δ D δ D
⎦⎥
(
(
3.
per D ≥ 2 δ 2
)
)
(2.28)
D per 1 δ 2 ≤ D ≤ 2 δ 2
per D ≥ 2 δ 2
(2.29)
per 1 δ 2 ≤ D ≤ 2 δ 2
⎧⎪
⎡
⎛
⎛
⎛
1 ⎞⎟
2 ⎞
1 ⎞⎤ ⎫⎪
⎟ + 2 exp⎜⎜ −
+ exp⎜⎜ −
Max( σ p2 ) = A0 + w⎨1 + 0,25⎢1 − 8 exp⎜ −
⎟⎟⎥ ⎬
⎟
⎜ δ 2D ⎟
⎝ δ D ⎠⎦⎥ ⎪⎭
⎪⎩
⎝ δ D⎠
⎝
⎠
⎣⎢
per D ≥ 0,133 δ 2
(2.30)
2
⎧⎪
⎡
(2.31)
1 ⎞ ⎛
1 ⎞ ⎞ ⎤ ⎫⎪
⎛
⎛
Max( σ p2 ) = A0 + w⎨1 + 0,25⎢− 8 exp⎜ − 2 ⎟ + ⎜⎜1 + exp⎜ − 2 ⎟ ⎟⎟ ⎥ ⎬ per D ≥ 0,244 δ 2
⎝ 2δ D ⎠ ⎝
⎝ δ D ⎠ ⎠ ⎥⎦ ⎪⎭
⎢⎣
⎪⎩
utilizzabili direttamente per la valutazione analitica dell’errore di estrapolazione,
Reti per il monitoraggio meteoclimatico
41
una volta fissata la densità delle stazioni, D, e stimati, in base alle osservazioni
sperimentali, i parametri A0 , w , e δ
2.3.5
METODOLOGIA E
Una problema che spesso si deve affrontare nell’ambito delle reti di misura è
quello della stima in tempo reale del valore medio di pioggia su una data area a
partire da misure effettuate con pochi pluviometri situati sulla stessa. In particolare
se si parte da una rete esistente si possono verificare le seguenti circostanze:
(a)
(b)
(c)
scelta del sito ottimale di un nuovo strumento di misura, in modo tale da
migliorare l'accuratezza della stima del MAP;
selezione del sito ottimale tra una serie di possibili siti;
selezione dei più rappresentativi strumenti tra quelli disponibili (rete
fiduciale).
In questo caso l’approccio seguito, che discende direttamente dalla
metodologia C, può essere di tipo geostatistico, assumendo che il campo di pioggia
sia un campo casuale 2-D; ciò permette di tenere in conto in modo sistematico e
rigoroso la variabilità spaziale e stagionale delle precipitazioni.
Lo stimatore della variabile campionata (nello specifico la pioggia) fa parte
degli stimatori BLUE (lineari e non distorti) ed è derivato dal kriging. La stima
ottimale richiede la conoscenza del variogramma del campo casuale di pioggia
come funzione spazio-temporale. Questo approccio, basato sulla definizione di un
variogramma in tempo reale del campo casuale di pioggia, è stato adoperato da
Lebel et al. (1987). Gli AA. hanno esaminato i trend stagionali dei variogrammi e
l'influenza su questi dell'intensità di pioggia. Ciò ha condotto all'adozione di un
modello di semivariogramma non-stazionario in cui la non-stazionarietà temporale
è interamente concentrata nel fattore di scala tempo-variante la cui stima può essere
condotta in tempo reale.
Il vantaggio è che i coefficienti di peso per la determinazione della stima
ottimale sono calcolati una volta per tutti, mentre la varianza di tale stima è
calcolata per ogni evento in tempo reale utilizzando il fattore di scala.
La media areale (effettiva) della precipitazione sull’area A di riferimento è data
da:
P(k ) =
1
Z (k , x)dx
A ∫A
(2.32)
42
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
dove k è l’indice temporale della precipitazione; la stima della media areale della
precipitazione viene effettuata a partire da N punti di misura tramite la seguente
relazione:
N
Pˆ (k ) = ∑ λi (k ) Z (k , xi )
(2.33)
i =1
dove λi è il peso da attribuire alla stazione i (i=1, 2,… N). Tali pesi si ricavano
dalla risoluzione del sistema di kriging riportato di seguito:
⎧N
1
⎪⎪∑ λ j (k )γ (k , zi , z j ) + μ (k ) = A ∫ γ (k , xi , ξ )dξ
j =1
A
i=1,….,N
⎨
N
⎪
λi (k ) = 1
∑
⎪⎩
i =1
(2.34)
dove μ(k) è il moltiplicatore di Lagrange relativo all’indice temporale k. Il termine
di destra della prima equazione del sistema di kriging, può essere discretizzato su
una griglia a maglie quadre con M nodi computazionali che ricadono nel bacino,
utilizzando la seguente approssimazione:
1
1
γ (k , xi , ξ )dξ ≅
∫
AA
M
M
∑ γ (k , x , x
i
j =1
N+ j
)
(2.35)
Utilizzando questo tipo di schematizzazione la pioggia media effettiva può
essere espressa da:
1
P (k ) =
M
M
∑ Z (k , x
j =1
N+ j
)
(2.36)
mentre la varianza di stima è data da:
σ E2 (k ) = μ (k ) +
1
M
N
M
∑∑ λi (k )γ (k , xi , xN + j ) −
i =1 j =1
1 M M
∑∑ γ (k , xN +i , xN + j ) (2.37)
M 2 i=1 j =1
Per procedere alla determinazione per ogni evento dei pesi λi(k) e della
varianza di stima σ E2 (k ) si deve innanzitutto determinare il semivariogramma che
dovrebbe essere diversa per ogni evento k ma che viene computata
indipendentemente da k.
2
1 K
γ (d ij ) =
∑ [z (k , xi ) − z (k , xj)]
2 K k =1
(2.38)
Reti per il monitoraggio meteoclimatico
43
Ai punti sperimentatali è possibile adattare il modello non stazionario detto di
potenza γ (d ij ) = αd ij
β
Al posto di tale modello poteva essere utilizzato un qualsiasi altro modello
(esponenziale, gaussiano, etc.); una difficoltà nasce dal fatto che la scelta del
modello è difficile da validare poiché il valore medio reale non è conosciuto. I
coefficienti α e β sono stai stimati con il metodo dei minimi quadrati.
Naturalmente non è realistico assumere un variogramma tempo-invariante poiché
questo non tiene conto della variabilità stagionale delle precipitazioni e porterebbe
dunque alla determinazione di un'unica varianza di stima eguale per tutti gli eventi
indipendentemente dalla stagione o dall'intensità di pioggia. Gli AA. hanno
determinato, per due bacini siti in Belgio, un variogramma per ogni mese stimando
dunque i coefficienti α(m) e β(m) m=1, 2, 3, ..., 12.
Si è successivamente osservato che i variogrammi mensili differiscono molto
di più nel coefficiente α che in quello β. Ciò ha portato ad un'ulteriore
semplificazione; β(m) si è assunto come parametro tempo invariante e posto pari a
β* (derivato dal variogramma unico, senza distinzioni mensili), mentre la nonstazionarietà viene trasferita nel fattore di scala α(m) i cui valori una volta fissato
β(m) si ricavano con il metodo dei minimi quadrati.
γ (k , xi , x j ) = α (m)γ * (d ij )
(2.39)
γ * (d ij ) = dij β *
(2.40)
con
Si è dunque operata una separazione di variabili:
−
α(m) tempo-variante spazio-indipendente;
−
γ(d) tempo-invariante spazio-dipendente.
Il sistema è riscritto nel modo seguente:
1
⎧N
⎪⎪∑ λ jγ * (d ij ) + μ * = M
j =1
⎨
N
⎪
λi = 1
∑
i =1
⎩⎪
M
∑ γ * (d
j =1
ij
)
i=1,….,N
(2.41)
Poiché i pesi λi sono indipendenti da α(m), essi vengono stimati soltanto una
volta mentre il valore medio della precipitazione è dato da:
44
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
N
Pˆ (k ) = ∑ λi Z (k , xi )
(2.42)
i =1
La varianza di stima è pari a:
σ E2 (k ) = α (k )VE*
(2.43)
dove:
VE* = μ * +
1
M
N
M
∑∑ λiγ * (di, N + j ) −
i =1 j =1
1 M M
∑∑ γ * (d N +i,N + j )
M 2 i=1 j =1
(2.44)
VE* è tempo invariante e viene calcolato solo una volta mentre σ E2 dipende da
VE* tramite α(k).
Per tenere conto dell'intensità di pioggia, gli eventi di cui gli AA. disponevano,
sono stati suddivisi in classi in funzione dell’intensità di pioggia e della stagione di
appartenenza. Per ciascuna di questa classe si è provveduto alla determinazione di
α(k) e si è dunque creato un grafico log-log A(k)-α(k). Questo grafico consente
nota la stagione e il valore medio stimato di ricavare α(k) e dunque la varianza di
stima σ E2 .
La varianza di stima normalizzata VE* , ottenuta come descritto in precedenza,
dipende solo dalla localizzazione spaziale dei pluviometri e solo indirettamente
(attraverso la scelta del variogramma) dai dati registrati. Il valore di VE* allora può
essere usato indipendentemente dalla gravità dell’evento meteorico e dalla stagione
considerata (a) per scegliere il sito ottimale di un nuovo strumento di misura, in
modo tale da migliorare l'accuratezza della stima; (b) selezionare il sito ottimale tra
una serie di possibili siti; (c) selezionare i più rappresentativi strumenti tra quelli
disponibili.
2.4
METODOLOGIA PROPOSTA DAL GRUPPO DEL NTUA
2.4.1
CONCLUSIONI DAI LAVORI PRECEDENTI
Nelle sezioni precedenti sono state analizzate le metodologie esistenti per il
progetto di reti pluviometriche. Essi comprendono dei comuni passi metodologici
che sono:
1. l’adattamento di modelli teorici per la struttura spaziale dei campi di
Reti per il monitoraggio meteoclimatico
45
precipitazione;
2. la stima della MAP mediante una combinazione lineare di punti di
precipitazione, e
3. stima analitica dell’MSE della MAP.
La metodologia A comprende una procedura di discretizzazione del dominio di
interesse che è fastidiosa e si rivela inutile. La metodologia B potrebbe essere
pienamente soddisfacente per le nostre esigenze. Tuttavia le difficoltà nel suo
utilizzo derivano da: (a) la mancanza di un software collegato, (b) la grande
complessità del modello di covarianza utilizzato, (c) la mancanza di risultati di
ricerche pubblicate in aree vicine al Mediterraneo, e (d) la considerazione degli
errori di misura che nel nostro caso di scala temporale mensile risulta inutile.
Si ritiene che, per le esigenze legate ai problemi della siccità, le metodologie C
ed E siano equivalenti alla metodologia B sia nell’output a cui si vuole giungere
che nella pesantezza computazionale che essa implica. E’ preferibile tuttavia
adottare una tra le Metodologie C ed E per i motivi di seguito esposti:
1. sono basate sull’uso del kriging, metodo incluso in molte delle funzioni
generali dei pacchetti software;
2. è possibile utilizzare una grande varietà di estensioni del kriging;
3. esistono risultati pubblicati di applicazioni di questo metodo in aree vicine
al Mediterraneo e all’Europa;
4. non si considerano gli errori di misura, cosa del tutto realistica per la scala
temporale utilizzata in questo lavoro;
5. la metodologia C è stata più ampiamente applicata a ampi spettri di scale
temporali e spaziali come il dominio della sperimentazione dell’HAPEX –
Sahel.
Le tipiche fasi metodologiche per il progetto di una rete mediante le
Metodologia C ed E sarebbero:
1. stima del semivariogramma empirico basato sui dati provenienti da una
rete preesistente;
2. adattamento di un modello analitico teorico al semivariogramma empirico;
3. selezione di siti per le stazioni per una possibile rete;
4. stima dell’MSE della MAP;
5. se essa non risulta adeguata si ritorna al passo 3, altrimenti approvare la
rete progettata.
Per ottenere una performance “media” della rete in fase di progetto può essere
applicato il concetto di semivariogramma climatologico riscalato, come esposto nel
paragrafo 2.3.3 o quello di semivariogramma tempo-variante esposto nel paragrafo
2.3.5.
In entrambi i casi, al primo passo del progetto di una rete non è richiesta la
46
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
stima della MAP poiché il problema del progetto viene risolto utilizzando i concetti
di densità della rete (numero di stazioni per km2) e la struttura di correlazione del
campo di pioggia evidenziata dal semivariogramma.
2.4.2
ADATTAMENTO DELLA METODOLOGIA ESISTENTE
L’esperienze relative alle applicazioni della metodologia C in Francia e
Nell’Ovest dell’Africa sono riassunte da Lebel e La Barbe (1987) come segue:
“Per aree inferiori o uguali a 1000 km2, è richiesto lo stesso numero di stazioni
(dieci), ciò significa che finché lo spazio coperto da stazioni di misura è maggiore
della metà della lunghezza di decorrelazione, il criterio principale da considerare
è il numero assoluto di stazioni presenti sulla superficie di stima piuttosto che la
densità della rete. Per aree ancora più piccole il numero di stazioni sulla
superficie di stima può essere valutato imponendo che lo spazio occupato da
stazioni sia pari a metà della lunghezza di decorrelazione, cioè una stazione ogni
15 km. Ad ogni modo sotto i 10 km2 la variabilità spaziale connessa alle celle
convettive non è più rappresentabile dalla media spaziale…”.
Alla luce di queste conclusioni, le fasi metodologiche da 1 a 5 del precedente
paragrafo sono state semplificate nelle seguenti:
1. stima del semivariogramma empirico basato su dati provenienti da una rete
preesistente;
2. adattamento del semivariogramma empirico ad un modello analitico
teorico e stima della lunghezza di decorrelazione, che in genere è uguale al
range del semivariogramma;
3. selezione dei siti delle stazioni per una possibile rete fiduciale;
4. stima della distanza massimo tra le stazioni;
5. se esso risulta minore della lunghezza di decorrelazione, allora si accetta il
progetto della rete, altrimenti si ritorna al passo 3.
Per questo approccio viene suggerito l’utilizzo del modello sferico, dato da:
(
⎧c0 + c 1.5u / a − 0.5(u / a ) 3
γ (u ) = ⎨
⎩c0 + c
)
u≤a
u>a
(2.45)
dove c0 è il nugget, c + c0 è il sill, a è il range e u è la distanza. Il modello ha tre
parametri (c, c0 ed a).
La metodologia proposta dal NTUA si basa su due assunzioni:
−
la media della precipitazione puntuale non varia nello spazio;
Reti per il monitoraggio meteoclimatico
−
47
il campo di precipitazione è isotropo.
Queste assunzioni, sebbene molto utili, dovrebbero essere messe in discussione
quando si ha a che fare con aree del Mediterraneo, dal momento che:
−
−
ci si aspetta che la brusca variazione delle quote dovuta ad una
topografia irregolare induca variazioni nella media della precipitazione
puntuale, dette anche derive (drift);
la presenza di umidità persistente proveniente dal mare può provocare un
comportamento anisotropo del campo di precipitazione.
Il problema della deriva e dell’anisotropia è affrontato con l’aiuto di
metodologie preesistenti. In particolare il problema della deriva è stato affrontato
mediante una rimozione del trend nel punto medio tramite una semplice procedura
che comprende i seguenti passi:
−
−
−
calibrazione di un modello di regressione lineare tra l’altezza di
precipitazione mediata nel tempo (variabile dipendente) e quota (variabile
indipendente);
de-trending di tutti i dati riducendoli al una quota comune di riferimento H0
(ad esempio il livello del mare) usando il suddetto metodo di regressione;
applicazione dei passi metodologici da 1 a 5 sui dati in cui è stato rimosso
il trend.
Il problema dell’anisotropia è invece affrontato modificando il passo
metodologico 2 come segue:
− il cerchio intorno ad ogni stazione è suddiviso in quattro settori ciascuno
corrispondente ad una direzione prevalente (1 = Ovest – Est, 2 = Sudovest
– Nordest, 3 = Nordest – Sudovest, 4 = Nord – Sud);
− si seleziona una direzione specifica;
− la determinazione del semivariogramma è limitata all’utilizzo di coppie di
stazioni che soddisfano la direzione scelta.
Per evitare confusione, l’applicazione di tutte le varianti metodologiche
necessità della definizione sistematica di test. Così:
− sotto l’ipotesi di isotropia viene fatta una serie di test applicati senza
rimozione del trend;
− questi test sono seguiti da altri su dati in cui non è stato rimosso il trend
sotto l’ipotesi di anisotropia.
In Appendice A1 è riportata l’applicazione di tale metodologia all’isola greca
di Creta.
48
G. Iiritano, T. Calmiero, G. La Loggia, L.V. Noto, F. Viola,
I. Nalbantis, G. Tsakiris
2.5
CONSIDERAZIONI CONCLUSIVE
L’analisi delle informazioni necessarie per le stime di siccità ha consentito di
porre il problema del monitoraggio come un problema di progetto delle reti
pluviometriche. Le metodologie connesse sono state esaminate con lo scopo di
selezionarne alcune tra queste per altre analisi. Per la selezione sono stati applicati
criteri rigorosi. Cinque metodologie (A ÷ E) rispondono a questi criteri. Questi
hanno in comune le seguenti caratteristiche:
1. sono basate sulla teoria dei campi random;
2. la struttura spaziale dei campi di precipitazione è rappresentata attraverso i
campi di covarianza;
3. la precipitazione media annua (o MAP) è la variabile chiave, la cui
precisione nella stima costituisce l’unico criterio di progettazione;
4. la precisione della MAP è rappresentata dall’errore quadratico medio
(MSE) della stima della MAP attraverso un modello lineare;
5. il problema della stima è risolto analiticamente;
6. si ottiene anche una stima analitica del MSE della MAP;
7. il trattamento analitico richiede la modellazione della struttura spaziale dei
campi di precipitazione.
Le stime ottenibili dalle metodologie esposte mostrano che tutte potrebbero
essere utilizzate per la determinazione della MAP. Si consiglia tuttavia l’utilizzo
delle metodologia C e E soprattutto perché: (a) sono basate sulla geostatistica e sul
kriging che è un metodo noto e ampiamente testato, e (b) sono state sviluppate
mediante applicazioni in aree vicine al Mediterraneo e all’Europa.
In particolare la metodologia C è stata adattata alle esigenze legate allo studio
della siccità. A tale scopo per prima cosa abbiamo tratto vantaggio dell’idea di
usare un semivariogramma climatologico riscalato e, in secondo luogo, abbiamo
utilizzato i risultati di precedenti studi, che ci hanno permesso di limitare le nostre
analisi alla stima del range del semivariogramma teorico, evitando così la stima
dell’MSE.
La metodologia adattata è stata inoltre potenziata per superare i problemi
relativi alla presenza di una deriva (drift) e all’anisotropia e nei campi di
precipitazione.
2.6
BIBLIOGRAFIA
Bacchi, B.( 1991) Criteri di progetto delle reti idrometeorologiche, Atti del Corso di
aggiornamento: Modelli idrologici superficiali nella pianificazione di bacino, Milano, pp 49-83
Bacchi B., Kottegoda N.T. (1995) Identification and calibration of spatial correlation patterns of
Reti per il monitoraggio meteoclimatico
49
rainfall, J. Hydrol. 165, 311-348(38)
Bras, R. L., and I. Rodriguez-Iturbe, (1976) Network design for the estimation of area mean of
rainfall events, Water Resour. Res. 12(6), 1185-95.
Chua, S. H., Bras, R.L., (1980) Estimation for stationary and non stationary random fields:
Kriging in analysis of orographic precipitations, M.I.T. Report N°255
Collins, F.C.; Bolstad, P.V. (1996) A comparison of spatial interpolation techniques in
temperature estimation. NCGIA Third International Conference/Workshop on Integrating GIS and
Environmental Modelling.
Hartkamp, A.D., K. De Beurs, A. Stein, and J.W. White (1999) Interpolation Techniques for
Climate Variables. NRG-GIS Series 99-01. Mexico, D.F.: CIMMYT.
Hutchinson, M.F., and Corbett J.D. (1995). Spatial interpolation of climate data using thin late
smoothing splines. In: Coordination and harmonization of databases and software for agroclimatic
applications. Agroclimatology Working paper Series, no. 13. Rome: FAO.
Jones, D. A., R. J. Gourney, and O’Connell P. E. (1979) Network design using optimal
estimation procedures, Water Resour. Res. 15(6), 1801-1812.
Le Barbe, L., and T. Lebel, Rainfall climatology of the HAPEX-Sahel region during the years
1950-1990. J. Hydrol., 188-189, 43-73, 1997.
Lebel, T, and L. Le Barbe (1997) Rainfall monitoring during HAPEX-Sahel: 2. Point and areal
estimation at the event and seasonal scales, J. Hydrol. 188-189, 97-122.
Lebel, T., and G. Bastin (1985) Variogram identification by the mean-square interpolation error
method with application to hydrologic fields. J. Hydrol. 77, 31-56.
Lebel, T., G. Bastin, C. Obled, and Creutin J. D. (1987) On the accuracy of areal rainfall
estimation: a case study, Water Resour. Res. 23(11): 2123-2138.
O’Connell, P. E., (1978) Rationalisation of the Wessex Water Authority rain gauge network,
Institute of Hydrology, Wallingford, report no 51.
3. DATABASE RELAZIONALE PER L’ARCHIVIAZIONE DEI
DATI METEOCLIMATICI
E.M. CASTROGIOVANNI
Regione Siciliana – Agenzia Regionale per i Rifiuti e le Acque – Settore
Osservatorio delle Acque
S. ARCURI, L. DE FELICE, G. IIRITANO
Regione Calabria – Centro Funzionale – Dip. Presidenza – Settore Prot.
Civile
R. MALETTA, G. MENDICINO, A. SENATORE
Dip. Difesa del Suolo “V. Marone” - Università della Calabria
Abstract: le basi di dati e i relativi strumenti di gestione, sono alcuni degli elementi
più importanti nell’implementazione di un sistema informativo. L’adeguata
progettazione dello schema concettuale/logico della struttura dati e la predisposizione
di un adeguato sistema informatico di supporto, sono fondamentali per garantire una
efficiente implementazione dell’intero sistema informativo. La raccolta, l’elaborazione
e l’accesso a dati meteo-climatici finalizzati al monitoraggio dei rischi derivanti da
condizioni pluviometriche estreme, all’interno di un sistema informativo, richiedono
l’impiego concorrente di diversi strumenti, oltre alla predisposizione di adeguate
strutture dati bisogna infatti prestare particolare attenzione alla modalità di
rappresentazione degli stessi. In tal senso rilevante è il contributo che viene dato da
sistemi di visualizzazione dei dati di ultima generazione come i web-GIS che utilizzano
internet come mezzo di diffusione dell’informazione.
Key words: Database, web-GIS.
3.1
3.1.1
INTRODUZIONE
DATABASE E SISTEMI INFORMATIVI
Un sistema informativo è una combinazione di risorse, umane e materiali, e di
procedure organizzate per la raccolta l’archiviazione, l’elaborazione e lo scambio
delle informazioni necessarie per svolgere certe attività. Tali attività possono essere
operative (informazioni di servizio), di programmazione e controllo (informazioni
di gestione) e di pianificazione strategica (infomazioni di governo).
52
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
In particolare, il sistema informativo automatizzato è quella parte di sistema
informativo in cui le informazioni sono raccolte, elaborate, archiviate e scambiate
usando un sistema informatico.
I sistemi informatici di cui sopra possono essere distinti in due categorie: i
sistemi informatici operativi e i sistemi informatici direzionali. I primi utilizzano
tipicamente applicazioni per svolgere attività strutturate, abbastanza semplici ma
ripetitive; in essi i dati sono organizzati tramite DBMS (Data Base Management
Server), dove ogni operazione coinvolge una quantità modesta di dati e con i quali
si trattano dati di dettaglio e aggiornati. Nel caso di sistemi informatici direzionali,
i dati sono organizzati in data warehouse, le applicazioni (di bussiness intelligence)
sono strumenti di controllo delle prestazioni aziendali e di gestione manageriale.
L’analisi dei dati ha dunque come fine il supporto alle decisioni; le operazioni da
svolgere sono complesse e possono coinvolgere molti dati, dati che possono essere
aggregati secondo specifici criteri e riguardare serie temporali storiche anche molto
lunghe.
Un ruolo chiave, in questo contesto, è quello assunto dai database, intesi come
basi di dati e relativi strumenti di gestione: l’organizzazione dei DB riflette, infatti,
da un punto di vista sia concettuale che operativo, la struttura dell’intero sistema
informativo.
3.1.2
UN DATABASE PER L’ARCHIVIAZIONE DEI DATI METEOCLIMATICI
Più in dettaglio, con riferimento ai sistemi informativi relativi alle reti di
monitoraggio idro-meteo-pluviometriche, esiste la necessità di disporre di una
base di dati relazionale relativa alle stazioni di misura idrologiche. Tale necessità,
peraltro, deriva dalla richiesta sempre maggiore da parte dell’utenza interna ed
esterna agli enti preposti al monitoraggio idro-meteo-pluviometrico, di disporre di
dati informatizzati nel campo idrologico da inserire all’interno di sistemi
informativi territoriali (GIS) e di modelli di calcolo e previsione idrologica, ove le
informazioni sulla storia delle stazioni sono fondamentali per comprendere
eventuali anomalie nelle serie dei dati.
La possibilità di ottenere strumenti di modellazione con un certo livello di
precisione, al di là della ovvia e necessaria correttezza richiesta al dato rilevato,
ovvero alla corretta metodologia della misura, è correlata alla “verificabilità” del
dato stesso, caratteristica in assenza della quale viene inficiata la validità di
qualsivoglia risultato.
D’altra parte il tema della verosimiglianza tra valore misurato di una certa
grandezza e valore reale della stessa, è assai delicato ed ha assunto grande
rilevanza fin dalle origini della scienza. Non sono oggetto del presente capitolo nè
Database relazionale per l’archiviazione dei dati meteoclimatici
53
la teoria degli errori, nè la tematica degli approcci procedurali finalizzati alla
minimizzazione degli stessi, sebbene i protocolli implicitamente o espressamente
previsti nell’ambito dell’organizzazione dell’informazione, consentano di
evidenziare meglio incongruenze ed errori presenti nel sistema e di provvedere
facilmente ad una loro rettifica.
Più specificatamente, affrontiamo il tema della metodologia che consente di
contestualizzare il dato, cercando di comprendere al meglio l’ambito nel quale esso
viene raccolto, e come tale informazione deve essere organizzata al fine di
consentire lo scambio e la condivisione dell’informazione, e quindi la sua
confrontabilità.
Nel caso della previsione degli eventi pluviometrici estremi, nella misura in cui
gli strumenti di modellazione costituiscono la base dei sistemi di supporto alle
decisioni, le problematiche relative alla tracciabilità del dato, e quindi la verifica
della sua veridicità, assumono ancora maggiore rilevanza.
Da quanto detto si evince che il sistema informatico di supporto è di tipo
direzionale: la struttura della banca dati in esame, sebbene non ottemperi
all’obiettivo di inquadrare e regolare il datawarehouse, si pone in un livello di
complessità intermedio, nel quale le informazioni di natura idrologica devono
essere opportunamente organizzate al fine di poter soddisfare tutte le necessità del
sistema.
3.1.3
OBIETTIVI
La finalità che si persegue è quella di fissare dei riferimenti per la messa a
punto di banche dati uniche e condivisibili, in grado di garantire la
caratterizzazione “di qualità” del dato.
L’obiettivo è quello di consentire l’implementazione di un database
relazionale per l’archiviazione dei dati meteo climatici, ad uso degli enti di
monitoraggio operanti sul territorio nazionale italiano, contenente tutte le
informazioni relative alle stazioni di rilevamento che concorrono al sistema
nazionale integrato di monitoraggio idro-meteo-pluviometrico, nonché i dati a scala
giornaliera inerenti i principali parametri utili al fine del monitoraggio degli eventi
idro-meteo-pluviometrici estremi.
La base di dati deve poter contenere tutte le informazioni sulle stazioni in
funzione e su quelle dismesse, dalla loro installazione, per tutto il periodo di
funzionamento. Essa deve poter essere consultabile integralmente dagli enti
preposti al monitoraggio idro-meteo-pluviometrico così come dall’utenza pubblica
tramite Internet ad esclusione delle parti attinenti la manutenzione e la gestione
delle stazioni e tutti gli aspetti contrattuali ad esse connesse.
54
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
Al fine di implementare detta banca dati saranno illustrati gli indirizzi per la
progettazione e la realizzazione delle strutture dati a livello regionale, utilizzando
standard di riferimento unici; deroghe a tale sistema di riferimento, che siano però
conformi all’indirizzo generale, sono ammesse al fine di assicurare la
rappresentazione di specifiche informazioni di valenza locale.
3.1.4
SOFTWARE, HARDWARE E RISORSE UMANE
Dal punto di vista dell’infrastruttura software la piattaforma da utilizzare è
costituita da un Relational Data Base Management Server (di seguito RDBMS)
accessibile anche via internet attraverso un server specificamente dedicato.
In particolare, all’atto della redazione del presente manuale, sulla base di
considerazioni legate alle caratteristiche funzionali proprie dell’applicativo (es. la
presenza di specifiche funzionalità per la gestione degli attibuti geografici)
l’RDBMS più idoneo risulta essere il software GPL denominato PostgreSQL, in
ambiente GNU-Linux. Il software server web di supporto per l’interfacciamento
con l’utente è invece Apache2, anch’esso in ambiente GNU-Linux.
Per quanto attiene alle componenti hardware, esse consistono in due server da
utilizzare rispettivamente per il server web e il server RDBMS.
Per ciò che concerne le risorse umane per la progettazione e la gestione della
banca dati, nonché lo sviluppo degli applicativi di interfacciamento occorre fare
ricorso ad apposite figure professionali. Nello specifico sono necessari, nella fase
di progetto e realizzazione della soluzione:
−
−
−
−
direttore del progetto;
analista;
progettista di DB;
programmatore di applicazioni che usano DB;
mentre le altre unità richieste al fine di consentire l’attività di manutenzione e
messa a punto del DB e gestione dell’RDBMS sono:
−
−
−
−
−
amministratore del DB;
amministratore dell’RDBMS;
architettura;
configurazione;
messa a punto.
3.1.5
ATTIVITA’ PRELIMINARI
Riguardo agli aspetti operativi legati all’implementazione locale dei sistemi, le
Database relazionale per l’archiviazione dei dati meteoclimatici
55
attività da espletare preventivamente, possono essere organizzate secondo le
seguenti fasi:
Ricerca delle informazioni, analisi, integrazione, eventuale ricostruzione
storica del dato con verifiche in campo;
2. Inserimento dei dati nella base di dati provvisoria;
3. Verifica della esattezza dei dati inseriti (effettuata da un responsabile
nominato dall’Amministrazione).
1.
In particolare le fasi 1. e 2. necessitano delle seguenti competenze:
−
−
−
−
3.2
Conoscenza dell’organizzazione interna degli Uffici, in particolare dei
metodi di trattamento ed archiviazione dei dati che tali Uffici utilizzano;
Conoscenza del territorio di pertinenza degli Uffici;
Conoscenza della composizione strumentale delle stazioni di rilevamento;
Conoscenze informatiche approfondite sull’utilizzo specifico dei database
basati su SQL.
DESCRIZIONE DELLA BASE DATI STRUTTURATA
Com’è noto, lo scopo della progettazione concettuale è quello di rappresentare
le specifiche informali della realtà di interesse in termini di una descrizione formale
e completa, ma indipendente dai criteri di rappresentazione utilizzati nei sistemi di
gestione di basi di dati. Il prodotto di questa fase viene chiamato schema
concettuale e fa riferimento a un modello concettuale dei dati.
In particolare, nella fase di progettazione occorre:
-
analizzare la natura e le caratteristiche dell’informazione da archiviare;
determinare le unità atomiche dell’informazione;
definire le entità fondamentali della realtà da rappresentare;
Nondimeno, in fase di gestione delle banche dati, bisogna prevedere opportuni
strumenti di controllo che permettano di aggiornare le basi di dati in maniera
coerente e precodificata.
Sinteticamente, vanno distinte due categorie di problemi: la necessità di
un’organizzazione razionale dei dati e dei metadati relativi all’informazione storica
(che permetta, ad esempio, di identificare insiemi omogenei di dati e medati) e, per
la fase di gestione, l’esigenza di definire procedure di aggiornamento dei dati
storici e l’inserimento di nuove informazioni (ad esempio implementazione di
nuove stazioni).
In particolare, la prima delle due questioni deve essere affrontata già in fase di
56
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
progettazione concettuale; la definizione delle procedure di aggiornamento è ad
essa strettamente correlata poiché è funzione delle entità fondamentali individuate
e dei vincoli di integrità referenziale evidenziati nel processo di strutturazione
logico/fisica del DB e predisposti nell’implementazione fisica dello stesso.
Il processo che porta alla definizione della struttura di una banca dati
relazionale si avvale delle tecniche di progettazione strutturata, largamente
reperibili nella letteratura tecnica. Uno dei principi cardine della progettazione
strutturata è l’indipendenza logica e fisica dei dati, grazie alla quale le applicazioni
sono rese immuni alle variazioni nelle strutture di allocazione e nelle strategie di
accesso ai dati.
3.2.1
STRUTTURA CONCETTUALE
Le attività da svolgere al livello concettuale riguardano, come primo passo la
modellazione della realtà attraverso processi di astrazione e rappresentazione dei
dati.
La realtà da rappresentare può essere riassunta da dei box descrittivi contenenti
una serie di proposizioni in cui si evidenzino gli elementi fondamentali della base
di dati e le informazioni da ricavare. In ogni box saranno specificati aspetti
particolari della realtà da rappresentare. Le proposizioni contenute nei box
dovranno quindi essere man mano affinate in modo da eliminare ambiguità ed
incongruenze logiche: la visione di insieme dei vari box porterà ad uno schema
generale nel quale dovrà essere prestata particolare cura all’aspetto semantico
(definizione univoca dei concetti-oggetti) e a quello funzionale (generalizzazioni,
aggregazioni, asserzioni, ecc.); nella fase di revisione del modello generale
dovranno altresì essere evidenziati con chiarezza i risultati da fornire, in modo da
pervenire ad un diagramma entità-relazioni.
Un esempio per un approccio formale per la strutturazione concettuale a base
del progetto di una banca dati in grado di assicurare il controllo qualitativo della
informazione idrologica storica è sinteticamente nello schema seguente. Sono
riportate anche le tabelle che evidenziano le entità fondamentali e le relazioni
intercorrenti.
Tab.3.1 – Box che mostrano un esempio di approccio formale per una strutturazione
concettuale
Informazione meteo-climatica (1)
La struttura dati deve consentire di ricavare le misure giornaliere delle seguenti
grandezze meteo-climatiche: pioggia, temperatura, livelli idrometrici.Tali misure sono
caratterizzate dal punto ( la stazione) e dal sensore di rilevamento.Le misure inoltre
Database relazionale per l’archiviazione dei dati meteoclimatici
57
devono essere inquadrate all’interno di serie storiche omogenee.
Elementi di base (2)
I cambiamenti di caratteristiche quali la posizione e la dotazione
strumentale delle stazioni di rilevamento determinano una disomogeneità
potenziale (intrinseca) della misura. Occorre evidenziare opportunamente
i periodi nei quali tali caratteristiche si mantengono costanti nel
tempo e marcare la serie dei dati rilevati nel periodo in modo da
evidenziarne
la
intrinseca
omogeneità
attraverso
l'attribuzione
di
un
codice univoco a tale serie elementare.
Contestualizzazione territoriale (3)
Devono essere opportunamente rappresentate tutte le informazioni utili alla
contestualizzazione geografica della misura idrologica: in primo luogo i
bacini, i reticoli idrografici (per le stazioni idrometriche) e tutti
gli
elementi
territoriali
significativi
che
si
ritiene
opportuno
ivi
compresi i limiti amministrativi.
Aggregazione delle serie (4)
Deve
essere
garantita
la
possibilità
di
effettuare
eventuali
accorpamenti tra serie storiche omogenee elementari per dare vita a
serie storiche omogenee aggregate che rivelino la sostanziale coerenza
dei
rilevamenti
anche
al
variare
della
posizione
e/o
delle
caratteristiche
strumentali.
Le
serie
storiche
aggregate,
relazionate
con quelle elementari, saranno identificate da un codice univoco.
3.2.2
DIAGRAMMA ENTITA’-RELAZIONI
Il diagramma entità-relazioni permette di stabilire il nesso di causalità tra i vari
elementi coinvolti nella rappresentazione di un certo “fatto”. Una entità è detta
debole se non ha propri attibuti chiave e se necessita, per essere identificata, di
un’altra entità, detta forte.
Gli oggetti (entità) sono tra loro collegati tramite relazioni; data una relazione
tra due oggetti x e y, è possibile specificare la cardinalità della relazione, cioè
quante istanze dell’oggetto x sono in relazione in ogni istante con quante
58
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
occorrenze dell’oggetto y. Una relazione in cui la cardinalità delle istanze di uno
degli oggetti coinvolti può essere zero è detta facoltativa, mentre se almeno una
istanza per oggetto deve partecipare alla relazione in ogni istante la relazione viene
detta obbligatoria.
Per convenzione gli insiemi di entità vengono rappresentati con dei rettangoli
etichettati mediante sostantivi, mentre gli insiemi di relazioni vengono
rappresentati con rombi etichettati con verbi o preposizioni (dato che le relazioni
indicano delle azioni o comunque dei coinvolgimenti fra entità).
A partire dal diagramma E-R, è possibile passare agevolmente alla struttura
logica del database relazionale, ovvero alla rappresentazione tramite tabelle del
modello.
Considerando un costrutto elementare costituito da due entità legate da una
relazione valgono le seguenti tre regole fondamentali:
1. Le relazioni con cardinalità 1-1 vengono tradotte in una sola tabella
2. Le relazioni con cardinalità 1-N vengono tradotte in due tabelle, una per
l’entità che partecipa in N relazioni e una per l’altra entità e la relazione
3. Le relazioni con cardinalità N-M vengono tradotte in tre tabelle, una per
ciascuna delle entità e una per la relazione
Database relazionale per l’archiviazione dei dati meteoclimatici
59
Fig. 3.1- Schema della struttura relazionale
Tab. 3.2 – Descrizione delle entità coinvolte
ENTITA’
Osservazioni
giornaliere
relative alla variabile meteoclimatica v [DD]
CARATTERISTICHE PRINCIPALI
Osservazioni registrate in un mese
NOTE
Entità debole (per essere
completamente
definita
necessita dell’apparato di
registrazione )
60
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
Categoria omogenea relativa
alle misure della variabile
meteo-climatica v [Om]
Classe di dati rilevati con un
apparato di registrazione (costituito
da un sensore e dalla relativa
stazione mediante i quali è stata
effettuata
una
misura).
E’
caratterizzata da un codice che
identifica una serie omogenea di dati
(omogenea previa verifica con test di
conformità tra i dati rilevati dai vari
apparati)
Entità debole (necessita del
sensore e della stazione)
Stazione di misura [G]
Sito strumentato con uno più sensori
per la misura delle variabili meteoclimatiche
Entità debole (necessita del
bacino e della località)
Sensore di misura della
variabile meteo-climatica v
[D v]
E’ relativo ad una specifica variabile
meteoclimatica.
A
rigore
è
indipendente dalla stazione
Entità debole (per essere
definita necessita del tipo di
dispositivo di misura DT).
Caratterizzata da anno
inizio
ed
anno
fine
funzionamento.
Bacino [B]
Entità territoriale definita.
Entità forte
Località [M]
Entità territoriale definita.
Entità forte
Fiume [R] (solo per gli
idrometri)
Entità territoriale definita.
Entità debole (dipende dal
bacino)
Osservatore [Ob]
Dati anagrafici dell’addetto.
Entità forte
Tipo di sensore [DT]
Elenco dei tipi di sensori e delle
relative specifiche tecniche.
Entità forte
Tab. 3.3 – Descrizione delle relazioni coinvolte
RELAZIONI
Osservazione
CARATTERISTICHE
PRINCIPALI
ENTITA’ COINVOLTE
Associa un osservatore alla
relativa stazione
Ob, G
NOTE
Database relazionale per l’archiviazione dei dati meteoclimatici
Posizione
Associa una stazione al
bacino ed alla località in cui
si trova
G, B, M
Tipo
Associa un sensore alle
relative specifiche tecniche
DT, Dv
Aggregazione
Associa
l’apparato
di
registrazione alla categoria
omogenea.
G, Dv, Om
Misura
Associa
le
osservazioni
giornaliere
al
relativo
apparato di registrazione
Om, DD
61
I dati relativi agli apparati di registrazione, ciascuno dei quali è rappresentato
da una ed una sola combinazione tra stazione e sensore, identificano una serie
elementare (atomica) che viene assunta come implicitamente omogenea.
La serie aggregata omogenea è costituita da un insieme di serie elementari che
verificano i test di omogeneità. Tale serie aggregata è identificabile attraverso un
codice univoco che viene associato al sottoinsieme del prodotto cartesiano tra gli
attributi identificativi delle occorrenze delle entità stazione e sensore in
corrispondenza delle quali vengono misurate serie elementari omogenee tra loro.
3.3
CONTENUTO DELLA BASE DATI
Al fine di ottenere una panoramica completa del sistema di rilevamento delle
grandezze idrologiche è necessario svolgere un’analisi storica delle entità coinvolte
nel sistema. In particolare le problematiche connesse all’analisi di alcuni specifici
elementi di informazione devono essere affrontate e risolte necessariamente
secondo modalità uniche per tutte le banche dati regionali (es. le modalità di
codifica, le relazioni di appartenza dalla scala di bacino a quello provinciale e
comunale, ecc.).
La banca dati progettata dovrà in ogni caso corredata da un documento di
accompagnamento nel quale dovranno essere specificati tutti gli elementi volti a
chiarire tutte le specificità.
62
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
3.3.1
ELEMENTI GEOGRAFICI
3.3.1.1
Località.
Contiene i riferimenti ai comuni della regione interessata con la denominazione
del comune stesso e i codici identificativi secondo lo schema di riferimento
nazionale (es. codici ISTAT per l’Italia).
3.3.1.2
Bacini.
I bacini da perimetrare sono, in generale, quelli con superficie maggiore di 30
km2, compatibilmente con le caratteristiche geomorfologiche del territorio oggetto
di indagine (eccezioni possono, ad es., essere le isole di piccole dimensioni).
Per ciò che concerne la codifica, al fine di garantire l’identificazione univoca
dei bacini a scala nazionale, è necessario che oltre alle codifiche locali, sia prevista
la codifica così come definita dal sistema nazionale di riferimento (es. in Italia
come ai sensi della D.Lgs. 152/99).
Con riferimento ai tipi di dati, nei GIS il bacino è notoriamente rappresentabile
come un’area racchiusa in un poligono (informazione vettoriale), ed è dunque
ammesso e possibile procedere all’immagazzinamento dell’informazione binaria
direttamente all’interno del DB. Il vantaggio di tale soluzione è la maggiore
completezza dell’informazione e la conseguente indipendenza della stessa da
specifiche caratteristiche degli applicativi esterni.
3.3.1.3
Stazioni.
La stazione è definita come il luogo fisico nel quale sono posizionati gli strumenti
di misura di una certa variabile climatica. Ad ogni stazione è associato un codice
univoco che è indipendente dal tipo di sensore ivi installato. Tale codice viene
modificato quando anche una sola delle caratteristiche assunte a qualificare la
posizione della stazione viene modificata (tipicamente nel caso di spostamento
della stazione stessa). Alla stazione così definita viene associato un codice univoco
composto da sei cifre: le prime due cifre identificano la regione, le ultime quattro
l’ordine progessivo di inserimento nella tabella.
Per ciascuna stazione ognuno degli eventi verificatisi durante la vita della
stazione stessa deve essere registrato su una apposita tabella di dettaglio che
contestualizzi temporalmente l’accadimento dell’evento (cambio dell’osservatore,
Database relazionale per l’archiviazione dei dati meteoclimatici
63
variazioni della toponomastica storica, cambio del profilo d’orizzonte libero, ecc.).
Una procedura possibile, idonea alla caratterizzazione della stazione secondo le
definizioni di cui sopra potrebbe essere la seguente:
−
−
−
posizionamento su cartografia georiferita delle stazioni e documentazione
degli spostamenti avvenuti al fine dell’eventuale aggiornamento del codice
stazione;
verifica preliminare della conformità della suddivisione in bacini secondo i
criteri sopra specificati rispetto alla suddivisione tradizionale come
riportata negli annali cui segue il controllo dell’ubicazione della stazione
nel bacino di pertinenza con eventuale aggiornamento delle informazioni
associate alla stessa;
analisi della stazione a partire dalle informazioni pubblicate sugli annali
idrologici, la memoria storica del personale dell’ufficio, le schede degli
osservatori, l’analisi della toponomastica in cartografia.
3.3.2
CODIFICA DELLE CARATTERISTICHE STRUMENTALI
Gli apparati in esame sono quelli che consentono la misura di pioggia,
temperatura e tirante idrico.
In funzione della specifica variabile climatica occorre individuare e
caratterizzare lo strumento utilizzato per la sua misura. Elementi utili per tale
caratterizzazione sono, ad es.:
−
−
il tipo di strumento di misura installato (attraverso una etichetta che
permetta di risalire alle specifiche tecniche dello strumento, specificate in
una apposita tabella);
l’altezza dal suolo dello strumento o zero idrometrico nel caso di idrometri.
3.3.3
SERIE STORICHE OMOGENEE
La serie storica non deve essere intesa come misura di una certa variabile
climatica nel punto, bensì come successione di dati omogenei.
Questo significa che le misure effettuate con una stessa stazione possono
appartenere a due serie storiche differenti, nella misura in cui, ad es., sulla stazione
è stato cambiato il modello di sensore e questo ha determinato una disomogeneità
della serie di dati. Di contro, dati che provengono da stazioni diverse (caso tipico di
piccoli spostamenti di una stazione che ne determinano un cambiamento di codice),
possono appartenere alla stessa serie storica nella misura in cui tali serie di dati
risultino essere congruenti.
64
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
La serie storica omogenea sarà quindi identificabile solo attraverso una lettura
incrociata delle informazioni relative alle stazioni, ai dati in essa rilevati, al sensore
con il quale, al tempo considerato, è stata effettuata la misura, e alla verifiche di
omogeneità.
Durante l’analisi ogni variazione deve essere contestualizzata temporalmente,
registrando il “periodo di funzionamento omogeneo” inteso come periodo in cui
una certa caratteristica si è mantenuta costante.
In conseguenza dell’analisi condotta sulle stazioni e sui sensori, è possibile
optare, in certi casi, per la suddivisione della singola serie storica, registrata in una
certa stazione, in “serie elementari” ognuna delle quali corrispondente ad un
periodo di funzionamento “omogeneo”. Tali serie dovranno essere sottoposte a test
di omogeneità per valutarne la bontà e la possibilità di una eventuale
riaggregazione che porta all’attribuzione di un codice identificativo della serie.
3.3.4
DATI GIORNALIERI
Le osservazioni giornaliere devono essere codificate secondo uno schema che
ne evidenzi l’appartenenza ad una serie omogenea elementare.
Oltre all’informazione sulla misura effettuata sarà necessario utilizzare ulteriori
attributi che permettano di interpretare correttamente il tipo di dato, in particolare:
presenza di dato rilevato direttamente o indirettamente (es. interpolato
spazialmente) e, nel caso di misure pluviometriche, se cumulato o cumulato
interpolato.
3.3.5
RETE
ELEMENTI INFORMATIVI SU ASPETTI GESTIONALI DELLA
3.3.5.1
Osservatori
Le informazioni relative agli osservatori devono fondamentalmente consentire
il contatto con la persona interessata e l’associazione con la stazione da esso curata.
Possono altresì permettere di tracciare lo stato dei rimborsi.
Contenendo dati personali deve essere prestata particolare attenzione agli
aspetti inerenti la privacy, nel rispetto delle vigenti normative nazionali (D. Lgs.
196/2003 per l’Italia)
Database relazionale per l’archiviazione dei dati meteoclimatici
3.3.5.2
65
Manutenzioni
Contiene i dati relativi alle attività di manutenzione ai sensori, agli apparati di
registrazione e alla stazione nel suo complesso. E’ necessaria, oltre alla
contestualizzazione temporale degli interventi, anche la definizione del tipo di
intervento (che può essere anche precodificata all’interno di un’apposita tabella),
l’operatore che ha effettuato la manutenzione e un campo di testo per ulteriori note.
3.3.6
PORTABILITA’ E COMPATIBILITA’
La portabilità dell’informazione è garantita dall’utilizzo di SQL standard che
permette di utilizzare varie piattaforme senza che ciò comporti sostanziali traumi
all’architettura di sistema e quindi alla possibilità di accesso ai dati. Tuttavia la
presenza di “oggetti geografici” all’interno della banca dati impone, nella fase di
progettazione, una scelta precisa riguardo alla (o alle) modalità di rappresentazione
che si riflette inevitabilmente sui tipi di dati da utilizzare e, conseguentemente
anche sul DBMS “nativo” che deve renderli disponibili.L’indirizzo che si vuole
dare è stato quello di utilizzare una piattaforma Open Source (PostgreSQL),
proprio per le maggiori possibilità di sviluppo condiviso da questo offerte.
La compatibilità è definita come la capacità di eseguire un dato programma su
differenti tipi di computer senza modificare il programma o il computer. Nella
progettazione della banca dati occorre tenere in considerazione questa problematica
dal punto di vista del client e suggerire espressamente quali debbano essere i
requisiti posseduti dal client per l’accesso ai dati e la relativa visualizzazione.
Strumenti molto utili, messi a disposizione dai più comuni DBMS, che possono
essere utilizzati al fine di minimizzare i problemi connessi all’utilizzo (lato client)
multipiattaforma sono i trigger e le stored procedure.
Una stored procedure è un un programma scritto in SQL o in altri linguaggi
mantenuto nel database stesso. Spesso vengono scritti in versioni proprietarie di
SQL, che sono dei veri e propri linguaggi strutturati, come il PL/pgSQL di
PostgreSQL il PL/SQL di Oracle.
Le stored procedure accettano zero o più parametri in input e possono
restituire un risultato. Generalmente il DBMS compila le stored procedure, il chè
significa che le ottimizza e stabilisce il piano di esecuzione delle query.
I principali vantaggi che derivano dall'utilizzo delle stored procedure sono i
seguenti:
−
La stored procedure evita al client di riscrivere query complesse offrendo
la possibilità di richiamare una procedura archiviata all'interno del
database.
66
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
−
−
−
−
Di conseguenza anche il numero di informazioni che saranno scambiate tra
client e server sarà minore a tutto vantaggio delle prestazioni.
La compilazione di una stored procedure avviene una volta sola, al suo
inserimento. Ogni volta che la procedura viene richiamata viene
semplicemente eseguita e questo aumenta significativamente le prestazioni.
L'utilizzo di stored procedure permette di mantenere librerie di funzioni da
utilizzare all'interno del database stesso. Potenzialmente si potrebbe
eseguire ogni operazione richiamando una diversa procedura, senza
conoscere la struttura di un database magari complesso, o avendone una
conoscenza limitata.
Proprio per questo motivo, l'amministratore di database può a volte evitare
di concedere i permessi di modifica o di lettura su molte tabelle a
determinati utenti, concedendo semplicemente il permesso di eseguire le
stored procedure.
Gli svantaggi principali sono invece i seguenti:
−
−
−
Le stored procedure aumentano il carico di lavoro per il server.
A volte non si può utilizzare il linguaggio che si vorrebbe utilizzare, perché
il DBMS non lo supporta.
La logica del programma viene spostata sul server; questo non è
necessariamente uno svantaggio, ma non è compatibile con il modello
logico di applicativi a più livelli.
Un trigger è una procedura (routine o metodo) di un database che è associato
ad una tabella e si attiva quando la tabella viene modificata. Sono strumenti molto
utili e possono essere utilizzati, per esempio, per tenere un log delle modifiche o
per restringere l'accesso ai dati.
Vi sono due classi di trigger: quelli che si attivano una volta per ogni riga
modificata e quelli che si attivano una volta per ogni istruzione SQL eseguita.
Questi ultimi si attivano anche se un'istruzione non modifica nulla (es: una
DELETE con una WHERE che non individua nemmeno una riga) e, nel caso
un'istruzione modifichi diverse righe, si attivano una volta sola.
In entrambi casi, il trigger può essere di due tipi: può essere attivato prima
della modifica, oppure dopo. Alcuni database, come Oracle, consentono una
funzionalità non standard: il trigger si può attivare annullando la modifica richiesta
dall'istruzione SQL.
Gli eventi che possono attivare i trigger sono le istruzioni:
−
−
−
INSERT (un nuovo record viene creato)
UPDATE (modifica dei dati)
DELETE (cancellazione di record)
Database relazionale per l’archiviazione dei dati meteoclimatici
67
Le istruzioni di tipo REPLACE non possono essere associate a un trigger; esse
eseguono prima una DELETE, poi una INSERT, quindi attivano i trigger associati
a queste istruzioni. Le istruzioni di tipo TRUNCATE sono trattate come DELETE.
3.3.7
CASI PARTICOLARI
A partire dalle serie omogenea aggregata è possibile strutturare specifici livelli
informativi volti ad organizzare sistematicamente i risultati delle elaborazioni per
la caratterizzazione della siccità, ad esempio attraverso l’indice SPI (Spatial
Precipitation Index).
Nel caso più frequente l’informazione relativa alla distribuzione dell’indice SPI
nell’ambito del territorio regionale, è rappresentabile facendo uso di specifiche
mappe.
All’interno del database proposto possono quindi trovare posto mappe, anche
in formato binario, che siano frutto di elaborazioni condotte con applicativi esterni
che facciano ovviamente riferimento allo stesso dataset contenuto nel DB.
Ad un livello di complessità superiore possono realizzarsi soluzioni che
prevedano l’esecuzione on-line dell’elaborazione, ovvero l’automatizzazione delle
procedure di calcolo finalizzate a restituire un certo risultato (valori alfa-numerici,
mappe, ecc.) al verificarsi di un certo evento.
68
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
3.4
3.4.1
DATABASE TERRITORIALI: LE APPLICAZIONI GIS
INTRODUZIONE
I Sistemi Informativi Territoriali (SIT), sino a qualche anno fa erano strumenti
riservati a pochi operatori di settori specifici e di conseguenza anche l’informatica
geografica era considerata un ambiente di nicchia.
I motivi di tale collocazione erano dovuti sia alla necessaria struttura
informatica, ovvero hardware potente e costoso e sistemi operativi per specialisti,
sia alla mancanza di una interfaccia grafica amichevole con caratteristiche
comunicative basate sulla intuitività. Si deve inoltre aggiungere che i dati necessari
alla creazione di un sistema informativo territoriale erano costosi e la rilevazione e
manutenzione/aggiornamento rimane tuttora spesso un problema.
Recentemente, entrambi i fattori citati hanno avuto una evoluzione enorme:
oggi un personal computer base ha praticamente potenza sufficiente per le
elaborazioni richieste, i software GIS (Geographic Information Systems) sono
economicamente alla portata di tutti e sono dotati di interfacce grafiche.
A seguito di questo progresso, le informazioni legate al territorio stanno
conoscendo una diffusione considerevole e sempre più vengono richieste per
completare i sistemi informativi nei loro ambiti tradizionali.
La nuova sfida che si presenta oggi è quella di ampliare ulteriormente la
conoscenza e la diffusione di tali sistemi informativi sfruttando la nuova tecnologia
WEB-GIS, e questa non è una operazione semplice se si desidera avere una palette
di funzioni ampia, tipica dei sistemi client/workstation, in abbinamento con
velocità di risposta ed una interfaccia semplice.
Ma se si riesce nell’intento, i SIT possono essere utilizzati da un pubblico
sempre più vasto, contribuendo in modo determinante alla diffusione delle
informazioni, sia in ambito scientifico che generale.
3.4.2
GLI OBIETTIVI
Obiettivo primario della realizzazione di un WEB GIS è certamente la
diffusione dei dati territoriali in possesso, rendendo fruibili le informazioni in
modo semplice e completo.
Raggiungere questo obiettivo significa concretamente realizzare i seguenti
punti:
Database relazionale per l’archiviazione dei dati meteoclimatici
−
−
−
−
−
−
−
−
69
completezza dell’informazione (ad esempio con l’integrazione di
informazioni a corredo come le norme di attuazione per i piani urbanistici
comunali);
possibilità di scaricare i dati direttamente dal servizio (download);
creare la piattaforma software sulla quale implementare nuovi servizi di
pubblicazione di qualità in tempi rapidi;
semplificare l’interfaccia e dare un aspetto uniforme a tutti i servizi;
pubblicare le metainformazioni dei dati per rendere un servizio completo e
fruibili in modo professionale;
multilinguismo, ma senza sdoppiare l’applicazione per non creare
ridondanze e difficoltà di manutenzione;
prestazioni, sia in termini di velocità sia in termini di disponibilità;
ridurre la quantità di richieste di informazioni a carico delle
Amministrazioni.
3.4.3
L’APPROCCIO SEGUITO
Le procedure di seguito descritte sono state definite nell’ambito
dell’Applicazione web-GIS per il controllo delle aree soggette a deficit idrico,
progetto oggetto di convenzione tra la Regione Calabria e l’Università della
Calabria.
Il sistema descritto di seguito (che sfrutta in maniera efficace le possibilità
offerte dalla tecnologia WEB GIS) costituisce un esempio di realizzazione concreta
di uno strumento di diffusione dei dati grezzi ed elaborati acquisiti e prodotti dagli
enti di gestione del territorio, in particolare orientata allo sviluppo di un efficiente
sistema di diffusione dell’informazione in ambito di gestione dei fenomeni meteoclimatici estremi.
3.4.4
DESCRIZIONE DEL WEB-GIS
I mutamenti climatici che stanno interessando l’intero pianeta influiscono nella
naturale definizione del ciclo idrologico. Le conseguenze di tali mutamenti, dal
punto di vista idrologico, si manifestano in un drastico aumento dei fenomeni
estremi (Houghton et al., 2001). Il riscaldamento globale infatti, fornendo maggiore
energia all’atmosfera, determina una crescita delle precipitazioni abbondanti
seguite da periodi di aridità, aumentando il rischio di siccità ed alluvioni.
A conferma di ciò è interessante osservare le analisi pluviometriche condotte
sul Mediterraneo da Xie et al. (2003) durante il periodo 1986-2002 che, in
particolare, mostrano una forte variabilità della precipitazione rispetto alla media
del periodo. Le zone con valori locali della deviazione standard più elevati, e tra
70
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
queste le regioni meridionali d’Italia, sono anche quelle maggiormente colpite dalle
ricorrenti, improvvise e lunghe siccità. Diversi studi (Mendicino e Versace, 2003;
Bonaccorso et al., 2004) mostrano come nelle regioni dell’Italia meridionale la
situazione meteo-climatica osservata negli ultimi venti anni ha reso ancor più
critica la disponibilità delle risorse idriche superficiali e sotterranee.
La siccità è un evento climatico di complessa determinazione che comporta un
notevole impatto sull’ambiente, sulle produzioni agricole, e sulla società. Il
fenomeno della siccità è molto temuto a causa della concreta difficoltà di prevedere
l’inizio e la durata dell’evento stesso. In ragione di ciò è necessario sviluppare
degli appositi strumenti di analisi e di supporto, che consentono di fornire adeguate
strategie di gestione e di intervento in concomitanza di periodi caratterizzati da
prolungati deficit idrici (Mendicino e Senatore, 2004).
Nell’ambito del progetto comunitario INTERREG IIc Siccità, e
successivamente nel programma INTERREG IIIB – MEDOCC SEDEMED, in
Calabria è stato elaborato un sistema Web-GIS per il monitoraggio e la previsione
delle aree soggette a stress idrico (Mendicino e Versace, 2002).
La valutazione del rischio, così come la previsione degli eventi estremi,
richiede un unico ambiente di gestione e di analisi delle informazioni spazialmente
distribuite sul territorio, le quali, nella quasi totalità dei casi, provengono da diverse
fonti (come tipo e come scala di acquisizione) e con strutture tra loro disomogenee:
la tecnologia GIS, in questa ottica, riveste un ruolo di rilevanza strategica poiché
diventa un mezzo indispensabile per convertire il dato in informazione e,
soprattutto, per omogeneizzare i differenti contenuti informativi, sia attraverso le
proprie funzionalità, sia attraverso procedure e modelli specifici integrati
direttamente all’interno dello stesso sistema.
L’integrazione del GIS con reti di monitoraggio e con adeguati modelli di
simulazione ai fini del preannuncio del fenomeno siccitoso, per quanto completa e
articolata, risulta di per sé molto specialistica e, pertanto, comporta una limitazione
nella divulgazione delle elaborazioni anche a quelle fasce di utenza non tecnica che
comunque risulta strategica nello scambio di informazioni e conoscenze.
In tal senso, il Sistema Informativo Geografico deve tener conto di un’utenza
più ampia rappresentata dalla rete Internet e, di conseguenza, deve essere
progettato secondo un ambiente Web-GIS (fig. 3.2).
Database relazionale per l’archiviazione dei dati meteoclimatici
71
Interfaccia Web
GIS
Retedi
monitoraggio
Banca Dati
Omogeneizzazione
dei differenti
contenuti
informativi
Modelli di
simulazione
WebServer
Connectors
Application
Server
Spatial Server
UTENTI
INTERNET
Data
Acquisizione Conversione del dato
Diffusione
del dato
ininformazione
dell’informazione
Fig. 3.2 - Struttura generale del web-GIS
La nota espone la struttura del sistema Web-GIS proposto: dopo una
descrizione del sistema integrato per la previsione ed il monitoraggio in tempo
reale dei fenomeni siccitosi, l’attenzione è focalizzata sulla realizzazione di
un’interfaccia Web che consente a qualsiasi utente, attraverso l’accesso alla rete
Internet, di stimare in forma distribuita le principali componenti del bilancio
idrologico su singoli bacini oppure sull’intero territorio regionale.
3.4.5
IL SISTEMA INTEGRATO A SCALA REGIONALE
Il sistema integrato per la previsione ed il monitoraggio dei fenomeni siccitosi
comprende l’intero territorio calabrese e comporta la progettazione di quattro
moduli principali: il sistema di acquisizione dati; l’interfaccia GIS; i modelli per la
stima del bilancio idrico; l’interfaccia WEB (Mendicino e Versace, 2002).
La gestione dell’acquisizione dati è effettuata dalla componente DAS (Data
Acquisition System) sviluppata per l’acquisizione in tempo reale dei dati registrati
72
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
dalle stazioni idrometeorologiche gestite dal Centro Funzionale della Protezione
Civile Regionale della Calabria.
Il territorio in esame risulta costantemente monitorato da circa 300 sensori in
telemisura, di varie tipologie: pluviometri, termometri, idrometri, barometri,
igrometri, radiometri, anemometri, freatimetri, evaporimetri e sensori di umidità
del suolo.
I dati acquisiti dalle stazioni in telemisura hanno una cadenza temporale di 20
minuti. Il sistema stesso provvede giornalmente alla stima ed all’archiviazione di
dati sintetici giornalieri, ad esempio temperatura minima, media e massima,
cumulato giornaliero di pioggia, radiazione solare media, numero di ore di
insolazione, etc.
Queste informazioni sono archiviate in una apposita banca dati “storica” che
contiene altresì i dati provenienti dagli annali idrologici per tutto il periodo 19252003.
Il software ArcView GIS è stato appositamente personalizzato allo scopo di
consentire una connessione diretta con le banche dati in modo da poter visualizzare
le informazioni relative alle stazioni di misura, che risultano così costantemente
aggiornate.
La base cartografica disponibile nel GIS è composta da molti strati informativi
quali: limiti amministrativi; idrografia; litologia; usi del suolo; estensione dei
principali bacini idrografici; modello digitale del terreno con maglia regolare a 250
m per le analisi regionali; modelli digitali con maglia regolare a 20 m per analisi su
bacini campione.
Le grandezze acquisite direttamente dalla rete di misura (precipitazione,
temperatura, radiazione solare netta, velocità del vento) sono processate dai vari
moduli per determinare le grandezze “derivate”, come la radiazione netta e
l’evapotraspirazione potenziale, ottenute attraverso l’impiego di codici di calcolo
basati su robusti modelli teorici (Mendicino e Versace, 2002), e successivamente
l’evapotraspirazione effettiva, l’umidità del suolo, il surplus e il deficit idrico,
fondamentali per una analisi idrologica del fenomeno della siccità (Thornthwaite e
Mather, 1955).
In particolare, per quanto riguarda la modellistica di bilancio idrologico, il GIS
possiede al suo interno un modello a scala regionale che consente la stima del
bilancio idrico su base mensile attraverso una griglia spaziale di analisi di lato pari
a 5 km.
I risultati ottenuti dal modello di bilancio idrologico consentono la
realizzazione di grafici rappresentativi dell’evoluzione dei valori medi mensili
delle aree in esame, la mappatura con cadenza mensile delle grandezze, e
Database relazionale per l’archiviazione dei dati meteoclimatici
73
l’individuazione spaziale delle possibili zone di crisi; l’accesso a tali informazioni
è reso possibile al comune utente della rete Internet attraverso la consultazione
dell’interfaccia Web-GIS.
3.5
L’INTERFACCIA WEB-GIS
L’immediata e semplice comunicazione, verso qualsiasi tipo di utente, riguardo
rilevanti argomenti di natura prevalentemente idrologica è il fine ultimo di
progettazione dell’architettura del sistema Web-GIS.
Una prima pagina di informazioni generali fornisce i concetti base sul bilancio
idrologico e chiare indicazioni sull’utilizzo e sulle funzionalità dello strumento
Web-GIS. Nelle pagine che seguono, invece, è possibile esplorare il territorio
calabrese per mezzo di opportuni strumenti e monitorare i cambiamenti climatici
tramite grafici e mappe.
L’ambiente operativo scelto per lo sviluppo e la pubblicazione in Internet di
questo progetto è ArcIMS, realizzato dalla Esri, integrato da tecnologie di scripting
per il processing e per l’output.
Le applicazioni ArcIMS rendono possibile la creazione, il disegno e
l’amministrazione del sito Internet, che fornisce accesso ad una vasta gamma di
funzionalità GIS, oltre che ad un trasferimento diretto data streaming del dato
vettoriale dal lato server verso il client.
L’architettura di ArcIMS è organizzabile secondo tre livelli. Il livello client è
rappresentato dal viewer HTML (scaricabile gratuitamente), da tutti i Desktop
client ArcGIS (ArcView, ArcEditor e ArcInfo) e da ArcExplorer.
Al livello di server è demandato tutto il trattamento riguardante le richieste, le
risposte, la gestione organizzativa e la configurazione completa delle mappe.
Le componenti che interagiscono in questo livello sono:
− Application Server Connector,
− Application Server
− Spatial Server ArcIMS.
Il livello dei data è rappresentato da tutte le sorgenti di dati utilizzate da
ArcIMS.
L’applicazione realizzata per mezzo del software ArcIMS è notevolmente
personalizzata, sia nell’interfaccia grafica (dinamica e funzionale, si avvale di
tecnologie dal lato client per l’immediata esecuzione ed interpretazione delle
istruzioni), sia nelle elaborazioni di output.
74
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
L’impiego di un Server-Web Windows con IIS permette di sfruttare una
tecnologia specifica Microsoft nota come ASP (Active Server Pages). L’interfaccia
client è in parte realizzata integrando la tecnologia ASP (ambiente per l’esecuzione
server-side di script su server) con l’ActiveX Connector di ArcIMS.
La scelta dell’approccio server-side migliora le prestazioni del sistema nelle
fasi di elaborazione più complesse e garantisce una fondamentale indipendenza
dalle caratteristiche hardware e software del terminale dell’utente finale.
La connessione all’informazione degli strati cartografici implementata con
l’ActiveX Connector di ArcIMS rende possibile la creazione di oggetti ActiveX,
accessibili in ASP. Sfruttando questo canale di comunicazione verso i servizi di
ArcIMS, è possibile all’interno del sito creare mappe virtuali riferite a specifiche
componenti di bilancio idrologico.
L’insieme delle informazioni, sulle quali si fondano le operazioni di
elaborazione, risiede in parte nei file associati ai layer cartografici vettoriali,
pubblicati nei servizi di ArcIMS ed in parte su un database SQL Server. Si è
adottata infatti la tecnologia Open DataBase Connectivity (ODBC) come driver di
comunicazione tra l’applicazione Web e il DBMS.
La connessione diretta di un database alfanumerico (attraverso codici ASP),
esterno all’ambiente di ArcIMS, fornisce in modo continuativo stime di grandezze
idrologiche acquisite direttamente dalla rete di misura, e rende possibile
l’applicazione del modello idrologico per la determinazione di grandezze derivate,
come ad esempio l’evapotraspirazione reale, il deflusso totale, ed il deficit idrico,
fondamentali per un’analisi idrologica del fenomeno della siccità.
L'interfaccia client (figura 3.2) presenta una struttura a frame. In particolare
sono previsti 5 frame:
−
−
−
−
frame centrale-alto: contiene la barra degli strumenti che abilitano le
funzionalità GIS per navigare (p.es. zoom-in/out, zoom alla scala del
layer in analisi, pan, ecc.) e per interrogare i vari temi cartografici;
frame centrale: contiene la mappa dove sono rappresentati graficamente i
temi cartografici. In questa area, in seguito all'attivazione dei layer, è
possibile interagire direttamente con i tematismi e visualizzare le mappe
virtuali;
frame di destra: consente la gestione dei layer presenti nella mappa e la
visione della loro legenda. Secondo le preferenze è possibile
l’intersezione tra più piani grafici attivati attraverso un pulsante che
permette il refresh dell’immagine;
frame di sinistra: contiene gli strumenti necessari per l’esecuzione del
calcolo del bilancio idrologico. Specificando un intervallo temporale e
Database relazionale per l’archiviazione dei dati meteoclimatici
−
75
spaziale si avvia, lato server, l’elaborazione del modello idrologico con
la relativa visualizzazione dei grafici risultanti, nei frames adiacenti;
frame in basso: contiene i grafici riassuntivi, ottenuti dal calcolo del
modello di bilancio. Nello specifico sono mostrati il diagramma
ombrotermico (che rappresenta l’andamento della precipitazione e
dell’evapotraspirazione nel periodo di analisi) e l’andamento temporale
dei valori di deflusso e di deficit idrico, entrambi messi a confronto con i
valori storici calcolati rispetto alla stessa porzione di territorio
selezionata.
Il sistema Web-GIS, così strutturato, è dotato di automatismi che consentono,
in modo semplice ed intuitivo, una vasta gamma di operazioni di interazione e
visualizzazione delle mappe.
L’insieme delle informazioni utilizzate dal progetto che, come già
precedentemente sottolineato, risiedono in parte in una base di dati SQL Server e in
parte nei files *.dbf associati ai layer cartografici integrati nei servizi di ArcIMS,
consentono all’utente, tramite un semplice browser Internet, il reperimento di
informazioni utili per il monitoraggio della siccità nella propria zona di interesse.
Fig. 3.3 - Layout dell’interfaccia grafica del sistema Web-GIS
76
E.M. Castrogiovanni, S. Arcuri, L. De Felice, G. Iiritano, R.
Maletta, G. Mendicino, A. Senatore
3.6
CONDIDERAZIONI CONCLUSIVE
L’analisi dei fenomeni siccitosi è molto complessa, a causa della molteplicità
dei fattori da cui essi sono generati e della loro distribuzione nello spazio e nel
tempo.
La corretta valutazione del rischio comporta una progettazione complessa ed
articolata, che richiede conoscenze nei campi dell’idrologia e della tecnologia GIS,
indispensabile per omogeneizzare i differenti contenuti informativi e contribuire
alla conversione del dato in informazione. In particolare il primo passo da
compiere per favorire la conoscenza del fenomeno è la corretta organizzazione
dell’informazione secondo criteri che, da un lato permettano di stabilire il grado di
affidabilità dell’informazione rilevata, e dall’altro semplifichino la elaborazione di
modelli e la produzione di indici.
Una volta colti i segnali di preannuncio, tuttavia, si rende necessario attuare
una serie di interventi che non necessariamente devono essere demandati a
personale altamente qualificato.
La divulgazione dell’informazione acquisisce quindi un’importanza strategica
ai fini della gestione degli interventi per il contrasto del fenomeno siccitoso.
Il sistema proposto unisce, alla completezza ed accuratezza dell’integrazione
del GIS con reti di monitoraggio e modelli di simulazione, la fruibilità nell’accesso
ai dati, grazie ad un’architettura Web-GIS che tiene conto di un’utenza più ampia
rappresentata dalla rete Internet.
Esso, costituendo un agile strumento di valutazione per l’individuazione delle
zone critiche soggette a deficit idrico, agevola la trasmissione delle informazioni ai
responsabili delle decisioni e al pubblico, e facilita la partecipazione di tutti i
“portatori di interesse” (stakeholders) alle decisioni in campo idrico ed in
particolare alla scelta dei provvedimenti per la mitigazione della siccità.
Database relazionale per l’archiviazione dei dati meteoclimatici
3.7
77
BIBLIOGRAFIA
References text type should be 9 point (Times Roman) at the end of each chapter for an edited
volume with the standard below indicated.
References can be listed in the alphabetical order (cited by author name and year, e.g. (Kendall
and Stuart, 1973)).
1. Appunti
Quaglini, S., Appunti del corso di Sistemi Informativi Sanitari. Università degli Studi di Pavia,
Facoltà di Ingegneria.
2. Appunti
Parisi Presicce, F. (2001) Appunti del corso di Ingegneria del Software. Università La Sapienza
di Roma, Facoltà di Ingegneria.
3. Libro
Ramakrishnan, R., Gehrke, J. Sistemi di basi di dati, McGraw-Hill.
Bonaccorso B., Bordi I., Cancelliere A., Rossi G., Sutera A. (2003), “Spatial Variability of
drought: an analysis of the SPI in Sicily”, Water Resources Management, 17: 273-296.
Houghton J.T., Ding Y., Griggs D.J., Noguer M., Van der Linden P.J., Xiaosu D. (2001),
Climate change 2001: the scientific basis, Contribution of Working Group 1 to the Third Assessment
Report of the Intergovernmental Panel on Climate Change (IPCC), Cambridge University Press,
Cambridge, 944p.
Mendicino G., Versace P. (2002), “Aspetti Metodologici nella Ricostruzione del Bilancio
Idrologico a Scala Interregionale”, Giornata di Studio dell’Associazione Idrotecnica Italiana,
Aprigliano (CS), Quaderni di Idrotecnica, Ed. Bios, Cosenza, 14: 45-93.
Mendicino G., Versace P. (2003), “Analisi Spaziale delle Condizioni di Stress Idrico in Regioni
Meridionali”, Atti del Convegno: Giornata Mondiale dell’Acqua “La Siccità in Italia”, Accademia
Nazionale dei Lincei, Roma, 227-236.
Mendicino G., Senatore A. (2004), “Desertificazione e siccità: dall’analisi del rischio alla
previsione del fenomeno tramite procedure GIS”, Atti del I° Workshop Modeci – Modelli Matematici
per la simulazioni di catastrofi Idrogeologiche, 30-31 Marzo 2004, Rende (CS).
Thornthwaite C. W., Mather J.R. (1955), “The water balance”, Climatology, Drexel Inst. Of
Technology, Centeron, New Jersey.
Xie P., Janowiak J.E., Arkin P.A., Adler R., Gruber A., Ferraro R., Huffman G.J., Curtis S.
(2003), “GPCP pentad precipitation analyses: an experimental dataset based on gauge observations
and satellite estimates”. J. Climate, 16: 2197-2214.
4. PROCEDURE DI CONTROLLO DI QUALITA’ DEI DATI
PROVENIENTI DALLA RETE IDROMETEOROLOGICA
G. ROSSI, A. CANCELLIERE, B. BONACCORSO, G. SCIUTO, A.
CAMPISANO
Dipartimento di Ingegneria Civile e Ambientale, Università di Catania
V. PAVAN, S. MARCHESI, A. SELVINI, R.TOMOZEIU, M. DI
LORENZO
Servizio Idrometeorologico Emilia Romagna
Abstract: I dati idrometeorologici acquisiti in telemisura sono potenzialmente affetti
da errori che possono pregiudicare l’affidabilità del monitoraggio in tempo reale dei
fenomeni idrologici. Poiché il controllo tradizionale dei dati non è compatibile con le
necessità del monitoraggio in tempo reale di elaborare e rendere disponibili in tempi
brevi le informazioni relative all’evolversi dei fenomeni in studio, è necessario
ricorrere a metodologie di controllo automatico dei dati, che consentano di individuare
tra i numerosi dati acquisiti, quelli presumibilmente soggetti ad errori, riducendo così
notevolmente i tempi per la verifica dei dati stessi. In tale contesto si inserisce il
presente capitolo, in cui viene presentata una procedura per il controllo della qualità dei
dati di precipitazione e temperatura mensili, sviluppata dal DICA dell’Università di
Catania e due procedure per il controllo di dati giornalieri acquisiti da reti in telemisura
sviluppate rispettivamente dall’ARPA Emilia Romagna e dal DICA dell’Università di
Catania. Le procedure proposte consentono l’attribuzione di un giudizio di qualità in
base al quale i dati si considerano validati, ovvero non validati e, quindi, da sottoporre
ad ulteriori controlli di tipo manuale.
Key words: misure meteorologiche, qualità dei dati, metodi statistici, idrologia.
80
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
4.1
INTRODUZIONE
I dati idrometeorologici acquisiti in telemisura sono potenzialmente affetti da
errori derivanti da molteplici cause che ne possono pregiudicare un utilizzo
finalizzato al monitoraggio in tempo reale dei fenomeni idrologici (Madsen, 1989).
In questo caso infatti, i tempi necessari per un controllo tradizionale dei dati, basato
su una ispezione “manuale” dei dati stessi, non sono compatibili con la necessità di
elaborare e rendere disponibili in tempi brevi le informazioni relative all’evolversi
del fenomeno in studio. Appare necessario quindi lo sviluppo e la predisposizione
di metodologie di controllo automatiche dei dati, che consentano di effettuare una
analisi preliminare delle informazioni acquisite in telemisura e di segnalare
eventuali anomalie nelle osservazioni (Abbott, 1986; Reek, 1992). Tali anomalie
possono essere oggetto di ulteriori analisi da parte dell’operatore il quale,
basandosi sulla propria esperienza e buon senso è in grado di giudicare la qualità
del dato stesso. Le procedure di controllo consentono quindi di effettuare una
selezione tra i numerosi dati acquisiti in tempo reale e di segnalare soltanto quelli
presumibilmente soggetti ad errori, riducendo così notevolmente i tempi per la
verifica dei dati stessi.
Le procedure automatiche di controllo della qualità dei dati sono anche molto
importanti nel caso che si debba procedere alla valutazione delle serie storiche di
dati idrometeorologici raccolte con reti tradizionali nel passato. Anche in questo
caso risulta d’indubbio interesse la possibilità di ridurre il dati su cui procedere ad
una verifica manuale.
E’ evidente che il livello di controllo e di automazione varia in dipendenza
delle scale temporali su cui si analizzano i dati. E’ infatti molto più facile che
sistemi di controllo automatizzati possono rilevare anomalie sui dati alla scala
mensile che non alla scala giornaliera.
In questo capitolo viene presentata una procedura per il controllo della qualità dei
dati di precipitazione e temperatura mensili, sviluppata dal DICA dell’Università di
Catania e due procedure per il controllo di dati giornalieri acquisiti da reti in
telemisura sviluppate rispettivamente dall’ARPA Emilia Romagna e dal DICA
dell’Università di Catania. In particolare le procedure del DICA sono state
verificate testate con i dati acquisiti dalla rete in telemisura gestite dal ex Ufficio
Idrografico Regionale della Sicilia, oggi Agenzia Regionale per i Rifiuti e le Acque
Settore Osservatorio delle Acque della Regione Siciliana, mentre quella proposta
dall’ARPA Emilia Romagna per i dati giornalieri è stata applicata dallo stesso ente
a tutto il territorio della regione.
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
4.2
VALIDAZIONE DEI DATI MENSILI DI
TEMPERATURA (PROCEDURA DICA-UNICT) **
4.2.1
PIOGGIA
81
E
PROCEDURA DI CONTROLLO
La procedura si basa sulle esperienze già condotte dal Dipartimento di
Ingegneria Civile e Ambientale di Catania (Campisano et al., 2002).
Per ciascuna stazione la metodologia prevede che il dato rilevato venga
confrontato con i dati storici relativi allo stesso intervallo temporale e alla stessa
stazione verificando che ricada all’interno di fasce di confidenza di fissata
probabilità. Tale metodologia è integrata con un controllo di tipo spaziale, basato
sul concetto che ad una scala temporale sufficientemente ampia gli eventi
idrologici possiedono una limitata variabilità spaziale e, per conseguenza, risulta
possibile verificare la correttezza del dato osservato nella stazione in esame
mediante il confronto con quelli osservati in opportune stazioni vicine, dette
stazioni di riferimento. In particolare, sulla base dei dati storici disponibili vengono
determinate le leggi di regressione multipla tra le serie di dati registrati nella
stazione in esame e le serie di dati contemporaneamente registrati nelle stazioni di
riferimento. L’analisi di regressione multipla consente di valutare i valori stimati
dei dati della stazione in esame sulla base dei valori osservati delle stazioni di
riferimento e di determinare le fasce di confidenza del dato stimato entro le quali il
dato in telemisura nella stazione deve ricadere per essere validato.
Il risultato del confronto prevede l’assegnazione al dato di una delle 4 possibili
classi di qualità sotto elencate:
1.
2.
3.
4.
Dato Validato (V);
Dato Incerto (I);
Dato Non Validato Automaticamente (NV);
Dato Rifiutato (R).
Tale attribuzione dipende dal superamento di uno, entrambi o nessuno dei test
di controllo riguardanti il dato corrente registrato in una stazione.
La metodologia proposta è stata applicata alle medie mensili delle temperature
medie giornaliere e ai totali mensili di precipitazione.
Essa prevede due fasi: la prima riguarda la “calibrazione” dei modelli di
controllo mediante le due categorie di fasce di confidenza e la seconda riguarda il
controllo del dato acquisito in telemisura.
**
G. ROSSI, A. CANCELLIERE, A. CAMPISANO
Dipartimento di Ingegneria Civile e Ambientale, Università di Catania
82
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
I principali passi delle due fasi di calibrazione e controllo proposte sono
riassunti in figura 4.1. In particolare, la procedura di controllo per i dati mensili si
articola nei seguenti passi:
a) Fase di calibrazione
1. acquisizione delle serie dei dati storici delle temperature o delle
precipitazioni e determinazione delle medie mensili delle temperature
medie giornaliere o delle precipitazioni totali mensili;
2. costruzione di fasce di confidenza della temperatura o della precipitazione
del mese espresse in termini di probabilità di non superamento calcolata
sulla serie storica disponibile (ad es. fascia più restrittiva 2,5% e 97,5% e
fascia più ampia 0,5% e 99,5%);
3. scelta preliminare delle stazioni termometriche o pluviometriche di
riferimento sulla base sia della contiguità spaziale, dell’altitudine e della
esposizione del versante sia della disponibilità di sufficienti osservazioni
storiche in base alle quali adattare i modelli di regressione;
4. adattamento delle regressioni multiple che esprimono il dato della
temperatura media mensile o della precipitazione totale mensile della
stazione in esame in funzione dei contemporanei dati delle stazioni di
riferimento;
5. calcolo dei parametri necessari alla costruzione di fasce di confidenza del
dato stimato sulla base della regressione multipla;
6. stima del dato tramite regressione multipla utilizzando i dati nelle stazioni
di riferimento;
7. validazione dei metodi proposti per il controllo dei dati (verifica che il dato
osservato nei mesi di alcuni anni non utilizzati per la costruzione delle
fasce di confidenza ricada nelle fasce di confidenza della stazione e in
quelle relative ai dati stimati con la regressione multipla in funzione dei
dati delle stazioni di riferimento).
b) Fase di controllo
1. controllo che il dato corrente registrato (ottenuto come media delle
temperature o come somma delle precipitazioni trasmesse dall’apparecchio
in telemisura nel mese) rientri nelle fasce di confidenza della stessa
stazione per le probabilità fissate;
2. confronto tra dato corrente registrato e dato stimato sulla base dei dati delle
stazioni di riferimento mediante la verifica che il dato rientri all’interno
delle fasce di confidenza ottenute tramite analisi di regressione multipla;
3. accettazione del dato se entrambi i test sono superati per la fascia di
confidenza più restrittiva e classificazione del dato con giudizio di qualità
“validato” (V) senza procedere a controllo manuale;
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
83
4. nel caso che uno o entrambi i test non vengano superati per la fascia di
confidenza più restrittiva ma entrambi sono superati per la fascia più
ampia, classificazione del dato con giudizio di qualità “incerto” (I)
procedendo al controllo manuale;
5. nel caso che uno dei test non sia superato per la fascia di confidenza più
ampia classificazione del dato con giudizio di qualità “non validato
automaticamente” (NV) procedendo al controllo manuale;
6. nel caso che entrambi i test non vengano superati per la fascia di
confidenza più ampia, classificazione del dato come “rifiutato” (R),
procedendo comunque al controllo manuale;
7. confronto tra dato corrente registrato e dato stimato sulla base dei dati delle
stazioni di riferimento mediante la verifica che il dato rientri all’interno
delle fasce di confidenza ottenute tramite analisi di regressione multipla;
8. accettazione del dato se entrambi i test sono superati per la fascia di
confidenza più restrittiva e classificazione del dato con giudizio di qualità
“validato” (V) senza procedere a controllo manuale;
9. nel caso che uno o entrambi i test non vengano superati per la fascia di
confidenza più restrittiva ma entrambi sono superati per la fascia più
ampia, classificazione del dato con giudizio di qualità “incerto” (I)
procedendo al controllo manuale;
10. nel caso che uno dei test non sia superato per la fascia di confidenza più
ampia classificazione del dato con giudizio di qualità “non validato
automaticamente” (NV) procedendo al controllo manuale;
11. nel caso che entrambi i test non vengano superati per la fascia di
confidenza più ampia, classificazione del dato come “rifiutato” (R),
procedendo comunque al controllo manuale.
Nella tabella 4.1 sono riassunti i possibili esiti della procedura di controllo
automatica.
84
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
Tabella 4.1 - Possibili esiti della procedura di controllo automatica
Test 1
(Dati ricadenti nella fascia
della stessa stazione)
95%
Test 2
(Dati ricadenti nella
fascia della
regressione)
99%
95%
Giudizio di qualità dato
Operazione
99%
SI
SI
SI
SI
Validato (V)
Accettazione
NO
SI
SI
SI
Incerto (I)
Controllo manuale
SI
SI
NO
SI
Incerto (I)
Controllo manuale
NO
SI
NO
SI
Incerto (I)
Controllo manuale
NO
SI
NO
NO
Non validato autom. (NV)
Controllo manuale
NO
NO
NO
SI
Non validato autom. (NV)
Controllo manuale
NO
NO
SI
SI
Non validato autom. (NV)
Controllo manuale
SI
SI
NO
NO
Non validato autom. (NV)
Controllo manuale
NO
NO
NO
NO
Rifiutato (R)
Controllo manuale
La procedura di controllo manuale potrà comunque consentire, nel caso di esito
positivo, di riclassificare come “validato” il dato “incerto”, quello “non validato
automaticamente” e anche quello “rifiutato”. Nel caso invece che la procedura di
controllo manuale fornisca esito negativo per dati classificati come “incerti” con la
procedura automatica, tali dati potranno rimanere classificati come “incerti”. Se
l’esito negativo del controllo manuale riguarda dati già classificati come “non
validati automaticamente” o “rifiutati”, tali dati verranno definitivamente
classificati come “rifiutati”.
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
Dati storici relativi alla
stazione in esame
Dati storici relativi alle
stazioni di riferimento
Determinazione fasce di
confidenza probabilistiche
mediante i dati storici della
stazione
Calcolo dei parametri delle
regressioni con le stazioni di
riferimento e determinazione
fasce di confidenza
85
Dato acquisito in
telemisura
Verifica basata sulle fasce
di confidenza della stazione
in esame
Verifica basata sulle fasce
di confidenza delle
regressioni
Classificazione dato con
giudizio di qualità
Dato validato
Dato incerto
Dato non validato
automaticamente
Dato rifiutato
Controllo manuale
Figura 4.1 - Fasi della procedura di controllo automatico di dati mensili
Nel seguito si riportano i dettagli della metodologia sviluppata mentre per le
applicazione si rimanda alle appendici A2 e A3 rispettivamente per i dati di
temperatura media mensile e precipitazione mensile.
86
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
4.2.2
4.2.2.1
CONTROLLO DEI DATI DI TEMPERATURA MEDIA MENSILE
Fasce di confidenza basate sui dati della stazione
La prima fase della metodologia proposta per il controllo dei dati di
temperatura prevede che il dato mensile corrente acquisito in telemisura
(temperatura media mensile) venga confrontato con le temperature osservate nella
stessa stazione nel passato e per lo stesso mese. Tale confronto viene effettuato
verificando che il dato stesso rientri all’interno di fasce di confidenza della
temperatura del mese determinate in corrispondenza di prefissate probabilità di non
superamento calcolate sulle serie storiche disponibili.
In particolare le serie dei dati delle temperature mensili possono essere
regolarizzate mediante le usuali tecniche statistiche utilizzando varie distribuzioni
di probabilità e determinando per le distribuzioni relative ai vari mesi i valori
corrispondenti a opportuni limiti di confidenza inferiore e superiore della
probabilità di non superamento.
Appare opportuno scegliere come distribuzioni di probabilità candidate
all’adattamento della distribuzione di frequenza delle serie delle temperature di
ciascun mese le distribuzioni normale, lognormale e normale delle radici cubiche. I
parametri possono essere stimati mediante il metodo della massima
verosimiglianza, mentre la bontà di adattamento delle distribuzioni analizzate viene
verificata mediante il test del χ2.
Se si indica con
V j la media della variabile trasformata Vi , j (ad es
Vi , j = ln Ti , j ) e con SV , j lo s.q.m. della stessa, gli estremi dell’intervallo di
confidenza di probabilità P=1- α saranno:
Vi ,α / 2 , Vi ,1−α / 2 = V j m u α 2 SV , j
(4.1)
dove uα/2 è il quantile di una variabile normale standard corrispondente ad una
probabilità di non superamento α/2.
I corrispondenti valori di temperatura mensile si otterrano mediante
V
l’antitrasformata (ad es. T
4.2.2.2
j,
α
=e
j,
α
2
per la log-normale).
2
Fasce di confidenza basate sui dati di stazioni limitrofe
Per la costruzione delle fasce di confidenza della temperatura media mensile
basate sui dati di stazioni di riferimento si è assunto un legame lineare tra il dato
mensile Z i , j misurato nella stazione in esame e i contemporanei dati Z i(,1j) , Z i(,2j) ,…,
Z i(,kj) misurati nell’anno i e nel mese j nelle k stazioni di riferimento del tipo:
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
87
Z i , j = b (j0 ) + b (j1) Z i(,1j) + b (j2 ) Z i(,2j) + ... + b (jk ) Z i(,kj) + ε i , j
(4.2)
Il termine ε i, j rappresenta una variabile normale avente media zero e varianza
σ ε2 che si assume indipendente da
Z i(,1j) , Z i(,2j) ,…, Z i(,kj) .
Considerando il campione Z i , j , i=1,…, n, costituito dai valori osservati negli n
anni di osservazione di un generico mese j e i k campioni costituiti dalle
osservazioni contemporanee nelle k stazioni di riferimento Z i(,1j) , Z i(,2j) ,…, Z i(,kj) , si
possono definire il vettore Y j (n × 1) della stazione in esame e la matrice
X j (n × (k + 1)) relativa alle stazioni di riferimento come:
Y j = [Z 1, j
⎡1 Z
⎢
1 Z
Xt = ⎢
⎢M M
⎢
(1)
⎢⎣1 Z n , j
(1)
1, j
(1)
2, j
Z 2, j
Z
Z
... Z n , j ]
(2)
1, j
(2)
2, j
M
Z n( 2, j)
T
(4.3)
⎤
⎥
⎥
O
M ⎥
⎥
L Z n( k, j) ⎥⎦
L Z
L Z
(k )
1, j
(k )
2, j
(4.4)
[
Una volta valutato il vettore dei parametri b j = b (j0 ) b (j1) ... b (jk )
]
T
mediante la
relazione matriciale (Kottegoda e Rosso, 1997):
T
b j = (X j X j ) −1 X Tj Y j
(4.5)
è possibile determinare, a partire dalle osservazioni nelle stazioni di riferimento,
un intervallo che contiene con prefissata probabilità l’osservazione Z i , j nella
[
stazione in esame. In particolare, indicando con Ζ i , j = 1 Z i(,1j)
]
Z i(,2j) ... Z i(,kj) il
vettore delle osservazioni nelle stazioni di riferimento e con Zˆ i , j il dato stimato
tramite la regressione multipla Zˆ i , j = Z i , j b j , i limiti di tale intervallo (con livello di
confidenza P=1-α) possono essere espressi in funzione dei parametri della
regressione e dei dati osservati tramite la relazione (Kottegoda e Rosso, 1997):
Z j ,α / 2 , Z j ,1−α / 2 = Zˆ i , j m t n − p , α 2 σˆ
dove
T
1 + Z i , j (X j X j ) −1 Z i , j
T
(4.6)
σ̂ 2 è la varianza dei residui della regressione e t n − p , α 2 è il quantile di
una variabile t di Student con n-p gradi di libertà e corrispondente ad una
probabilità di superamento α/2. Qualora il valore osservato non rientri in tale
intervallo, il dato può considerarsi quindi potenzialmente soggetto ad errori per la
probabilità fissata e andrà sottoposto ad ulteriori verifiche.
88
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
4.2.3
CONTROLLO DEI DATI DI PRECIPITAZIONE MENSILE
Fasce di confidenza basate sui dati della stazione
4.2.3.1
La definizione delle fasce di confidenza probabilistiche per la precipitazione
non può essere condotta con la stessa metodologia applicata ai dati di temperatura
in quanto in questo caso i dati possono assumere il valore zero con probabilità non
nulla, specialmente nei mesi estivi. La presenza di zeri fa sì che la distribuzione di
probabilità cumulata del dato pluviometrico debba essere considerata come una
combinazione di una funzione discreta e di una continua. In particolare, indicando
con po la probabilità di avere precipitazione nulla e con FY(hi,j) la distribuzione di
probabilità cumulata dei valori di precipitazione non nulli, la distribuzione di
probabilità cumulata dei valori di precipitazione FX(hi,j) può essere scritta come:
⎧
⎪ po se hi , j ≤ 0
FX ( hi , j ) = ⎨
⎪ po + (1 − po )FY ( hi , j ) se hi , j > 0
⎩
(4.7)
il valore di precipitazione hq corrispondente ad una probabilità di non superamento
q può essere derivato dalla espressione precedente come:
⎧
⎪⎪0 se q ≤ po
hq = ⎨
← ⎛ q − po ⎞
⎟⎟ se hi , j > 0
⎪ FY ⎜⎜
⎝ 1 − po ⎠
⎩⎪
(4.8)
dove FY← è l’inversa della distribuzione di probabilità cumulata, ovvero il quantile
corrispondente ad un dato valore di probabilità. Questa espressione consente quindi
di determinare le fasce di confidenza fissati due livelli di probabilità q (ad es. 2,5%
e 97,5%) che rappresentano l’intervallo entro cui deve ricadere il dato osservato
affinché esso possa essere considerato attendibile.
Con riferimento ad una serie di precipitazioni mensili hi,j (i=anno, j=mese). la
procedura per la costruzione delle fasce di confidenza nel generico mese j può
essere così riassunta:
−
analisi di frequenza dei valori nulli e stima della probabilità p0 tramite
l’espressione:
∑ (I { }(h ))
n
po =
0
i =1
n
i, j
(4.9)
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
89
( )
dove la funzione indicatore I {0} hi , j assume il valore 1 se hi,j è uguale a
zero, zero altrimenti e n è il numero di anni di osservazione;
−
adattamento di una distribuzione di probabilità cumulata FY(x) ai dati di
precipitazione non nulli;
−
per fissati q (0,5%, 2,5%, 97,5%, 99,5%), calcolo dei quantili tramite
l’equazione 4.8.
4.2.3.2
Fasce di confidenza basate sui dati sui dati di stazioni limitrofe
La metodologia per la costruzione delle fasce di confidenza basate sulla
regressione nel caso di dati pluviometrici è sostanzialmente identica a quella prima
esposta per il caso di dati termometrici. L’unica differenza di rilievo è che nel caso
in cui l’estremo inferiore della fascia di confidenza dovesse risultare negativo,
occorre troncare tale valore a zero.
4.3
PROCEDURE OPERATIVE PER LA VALIDAZIONE DI DATI
GIORNALIERI DI TEMPERATURA E PRECIPITAZIONE
(PROCEDURA ARPA-EMILIA ROMAGNA) ††
Le procedure di validazione proposte nel presente paragrafo si basano sulle
esperienze condotte dall’ARPA (Agenzia Regionale Prevenzione e Ambiente)
dell’Emilia Romagna e sono applicata al controllo della qualità dei dati giornalieri
di precipitazione e di temperatura (massima e minima). Altre procedure, sviluppate
dal Dipartimento di Ingegneria Civile e Ambientale dell’Università di Catania sono
riportate nel paragrafo 4.4)
Le tecniche di validazione qui descritte possono essere applicate solo nel caso
siano disponibili serie temporali sufficientemente lunghe (di almeno trenta o
quaranta anni di dati) sia per la stazione da controllare, che per alcune stazioni
circonvicine, e che si abbia una conoscenza delle caratteristiche principali del clima
della regione in cui è collocata la stazione da controllare. Le tecniche di controllo
non includono controlli incrociati fra precipitazione e temperatura. Infine, le soglie
che definiscono la validità dei dati sono state scelte empiricamente in modo tale da
minimizzare il numero di dati apparentemente validi, scartati dal controllo di
qualità, e nello stesso tempo massimizzare l’identificazione di possibili dati
erronei.
††
V. PAVAN, S. MARCHESI, A. SELVINI, R.TOMOZEIU, M. DI LORENZO
Servizio Idrometeorologico Emilia Romagna
90
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
Al termine del controllo di qualità ad ogni dato è associata una flag che
consiste in un numero intero che può assumere i valori 0, 1 e 2. Se la flag ha valore
0, il dato è valido, se la flag ha valore 1, il dato è considerato sospetto, ma può
essere usato, se infine la flag ha valore 2, il dato non ha passato il controllo di
qualità, è molto probabilmente sbagliato e bisogna evitare di usarlo.
Nel seguito, prima è descritta la procedura di controllo di qualità per i dati di
temperatura, poi per quelli di precipitazione.
4.3.1
CONTROLLO DI QUALITÀ DELLA TEMPERATURA MASSIMA E
MINIMA
Prima di iniziare il controllo di qualità è necessario che per ogni stazione siano
identificate le stazioni di riferimento. Si propone di adottare cinque stazioni vicine
da identificare automaticamente sulla base dei dati di anagrafica delle stazioni,
facendo uso del solo criterio della distanza.
Per ogni stazione sono calcolate le distanze da tutte le altre stazioni disponibili
e quindi sono riordinate in base al criterio di distanza crescente. A questo punto, le
prime otto stazioni sono usate come riferimento per la stazione analizzata.
Questa scelta trascura completamente l’informazione riguardante la quota della
stazione. Da un lato, questo è possibile perché, diversamente dal caso della
precipitazione, la componente di variabilità della temperatura legata a spostamenti
orizzontali è molto più bassa rispetto alla sua variabilità temporale. Inoltre, prima
di applicare il controllo di qualità, i dati sono normalizzati rispetto al clima della
stazione di appartenenza. Questa tecnica permette di ridurre in gran parte la
dipendenza dei dati dalla quota della stazione considerata. Fatto ciò, il dato è
controllato confrontandolo con il clima giornaliero‡‡ della stazione, sia per quanto
riguarda il suo valore che per la sua variazione sulle 24 ore, facendo uso di soglie
caratteristiche per ogni stazione, ed entrambi questi controlli risultano essere
sufficientemente indipendenti dalla quota della stazione stessa. Dall’altro, questa
scelta è resa necessaria dal ridotto numero di stazioni disponibili che rende la
distanza media fra stazioni molto grande, soprattutto per certe fasce di altitudine.
‡‡
Data una serie temporale di “n” anni di dati giornalieri xki, (“k” è l’indice degli anni, “i” è
l’indice dei giorni) abbiamo definito come clima giornaliero del giorno “i” la grandezza:
c(i ) =
1 n ⎛ ⎛ 1 ⎞ i+ j ⎞
⎟ ∑ x kj ⎟ , cioè come media mobile su 5 giorni centrata nel
∑⎜⎜
n k =1 ⎜⎝ ⎜⎝ 2 j + 1 ⎟⎠k =i − j ⎟⎠
giorno “i” valutata sugli “n” anni a disposizione. Nel nostro caso “j” è stato considerato
uguale a 2
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
91
Il controllo della temperatura minima e massima giornaliera si ottiene quindi
facendo passare i dati in successione attraverso tre gruppi di controlli: controlli di
tipo logico, controlli di tipo climatologico e controlli di tipo temporale. Qualora un
dato non superi uno dei criteri sotto elencati, gli è assegnata una flag non nulla.
a) Controlli logici
Inizialmente, il dato viene fatto passare attraverso i seguenti controlli:
1.
2.
se il dato ha un valore uguale al valore scelto per il dato mancante (nel
nostro caso 3276.7), ad esso viene data una flag di valore 2;
se Tmin o Tmax sono minori di un valore minimo o maggiori di un valore
massimo assegnato, il dato è considerato sbagliato (flag=2). I dati sono
considerati validi solo se -40.0oC < Tmin< 40.0oC oppure -30.0oC <
Tmax< 50.0oC.
Ulteriori controlli logici vengono fatti in chiusura del controllo di ogni coppia
di valori giornalieri di temperatura.
b) Controlli climatologici
Il controllo climatologico si sviluppa in due stadi successivi.
Prima di tutto, il dato è confrontato con il clima giornaliero (vedasi nota 1
precedente) della stazione presso la quale è stato rilevato. Si possono verificare le
seguenti possibilità:
1.
2.
se l’anomalia del dato rispetto alla climatologia del giorno in cui è stato
rilevato è minore o uguale di due deviazioni standard, tipiche per quel
giorno dell’anno e quella stazione, allora il dato viene considerato
corretto (flag=0);
se l’anomalia è maggiore di tre deviazioni standard, allora si procede ad
un’ulteriore indagine di confronto del dato con quelli delle stazioni
vicine (controllo spaziale).
Il controllo spaziale, applicato ai soli dati possibilmente sbagliati, mette di
fronte alle seguenti possibilità:
1.
2.
se sono definiti i dati in almeno tre delle stazioni vicine, e il valore
rilevato presso almeno una di queste ha una anomalia rispetto alla sua
climatologia di quel giorno maggiore di due deviazioni standard, il dato
viene considerato corretto (flag=0);
se, sono definiti i dati in almeno tre delle stazioni vicine, e in nessuna di
esse è stato rilevato un dato con anomalia maggiore di due deviazioni
standard, il dato viene considerato non valido (flag=2).
92
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
3.
Se infine mancano i dati necessari per il controllo spaziale, si assegna al
dato flag 1.
c) Controlli temporali
I dati sono sottoposti a due tipi di controllo temporale. Da un lato si verifica
che la variazione della temperatura minima e massima in 24 ore non superi una
soglia assegnata; dall’altro viene fatto un controllo sulle persistenze, definite come
quei casi in cui il valore della temperatura da un giorno a quello successivo non
varia (al decimo di grado).
Il controllo sulla variazione giornaliera di temperatura (variazione di Tmin o
Tmax sulle 24h) mette di fronte alle seguenti possibilità:
1. se la variazione osservata presso la stazione è minore di tre volte il suo
valore quadratico medio§§ per quel giorno e quella stazione, il dato viene
considerato valido (flag=0);
2. se la variazione osservata è maggiore di tre volte il suo valore quadratico
medio, il dato viene considerato sospetto e si procede al controllo
dell’escursione termica giornaliera (Tmax-Tmin):
a) se questa grandezza non è definita o nel giorno in esame o in quello
precedente (per mancanza di dati) non si può procedere ad ulteriori
accertamenti il dato viene considerato sospetto (flag=1);
b) se questa grandezza è definita nel giorno in esame e nel giorno
precedente, e la sua variazione in 24 ore è minore della sua variazione
quadratica media per la stazione e il giorno di calendario in esame, il
valore viene considerato valido (flag=0);
c) se questa grandezza è definita nel giorno in esame e nel giorno
precedente, e la sua variazione in 24 ore è maggiore della sua
variazione quadratica media per la stazione e il giorno di calendario in
esame, allora si procede ai seguenti controlli:
ƒ
prima di tutto si considera il valore della sua variazione nelle
stazioni più vicine. Se, in almeno una stazione, la variazione in 24
ore dell’escursione termica supera la variazione quadratica media
§§
Il valore quadratico medio dello scarto inter-giornaliero (variazione in 24 ore) della Tmin
(Tmax) è definito come:
n
s = ∑ (Ti , k − Ti ±1, k ) / n dove “n” è il numero di anni sui quali viene calcolata la media,
2
k =1
“i” è l’indice dei giorni e “k” è l’indice degli anni, T è indifferentemente la temperatura
minima o la massima
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
ƒ
ƒ
93
per quella stazione e quel giorno, allora il dato viene considerato
buono (flag=0);
se il valore di temperatura del giorno prima era stato considerato
non valido perché non aveva passato il controllo temporale o
perchè si era verificata una persistenza che non aveva passato il
controllo di qualità, allora il dato del giorno in esame viene
considerato valido (flag=0) in quanto si ritiene inadeguato scartare
un dato sulla base di un confronto con un dato sbagliato;
Se, dopo i controlli fatti, non è ancora chiaro se il valore possa
essere considerato o no corretto, vengono fatti due ulteriori
controlli, così da verificare se i problemi riscontrati con il valore in
questione siano invece dovuti al valore rilevato il giorno prima,
che ha comunque già passato il controllo di qualità. Ci sono due
possibilità:
-
-
La forte variazione di temperatura in realtà sia avvenuta il
giorno precedente, senza essere rilevata. Un valore del giorno
prima vicino alla persistenza, ma non esattamente uguale a
quello per giorno precedente ad esso, per esempio, potrebbe
avere superato il controllo di qualità pur essendo sbagliato.
Nessuna variazione di temperatura sia avvenuta in realtà e il
valore sbagliato sia quello del giorno in questione. Questo
giustificherebbe la presenza di una variazione giornaliera
intensa, senza alcun riscontro con quanto successo realmente.
Per controllare se si è verificato uno dei 2 casi ora citati si crea una
serie temporale di riferimento per gli ultimi tre giorni in questione
mediando i valori corretti rilevati presso le stazioni vicine. Quindi
si procede come segue:
o
o
se si può calcolare la variazione sulle 24h sia per il giorno in
esame che per il giorno prima e sia per la stazione in esame
che per la serie di riferimento e se il rapporto fra la variazione
sulle 24 del giorno prima nella serie di riferimento e quella
nella stazione in esame è maggiore di 2.0, allora si assume che
il forte cambiamento temporale sia avvenuto il giorno prima e
quindi viene data una flag uguale a 2 al valore del giorno
prima, mentre il valore in esame viene considerato corretto
(flag=0);
alternativamente, si confronta il valore in esame con quelli dei
due giorni precedenti. Ciò si fa calcolando la derivata seconda
temporale alle differenze finite centrata nel giorno precedente
(definita come (Td - 2Td-1 + Td-2)/Δ dove d è il giorno in
94
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
o
questione e Δ è pari a 1 giorno). Se il rapporto fra tale derivata
per la stazione in esame e per la serie di riferimento è
maggiore di 2 si assume che si sia verificato un errore nei dati.
Se il segno della variazione di temperatura del giorno prima è
uguale per la stazione in esame e per quella della serie di
riferimento, il valore in esame è considerato errato (flag=2) e
quello del giorno prima corretto (flag=0). Alternativamente si
considera sbagliato il dato del giorno precedente e corretto il
dato del giorno in esame;
se mancano i dati per procedere agli accertamenti sopra
descritti, si assegna flag 1 al dato che viene considerato
sospetto.
Questo conclude il controllo temporale sulla variazione giornaliera di
temperatura.
Il controllo sulle persistenze procede nel seguente modo:
1. se il valore rilevato un giorno è uguale (al decimo di grado) a quello
rilevato il giorno prima, allora il dato viene considerato sospetto e viene
confrontato con la media delle stazioni vicine (dato di riferimento). Se il
dato di riferimento è definito insieme alla sua variazione giornaliera
(almeno tre delle stazioni vicine sono funzionanti e non riportano
persistenze) e la sua variazione giornaliera in quel giorno specifico è
maggiore del suo valore quadratico medio (calcolato come funzione del
giorno e del mese di calendario), allora il dato è considerato non valido
(flag=2). Se nei giorni successivi il valore della temperatura continua ad
essere persistente, tutti i dati si considerano non validi (flag=2) fino a che
la persistenza si interrompe;
2. se il valore rilevato un giorno è uguale (al decimo di grado) a quello
rilevato il giorno prima, e il dato di riferimento non è definito per
mancanza di dati presso le stazioni vicine il dato viene considerato
sospetto, ma non necessariamente sbagliato (flag=1);
3. in tutti gli altri casi il dato viene considerato valido.
E’ opportuno notare che il controllo sulle persistenze funziona solo se tali
persistenze sono distribuite nelle stazioni in modo casuale. Purtroppo ciò non
risulta essere sempre vero per le stazioni non automatiche: esistono date in cui è
più probabile che si verifichino persistenze (ad esempio intorno alle festività
principali come Natale, Capodanno, Epifania, Pasqua, Ferragosto, ecc…) In questi
casi spesso più di una delle stazioni circonvicine presenta persistenza e talvolta può
essere difficile trovare un numero minimo di stazioni vicine con dati utilizzabili. E’
possibile dunque che persistenze non accettabili non siano individuate a causa della
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
95
bassa qualità dei dati disponibili. In pratica questo succede solo per un numero
molto limitato di casi.
d) Controlli logici finali
Il controllo di qualità della temperatura si conclude con un gruppo di controlli
logici fra Tmax e Tmin.
Tmin = Tmax.
Se i due valori sono identici, la stazione è collocata ad una
altitudine inferiore a 500m slm e il giorno considerato è incluso
nel periodo fra l’inizio di aprile e fine settembre si assume che si
sia verificato un errore nella registrazione del dato e per
assegnare una flag si procede nel seguente modo:
•
•
•
se ad uno dei due dati è stato precedentemente assegnato un
valore 2 di flag, si assume che l’errore sia già stato
identificato e il controllo di qualità si considera chiuso
se ad uno dei due dati è stato assegnato un valore 1 di flag,
allora si incrementa tale flag a 2, assumendo che sia questo
dei due dati quello meno credibile
se sia Tmax che Tmin hanno superato senza problemi il
controllo di qualità, non essendo in alcun modo chiaro quale
dei due sia sbagliato, entrambi vengono scartati e ad
entrambi viene assegnata una flag 2.
Tmin > Tmax . Questo controllo consiste nel controllare se Tmin è maggiore di
Tmax per il giorno in questione. Se ciò accade allora
•
•
•
se ad uno dei due dati, o ad entrambi è già stata assegnata
una flag 2, il controllo del dato si considera concluso;
se ad uno dei due dati, o ad entrambi è già stata assegnata
una flag 1, ma nessuno ha flag 2, tale flag viene posta uguale
a 2;
se entrambi i dati hanno flag 0, la flag di entrambi viene
posta uguale a 2.
Confronto incrociato con il giorno prima. Questo controllo si ispira al controllo
incrociato fatto tradizionalmente presso gli Uffici Idrografico e Mareografico e si
basa sul fatto che i valori della Temperatura massima e minima giornalieri vengono
rilevati utilizzando o un termometro a massima e minima o un termografo, e si può
assumere che gli estremi di temperatura siano individuati a partire da una funzione
continua nel tempo. In entrambi i casi, i valori dei due parametri coincidono con gli
effettivi valori massimi e minimi assunti dalla temperatura indipendentemente
96
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
dall’ora in cui essi si verificano. Questo confronto consta di due controlli
successivi:
•
•
•
La differenza fra Tmax del giorno precedente e Tmin del giorno corrente deve
essere maggiore di -1.0 (ciò tiene conto che l’errore sulla differenza sia la
somma dei due possibili errori di lettura del dato, che si assume siano
minori o uguali di 0.5°C). Se ciò non si verifica allora se uno dei due dati,
o entrambi, hanno già una flag 2, il controllo dei dati si considera concluso;
se uno dei due dati, o entrambi, hanno una flag 1, ma nessuno ha flag 2,
allora ogni valore di flag 1 viene posto uguale a 2 e si passa al controllo
successivo; se entrambi i dati hanno flag 0, la flag di entrambi viene messa
uguale a 2 e si passa al controllo successivo.
La differenza fra Tmax del giorno corrente e Tmin del giorno precedente deve
essere maggiore di -1.0. Se ciò non si verifica allora se uno dei due dati, o
entrambi, hanno già una flag 2, si procede al fine controllo; se uno dei due
dati, o entrambi, hanno una flag 1, ma nessuno ha flag 2, allora ogni valore
di flag 1 viene posto uguale a 2 e si passa a fine controllo;
se entrambi i dati hanno flag 0, la flag di entrambi viene messa uguale a 2 e
si conclude il controllo.
Questo conclude il processo di controllo di qualità della temperatura massima e
minima.
4.3.2
CONTROLLO DI QUALITA’ DELLA PRECIPITAZIONE
Il controllo di qualità della precipitazione si prefigge di identificare due diversi
tipi di errori presenti nei dati. Da un lato, si vuole eliminare la presenza di valori
eccessivi di precipitazione giornaliera non rispondenti a realtà, spesso dovuti o a
errori di digitazione dati o alla registrazioni di valori di pioggia cumulata su più
giorni, ma non identificati come tali. Dall’altro, si vogliono identificare periodi non
segnalati di mancato funzionamento della stazione. Entrambi questi controlli si
avvalgono del confronto del dato della stazione in esame con quelli rilevati presso
otto stazioni situate nelle sue vicinanze (stazioni circonvicine). L’identificazione di
tali stazioni procede in modo diverso rispetto a quello della temperatura per due
motivi: il numero di stazioni disponibili in questo caso è maggiore che per la
temperatura e la variazione con la quota della pioggia è complessa e la variazione
con la distanza orizzontale fra le stazioni è molto maggiore che per la temperatura.
Per questi motivi le otto stazioni più vicine a quella in esame devono anche avere
una una quota sufficientemente vicina alla stazione in esame seguendo i seguenti
criteri:
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
•
•
97
se la stazione in esame si trova a meno di 1000 m s.l.m. allora vengono
considerate solo le stazioni che cadono ad una quota che differisca da
quella della stazione stessa di meno di 200 m;
se la stazione in esame si trova oltre i 1000 m s.l.m. allora vengono
considerate solo le stazioni che cadono ad una quota che differisca da
quella della stazione stessa di meno di 500 m.
Tutti i controlli spaziali prevedono che siano disponibili almeno tre stazioni
con dati rilevati validi.
a) Controlli logici
Prima di tutto si procede ad un gruppo di controlli logici:
•
•
•
se il dato coincide con il valore di dato mancante (nel caso dei dati in
questione 3276.7), viene dato alla flag valore 2;
se il dato coincide con il valore di dato cumulato (nel nostro caso –777.7)
oppure se il valore del dato del giorno precedente è tale, il dato viene
considerato non valido (flag=2);
se infine il dato ha valore negativo, viene considerato non valido (flag=2).
b) Eliminazione valori eccessivi
Il controllo per eliminare i valori eccessivi di precipitazione non rispondenti a
realtà si articola nel seguente modo:
ƒ
ƒ
se il valore di precipitazione osservata è minore del valore climatologico o
differisce dalla precipitazione media (valore climatologico) di quel giorno
per quella stazione per meno di 5 deviazioni standard, allora il dato viene
considerato valido (flag=0);
se il valore differisce da quello climatologico per più di 5 deviazioni
standard, il dato viene considerato sospetto e si procede ad ulteriori
indagini. Il trattamento del dato cambia al variare della stagione
considerata.
Se il giorno in questione cade in estate (dall’1/6 al 31/8) allora il valore viene
confrontato con il valore climatologico medio ottenuto sulla base dei soli giorni
piovosi (precipitazione maggiore o uguale di 1.0 mm) nel corso della decade in
questione (ogni mese viene diviso in tre decadi: dal 1 al 10, dall’11 al 20 e oltre il
20 del mese).
ƒ
se la differenza tra il valore osservato e quello climatologico è minore di 5
deviazioni standard allora si assume che il valore si riferisca ad un
temporale intenso e viene ritenuto valido (flag=0).
98
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
ƒ
ƒ
ƒ
ƒ
ƒ
se la differenza tra il valore osservato e quello climatologico è maggiore di
5 deviazioni standard ma in almeno una delle stazioni vicine si osserva una
precipitazione che differisca dal clima dei giorni piovosi della decade per
più di 2 deviazioni standard, si assume che il valore analizzato si riferisca
ad un evento sinottico localmente molto intenso e che sia dunque valido
(flag=0);
in tutti gli altri casi si assume che il dato sia sbagliato (flag=2).
Nel caso il giorno in esame cada negli altri mesi dell’anno, si procede
come segue
se in almeno una delle stazioni vicine piove una quantità di pioggia che
supera di due deviazioni standard il valore di pioggia climatologico (?) del
giorno stesso, si assume che il dato sia valido (flag=0);
alternativamente il dato viene considerato errato (flag=2).
Concluso il controllo di piogge di intensità eccessiva, si passa alla
identificazione dei periodi di mancato funzionamento della stazione non segnalati.
c) Identificazione mancato funzionamento stazione non segnalato
Innanzitutto, questo controllo si fa solo nel caso in cui si osservino 15 giorni
successivi senza pioggia. A questo fine è necessario che non manchi alcun dato nel
corso dei quindici giorni in esame, né alcun dato di questo periodo sia stato
considerato sbagliato in base ai controlli precedentemente fatti riguardo
all’intensità delle piogge giornaliere. Si procede, quindi, a controllare la validità dei
dati raccolti nel corso di questi 15 giorni solo se esistono almeno tre stazioni
circonvicine in cui siano stati rilevati i dati validi per i 15 giorni consecutivi in
questione. In tal caso, si calcola sia la pioggia cumulata su questo periodo per
ognuna delle stazioni vicine e si effettua la media su tutte, sia il numero di giorni di
pioggia (con precipitazione giornaliera maggiore di 1.0 mm) per ogni stazione sul
periodo e se ne fa la media sulle stazioni. Fatto ciò,
ƒ
ƒ
ƒ
ƒ
se non sono disponibili almeno tre stazioni fra quelle circonvicine con cui
confrontare i dati in questione, i dati vengono considerati sospetti (flag=1);
se la precipitazione cumulata mediata fra le stazioni circonvicine è minore
di 30.0 mm, i valori vengono considerati corretti (flag=0);
se la quantità media di pioggia cumulata sulle stazioni è maggiore di 30.0
mm, ma il numero medio di giorni piovosi è minore o uguale a tre, si
assume che la pioggia sia caduta nel corso di eventi temporaleschi, che
possono non aver coinvolto la stazione in esame, e quindi si ritiene che la
stazione abbia funzionato correttamente (flag=0);
se la quantità media di pioggia cumulata sulle stazioni è maggiore di 10.0
mm, e il numero medio di giorni piovosi è maggiore di due, ma ci sono
almeno due stazioni in cui la cumulata è minore o uguale a 15.0 mm, si
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
ƒ
99
ritiene che la precipitazione sia dovuta ad eventi a carattere locale e che la
stazione abbia funzionato correttamente (flag=0);
alternativamente, se la quantità media di pioggia cumulata sulle stazioni è
maggiore di 10.0 mm, il numero medio di giorni piovosi è maggiore di due
e la pioggia cumulata è minore o uguale a 15.0 mm al massimo in una
stazione di quelle circonvicine, si conclude che la stazione non abbia
funzionato correttamente nel corso degli ultimi 15 giorni e tutti i dati
relativi a questo periodo per la stazione in esame vengono considerati non
validi (flag=2).
Nel caso sia stata individuata una serie di 15 valori non validi, ogni valore
nullo successivo viene automaticamente considerato non valido fino al primo
giorno di precipitazione con valore non nullo. Il primo giorno di precipitazione
seguente ad un periodo non valido viene anch’esso considerato non valido, dal
momento che probabilmente è da identificarsi con un valore di pioggia cumulata,
non segnalato.
Questo controllo termina la procedura di controllo qualità per i dati di
precipitazione.
4.4
4.4.1
VALIDAZIONE DEI DATI GIORNALIERI DI TEMPERATURA E
PRECIPITAZIONE (PROCEDURA DICA-UNICT) ***
CONTROLLO DI QUALITÀ DELLA TEMPERATURA MASSIMA E
MINIMA
4.4.1.1
Metodologia
La procedura proposta comprende due diverse fasi: una fase di calibrazione e
una di controllo (cfr. Figura 4.2).
Nella fase di calibrazione vengono determinate le fasce di confidenza basate
sui dati storici (dopo aver rimosso l’eventuale trend annuo e adattato la
distribuzione di probabilità) e le regressioni con i dati delle stazioni di riferimento
(previa rimozione di eventuali trend). Le varie fasi sono illustrate in figura 4.2
La fase successiva relativa al controllo consiste, invece, nel verificare che il
***
G. ROSSI, A. CANCELLIERE, B. BONACCORSO, G. SCIUTO
Dipartimento di Ingegneria Civile e Ambientale, Università di Catania
100
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
dato corrente acquisito in telemisura (valori giornalieri di temperatura massima e
minima) rientri sia all’interno della fascia di confidenza calcolata sulla base dei dati
della stazione in esame, sia all’interno della fascia di confidenza ottenuta tramite
regressione in funzione dei dati delle stazioni di riferimento. A seguito del risultato
di tali verifiche il dato viene classificato mediante un giudizio di qualità sulla base
del quale può essere accettato ovvero sottoposto ad un ulteriore controllo di tipo
manuale.
I possibili esiti della procedura di controllo automatico sono:
1. Dato Validato (V);
2. Dato Non Validato (N.V);
3. Dato Rifiutato (R);
Le elaborazioni vengono effettuate solo sui dati archiviati in banca dati, non
considerando i dati mancanti ai quali il sistema di gestione della rete in telemisura
ha già attribuito un codice di riconoscimento.
In Tabella 4.2 sono riassunti i giudizi di qualità adottati e le conseguenti
operazioni da effettuare in relazione ai possibili esiti della procedura di controllo
automatica. La tabella mostra che se entrambe le verifiche sono positive la
procedura prevede che il dato venga classificato come “validato” (V) e venga
quindi accettato. In tutti gli altri casi, quando la procedura di controllo fornisce i
giudizi di qualità “non validato automaticamente” (NV) o “rifiutato” (R), occorre
procedere ad un successivo controllo manuale del dato registrato.
La procedura di controllo manuale potrà comunque consentire, nel caso di esito
positivo, di riclassificare come “validato” il dato che precedentemente non aveva
superato la verifica.
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
101
Calibrazione
Dati storici di
temperatura giornaliera
relativi alle stazioni
Dati storici di
temperatura giornaliera
relativi alla stazione in
esame
Rimozione del trend
Rimozione del trend
Scelta delle stazioni di
riferimento
Determinazione fasce di
confidenza basate sui dati
storici della stazione
Calcolo dei parametri delle
regressioni e determinazione
fasce di confidenza
Dato di temperatura
massima o minima
giornaliera acquisito in
telemisura
Controllo
Verifica basata sulle fasce
di confidenza relative alla
stazione in esame
Verifica basata sulle fasce
di confidenza delle
regressioni
Classificazione dato con
giudizio di qualità
Validato
Non validato
automaticamente
Rifiutato
Controllo
manuale
Figura 4.2 - Fasi della procedura di controllo automatico dei dati termometrici
Nel seguito si riportano i dettagli della metodologia sviluppata e si rimanda
all’appendice A6 per le applicazioni ai dati di temperatura massima e minima
giornalieri registrati in alcune stazioni gestite dall’ex Ufficio Idrografico Regionale
della Sicilia, oggi Agenzia Regionale per i Rifiuti e le Acque.
102
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
Tabella 4.2 - Possibili esiti della procedura di controllo automatico dei dati basata su fasce
di confidenza associate ad un livello probabilità e relativi giudizi di qualità
Verifica 1
Verifica 2
Il dato ricade nella
fascia di confidenza
della stessa stazione
Il dato ricade nella
fascia di confidenza
della regressione
Giudizio di qualità dato
Operazione
SI
SI
Validato (V)
Accettazione
SI
NO
Non validato autom. (NV)
Controllo manuale
NO
SI
Non validato autom. (NV)
Controllo manuale
NO
NO
Rifiutato (R)
Controllo manuale
4.4.1.2
Costruzione di fasce di confidenza basate sui dati della stazione
In via preliminare occorre effettuare la verifica della presenza di un eventuale
trend significativo nelle serie disponibili. L’analisi viene condotta sulle serie di
temperature massime e minime giornaliere accertando l’esistenza di un trend
annuo. Dalle analisi preliminari effettuate non è risultato conveniente procedere
alla ricerca del trend per periodi più brevi (ad es. trimestri) sia per evitare maggiori
complessità delle elaborazioni sia perché la rimozione di trend differenti avrebbe
ostacolato l’applicazione dei metodi scelti sui residui così ottenuti (in particolare
l’analisi di Fourier) come è mostrato nell’esempio di applicazione (cfr. A6).
Calcolati i parametri dell’equazione della retta rappresentativa del trend si applica,
per la valutazione della sua significatività, il test della “t” di Student con un livello
di significatività α = 0.05. Qualora il trend risulti significativo si procede alla sua
rimozione, creando la serie dei residui.
La prima fase della metodologia proposta prevede di verificare che il dato di
temperatura massima e minima giornaliera acquisito in telemisura rientri
all’interno di opportune fasce di confidenza di fissata probabilità.
Per l’individuazione della metodologia che consegua i migliori risultati
assicurando anche il rispetto del principio di parsimonia dei parametri è stato
eseguito un confronto fra i tre seguenti metodi basati sull’utilizzo diretto delle serie
osservate o sulla loro descrizione tramite un’analisi di Fourier:
a) Costruzione delle fasce di confidenza probabilistica utilizzando le medie e
gli scarti quadratici medi dei residui giornalieri dei 365 giorni (ottenuti
dopo la rimozione del trend);
b) Costruzione delle fasce di confidenza probabilistica utilizzando le medie e
gli scarti quadratici medi dei residui giornalieri regolarizzati attraverso uno
sviluppo in serie di Fourier;
c) Costruzione delle fasce di confidenza probabilistica utilizzando le medie e
gli scarti quadratici medi della serie dei residui, regolarizzati attraverso uno
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
103
sviluppo in serie di Fourier dei valori della media mobile a finestra di 11
giorni centrata sul generico giorno.
Il primo metodo a) consiste nel costruire le fasce di confidenza dei residui della
temperatura giornaliera utilizzando le coppie dei parametri statistici media e s.q.m.
per ciascun giorno dell’anno, assumendo valida una distribuzione di probabilità
normale per la variabile considerata ed esprimendo pertanto i limiti di confidenza
per il livello di confidenza P=1-α come:
Tt ,α / 2 , Tt ,1−α / 2 = Tt ± uα 2 S t
(4.10)
essendo Tt la media dei residui della temperatura del giorno t, S t il relativo
scarto quadratico medio e uα / 2 il valore della variabile normale standard
corrispondente ad una probabilità di non superamento α/2.
I metodi b) e c) sono sull’applicazione dell’analisi di Fourier a due diverse
variabili di base: nel metodo b) il residuo della temperatura giornaliera dopo la
rimozione del trend, nel caso c) la media mobile a finestra di 11 giorni dei residui
della temperatura giornaliera.
La scelta di descrivere la media e lo scarto quadratico medio delle serie di
temperature massime e minime giornaliere mediante uno sviluppo in serie di
Fourier consente di descrivere l’andamento nel tempo delle due statistiche
considerate mediante un numero limitato di parametri, cioè due parametri per
ciascuna armonica più una costante.
Come è noto le serie di Fourier hanno lo scopo di descrivere una funzione
periodica mediante una combinazione lineare di funzioni periodiche elementari,
ovvero le funzioni trigonometriche seno e coseno.
Lo sviluppo in serie di Fourier della funzione x(t) si scrive come:
∞
⎛ 2π kt ⎞ ∞
⎛ 2π kt ⎞
x ( t ) = a0 + ∑ ak ⋅ cos ⎜
(4.11)
⎟ + ∑ bk ⋅ sin ⎜
⎟
⎝ T ⎠ k =1
⎝ T ⎠
k =1
dove i coefficienti a0, ak e bk , detti coefficienti di Fourier, si calcolano tramite le
espressioni:
1
a0 =
T
T /2
∫ x ( t ) dt
(4.12)
−T / 2
2
⎛ 2π kt ⎞
x ( t ) ⋅ cos ⎜
⎟ dt
T −T∫/ 2
⎝ T ⎠
T /2
ak =
(4.13)
104
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
2
⎛ 2π kt ⎞
bk =
x ( t ) ⋅ sin ⎜
⎟ dt
∫
T −T / 2
⎝ T ⎠
T /2
(4.14)
In particolare, nel caso in esame i coefficienti di Fourier si possono
determinare come:
2 365
2π
u t cos
kt
∑
365 t =1
365
2 365
2π
bk =
u t sen
kt
∑
365 t =1
365
essendo ut la media o scarto quadratico medio.
ak =
(4.15)
(4.16)
Ciascuna serie delle temperature massime e minime giornaliere osservate in
una stazione termometrica può considerarsi (se un trend significativo non esiste o è
stato eliminato) come una realizzazione di un processo periodico-stocastico. La
variabile ottenuta rimuovendo le periodicità nella media e nello scarto quadratico
medio dalla serie originaria, può considerarsi come una variabile casuale
stazionaria e indipendente nel tempo. I parametri periodici media e s.q.m. possono
essere espressi a mezzo dello sviluppo in serie di Fourier:
h
_
∧
⎡ 2π
⎤
T t = T + ∑ Ak (T ) cos ⎢
kt + θ k (T )⎥
⎣ 365
⎦
k =1
(4.17)
h
_
∧
⎤
⎡ 2π
S t = S + ∑ Ak ( S ) cos ⎢
kt + θ k ( S )⎥
365
⎦
⎣
k =1
(4.18)
_
con T media dei valori medi giornalieri osservati, S media degli scarti quadratici
medi giornalieri osservati, Ak e θk rispettivamente ampiezza e fase della kma
armonica ed h numero di armoniche significative e t =1,2,…,365 i giorni
dell’anno.
Una volta calcolati i coefficienti di Fourier ak e bk si possono calcolare Ak e θk
come:
⎛ bk ⎞
(4.19)
⎟⎟
⎝ ak ⎠
Nell’utilizzo dell’analisi di Fourier per la descrizione della periodicità dei
parametri meteorologici l’esperienza mostra che per serie aggregate a piccola scala
temporale come quelli giornalieri e settimanali sono sufficienti le prime 4-6
armoniche per una buona rappresentazione della serie di dati (Salas et al., 1995).
Per la scelta del numero di armoniche significative si può ricorrere al “cumulative
Ak = a k2 + bk2 ;
θ k = arctan⎜⎜ −
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
105
periodogram test” (Yevjevich, 1972) che è basato sul grafico che descrive
l’andamento della varianza spiegata in funzione del numero complessivo di
armoniche utilizzato per la descrizione della periodicità. Nel grafico, si noteranno
in genere due tratti ben distinti con pendenze molto diverse: il punto in cui si ha
una variazione di pendenza significativa indicherà il numero di armoniche che può
risultare sufficiente per la descrizione della periodicità.
Ipotizzando che la serie dei residui della temperatura giornaliera segua una
distribuzione normale, una volta scelto il numero di armoniche sufficiente a
descrivere sia la media che lo s.q.m., è possibile costruire i limiti di confidenza per
livello di confidenza P=1- α:
Tt ,α / 2 , Tt ,1−α / 2 = Tˆi ,t ± uα 2 Sˆt
(4.20)
dove uα/2 è il quantile di una variabile normale standard corrispondente ad una
propabilità di non superamento α/2. La verifica del dato viene, quindi, effettuata
sulla base del fatto che il dato rientri o meno nella fascia di confidenza considerata;
qualora il dato ricada fuori esso sarà sottoposto ad un controllo manuale.
Nell’appendice A6 è riportato il confronto dell’applicazione dei tre modelli
sopra elencati per la costruzione delle fasce di confidenza.
Per i casi riportati in appendice, dal confronto delle prestazioni dei tre metodi, può
concludersi che il secondo metodo con 2 armoniche per la descrizione della media
e 7 per lo s.q.m. permette di coniugare la parsimonia dei parametri con dei risultati
accettabili.
4.4.1.3
Costruzione di fasce di confidenza basate sui dati delle stazioni di
riferimento
La metodologia adottata richiede anzitutto l’individuazione delle stazioni di
riferimento, da scegliere tra quelle che sono ubicate a distanza limitata e ad una
quota non molto differente da quella della stazione in esame, prendendo in conto,
se possibile, anche l’esposizione del versante e verificando che il numero di anni di
osservazioni contemporanee sia abbastanza elevato. Tra le stazioni individuate con
i predetti criteri, vengono quindi scelte come stazioni di riferimento quelle che
presentano i più elevati valori mediani dei coefficienti di correlazione giornalieri.
Ipotizzando un legame di tipo lineare tra i dati giornalieri della stazione in
esame e quelli registrati nelle stazioni di riferimento per la costruzione delle fasce
di confidenza si può utilizzare la metodologia esposta nel paragrafo 4.2.2.2
indicando questa volta con il simbolo j il generico giorno dell’anno (j=1,…,365).
Per considerare la possibilità che una o più stazioni di riferimento non stiano
funzionando occorre costruire le fasce di confidenza relative al caso di disponibilità
di dati in tutte le stazioni di riferimento sia al caso disponibilità solo in alcune di
106
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
dette stazioni (ad es. se le stazioni di riferimento sono tre si costruirà una fascia di
confidenza relativa alla regressione ottenute con le tre stazioni e tre relative alle
regressioni ricavate in funzione delle tre possibili combinazioni di stazioni a due a
due).
4.4.2
CONTROLLO DI QUALITÀ DELLA PRECIPITAZIONE
4.4.2.1
Metodologia
La metodologia proposta per il controllo dei dati termometrici giornalieri non
può essere semplicemente estesa al caso dei dati pluviometrici, poiché questi ultimi
presentano una elevata variabilità che rende inefficace una verifica basata sul
confronto con i dati storici della stessa stazione. Inoltre, i dati di precipitazione
giornaliera presentano generalmente un carattere intermittente (dati non nulli che si
alternano a numerosi dati nulli), che rende insufficiente l’applicazione di
regressioni determinate solo tra precipitazioni non nulle.
Pertanto, la metodologia proposta per la validazione dei dati pluviometrici
acquisiti in telemisura prevede due diversi controlli a seconda che il dato rilevato
sia nullo o non nullo. In entrambi i casi la verifica del dato osservato nella stazione
considerata viene effettuata mediante il confronto con quelli osservati nelle stazioni
di riferimento scelte.
Il controllo consiste in un confronto di tipo spaziale, basato sulla probabilità di
contemporanea presenza-assenza di pioggia tra la serie di dati osservati nella
stazione in esame a scala giornaliera e la serie delle osservazioni in stazioni
limitrofe che presentino caratteristiche abbastanza simili.
A tal fine, vengono implementate due diverse reti neurali per verificare la
correttezza dei dati:
− la prima rete neurale, definita binaria, è utilizzata per stimare nella stazione
in esame la presenza o meno di precipitazione, sulla base delle
contemporanee osservazioni in stazioni di riferimento;
− la seconda rete neurale è utilizzata per valutare l’entità della precipitazione
nel caso che il valore osservato nella stazione sia non nullo e che la prima
rete abbia confermato che per il giorno in esame ci si aspetti un valore di
pioggia.
Nel caso di dati non nulli, confermati dalla prima rete neurale, si procede al
controllo che il dato in telemisura ricada in una fascia di confidenza di fissata
probabilità, costruita sulla base dei valori osservati nelle stazioni di riferimento.
Il risultato della procedura consiste quindi in un giudizio di qualità sul dato
rilevato, che può essere:
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
107
1. Dato Validato (V);
2. Dato Rifiutato (R);
La metodologia viene applicata anche in questo caso in due fasi distinte: una
fase di calibrazione e una fase di controllo (cfr. Figura 4.3).
Nel seguito si riportano i dettagli della metodologia sviluppata e si rimanda
all’appendice A7 per le applicazioni ai dati di precipitazioni giornaliere in alcune
stazioni gestite dall’ex Ufficio Idrografico Regionale della Sicilia, oggi Agenzia
Regionale per i Rifiuti e le Acque
Calibrazione
Selezione delle stazioni di riferimento sulla base
della contemporanea assenza-presenza di pioggia
Allenamento della rete neurale “binaria” per la
predizione dei valori nulli/non nulli sulla base delle
contemporanee osservazioni nelle stazioni di riferimento
Osservazione pluviometrica giornaliera
Controllo
=0
Rete
binaria
Non validato
Allenamento della rete neurale per la stima dei
valori non nulli sulla base delle contemporanee
osservazioni nelle stazioni di riferimento
>0
>0
Precipitazione
giornaliera
osservata
Rete
binaria
Valore
stimato
Valore
stimato
=0
Non validato
>0
=0
Rete
neurale
continua
Validato
si
Valore che
rientra
nella fascia
no
Figura 4.3 - Procedura per la validazione dei dati pluviometrici giornalieri
Non validato
108
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
4.4.2.2
Individuazione delle stazioni di riferimento
Per l’individuazione delle stazioni di riferimento, non essendo significative le
correlazioni fra le serie giornaliere a causa della presenza di dati nulli, si è scelto di
utilizzare un criterio basato sulla frequenza di contemporanea assenza/presenza di
pioggia.
(k )
In particolare, introducendo una variabile booleana Y , pari a 1 nel caso di
pioggia giornaliera osservata nella k-esima stazione e pari a 0 nel caso di assenza
di pioggia, è possibile procedere alla stima delle probabilità condizionate come
segue:
[
]
Pij = P Y ( c ) = j | Y ( r ) = i ≅
[
]
n°volte Y ( c ) = j , Y ( r ) = i
i, j = 0,1
n°volte[Y ( r ) = i ]
(4.21)
dove c indica la stazione considerata ed r indica la stazione di riferimento.
Le probabilità condizionate, utili ai fini della selezione delle stazioni, sono la
P00 e P11, e cioè rispettivamente la probabilità di contemporanea assenza e di
contemporanea presenza di pioggia giornaliera. Inoltre, per affinare la scelta delle
stazioni di riferimento, vengono presi in considerazione i seguenti indici di affinità:
I1 =
N sp
Nt
;
I2 =
Np
Nt
;
I = I1 + I 2
(4.22)
dove Np e Nsp sono rispettivamente il numero di giorni con pioggia e senza
pioggia contemporaneamente osservati nelle due stazioni ed Nt è il numero totale di
giorni di osservazioni. Si osservi che tali indici differiscono dalle probabilità di cui
all’eq. (4.22) in quanto essi stimano le probabilità congiunte, e non già
condizionate.
4.4.2.3
Validazione dei valori delle precipitazioni attraverso
l’applicazione di reti neuronali
La procedura di controllo delle precipitazioni prevede in una prima fase un
confronto del dato osservato con la stima ottenuta dalla rete cosiddetta binaria, che
restituisce cioè valori 0 o 1 in corrispondenza rispettivamente di pioggie nulle o
non nulle. Per l’allenamento della rete binaria si utilizzano le serie contemporanee
di osservazioni giornaliere nella stazione e nelle stazioni di riferimento. I dati di
input della rete sono costituiti dai valori di precipitazioni nelle stazioni di
riferimento mentre i dati di output sono i dati della stazioni in esame. Viene
adottata una rete neuronale con uno strato nascosto con 5 neuroni e con una
funzione lineare tra lo stato di input e lo strato nascosto ed una funzione sigmoidale
tra lo strato nascosto e quello di output. Poichè tale rete restituisce valori continui,
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
109
essi vengono trasformati in corrispondenti valori 0 o 1 attraverso l'introduzione di
un valore di soglia.
La ricerca del valore soglia opportuno viene effettuata sulla base di un’analisi di
sensitività delle percentuali di valori nulli o non nulli validati al variare della
soglia. Poiché più alta è la soglia maggiore sarà la quantità di valori nulli verificati,
il valore soglia preferibile è quello in corrispondenza del quale risultano uguali le
percentuali dei valori nulli e non nulli validati. A titolo di esempio in figura 4.4
sono riportate le percentuali di valori nulli/non nulli validati al variare della soglia,
relativamente ai dati pluviometrici giornalieri registrati dal 1950-2004 nella
stazione di Sommatino appartenete alla rete di rilevamento dell’Agenzia Regionale
per i Rifiuti e le Acque- Settore Osservatorio delle Acque della Regione Siciliana.
Dalla figura si evince come in questo caso il valore preferibile sia 0.18.
Una volta determinato il valore soglia si procede alla trasformazione dei valori
stimati in zero o uno secondo la seguente formulazione:
Y
t
⎧0
= ⎨
⎩1
_
se X ≤ x0
_
se X > x0
(4.23)
_
dove x0 è il valore soglia e X
assumerà valore uno o zero.
è il valore che restituisce la rete binaria mentre Yt
Se il dato giornaliero osservato è nullo, la verifica sulla qualità del dato
consisterà essenzialmente nel verificare che la rete binaria restituisca 0; in tal caso
il dato sarà considerato “Validato”.
110
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
100
90
80
% validati
70
60
50
40
30
20
10
0.18
0
0
0.1
0.2
Non Nulli
0.3
Valore Soglia
0.4
0.5
0.6
Nulli
Figura 4.4 - Andamento dei valori nulli e non nulli validati in corrispondenza di diversi
valori soglia per la rete binaria relativa ai dati di precipitazione giornaliera della stazione
di Sommatino
Diversamente il dato verrà giudicato “Non Validato” e sarà sottoposto ad un
successivo controllo annuale. Qualora, invece, il valore osservato e il valore
stimato dalla rete binaria siano entrambi non nulli, si verifica se il dato acquisito
dalla stazione in esame rientri all’interno della fascia di confidenza di fissata
probabilità, ottenuta mediante la seconda rete neuronale a partire dai
contemporanei dati registrati nelle stazioni di riferimento.
L’esito di questa seconda verifica permette ancora una volta di esprimere un
giudizio di qualità del tipo “Validato” o “Non Validato”.
Anche per questa metodologia, analogamente a quella di controllo dei dati
termometrici, per contemplare il caso in cui una o più stazioni di riferimento non
stiano funzionando occorre costruire le reti neurali relative sia al caso in cui tutte le
stazioni stiano funzionando e sia ai casi di un numero inferiore di stazioni fornite di
dati (ad es. se le stazioni di riferimento sono 4 e tutte funzionanti si avrà una rete
neurale, se ne funzionano solo 3 o 2 si avranno altre reti costruite a partire dai soli
dati delle stazioni funzionanti).
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
4.4.3
ANALISI DELL'AFFIDABILITÀ DELLA
VALIDAZIONE DEI DATI GIORNALIERI
PROCEDURA
111
DI
4.4.3.1
Caso delle serie delle temperature massime e minime giornaliere
L’affidabilità della procedura proposta (il cui esempio di applicazione è
riportato in appendice A7) può essere valutata introducendo degli errori in una
serie di dati storici supposti corretti e verificando la capacità del modello di
“riconoscere” tali errori.
Al fine di valutare le performance delle procedure di validazione, sono stati
introdotti errori in modo random sulle serie di dati da sottoporre a controllo. In
particolare, nel caso delle temperature, volendo simulare una staratura dello
strumento, si è introdotto un errore corrispondente ad una fissata variazione
(positiva) di temperatura.
Una volta effettuata la validazione automatica dei dati così alterati, si è
proceduto alla stima delle seguenti probabilità condizionate, sulla base delle
frequenze valutate sul campione di dati disponibili:
P[corretto | validato] ≅
P[non _ corretto | non _ validato] ≅
n°volte[corretto, validato]
n°volte[validato]
n°volte[non _ corretto, non _ validato]
n°volte[non _ validato]
(4.24)
(4.25)
Le equazioni (4.24) e (4.25) rappresentano una misura dell’affidabilità della
procedura in quanto esprimono le probabilità che i giudizi emessi su un dato
(validato o non validato) siano corretti. Viceversa, i complementi ad uno delle
probabilità (4.24) e (4.25), rappresentano le probabilità che i giudizi siano sbagliati.
Pertanto, valori elevati delle probabilità (4.24) e (4.25) indicheranno una elevata
affidabilità della procedura, intesa come probabilità di non sbagliare nell'emettere
un giudizio su un dato.
Al fine di valutare l'affidabilità della procedura proposta sono state sottoposte a
validazione automatica serie di dati di temperatura, in ipotesi originariamente
corretti, nelle quali fossero stati introdotti errori sistematici corrispondenti ad
incrementi fissati di temperatura. Per scegliere in maniera opportuna l’errore, è
stata condotta un’analisi di sensitività del modello di validazione al variare
dell’entità degli errori. In particolare, sono stati introdotti errori variabili giorno per
giorno in funzione dello s.q.m. L’espressione dell’errore introdotto nel generico
giorno t (Δt) è la seguente:
Δ t = δ *σ t
(4.26)
112
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
dove δ rappresenta un coefficiente moltiplicativo dello scarto σt.
In figura 4.5 sono riportate le percentuali degli errori individuati dal modello e dei
dati validati al variare del parametro δ, e cioè al variare dell’entità degli errori
introdotti sull'intera serie delle temperature massime e minime giornaliere
registrate nella stazione di Trapani appartenente alla rete di rilevamento
dell’Agenzia Regionale per i Rifiuti e le Acque- Settore Osservatorio delle Acque
della Regione Siciliana, utilizzando il secondo metodo per la costruzione delle
fasce di confidenza basate sui dati della stessa stazione. Si noti come la percentuale
di dati validati in assenza di errori è maggiore del 90 % sia per le temperature
massime che minime. Inoltre, come era lecito attendersi, il modello individua una
percentuale di errori sempre crescente al crescere dell’entità dell’errore. In
particolare, per δ ≅2, corrispondente ad un errore compreso tra 3 e 8 °C, il modello
è in grado di individuare il 50 % di errori.
100.0
100.0
a
75.0
b
P%
P%
75.0
50.0
50.0
25.0
25.0
0.0
0.0
0
1
2
3
4
5
0
1
2
delta
Validati
Errori Scoperti
3
4
5
delta
Validati
Errori Scoperti
Figura 4.5. Performance del modello al variare dell’entità degli errori introdotti sulle
temperature massime (a) e minime (b) giornaliere osservate nella stazione di Trapani
Per eseguire il confronto delle performance della procedura considerando i tre
diversi metodi per la costruzione delle fasce di confidenza, utilizzando i dati della
stazione in esame, è stato fissato in modo arbitrario un valore δ ≅2 e sono state
stimate frequenzialmente le probabilità condizionate di cui all’equazioni (4.24) e
(4.25). I risultati ottenuti per la temperatura minima sono riportati in figura 4.6,
dalla quale si evince che l’andamento delle frequenze al variare della percentuale di
errori introdotti è dello stesso tipo e ordine di grandezza per i tre diversi metodi di
costruire le fasce di confidenza.
113
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
I METODO
III METODO
II METODO
100
90
80
70
60
P % 50
40
30
100
100
90
90
80
80
70
70
60
60
P % 50
P % 50
40
40
30
30
20
20
20
10
10
10
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0
0
n° errori/totale dati termometrici giornalieri
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
n° errori/totale dati termometrici giornalieri
P[C|V]
P[N.C|N.V]
P[C|V]
0.2
0.3
0.4
P[C|V]
P[N.C|N.V]
0.5
0.6
0.7
0.8
0.9
1
n° errori/totale dati termometrici giornalieri
P[N.C|N.V]
Figura 4.6. Performance della procedura di validazione, per i tre diversi metodi di
costruire le fasce di confidenza, al variare dell’entità degli errori introdotti sulle
temperature minime giornaliere osservate nella stazione di Trapani
4.4.3.2
Caso delle serie delle precipitazioni giornaliere
Volendo simulare un malfunzionamento del pluviometro corrispondente ad
un’occlusione dell’imbuto raccoglitore, si è proceduto a introdurre valori nulli in
una serie di dati giornalieri, supposti corretti. Gli errori sono stati introdotti in
modo casuale, ipotizzando cioè che la probabilità di un malfunzionamento sia la
stessa per i giorni piovosi e per quelli non piovosi. Naturalmente, nei giorni non
piovosi, l’otturazione del pluviometro non costituisce errore, e pertanto i dati sono
stati considerati corretti.
100
90
80
70
60
P % 50
40
30
20
10
0
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
n° errori/totale dati pluviometrici non nulli
P[C|V.]
0.9
1.0
P[N.C|N.V]
Figura 4.7. Performance del modello al variare della percentuale di errori introdotti nella
serie dei dati di precipitazioni giornaliere della stazione di Mirabella Imbaccari.
114
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
In maniera analoga a quanto visto per le temperature, in figura 4.7 sono
rappresentate le probabilità condizionate attraverso le quali è possibile valutare
l’affidabilità del modello proposto in riferimento ai dati pluviometrici giornalieri
registari nella stazione di
Mirabella Imbaccari appartenente alla rete di
rilevamento dell’Agenzia Regionale per i Rifiuti e le Acque- Settore Osservatorio
delle Acque della Regione Siciliana. Dal grafico si evince che al crescere della
percentuale di errori introdotti la probabilità che i dati validati siano anche corretti
decresce, mantenendosi comunque superiore al 95 %, mentre aumenta la
probabilità che i dati non validati siano non corretti, non superando comunque mai
il 75 %.
4.5
CONSIDERAZIONI CONCLUSIVE
La procedura per il controllo dei dati mensili di temperatura e precipitazione
acquisiti da reti in telemisura a servizio del monitoraggio della siccità consente di
classificare i dati acquisiti mediante giudizi di qualità in base ai quali è possibile
accettare tali dati o procedere all’ulteriore controllo manuale.
La procedura, ha il vantaggio di effettuare un doppio controllo basato sia sul
confronto del valore osservato con i dati dello stesso mese rilevati nella stessa
stazione negli anni precedenti, sia sul confronto con i dati osservati
contemporaneamente in stazioni di riferimento.
La procedura è stata applicata ai dati di 43 stazioni termopluviometriche inserite
nella rete in telemisura realizzata dall’ex Ufficio Idrografico Regionale della
Sicilia, oggi Agenzia Regionale per i Rifiuti e le Acque e ha condotto a validare
oltre il 90% e a procedere al controllo manuale di circa il rimanente 10% dei dati a
disposizione.
Entrambe le procedure proposte per il controllo dei dati giornalieri di
temperatura massima e minima e precipitazione utilizzano i dati delle stazioni
limitrofe con la differenza che l’ARPA-EMR li utilizza per creare valori soglia con
cui confrontare i dati rilevati mentre il DICA-UNICT per costruire opportune fasce
di confidenza entro le quali il dato deve rientrare per essere ritenuto di qualità.
Per ciò che riguarda la procedura dell’ARPA-EMR, le soglie che definiscono
la bontà dei dati sono state scelte in modo tale da minimizzare il numero di dati
apparentemente validi, scartati dal controllo di qualità, e nello stesso tempo
massimizzare l’identificazione di possibili dati erronei.
Al termine del controllo di qualità ad ogni dato viene associato un flag che
consiste in un numero intero che può assumere i valori di 0, 1 o 2. Se il flag ha
valore 0 il dato è valido, nel caso in cui il valore di flag è 1 il dato è considerato
Procedure di controllo di qualita’ dei dati provenienti dalla rete
idrometeorologica
115
sospetto, ma può essere usato, se infine il flag ha valore 2 il dato non ha passato il
controllo di qualità e, pertanto, il dato è quasi certamente errato e bisogna evitare di
usarlo.
E’ in via di implementazione un codice di calcolo in linguaggio Visual Basic
per il controllo di qualità qui descritto.
La procedura proposta dal DICA-UNICT applicata a dati di precipitazione e di
temperatura massima e minima a scala giornaliera, consente di classificare i dati
acquisiti attribuendo ad essi un giudizio di qualità in base al quale i dati possono
essere accettati ovvero sottoposti a ulteriori controlli di tipo manuale. La procedura
proposta per la validazione dei dati termometrici è basata sia sul confronto del
valore osservato con i dati rilevati dalla stazione in esame nello stesso giorno degli
anni precedenti, sia sul confronto con i dati osservati contemporaneamente in
stazioni di riferimento. La validazione dei dati pluviometrici, invece, è affidata al
solo confronto con le stazioni di riferimento.
La procedura è stata applicata ai dati di diverse stazioni termometriche e
pluviometriche che fanno parte della rete in telemisura dell’ex Ufficio Idrografico
Regionale (UIR) della Sicilia. Nel caso delle temperature, l’88% circa dei dati di
temperatura massima giornaliera e l’82% circa dei dati di temperatura minima
hanno superato la validazione automatica. Per quel che concerne le precipitazioni
oltre l’85 % circa dei dati risulta validato. È stata, infine, valutata la performance
delle procedure proposte attraverso la validazione di serie di dati termometrici e
pluviometrici, inizialmente corretti, successivamente all’introduzione di errori atti a
simulare ipotetici malfunzionamenti degli strumenti.
In base ai risultati ottenuti si evince che, per entrambe le procedure, al crescere
della percentuale di errori nella serie, la probabilità che i dati validati siano anche
corretti decresce, mentre aumenta la probabilità che i dati non validati siano non
corretti. La procedura adottata per le temperature appare, tuttavia, più sensibile
all’incremento del numero di errori introdotti. In particolare, se la percentuale del
numero di errori introdotti rispetto al numero totale di dati supera il 35 %, la
procedura mostra una maggiore affidabilità (con probabilità superiori all’80%) nel
non validare dati non corretti, mentre si riduce significativamen-te la capacità di
validare dati corretti.
Per quanto riguarda, invece, le precipitazioni si osserva che fra i dati validati
oltre il 95% sono sempre dati corretti, mentre la probabilità di non correttezza di
dati non validati si mantiene sempre inferiore al 75 %, rivelando una minore
capacità della procedura di riconoscere dati non corretti.
116
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto,
A. Campisano, V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
4.6
BIBLIOGRAFIA
Abbott, P.F., (1986). Guidelines on the quality control of surface climatological data, WMO/TD
111.
Campisano, A., Cancelliere, A., Rossi, G., “Una procedura semi-automatica per il controllo di
qualità dei dati pluviometrici e termometrici”, XXVIII Convegno di Idraulica e Costruzioni
idrauliche, Potenza 16-19 settembre, 2002.
Kottegoda, N., Rosso, R., “Statistics, Probability, and Reliability for Civil and Environmental
Engineers”, McGraw-Hill, New York, (1997).
Madsen, H., “Quality control of precipitation measurements in Denmark”, Proceedings of the
fourth International Meeting on Statistical Climatology, Rotura, New Zealand, (1989), pp. 13-15.
Reek, T., Doty, S.R. & Owen, T.W. A deterministic approach to the validation of historical
daily temperature and precipitation data from the cooperative network. Bulletin American
Meteorological Society, 1992, 73(6), 753-762.
Salas, J. D., Delleur, J. W., Yevjevich, V. and Lane, W. L., “Applied Modeling of Hydrologic
Time Series”. Water Resources Publications, Fort Collins, Colorado, (1985).
Yevjevich, V., “Stochastic Processes in Hydrology”. Water Resources Publications, Fort
Collins, Colorado, (1972).
5. PROCEDURE DI CARATTERIZZAZIONE DEI DATI STORICI
G. LA LOGGIA, L.V. NOTO, F. VIOLA
Dipartimento di Ingegneria Idraulica ed Applicazioni Ambientali, Università
degli Studi di Palermo
M.T. NOTO
Regione Siciliana - Agenzia Regionale per i Rifiuti e per le Acque –
Osservatorio per le Acque
Abstract: E’ estremamente difficile che osservazioni raccolte nell’arco di più decenni,
con strumenti e metodi notevolmente differenti tra loro, siano direttamente
confrontabili; ciò fa si che, per un’efficace ricostruzione del clima storico, avendo a
disposizione una grande quantità di dati, che nasca la necessità di utilizzo di strumenti
conoscitivi che permettano di gestire i numerosi problemi legati all’analisi di lunghe
serie storiche. Dalla caratterizzazione della serie storica, si arriva alla definizione di
criteri per la selezione di una rete di monitoraggio della siccità, e a criteri per
l’attribuzione di un giudizio di qualità alla singola stazione, alla rete di monitoraggio di
una singola grandezza climatica ed al sistema di monitoraggio per la siccità, inteso
come insieme di reti.
Key words: Serie storica, omogeneità, dati mancanti, criteri
5.1
INTRODUZIONE
Le serie storiche possono essere definite come un set di dati climatici
consecutivi nel tempo, relativi ad una certa area geografica e ad uno specifico
intervallo di tempo (generalmente lungo); la disponibilità di un’ampia base di dati
storici non costituisce di per sé condizione sufficiente per poter procedere ad una
dettagliata ricostruzione del clima in una data località e/o in una data regione.
Una serie storica può essere definita “omogenea” se le variazioni, in essa
presenti, sono dovute unicamente ai cambiamenti del tempo meteorologico e/o del
clima. Come tutte le definizioni, questa rappresenta una condizione ideale,
raramente realizzata nelle serie storiche di dati meteorologici, con cui si lavora in
pratica. In generale, è possibile dire che non esistono serie storiche, soprattutto
secolari, prive di disomogeneità.
Infatti, dall’analisi di serie storiche, possono emergere differenti tipi di
disomogeneità, sintetizzabili in due grandi categorie:
118
G. La Loggia, L.V. Noto, F. Viola, M.T. Noto
−
−
Discontinuità nette (salti bruschi), dovute essenzialmente a cambi nella
strumentazione o cambi di posizione della stazione stessa;
Presenza di trend graduale nel valore medio e/o nella varianza (salti
graduali), possono sorgere da cambiamenti nei dintorni della stazione,
quali l’urbanizzazione, o da modifiche progressive delle caratteristiche
dello strumento.
A prescindere dalla loro origine, tutte le disomogeneità hanno un importante
aspetto in comune: esse "nascondono" i veri segnali climatici e vanno pertanto
eliminate prima di procedere all'analisi dei dati.
L'operazione per la quale si eliminano le disomogeneità prende il nome di
omogeneizzazione. E’ importante sottolineare che l’omogeneizzazione di una serie
meteorologica è una operazione molto delicata e complessa, che quasi mai
restituisce una serie come essa sarebbe stata se non fosse stata affetta da
disomogeneità. Questo chiarisce il significato essenzialmente estimativo delle
tecniche di omogeneizzazione e la differenza tra una serie omogenea e una serie
omogeneizzata. In altre parole, si può dire che la procedura di omogeneizzazione
restituisce alla serie una “omogeneità relativa” (cioè, la serie corretta mostra un
andamento in linea con quello di serie provenienti da stazioni vicine), cosa che è
ben diversa dall'omogeneità "vera".
In questo studio, si pone l’accento al concetto di omogeità, inteso come prova
per la caratterizzazione di una serie storica e per la successiva valutazione della
sua “bontà” (livello di qualità sufficiente, buono, ottimo), utilizzando metodi
diretti, cioè analisi di informazioni di carattere storico contenute nei metadati, o
metodi indiretti, utilizzando tecniche statistiche, generalmente basate sull’analisi
statistica della singola serie oppure sul confronto con una serie di riferimento. Le
serie storiche, non sono state, invece, sottoposte ad omogeneizzazione.
5.2
CONTROLLI DI OMOGENEITA’ BASATI SULLO STORICO
(METADATI)
I controlli di omogeneità di tipo diretto sono quelli basati su informazioni
ricavate da studi di carattere storico (metadati), relativi alle stazioni e agli strumenti
di misura in esse utilizzati. Tali informazioni, possono essere tratte dai registri delle
stazioni, o dagli annali meteorologici regionali e/o nazionali.
Nel migliore dei casi, i metedati forniscono le cause, le date in cui sono
avvenute le discontinuità; talvolta, forniscono anche le entità del cambiamento.
L’utilizzo dei metadati può avvenire sia in fase di ricostruzione della serie sia in
fase di omogeneizzazione. La procedura seguita effettivamente dipende molto
119
Procedure di caratterizzazione dei dati storici
spesso dalla natura dei dati studiati (es: temperatura, pressione, etc.), ma anche
dalla reperibilità di informazioni sulla stazione. La ricerca e la classificazione dei
metadati, infatti, è una attività laboriosa che richiede molto tempo e ciò, in molti
casi, ne limita il loro utilizzo.
Oggi, si registra una tendenza crescente verso la sistematizzazione della
raccolta di metadati dalle singole stazioni, con l’obbiettivo di costruire dei database
che li raccolgano. A livello locale, la digitalizzazione dei metadati consente un loro
più agevole utilizzo in fase di omogeneizzazione e una maggiore integrazione con i
metodi statistici.
5.3
CONTROLLI DI
MATEMATICI
OMOGENEITA’
BASATI
SU
METODI
La maggior parte dei controlli di omogeneità utilizza, in maniera diretta o
indiretta (tramite lo sviluppo di serie di riferimento), i dati meteorologici di stazioni
vicine a quella in studio. Per una data variabile atmosferica, una serie di
riferimento è, in generale, una serie storica costruita mediando in maniera
opportuna i dati omologhi di parecchie stazioni, possibilmente molto vicine alla
stazione sa sottoporre al controllo di omogeneità (serie “candidata”). Il numero di
stazioni utilizzate per costruire la serie di riferimento dovrebbe essere abbastanza
grande da mascherare eventuali disomogeneità dei dati di riferimento. In realtà, il
numero esatto di stazioni dipende dalle finalità dell'analisi, dalla densità della rete
di stazioni e soprattutto dalla quantità dei dati a disposizione.
Formalmente, possiamo rappresentare i dati di una generica serie “candidata”
come somma di più termini. Sia X(t) il valore al tempo t del parametro climatico X
che si vuole analizzare. Allora, possiamo scrivere:
X (t ) = C (t ) − IH (t ) + e(t )
(5. 1)
In cui:
−
−
−
−
(t) = 1, 2,…n
C(t) è la funzione di tendenza di un ipotetico segnale climatico
IH(t) è l’eventuale disomogeneità presente nel valore t-esimo della serie
e(t) rappresenta un errore casuale.
Utilizzando termini analoghi, la serie di riferimento si rappresenta nella
seguente forma:
R (t ) = C ' (t ) − R (t ) = IH ' (t ) + e' (t )
(5.2)
120
G. La Loggia, L.V. Noto, F. Viola, M.T. Noto
Se le due serie appartengono alla stessa regione climatica, possiamo assumere
che C(t) = C’(t) per ogni valore di t. Inoltre, se la serie di riferimento è supposta
essere già omogenea, risulterà sempre IH´(t) = 0.
Perciò, se costruiamo la serie delle differenze, abbiamo:
Z (t ) = X (t ) − R(t ) = IH (t ) + d (t )
(5.3)
Quindi la serie delle differenze (Z(t)) esprime le disomogeneità della serie
"candidata"(IH(t)), rispetto alla serie di riferimento, più un termine casuale di
errore (d(t)).
Appare chiaro che l’efficacia di questo metodo risiede fondamentalmente nella
capacità di isolare le discontinuità della stazione studiata dalle variazioni
climatiche regionali. Difatti, le stazioni vicine sono utilizzate proprio come
indicatori del clima della regione circostante. In sostanza, si accetta
ragionevolmente come mutamento climatico una variazione che trovi riscontro
nelle stazioni vicine, mentre un cambiamento che compaia solo nella stazione da
esaminare viene considerato di natura non climatica (C(t) = C´(t) nelle (5.1) e
(5.2)). Questa considerazione di fondo mostra le potenzialità insite nelle serie di
riferimento, ma ne sottolinea anche i limiti.
Innanzitutto, il segnale climatico regionale, introdotto nella serie della stazione
“candidata”, tende a cancellare nella serie in esame gli eventuali segnali del suo
microclima, interpretandoli sempre come disomogeneità.
L’inconveniente principale dell’adozione di una serie di riferimento è che i dati
considerati come riferimento potrebbero non essere del tutto omogenei. Ciò
significa avere il termine (IH’(t)) nella (5.2) diverso da zero. Per evitare questo
rischio, si può procedere al confronto di ogni serie con tutte le (o con un definito
numero) altre serie e basare poi la valutazione della presenza di eventuali
inomogeneità su una matrice decisionale che contiene tutte le informazioni relative
alla omogeneità relativa di ogni serie con tutte le (o con un definito numero di)
altre.
Problema fondamentale sta, quindi, nella costruzione della serie di riferimento,
ottenibile come media pesata di più serie singole (sj) che ben correlano la serie da
esaminare
∑r s
=
∑r
2 i
j j
SRi
2
j
(5.4)
j
In cui i pesi sono i quadrati dei coefficienti di correlazione tra la serie in esame
e la serie j-esima.
121
Procedure di caratterizzazione dei dati storici
Questo metodo permette di ottenere una serie di riferimento nella quale le
eventuali disomogeneità presenti nelle singole serie sj sono smorzate
dall’operazione di media.
Esistono diversi test utilizzabili per la verifica dell’omogeneità di una serie
storica. E’ possibile, inoltre, utilizzare, più serie singole come riferimento
(HOCLIS procedure); in questo caso non si richiede l’esistenza a priori di una serie
omogenea di riferimento.
5.4
LA STIMA DEI DATI CLIMATICI MANCANTI
RICOSTRUZIONE DELLE SERIE STORICHE
PER
LA
Diversi autori hanno studiato il problema dell’analisi di banche dati climatiche
al fine di determinare la presenza di dati mancanti o inattendibili e di stimare in tali
casi il valore della grandezza climatica mancante in modo da ottenere delle serie
storiche complete di dati climatici. Nella maggior parte dei casi tale problema
viene risolto facendo ricorso alle tecniche di interpolazione spaziale dei dati di
pioggia. Lo scopo è quello di stimare la precipitazione in un punto non
strumentato, servendosi dei dati registrati in altre posizioni da altri strumenti. In
questo modo si possono costruire delle mappe di precipitazione valide per interi
regioni, e non solo per i punti in cui sono posizionati gli strumenti di misura.
Nei vari studi disponibili in letteratura, quasi sempre vengono utilizzati
precipitazioni medie annuali e medie mensili, mentre in pochissimi casi vengono
interpolati addirittura dati giornalieri. Viene studiata la correlazione spaziale tra i
dati misurati nelle stazioni pluviometriche e anche la correlazione della variabile
precipitazione con altre variabili, prima tra tutte la quota del terreno ma anche
l’esposizione e la pendenza del terreno, la presenza e la forza di determinati venti.
Gli algoritmi più di frequente utilizzati sono il kriging ordinario e, ancora di più, la
regressione lineare multipla. Per esaminare gli effetti di due o più parametri
contemporaneamente, per esempio la precipitazione e la quota del terreno, sono
stati utilizzati vari metodi, quali ad esempio il cokriging e, appunto, la regressione
lineare multipla, che risulta molto più semplice da utilizzare e implementare.
Molto spesso vengono accoppiati modelli deterministici a modelli geostatistici.
L’accoppiata più utilizzata e con migliori risultati consiste nello studiare con la
regressione multipla la correlazione tra i vari parametri e la pioggia e di utilizzare il
kriging per interpolare spazialmente i residui.
Gandin (1965) ha proposto un modello, chiamato Interpolazione Ottimale, che
stima il valore in un punto non strumentato come combinazione lineare di dei
valori misurati in n stazioni vicine tramite dei coefficienti λi. Per avere stime non
122
G. La Loggia, L.V. Noto, F. Viola, M.T. Noto
distorte, si applica il modello ai residui, cioè le deviazioni dalla media. I pesi
vengono determinati minimizzando la varianza. Come si vede l’interpolazione
ottimale presenta molte analogie con il kriging; la differenza risiede che per
ottenere una stima non distorta, nel kriging vengono vincolati i pesi; inoltre
nell’interpolazione ottimale al posto della semivarianza viene studiata la
covarianza. Quest’ultima differenza, in realtà, è di poco conto, in quanto abbiamo
visto che per variabili stazionarie la covarianza e la semivarianza differiscono per
una costante.
Creutin e Obled (1982) hanno pubblicato uno studio comparativo,
accompagnato da un caso studio, delle varie tecniche di interpolazione disponibili.
Lo stesso approccio di Creutin e Obled viene seguito in molti altri studi analoghi
(Goovaerts, 1999a e 1999b; Tabios e Salas, 1985; Phillips et al., 1992; MartìnezCob, 1996), nei quali si dimostra come i metodi geostatistici portino a stime
migliori di quelle date dai metodi convenzionali. L’approccio consiste intanto nel
suddividere i vari metodi in due classi, a secondo che questi usino solo il dato
pluviometrico o anche la quota del terreno:
A. Metodi che utilizzano esclusivamente il dato di pioggia:
ƒ
ƒ
ƒ
ƒ
Poligoni di Thiessen;
IDW (Inverse Distance Weighting) o ISD (Inverse Square Distance);
Kriging ordinario;
EOF (Emphirical Orthogonal Function Analysis).
B. Metodi che utilizzano anche l’elevazione:
ƒ
ƒ
ƒ
ƒ
Regressione lineare;
Kriging semplice con medie locali variabili (SKlm);
Kriging con deriva esterna (KED);
Cokriging.
I metodi del primo gruppo stimano la variabile precipitazione in un punto
utilizzando unicamente l’informazione precipitazione, nota nei punti di
campionamento.
I Poligoni di Thiessen sono sempre stati utilizzati per il ragguaglio delle
piogge, mentre qui vengono utilizzati per la loro interpolazione. Il metodo è molto
semplice e molto approssimato: ad ogni punto non strumentato viene assegnata la
pioggia misurata nella stazione più vicina.
Nel metodo IDW, il valore di un punto non strumentato è dato da una media
pesata dei valori di n stazioni vicine. Il peso da dare ad ogni stazione è
inversamente proporzionale alla distanza. In particolare il metodo ISD il peso è
proporzionale al quadrato della distanza (da qui il nome Inverse Square Distance).
Anche nel kriging, la classe dei metodi geostatistici, la stima viene determinata
Procedure di caratterizzazione dei dati storici
123
effettuando una stima pesata delle precipitazioni registrate in posizioni vicine. La
differenza rispetto altri metodi simili non geostatistici, come l’IDW, sta nella
determinazione dei pesi. Nel kriging, infatti, i pesi sono una funzione
dell’autocorrelazione spaziale della variabile che si vuole interpolare, cioè la
precipitazione.
Nei metodi che sono inseriti nel secondo gruppo, la stima della precipitazione
viene fatta in base sia all’informazione precipitazione, nota nei punti di
campionamento, ma anche utilizzando la correlazione tra la precipitazione e
un’altra informazione, nella fattispecie la quota del terreno.
Come primo metodo viene studiata una regressione lineare semplice del tipo:
*
PRL
(u 0 ) = α + βQ(u 0 )
(5.5)
dove con la solita notazione P* è la stima della precipitazione e Q è la quota.
Quindi secondo questo modello la stima della precipitazione in un punto u0 dipende
unicamente dalla quota del terreno in quel punto, attraverso una relazione lineare. E
non dipende in nessun modo da come la precipitazione vari nell’intorno del punto
u0. Con la regressione lineare non facciamo altro che riscalare la quota del terreno
attraverso il coefficiente β e la costante α.
Di questo semplice modello esistono diverse possibili evoluzioni. Per esempio,
unendo alla variabile indipendente quota altre variabili indipendenti si passa a
modelli regressivi lineari multipli. Un’altra possibile evoluzione è costituita dalla
Regressione Geograficamente Pesata (GWR, Geographically Weighted
Regression), proposta da Brunsdon (2001) sul territorio inglese. In questo modello
i coefficienti β e α non sono costanti ma dipendono dalla posizione. Questo
metodo permette di studiare la non-stazionarietà della relazione pioggiaelevazione.
Nella regressione multipla la precipitazione è modellata come una funzione di
un certo numero di variabili caratterizzanti la morfologia del territorio. Nei vari
modelli sviluppati e disponibili in letteratura, si trova ovviamente la quota del
terreno, presa dal DEM del territorio, la sua esposizione (Aspect) e la sua pendenza
(Slope).
Per particolari regioni con conformazioni speciali, per esempio isole che si
allungano in una certa direzione, viene tenuto conto anche della latitudine o della
longitudine, viste come distanza da una certa linea verticale o orizzontale. Ne è un
esempio l’isola di Creta, che si sviluppa lungo un parallelo (Naoum, 2003 e 2004).
La precipitazione è influenzata sia dalle variazioni geografiche che dalle
variazioni stagionali. La durata e le caratteristiche delle stagioni sono funzioni della
latitudine, ed entra in gioco anche la distanza dal mare visto come sorgente di
umidità. La distribuzione spaziale delle piogge è fortemente influenzata anche dalla
124
G. La Loggia, L.V. Noto, F. Viola, M.T. Noto
circolazione atmosferica (Wibig, 1999; Conway et al., 1996; Roebber and Bosart,
1998; Busuioc et al., 2001), dai venti e dalla loro direzione. La direzione dalla
quale spira il vento si mantiene infatti in un range di 90° nell’arco del singolo
evento piovoso. Johansson (2003) inserisce tra i parametri della regressione
multipla la forza del vento, la pendenza del lato sopravvento e di quello sottovento
e in ultimo la distanza dal mare. Altri utilizzano in aggiunta l’umidità relativa
dell’aria. Molto spesso le variabili vengono trasformate o combinate tra loro
(Naoum, 2003 e 2004; Marquìnez, 2003):
P* = (b1 x1 + b2 x2 + b3 x3 )
(
)
+ b4 x12 + b5 x22 + b6 x32 +
(5.6)
+ (b7 x1 x2 + b8 x1 x3 + b9 x2 x3 ) + b0
(
)
+ (b DEM + b DEM + b DEM ) +
+ (b SLOPE + b SLOPE + b SLOPE ) +
+ (b D + b D + b D ) +
+ (b D + b D + b D ) + b
P* = b1DEM + b2 DEM 2 + b3 DEM 3 +
4
b
2
b
5
3
b
6
2
7
8
3
(5.7)
9
10
ovest
11
2
ovest
12
3
ovest
13
mare
14
2
mare
15
3
mare
0
oppure viene operata direttamente una trasformazione della precipitazione, per
esempio usando la radice quadrata o il logaritmo:
log P* = α 0 + α1 log( X 1 ) + α 2 log( X 2 ) + ... + α n log( X n ) + ε
(5.8)
Un’altra evenienza è che la stessa caratteristica del territorio venga inserita nel
modello non come unico parametro, ma sotto forma di diverse variabili. Per
esempio per tenere conto della conformazione del territorio, Drogue (2002) utilizza
diversi parametri di elevazione: la quota nel punto della stazione, la quota media e
la pendenza media calcolata su un quadrato di tre metri di lato, centrato nella
stazione, le stesse quantità su un quadrato di cinque metri, eccetera. Per ottimizzare
metodi come il precedente, che possono avere anche centinaia di variabili, viene
utilizzato spesso l’approccio stepwise, con il quale si eliminano una alla volta le
variabili indipendenti del modello che fanno peggiorare il coefficiente di
determinazione R2.
I risultati ottenuti dalla regressione semplice o multipla vengono spesso
raffinati effettuando un kriging sui residui (Martìnez-Cob, 1996; Thomas, 2004;
Kyriakidis, 2004).
Procedure di caratterizzazione dei dati storici
125
Gli altri metodi del secondo gruppo sono geostatistici. Sono delle estensioni
del kriging ordinario nelle quali possono essere studiate più variabili o
informazioni contemporaneamente. In questi metodi si ha il vantaggio che la
precipitazione non dipende più unicamente dalla quota del terreno, ma anche dal
comportamento della variabile precipitazione nel dominio. I vari metodi di
interpolazione geostatistici danno buoni risultati, paragonabili fra loro. In generale,
comunque, le performance di questi metodi dipendono sia dalla variabile da
interpolare che dalla configurazione spaziale dei dati e dalle ipotesi fatte (Isaaks
and Srivasta, 1989), quindi è bene testarli tutti in ogni applicazione, per vedere
quale ottiene il migliore risultato. La varianza σ2, è un buon indicatore
dell’incertezza delle stime ottenute con metodi geostatistici.
Diversi altri autori utilizzano i metodi geostatistici, quali il kriging o il
cokriging, per interpolare spazialmente solo un residuo. Per esempio Kyriakidis
(2004) determina la precipitazione, a scala giornaliera, come somma di una
componente deterministica più un certo residuo stazionario con media nulla. Le
due parti sono indipendenti tra loro. La componente deterministica viene studiata
attraverso un modello locale, secondo il quale la precipitazione è funzione della
variabile tempo; i residui verranno invece interpolati spazialmente utilizzando il
cokriging. La parte deterministica è data da:
n
[ ]
m = ∑ bi f
(5.9)
i =1
dove f è una funzione del tempo detta profilo temporale, unica per tutte le stazioni,
cioè indipendente dallo spazio, che tiene conto delle variazioni climatiche a scala
regionale nel tempo; per esempio eventi periodici possono essere descritti da
funzioni sinusoidali. Questo fattore f può essere calcolato attraverso l’analisi EOF
(Rao e Hsieh, 1991; Hisdal e Tveito, 1992; Sauquet et al., 2000). bi indica una serie
di coefficienti incogniti, variabili nello spazio, autocorrelati e correlati con la quota.
Si determinano attraverso un’applicazione dei minimi quadrati ordinari.
Individuata la parte deterministica, si calcolano i residui per tutti i punti
strumentati. Sui residui si effettua l’interpolazione con il cokriging ottenendo il
valore del residuo per ogni punto non strumentato.
La parte deterministica può essere calcolata anche in altri modi. Generalmente
vengono utilizzati modelli regressivi lineari o lineari multipli visti prima.
Sebbene la gran parte degli studi è basata sui modelli appena descritti, esistono
una moltitudine di diversi altri metodi. Per esempio l’interpolazione con superfici
spline e l’analisi EOF (Empirical Orthogonal Function) (Creutin et al., 1982).
Con la Spline si determina una superficie interpolante polinomiale; questo
metodo è deterministico e può essere applicato globalmente oppure localmente su
126
G. La Loggia, L.V. Noto, F. Viola, M.T. Noto
un sottoinsieme di punti.
Il metodo EOF (Emphirical Orthogonal Function Analysis), invece, è una
estensione bidimensionale del metodo Karhunen-Loeve (Papoulis, 1965). La stima
viene effettuata con una combinazione lineare di autovalori ϕi attraverso dei valori
Yi ottenuti tramite proiezione ortogonale della quantità da stimare, cioè la pioggia,
sugli autovalori. L’unico problema è il calcolo degli autovalori. Linderson (2003)
si serve della EOF utilizzando le seguenti informazioni: forza e “vorticità” del
vento, pressione atmosferica, pendenza ed esposizione del terreno, distanza
topografica dal mare e distanza da una linea di riferimento con direzione SO-NE. A
questo punto individua dei pattern di pioggia giornaliera, correlati con attività
ciclonica o anticiclonica, o correlati con i venti, per esempio il pattern di pioggia
con vento proveniente da ovest, o da nordovest, ecc. La covariabilità spaziale è alta
e dipende molto dalla pressione per le piogge giornaliere. La precipitazione
giornaliera dipende molto dalla direzione del vento; inoltre, in giorni in cui la
circolazione atmosferica è di tipo ciclonico, la precipitazione è legata
maggiormente alla topografia del territorio. Molto importante è anche la distanza
dal mare, visto che l’umidità è uno degli “ingredienti” essenziali per la pioggia.
Un altro metodo (Jeffrey, 2001) utilizza la normalizzazione (Hutchinson,
1993). Secondo la normalizzazione una potenza della precipitazione, con una
opportuna frazione come esponente, ha approssimativamente una distribuzione
normale. Dallo studio dei dati osservati si ricava un esponente di 0,5 costante per
tutto il dominio. Il processo di interpolazione si sviluppa in una serie di passaggi,
nei quali si utilizza la cross-validation per trovare i vari parametri ottimali:
1.
2.
3.
Si calcola media e varianza dei dati trasformati (cioè elevati a 0,5);
Con la spline a tre variabili si calcola la media e la varianza;
I dati di pioggia trasformati vengono normalizzati con i parametri calcolati
al punto 1;
4. I dati di pioggia normalizzati vengono interpolati attraverso il kriging,
utilizzando un semivariogramma empirico esponenziale con nugget=0, per
ottenere una interpolazione esatta;
5. Per ottenere i dati di pioggia definitivi si effettua la trasformazione inversa
dei risultati del punto 4 utilizzando i parametri calcolati al punto 2.
6. Vengono calcolati gli errori tra i dati osservati e i dati ottenuti al punto 5.
Tra l’altro Jeffrey utilizza una doppia interpolazione per eliminare eventuali
dati errati e outliers: dopo una prima interpolazione vengono calcolati i residui; alti
residui sono indicativi di dati errati e vengono quindi esclusi da un successivo e
finale stadio di interpolazione. Come valore di soglia viene utilizzato quel valore
che non elimina più del 5% dei dati.
Guenni (1998) utilizza un criterio diverso da tutti gli altri quando si tratta di
Procedure di caratterizzazione dei dati storici
127
stimare i parametri di un modello. In generale vengono usati il metodo dei
momenti, in quanto il più semplice metodo della massima verosimiglianza è più
difficile da utilizzare in forma chiusa. Tuttavia esistono dei metodi con i quali la
stima di massima verosimiglianza è possibile operando una trasformazione di
Fourier dei dati (Chandler, 1995). Guenni, invece, considera i parametri del
modello come variabili regionalizzate che possono essere quindi interpolate. Cioè
vengono interpolati i parametri del modello, invece che direttamente i dati di
pioggia. In questo modo si riesce ad avere una rappresentazione della variabilità
spaziale e dei cicli stagionali tramite isoplete dei coefficienti. Con queste mappe è
possibile determinare la pioggia con il modello scelto.
Guenni e Hutchinson utilizzano ad esempio un modello prettamente statistico,
il modello RPPM (Rectangular Pulses Poisson Model), che è una semplificazione
di un altri modello, l’NSRP (Neyman-Scott Rectangular Pulses, Cowpertwait et al.,
1996). Questo modello viene tarato sulle piogge giornaliere in ogni stazione, per
effettuare la stima della pioggia in punti non strumentati.
Secondo il modello RPPM, la pioggia arriva secondo un processo di Poisson con
parametro λ. Per ogni occorrenza del processo di Poisson (al tempo ti) si ha un
evento di pioggia di data durata li e intensità xi. Al generico istante t l’intensità
totale Y(t) è data dalla somma di tutti i contributi xi essendo infatti possibili
sovrapposizioni di diversi eventi.
Calcolato il parametro λ in tutte le stazioni, possiamo effettuare la sua
interpolazione, utilizzando una spline, per produrre le carte isoplete di cui sopra.
Gonzàles-Hidalgo (2000) analizza la variabilità spaziale e temporale delle
medie annuali di pioggia, per determinare se esistono dei trend temporali e, nel
caso, se questi siano nel verso di una diminuzione o di un aumento della pioggia.
I dataset di pioggia vengono inizialmente testati per omogeneità, in modo da
selezionare solo le stazioni che abbiano una serie omogenea di dati che coprano
come minimo il periodo 1961-1990 definito dal WMO. Per ogni stazione viene
calcolata la media annuale R e l’indice PCI (Precipitation Concentration Index, De
Luìs et al., 1997), definito come:
12
PCI = 100
∑P
i =1
2
i
⎛
⎞
⎜ ∑ Pi ⎟
⎝ i=1 ⎠
12
2
(5.10)
dove Pi è la pioggia al mese i-esimo.
Valori di PCI inferiori a 10 indicano che la distribuzione mensile di pioggia è
128
G. La Loggia, L.V. Noto, F. Viola, M.T. Noto
uniforme, valori compresi tra 11 e 20 indicano variazioni stagionali, valori
superiori a 21 indicano una forte variabilità tra i mesi. Infine il kriging viene
utilizzato per l’interpolazione spaziale di questi dati. Le variabili R e PCI vengono
normalizzate, per potere confrontare i dati di anni diversi; altrimenti la diversità
delle misure sarebbe stata maggiormente legata alle variazione dei dati medi di
pioggia piuttosto che alla variabilità della pioggia tra i vari anni. L’ultimo
passaggio sui dati prima dell’analisi è lo smoothing dei dati con una media mobile
di 9 anni (Wheeler e Martìn-Vide, 1992; Salinger et al., 1995).
Viene utilizzato il test statistico Cramèr-von Mises con opportune modifiche
dovute al fatto che i punti non possono essere scelti casualmente, in quanto le
stazioni di misura sono già posizionate (Syrjala, 1996). Quindi come variabile
casuale viene scelto il segno del trend in ogni stazione, anziché la posizione della
stazione. Il test consiste nel calcolo delle differenze al quadrato tra le due
distribuzioni cumulate calcolate su tutte le stazioni. Ad ogni stazione viene
assegnato un simbolo, a seconda se in essa viene osservato un trend positivo,
negativo o nessun trend (rispettivamente si usa “+”, “-” , “o”). Dopodichè si
eseguono dei confronti a coppie tra le distribuzioni: “+” contro “-”,“-” contro
“o”,“o” contro “+”.
Inoltre vengono calcolati quattro statistici Ψ1, Ψ2, Ψ3 e Ψ4, che indicano la
distribuzione dei segni di trend lungo quattro diversi percorsi: due longitudinali e
due latitudinali. Adesso si tratta di vedere se per ogni stazione le 3 distribuzioni
sono omogenee, quindi c’è semplicemente una certa variazione casuale, oppure se
diversamente una distribuzione è più frequente delle altre, utilizzando il test
Cramèr-von Mises.
Si nota un trend negativo nelle zone umide (zone con precipitazione media
annua maggiore di 550 mm/anno) e nelle zone vicine al mare, mentre nelle zone
interne sono presenti trend positivi e trend negativi.
Per determinare quale metodo tenga il comportamento migliore si utilizzano
generalmente due metodi: la validazione e/o la cross-validazione.
Nella validazione, il dataset viene suddiviso in due gruppi: nei punti
appartenenti al secondo gruppo viene stimata la pioggia attraverso il modello
costruito con i dati del primo sottoinsieme. La differenza tra dato stimato e dato
misurato costituisce l’errore:
e = P*(u) – P(u)
(5.11)
Nella cross-validation, invece, si toglie dai dati una stazione per volta e se ne
stima il valore con i vari modelli, determinando l’errore commesso.
Per confrontare tra loro diversi metodi si usano degli statistici determinati sugli
errori. Gli statistici più spesso utilizzati sono l’errore assoluto medio MAE,
Procedure di caratterizzazione dei dati storici
129
l’errore quadratico medio MSE, l’errore quadratico medio standardizzato SMSE,
la distorsione (Bias) o MBE (Magnitude of Mean Errors), la deviazione standard
degli errori e la varianza dell’errore σ2. Queste quantità sono definite nel seguente
modo:
MAE =
MSE =
1 n *
∑ Pi (u ) − Pi (u)
n i=1
[
]
[
]
[
]
2
1 n *
Pi (u ) − Pi (u )
∑
n i=1
*
1 n Pi (u ) − Pi (u )
SMSE = ∑
n i=1
σ i2 (u )
MBE =
(5.12)
1 n *
∑ Pi (u) − Pi (u)
n i=1
2
(5.13)
(5.14)
(5.15)
In generale, comunque, le performance dei metodi geostatistici dipendono sia
dalla variabile da interpolare che dalla configurazione spaziale dei dati e dalle
ipotesi fatte (Isaaks and Srivasta, 1989), ma danno sempre risultati migliori dei
metodi più semplici, come l’IDW o il Thiessen, o puramente deterministici, come
la regressione lineare semplice (Goovaerts, 1999; Drogue, 2002).
Lin (2004) valuta i modelli attraverso la generazione di una griglia di valori
casuali secondo l’algoritmo HYDRO_GEN (Bellin e Rubin, 1996). Vengono scelti
25 punti su questa griglia e con questi vengono calcolati i restanti 75 valori con
diversi metodi di interpolazione, calcolando l’RMSE. La scelta dei 25 punti è
casuale e viene ripetuta 10 volte. Inoltre i vari metodi vengono applicati ad un caso
studio reale.
5.5
CRITERI PER LA SELEZIONE DI UNA RETE DI QUALITA’
Si è voluto proporre una procedura quanto più oggettiva possibile per definire
la qualità di un sistema di monitoraggio della siccità articolato secondo tre passi
successivi. Si considera sia il caso di una rete per il monitoraggio delle grandezze
idro-meteorologiche già operativa, che il caso di rete nuova, ancora non entrata in
funzione o con pochi anni di funzionamento.
Le procedure che seguono hanno il fine valutare il livello di qualità della
rilevazione dei dati, sia con riferimento alla singola stazione di misura, che
130
G. La Loggia, L.V. Noto, F. Viola, M.T. Noto
all’intero sistema di raccolta dati. I criteri qui proposti per le reti esistenti guardano
alla storia delle stazioni, alla quantità e alla continuità dei dati raccolti: tale
approccio è evidentemente orientato all’analisi della siccità nel tempo.
Per le reti nuove il progettista della rete può decidere a priori il livello di
qualità da perseguire nella costruzione della stessa. Seguendo le indicazioni circa le
caratteristiche degli strumenti, tracciando nel tempo la posizione e la tipologia
degli strumenti e avendo cura di rispettare le densità spaziali appresso indicate, il
gestore potrà decidere di ottenere una rete per il monitoraggio di grandezze idrometeorologiche di prefissata qualità. I criteri proposti per le reti di nuova
progettazione sono validi allorché si voglia monitorare la siccità in tempo reale.
Le etichette di qualità sono qui definite secondo criteri non oggettivi e proprio
per questo criticabili, ma l’intento è quello di creare un riferimento unico comune
per le diverse realtà che si occupano del monitoraggio della siccità che consenta un
confronto agile e omogeneo dei risultati.
Il primo passo della procedura proposta riguarda l’attribuzione di una etichetta
di qualità alla singola stazione di misura della generica grandezza idrometeorologica. Verranno prese in considerazione le stazioni di misura della
pioggia, della temperatura, dell’umidità, della radiazione solare e dei livelli idrici.
Una volta etichettate tutte le stazioni si passa all’attribuzione dell’etichetta di
qualità alla rete di misura della generica grandezza idro-meteorologica. Infine si
affronta il problema dell’attribuzione dell’etichetta di qualità al sistema di
monitoraggio della siccità.
5.5.1
ATTRIBUZIONE DELL’ETICHETTA DI QUALITÀ ALLA SINGOLA
STAZIONE DI MISURA DELLA GENERICA GRANDEZZA IDROMETEOROLOGICA
5.5.1.1
Misura della pioggia
Con riferimento ai dati di pioggia, una generica stazione di una rete esistente, o
da installare, può essere etichettata come stazione di qualità se la risoluzione
temporale dello strumento utilizzato risulta almeno giornaliera, la risoluzione del
dato è compresa tra 0.5/0.05 mm e la precisione è di 0.3/0.1 mm per valori di
piovosità inferiori a 4 mm e compresa tra 7.5% e 2.5% per valori superiori a 4 mm.
Se la generica stazione di nuova installazione opera secondo i requisiti di
tracciabilità del dato, avendo cura di registrare il dato in continuo, verificando i dati
on-line e off-line, allora la stazione può essere etichettata come di qualità ottima.
131
Procedure di caratterizzazione dei dati storici
La qualità delle stazioni appartenenti a reti esistenti e funzionanti può essere
etichettata come sufficiente, buona o ottima se la stazione supera
contemporaneamente tutti i requisiti della Tabella 1.
Tabella 5.1 – Qualità delle stazioni
Soglie di qualità
Sufficiente
Buona
Ottima
Anni di funzionamento ≥
[anni]
30
40
50
Massimo periodo interpolato ≤
[mesi]
10
7
5
Totale dati interpolati ≤
[mesi]
20
10
5
Massimo periodo mancante ≤
[mesi]
20
10
5
Totale dati mancanti ≤
[mesi]
40
20
10
Presenza outliers (μ ±3σ) ≤
[-]
15
10
5
Superamento test di omogeneità
[-]
yes
yes
yes
Tracciabilità della posizione dello strumento
[-]
yes
yes
yes
Tracciabilità della strumentazione utilizzata
[-]
yes
yes
yes
5.5.1.2
Misura della temperatura
Con riferimento ai dati di temperatura, una generica stazione di una rete
esistente, o da installare, può essere etichettata come stazione di qualità se la
risoluzione dello strumento è compresa tra 0,2°C e 0,05°C, se la precisione è
compresa tra 0,5 e 0,1°C., e se la risoluzione temporale è oraria con valori della
massima e minima calcolati ogni 12 ore.
Se la generica stazione di nuova installazione opera secondo i requisiti di
tracciabilità del dato, avendo cura di registrare il dato in continuo, verificando i dati
on-line e off-line, allora la stazione può essere etichettata come di qualità ottima.
La qualità delle stazioni appartenenti a reti esistenti e funzionanti può essere
etichettata come sufficiente, buona o ottima se la stazione supera
contemporaneamente tutti i requisiti della Tabella 2.
132
G. La Loggia, L.V. Noto, F. Viola, M.T. Noto
Tabella 5.2 - Qualità delle stazioni
Soglie di qualità
Sufficiente
Buona
Ottima
Anni di funzionamento ≥
[anni]
20
30
40
Massimo periodo interpolato ≤
[mesi]
10
7
5
Totale dati interpolati ≤
[mesi]
20
10
5
Massimo periodo mancante ≤
[mesi]
20
10
5
Totale dati mancanti ≤
[mesi]
40
20
10
Presenza outliers (μ ±3σ) ≤
[-]
20
15
10
Superamento test di omogeneità
[-]
si
si
si
Tracciabilità della posizione dello strumento
[-]
si
si
si
Tracciabilità della strumentazione utilizzata
[-]
si
si
si
5.5.1.3
Misura dell’umidità
Con riferimento ai dati di umidità, una generica stazione di una rete esistente, o
da installare, può essere etichettata come stazione di qualità se la risoluzione
dell’umidità relativa è compresa tra 2 e 0,5% con una precisione compresa tra 5 ed
1 % per valori di umidità relativa inferiore al 75% e 2 - 0.5 % per valori
dell’umidità relativa maggiore al 75% e se la risoluzione temporale è almeno
giornaliera.
Se la generica stazione di nuova installazione opera secondo i requisiti di
tracciabilità del dato, avendo cura di registrare il dato in continuo, verificando i dati
on-line e off-line, allora la stazione può essere etichettata come di qualità ottima.
La qualità delle stazioni appartenenti a reti esistenti e funzionanti può essere
etichettata come sufficiente, buona o ottima se la stazione supera
contemporaneamente tutti i requisiti della Tabella 3.
133
Procedure di caratterizzazione dei dati storici
Tabella 5.3 - Qualità delle stazioni
Soglie di qualità
Sufficiente
Buona
Ottima
Anni di funzionamento ≥
[anni]
7
10
15
Massimo periodo interpolato ≤
[mesi]
10
7
5
Totale dati interpolati ≤
[mesi]
20
10
5
Massimo periodo mancante ≤
[mesi]
20
10
5
Totale dati mancanti ≤
[mesi]
40
20
10
Presenza outliers (μ ±3σ) ≤
[-]
15
10
5
Superamento test di omogeneità
[-]
si
si
si
Tracciabilità della posizione dello strumento
[-]
si
si
si
Tracciabilità della strumentazione utilizzata
[-]
si
si
si
5.5.1.4
Misura della radiazione solare
Con riferimento ai dati di radiazione solare, una generica stazione di una rete
esistente, o da installare, può essere etichettata come stazione di qualità se la
risoluzione temporale è oraria più un massimo giornaliero e la risoluzione è di
20/10 kJ/m2 e precisione del 7/4%.
Se la generica stazione di nuova installazione opera secondo i requisiti di
tracciabilità del dato, avendo cura di registrare il dato in continuo, verificando i dati
on-line e off-line, allora la stazione può essere etichettata come di qualità ottima.
La qualità delle stazioni appartenenti a reti esistenti e funzionanti può essere
etichettata come sufficiente, buona o ottima se la stazione supera
contemporaneamente tutti i requisiti della Tabella 4.
134
G. La Loggia, L.V. Noto, F. Viola, M.T. Noto
Tabella 5.4 - Qualità delle stazioni
Soglie di qualità
Sufficiente
Buona
Ottima
Anni di funzionamento ≥
[anni]
7
10
15
Massimo periodo interpolato ≤
[mesi]
10
7
5
Totale dati interpolati ≤
[mesi]
20
10
5
Massimo periodo mancante ≤
[mesi]
20
10
5
Totale dati mancanti ≤
[mesi]
40
20
10
Presenza outliers (μ ±3σ) ≤
[-]
15
10
5
Superamento test di omogeneità
[-]
si
si
si
Tracciabilità della posizione dello strumento
[-]
si
si
si
Tracciabilità della strumentazione utilizzata
[-]
si
si
si
5.5.1.5
Misura dei livelli idrici
Con riferimento ai livelli idrici, una generica stazione di una rete esistente (o da
installare) può essere etichettata come stazione di qualità se la risoluzione
temporale è oraria, la precisione dello strumento utilizzato è dell’ordine dello 0.1%
o comunque non superiore a ± 5mm.
Sia per stazioni di misura nuove o già esistenti, laddove la misura del livello
idrico è finalizzata anche al calcolo della portata idrica defluente a mezzo di una
scala di deflusso affinché la stazione sia etichettabile come stazione di qualità è
necessario che il controllo della scala delle portate sia effettuato (o sia stata
effettuata), almeno semestralmente e in occasione di eventi di piena.
Se la generica stazione di nuova installazione opera secondo i requisiti di
tracciabilità del dato, avendo cura di registrare il dato in continuo, verificando i dati
on-line e off-line, allora la stazione può essere etichettata come di qualità ottima.
Nel caso in cui la misura del livello idrico è finalizzata anche al calcolo della
portata idrica defluente per tracciabilità deve intendersi anche il resoconto
135
Procedure di caratterizzazione dei dati storici
dettagliato delle operazioni effettuate per la redazione della curva di deflusso e la
memoria storica di tutte le curve utilizzate.
La qualità delle stazioni operanti può essere etichettata come sufficiente, buona
o ottima se la stazione supera contemporaneamente tutti i requisiti della Tabella 5.
Tabella 5.5 - Qualità delle stazioni
Soglie di qualità
Sufficiente
Buona
Ottima
Anni di funzionamento ≥
[anni]
20
30
40
Massimo periodo interpolato ≤
[mesi]
20
10
5
Totale dati interpolati ≤
[mesi]
100
80
50
Massimo periodo mancante ≤
[mesi]
30
20
10
Totale dati mancanti ≤
[mesi]
si
si
si
Presenza outliers (μ ±3σ) ≤
[-]
si
si
si
Superamento test di omogeneità
[-]
si
si
si
Tracciabilità della posizione dello strumento
[-]
Tracciabilità della strumentazione utilizzata
[-]
20
30
40
5.5.2
ATTRIBUZIONE DELL’ETICHETTA DI QUALITÀ ALLA RETE DI
MISURA
DELLA
GENERICA
GRANDEZZA
IDROMETEOROLOGICA
Attribuita l’etichetta di qualità alla singola stazione di misura della generica
grandezza idro-meteorologica, sia nel caso di rete esistente che di rete nuova, si
vuole ora assegnare un giudizio alla rete di misura nel suo complesso.
Si farà riferimento a reti di misura della pioggia, della temperatura,
dell’umidità, della radiazione solare e dei livelli idrici, ancora una volta con
136
G. La Loggia, L.V. Noto, F. Viola, M.T. Noto
riferimento alle reti esistenti o di nuova progettazione.
5.5.2.1
Misura della pioggia
Una rete per la misura della pioggia, esistente o di nuova progettazione, sarà
definita di qualità sufficiente, buona o ottima se le stazioni ad essa appartenenti
sono tutte etichettate come di qualità sufficiente, buona o ottima e se la risoluzione
spaziale risulta essere compresa nei limiti della tabella 6.
Tabella 5.6 – Qualità della rete
Soglie di qualità
Risoluzione spaziale ≥
[numero stazioni/km2]
Sufficiente
Buona
Ottima
1/10000
1/2500
1/900
5.5.2.2
Misura della temperatura
Una rete per la misura della temperatura, esistente o di nuova progettazione,
sarà definita di qualità sufficiente, buona o ottima se le stazioni ad essa
appartenenti sono tutte etichettate come di qualità sufficiente, buona o ottima e se
la risoluzione spaziale risulta essere compresa nei limiti della tabella 7.
Tabella 5.7 - Qualità della rete
Soglie di qualità
Risoluzione spaziale ≥
[numero stazioni/km2]
Sufficiente
Buona
Ottima
1/22500
1/10000
1/4500
5.5.2.3
Misura dell’umidità
Una rete per la misura dell’umidità, esistente o di nuova progettazione, sarà
definita di qualità sufficiente, buona o ottima se le stazioni ad essa appartenenti
sono tutte etichettate come di qualità sufficiente, buona o ottima e se la risoluzione
spaziale risulta essere compresa nei limiti della tabella 8.
137
Procedure di caratterizzazione dei dati storici
Tabella 5.8 - Qualità della rete
Soglie di qualità
Risoluzione spaziale ≥
[numero stazioni/km2]
Sufficiente
Buona
Ottima
1/22500
1/10000
1/4500
5.5.2.4
Misura della radiazione solare
Una rete, esistente o di nuova progettazione, sarà definita di qualità sufficiente,
buona o ottima se le stazioni ad essa appartenenti sono tutte etichettate come di
qualità sufficiente, buona o ottima e se la risoluzione spaziale risulta essere
compresa nei limiti della tabella 9.
Tabella 5.9 - Qualità della rete
Soglie di qualità
Risoluzione spaziale ≥
[numero stazioni/km2]
Sufficiente
Buona
Ottima
1/6400
1/4225
1/2500
5.5.2.5
Misura dei livelli idrici
Una rete per la misura dei livelli idrici, esistente o di nuova progettazione, è
definita di qualità se sono monitorati tutti i corsi d’acqua naturali di primo ordine
recapitanti direttamente in mare (ordinamento della rete secondo Shreve) il cui
bacino imbrifero abbia una superficie maggiore di 200 km2 e tutti i corsi d’acqua
naturali di secondo ordine o superiore il cui bacino imbrifero abbia una superficie
maggiore a 400 km2 .
In aggiunta a queste caratteristiche, che debbono pensarsi come basilari per
l’attribuzione dell’etichetta di qualità, una rete per la misura dei livelli idrici,
esistente o di nuova progettazione, è definita di qualità sufficiente, buona o ottima
se le stazioni ad essa appartenenti sono tutte etichettate come di qualità sufficiente,
buona o ottima.
138
G. La Loggia, L.V. Noto, F. Viola, M.T. Noto
5.6
CRITERI PER L’ASSEGNAZIONE DI UN GIUDIZIO DI QUALITA’
ALLA RETE PER IL MONITORAGGIO DELLA SICCITA’
In precedenza sono stati illustrati i criteri per poter assegnare un giudizio di
qualità alle reti per il monitoraggio della pioggia, della temperatura, dell’umidità,
della radiazione solare e dei livelli idrici. Si vuole ora concentrare l’attenzione sul
monitoraggio della siccità e sulle reti preposte a questo scopo.
I principi di seguito enunciati valgono sia per le reti esistenti che per quelle
nuove.
5.6.1
RETE PER IL MONITORAGGIO DELLA SICCITÀ DI QUALITÀ
SUFFICIENTE
Una rete di monitoraggio della siccità che comprenda:
−
−
una rete per la misura della pioggia
una per la misura della temperatura
entrambe di qualità sufficiente è definita di qualità sufficiente.
5.6.2
RETE PER IL MONITORAGGIO DELLA SICCITÀ DI QUALITÀ
BUONA
Una rete di monitoraggio della siccità che comprenda:
−
−
−
una rete per la misura della pioggia,
una rete per la misura della temperatura,
una rete per la misura della portata
tutte di qualità buona, così come precisato sopra, è definita di qualità buona.
5.6.3
RETE PER IL MONITORAGGIO DELLA SICCITÀ DI QUALITÀ
OTTIMA
Una rete di monitoraggio della siccità che comprenda reti:
−
−
−
−
−
per la misura della pioggia,
della temperatura,
dell’umidità,
della radiazione solare,
della portata.
tutte di qualità ottima, così come precisato sopra, è definita di qualità ottima.
Procedure di caratterizzazione dei dati storici
5.7
139
BIBLIOGRAFIA
Plummer N., Allsopp T., Lopez J.A. (2003) Guidelines on Climate Observation Networks and
Systems, WMO/TD N.1185
Aguilar E., Auer I., Brunet M., Peterson T.C., Wieringa J. (2003) Guidelines on Climate
Metadata and Homogenization, WMO/TD N.1186
World Meteorological Organization, 1981: Manual on the Global Observing System. Volume 1:
Global aspects. WMO-No. 544 Geneva.
World Meteorological Organization, 1988: Practical experience of the operation of quality
evaluation programs for automated observations both on land and over the sea (M. Field and J. Nash).
Papers Presented at the WMO Technical Conference on Instruments and Methods of Observation
(TECO-88) Leipzig, 16-20 May 1988, Instruments and Observing Methods Report No. 33, 222,
Geneva.
Böhm, R., Auer, I., Brunetti, M., Maugeri, M., Nanni, T., Schöner W., 2001: Regional
Temperature Variability in the European Alps 1760-1998 from homogenised instrumental time series.
Int. J. Climatol., 21, 1779-1801
Štepánek, P. (2005): AnClim - software for time series analysis. Dept. of Geography, Fac. of
Natural Sciences, MU, Brno. (http://www.sci.muni.cz/~pest/software.html)
6. ASPETTI DI QUALITA’ PER L’OTTENIMENTO DI MAPPE DI
TEMPERATURA SUPERFICIALE DEL SUOLO (LST) DA DATI
TELERILEVATI DA SATELLITE
P. F. PELLEGRINI, G. ADEMBRI, M. TOMMASINI, M.
INNOCENTI, G. POLI
Stazione Ricezione Satelliti - PIN Servizi Didattici e Scientifici per
l’Università di Firenze and Dipartimento di Ingegneria Elettronica e delle
Telecomunicazioni, Università di Firenze
Abstract: L’obiettivo era l’impostazione di un sistema di qualità per la ricezione,
elaborazione ed archiviazione dati da satellite, finalizzato all’ottenimento di mappe di
temperatura superficiale del suolo. La metodologia di lavoro adottata si è basata su un
approccio “per processi” [UNI-EN-ISO9000:2005], al fine di evidenziare, ad ogni
passo dell’elaborazione, i prodotti di ingresso, d’uscita e gli algoritmi utilizzati. Alla
qualità complessiva finale del prodotto telerilevato concorrono i seguenti aspetti:
ricezione, georeferenziazione, calibrazione radiometrica, modelli per l’ottenimento dei
prodotti. Per consentire la verifica della rispondenza dei dati alle specifiche di
produzione si considera un insieme di informazioni, che completano il prodotto
elaborato (metadata) [UNI-EN-ISO19100:2005]. Altri aspetti riguardano
l’organizzazione dei prodotti e delle informazioni ausiliarie in formati standard e
l’organizzazione dell’archivio dati. La ricerca è stata applicata alla catena di
elaborazione dati AVHRR/NOAA, con osservazioni intensive sul territorio della
Sicilia, presso la Stazione Ricezione Satelliti del PIN-Prato.
Key words: Land Surface Temperature, satellite remote sensing, data quality, metadata,
archiving.
6.1
INTRODUZIONE
Il rilevamento della temperatura superficiale del suolo (LST) su ampie zone e
le sue variazioni nel tempo danno un contributo importante, non solo alla
climatologia di un certo territorio, ma anche alla determinazione di altri parametri,
quali l’inerzia termica, a sua volta legata al grado di umidità del terreno, al grado di
salute della vegetazione e ai processi di desertificazione.
Il telerilevamento effettuato da satellite su scala regionale offre la possibilità di
monitorare i fenomeni di siccità e consente di integrare le misure dei dati a terra.
142
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
La ricezione diretta dei dati permette l’elaborazione in tempo reale dei passaggi del
satellite.
Presso la Stazione Ricezione Satelliti del PIN - Polo Universitario di Prato
(Università degli Studi di Firenze) è stato realizzato il sistema per l’ottenimento di
mappe di parametri al suolo, a partire dai segnali ricevuti direttamente dai sensori
AVHRR (Advanced Very High Resolution Radiometer) a bordo dei satelliti della
serie NOAA.
Particolare attenzione è stata dedicata alla qualità dei dati. La qualità di un
parametro fisico, ottenuto dalle misure di radianza telerilevate da un sensore
satellitare, dipende dalla qualità della catena di ricezione ed elaborazione dati.
Nasce quindi l’esigenza di certificare i dati prodotti, ricevuti o elaborati, attraverso
la descrizione delle procedure alle quali sono sottoposti.
In questo contesto si è inteso realizzare uno strumento che consenta la verifica
della qualità dei prodotti ottenuti dall’osservazione da satellite, tenendo conto del
corretto funzionamento delle procedure realizzate, dell’aggiornamento dei
coefficienti di calibrazione utilizzati, della corretta manutenzione del software,
della corretta archiviazione dei dati. Attraverso alcune informazioni ausiliarie che
completano le immagini prodotte (metadata), è possibile rendere conto della
qualità del data set e consentire una verifica della rispondenza dei dati alle
specifiche di produzione.
6.2
NORMATIVA DI RIFERIMENTO E PRINCIPI DI QUALITÀ PER
LA GESTIONE DEI DATI DA SATELLITE
L’approccio seguito per l’impostazione di un sistema di qualità per dati da
satelliti fa riferimento alla norma UNI EN ISO 9000:2005. Per quanto riguarda
invece la certificazione della qualità del prodotto fisico telerilevato si sono prese in
considerazione alcune norme della serie UNI EN ISO 19100:2005, in particolare
sono le: UNI EN ISO 19113:2005, UNI EN ISO 19114:2005 e UNI EN ISO
19115:2005.
6.2.1
NORMATIVA DI RIFERIMENTO
Le norme di riferimento, con relativo sommario, prese in considerazione sono
riportate di seguito:
Aspetti di qualità per l’ottenimento di mappe di temperatura superficiale
del suolo (LST) da dati telerilevati da satellite
143
UNI EN ISO 9000:2005 - Sistemi di gestione per la qualità - Fondamenti e
vocabolario (ISO 9000:2005)
Sommario: La presente norma è la versione ufficiale in lingua inglese e italiana
della norma europea EN ISO 9000 (edizione settembre 2005). La norma descrive i
fondamenti dei sistemi di gestione per la qualità, su cui si basa la famiglia di norme
ISO 9000, e ne definisce i relativi termini. La norma si applica a:
a) organizzazioni che cercano di ottenere vantaggi dall'attuazione di un
sistema di gestione per la qualità;
b) organizzazioni che cercano di assicurare che i loro fornitori soddisfino i
loro requisiti relativi ai prodotti;
c) utilizzatori dei prodotti;
d) coloro che sono interessati ad una comune comprensione della
terminologia utilizzata nella gestione per la qualità (per esempio: fornitori,
clienti, autorità regolamentatrici);
e) coloro, interni o esterni all'organizzazione, che valutano i sistemi di
gestione per la qualità o li sottopongono ad audit per verificarne la
conformità ai requisiti della ISO 9001 (per esempio: auditor, autorità
regolamentatrici, organismi di certificazione);
f) coloro, interni o esterni all'organizzazione, che addestrano o danno
consiglio sul sistema di amministrazione di qualità appropriato a quella
organizzazione;
g) sviluppatori dei relativi standard.
UNI EN ISO 19113:2005 - Informazioni geografiche - Principi di qualità
(ISO 19113:2002)
Sommario: La presente norma è la versione ufficiale in lingua inglese e italiana
della norma europea EN ISO 19113 (edizione settembre 2005). La norma stabilisce
i principi per la descrizione della qualità dei dati geografici e definisce i
componenti per documentare le informazioni relative alla qualità. La norma si
applica ai produttori di dati che forniscono informazioni di qualità per descrivere e
verificare in quale misura i dati corrispondono alla realtà come definito nelle
specifiche di prodotto, formali o implicite. La norma si applica anche agli utenti
per stabilire se la qualità di determinati dati geografici è adeguata per l'applicazione
richiesta. La norma dovrebbe essere seguita dagli organismi responsabili
dell'acquisizione e vendita in modo da rendere possibile l'adeguamento alle
specifiche di prodotto. La norma può inoltre essere utilizzata per la definizione di
schemi applicativi e per definire requisiti di qualità. Oltre ad essere applicata ai dati
geografici codificati numericamente, i principi della norma possono estesa a molti
altre forme di dati geografici come mappe, tabelle e documenti testuali.
144
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
UNI EN ISO 19114:2005 Informazioni geografiche - Procedure di
valutazione della qualità (ISO 19114:2003)
Sommario: La presente norma è la versione ufficiale in lingua inglese e italiana
della norma europea EN ISO 19114 (edizione settembre 2005). La norma fornisce
una struttura di riferimento di procedure per determinare e valutare la qualità
applicabile a dati relativi a informazioni geografiche codificate numericamente, in
coerenza con i principi di qualità definiti dalla norma UNI EN ISO 19113. La
norma fornisce inoltre un quadro di riferimento per valutare e documentare i
risultati relativi alla qualità dei dati solo come dati riferiti alla qualità dei metadati
oppure come documentazione della qualità dei dati. La norma può essere applicata
dai produttori di dati per fornire informazioni relative alla qualità e in particolare se
l'insieme dei dati sia conforme alla specifica di prodotto e può essere applicata
dagli utilizzatori di dati per determinare se l'insieme dei dati contenga o meno dati
di qualità sufficiente per l'uso in una determinata applicazione. Benché la norma si
applichi ai dati geografici rappresentati numericamente, i suoi principi possono
essere estesi a molte altre forme di dati geografici come mappe, tabelle e
documenti testuali.
UNI EN ISO 19115:2005 Informazioni geografiche - Metadata (ISO
19115:2003)
Sommario: La presente norma è la versione ufficiale in lingua inglese e italiana
della norma europea EN ISO 19115 (edizione settembre 2005). La norma definisce
gli schemi necessari a descrivere le informazioni geografiche ed i servizi. Fornisce
informazioni relative all'identificazione, l'estensione, la qualità, gli schemi
temporali e spaziali, i riferimenti spaziali e la distribuzione di dati geografici
numerici. La norma si applica:
−
−
−
−
−
−
−
alla catalogazione di dati (dataset), attività di clearinghouse, descrizione
completa dei dati;
a dati geografici, serie di dati geografici e caratteristiche geografiche
singole e proprietà delle caratteristiche.
La norma definisce:
sezioni di metadati obbligatorie e condizionali, entità di metadati ed
elementi di metadati;
l’insieme minimo di metadati richiesti dalla gamma completa di
applicazioni di metadati (scoperta dei dati, determinazione della pertinenza
per l'uso, accesso ai dati, trasferimento dei dati e uso dei dati numerici);
elementi opzionali di metadati per permettere, ove richiesto, una
descrizione standard di dati geografici più estesa;
un metodo per estendere i metadati per soddisfare esigenze specifiche.
Aspetti di qualità per l’ottenimento di mappe di temperatura superficiale
del suolo (LST) da dati telerilevati da satellite
6.2.2
145
PRINCIPI DI QUALITÀ APPLICATI AI DATI TELERILEVATI DA
SATELLITE PER L’OTTENIMENTO DELLA LST
L’obiettivo di tutte le norme ISO della serie 9000 è quello di controllare tutte le
fasi del processo che genera il prodotto o il servizio. Nella descrizione delle varie
attività finalizzate al raggiungimento di un risultato finale, la norma ISO 9000:2005
consiglia di seguire un “approccio per processi”. La metodologia di lavoro adottata
in questo studio è basata su tale approccio, al fine di evidenziare tutte le operazioni
ad ogni passo dell’elaborazione.
In Fig. 6.1 è mostrato lo schema di principio del sistema di ottenimento di
mappe LST da dati AVHRR/NOAA, nel quale sono evidenziati regole, vincoli,
risorse, strumenti, ingressi, uscite e le relazioni che intercorrono tra di essi.
REGOLE: documentazione,
archiviazione dati, metodologia
Dato grezzo
NOAA/AVHRR
VINCOLI: operativi,
finali
prodotti
Radianze canali 1 e 2
Geolocazione e
Temperature di brillanza canali 4 e 5
calibrazione
radiometrica
Parametri
geometrici
Correzione
atmosferica
RISORSE: informazioni
disponibili, ambiente di lavoro
Parametri
superficiali
LST
Coefficienti correzione
atmosferica
STRUMENTI: hardware,
software
Fig. 6.1 - Schema per il calcolo della temperatura superficiale del suolo (LST) da dati
NOAA/AVHRR secondo l’analisi per processi (UNI EN ISO 9000:2005).
Il primo elemento da considerare riguarda i vincoli a cui si deve sottostare per
la creazione di un processo sostenibile, cioè di un processo che effettivamente crei
un valore aggiunto. Occorrono poi regole stabilite a priori, che consentono la
standardizzazione delle operazioni da compiere, oltre a garantire l’uniformità dei
dati e delle procedure. La descrizione delle procedure deve seguire quindi uno
schema standard in cui siano immediatamente riconoscibili ingressi e uscite del
processo rappresentato, oltre agli algoritmi utilizzati.
Altro aspetto importante è la disponibilità delle risorse necessarie
all’esecuzione del processo, ovvero il reperimento di informazioni senza le quali
non è possibile garantire l’elaborazione in tempo reale dei dati (ad es. coefficienti
di calibrazione, profilo atmosferico).
146
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
La disponibilità degli strumenti per l’esecuzione del processo impone dei limiti
alle possibilità operative e alla fattibilità di una certa operazione, andando ad
influire nella valutazione dell’efficienza del processo. Gli strumenti sono di due
tipologie: strumenti hardware, quali l’apparato di ricezione dati e i sistemi di
calcolo ed archiviazione; strumenti software, quali applicativi commerciali, “Open
Source” e applicativi originali. I dati AVHRR/NOAA alla Stazione Ricezione
Satelliti sono ricevuti da una strumentazione dedicata [TECNAVIA, 05] e vengono
processati da una catena di elaborazione dati sviluppata appositamente (v. p. 6.3),
che deriva dalla ricerca in ambito telerilevamento e dallo studio dello stato
dell’arte. Sono stati sviluppati algoritmi originali per la georeferenziazione.
Algoritmi noti in letteratura per i parametri superficiali sono stati adattati alle zone
geografiche di interesse.
Oltre alla qualità del processo, è stata prestata particolare attenzione anche alla
qualità dei dati telerilevati ottenuti, intesa come conformità del prodotto a
soddisfare i risultati attesi. Alla qualità del prodotto fisico telerilevato concorrono i
seguenti aspetti:
−
−
−
−
−
qualità della ricezione;
qualità della georeferenziazione;
qualità della calibrazione radiometrica;
qualità del modello di ottenimento del prodotto fisico al suolo;
qualità complessiva finale del prodotto fisico.
La qualità del dato ricevuto dipende dal sistema di acquisizione e trasmissione
del dato a bordo del satellite, dal canale di comunicazione Satellite-Stazione e dagli
apparati di ricezione, che vanno mantenuti in corretta operatività, garantendo
l’aggiornamento delle risorse esterne.
La procedura di georeferenziazione consente di poter riferire i dati acquisiti dal
satellite alla loro posizione sul territorio. Questo è realizzato attraverso
l’attribuzione per il pixel osservato della latitudine e della longitudine geografiche
riferite ad un certo ellissoide e Datum. La correttezza di tale passaggio è di
fondamentale importanza per l’affidabilità della misura e per l’analisi comparata
con altri dati da satellite e/o acquisiti a terra. Per un’interscambiabilità di dati tra
diversi paesi, sia in ambito Mediterraneo che in altre aree, i riferimenti geografici
sono solitamente presi sulla base del Datum WGS84.
La calibrazione radiometrica deve consentire di risalire dal valore registrato dal
sensore al corrispondente valore di radianza (frequenze visibili, ch. 1, 2 e 3A
AVHRR) o di temperatura di brillanza (frequenze infrarosso termico, ch. 3B, 4 e 5
AVHRR) che lo ha generato. Su questo argomento sono da considerare lo stato
dell’arte e le fonti di acquisizione dei coefficienti di calibrazione, di norma forniti
dall’Ente responsabile del satellite ed aggiornati periodicamente (v. p. 6.3.2).
Aspetti di qualità per l’ottenimento di mappe di temperatura superficiale
del suolo (LST) da dati telerilevati da satellite
147
Per modello di ottenimento del prodotto fisico al suolo in questo caso si
intende il modello di calcolo della Temperatura Superficiale del Suolo (LST),
ovvero la relazione tra radiazione misurata dal sensore nell’infrarosso termico e la
temperatura del terreno. Tale relazione dipende dalle proprietà di emissione del
suolo osservato. Per stimare l’emissività di un certo terreno si possono utilizzare
dei valori predefiniti oppure la si può telerilevare dall’AVHRR per avere
un’accuratezza migliore. L’algoritmo di calcolo implementato (Ulivieri, 1994)],
applicato solo ai pixel non nuvolosi, è funzione della temperatura di brillanza dei
canali 4 e 5 dell’AVHRR e dell’emissività superficiale, che viene calcolata dai
canali nel visibile dell’AVHRR, attraverso una procedura che tiene conto anche del
profilo atmosferico. La correzione atmosferica è realizzata con un applicativo Open
Source denominato 6S (Vermote, 1997), al quale vengono passati in ingresso le
radianze (ch. 1 e 2), i profili di ozono e aerosol più prossimi all’ora del passaggio,
le caratteristiche morfologiche dell’area geografica (modello di elevazione digitale
del terreno - DEM) e le mappe degli angoli di vista del sole e del satellite al
momento del passaggio, rispetto ai punti osservati.
Per qualità complessiva finale del prodotto fisico si intende quella risultante
dalla qualità del parametro telerilevato, in questo caso la temperatura di brillanza, e
quella del modello di calcolo applicato per l’ottenimento della grandezza fisica di
interesse (LST).
Per tenere conto degli aspetti di qualità dei prodotti ottenuti da satellite e
fornire indicazioni agli utilizzatori finali, si è ritenuto opportuno seguire le
indicazioni degli standard internazionali di riferimento inerenti l’informazione
geografica, rappresentati dalla serie ISO 19100; in particolare, per quanto riguarda
la qualità, sono state prese in considerazione le seguenti norme:
−
−
−
ISO 19113 - Geographic Information – Quality principles
ISO 19114 - Geographic Information – Quality evaluation procedures
ISO 19115 - Geographic Information – Metadata
Tali standard ISO sono diventati norme europee, quindi la loro applicazione è
obbligatoria per gli stati membri; in Italia sono stati recepiti dall’Ente Nazionale
Italiano di Unificazione (UNI) nel 2005.
Come già accennato, sono chiamati metadata l’insieme delle informazioni che
descrivono il prodotto; la UNI EN ISO 19115 stabilisce i possibili tipi di
informazioni ausiliarie a seconda della tipologia del prodotto e le relazioni
gerarchiche tra i vari gruppi di metadati. Per quanto riguarda specificatamente i
metadata sulla qualità del prodotto, si è fatto riferimento alla UNI EN ISO 19113,
che definisce i componenti da utilizzare:
−
−
informazioni non-quantitative quali uso, scopo e provenienza;
componenti quantitative di un dataset (v. Tab. 6.1).
148
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
Il documento UNI EN ISO 19114 fornisce indicazioni sui metodi di
valutazione della qualità di un dataset. La conformità al livello di qualità
rappresenta un valore di soglia (o un set di valori di soglia) utilizzato per
determinare in che misura il data set corrisponde alle specifiche di produzione
(Fantozzi, 2001).
Tabella 6.1- Data quality element e sub-element
Data quality
element
Descrizione
Data quality subelement
Descrizione
completeness presenza e/o mancanza commission
di caratteristiche, loro
attributi e relazioni
omission
dati mancanti in un insieme di dati
logical
consistency
aderenza alle regole dello schema
concettuale
grado di aderenza alle
regole di logica di una
struttura dati, agli
attributi e relazioni
conceptual
consistency
presenza di dati richiesti in un insieme di
dati
domain consistency aderenza dei valori ai valori di dominio
format consistency grado con cui i dati sono immagazzinati
in accordo alle struttura fisica
dell’insieme di dati
topological
consistency
positional
accuracy
accuratezza delle
caratteristiche di
posizione
correttezza delle caratteristiche
topologiche esplicitamente codificate di
un insieme di dati
absolute or
vicinanza dei valori delle coordinate
external accuracy riportate ai valori accettati o veri
relative or internal vicinanza delle posizioni relative delle
accuracy
caratteristiche in un insieme di dati alle
loro rispettive posizioni relative
vicinanza dei valori di posizione dei dati
gridded data
position accuracy su griglia ai valori accettati o veri
temporal
accuracy
thematic
accuracy
accuratezza degli
attributi temporali e
relazione delle
caratteristiche di
temporali
accuracy of a time correttezza dei riferimenti temporali di un
measurement
aspetto
temporal
consistency
correttezza di eventi ordinati o di
sequenza, se presenti
temporal validity
validità dei dati rispetto al tempo
accuratezza degli
classification
attributi quantitativi e correctness
correttezza degli
attributi non-quantitativi
e delle classificazioni non-quantitative
delle caratteristiche e attribute
correctness
confronto delle classi assegnate alle
caratteristiche o ai loro attributi rispetto
all’universo dei discorsi
correttezza degli attributi non-quantitativi
Aspetti di qualità per l’ottenimento di mappe di temperatura superficiale
del suolo (LST) da dati telerilevati da satellite
delle loro relazioni
149
quantitative
accuratezza degli attributi quantitativi
attribute accuracy
La procedura per determinare i metadati di qualità prevede i seguenti passi:
−
−
−
−
−
6.3
si identifica una (o più) misura della qualità, per ciascun data quality
element/sub-element (ISO19113);
si seleziona un metodo di valutazione della qualità (ISO19114);
si determina il risultato quantitativo dell'applicazione del metodo di
valutazione della qualità;
si specifica il conformance quality level (cioè il valore di soglia, definito
spesso come numero di item non conformi, oppure in percentuale, o altro);
si fa il confronto tra il conformance quality level e il risultato quantitativo
dell'applicazione del metodo di valutazione adottato. Il risultato del
confronto è in pratica il metadato di qualità.
PROCEDURE DI QUALITÀ PER LA
ELABORAZIONE DEI DATI AVHRR/NOAA
RICEZIONE
ED
In linea con quanto previsto dalla norma ISO 9000 occorre considerare i
processi che concorrono all’ottenimento della Temperatura Superficiale del Suolo
da dati AVHRR/NOAA. Quando necessario all’esemplificazione, come prima
accennato, si fa riferimento all’installazione di ricezione ed elaborazione effettiva
realizzata presso la Stazione Ricezione Satelliti - Polo Universitario di Prato (PIN).
Tale catena per il trattamento dei dati è riferita all’ottenimento di mappe di LST, a
partire dai dati dei sensori AVHRR/2, a bordo dei satelliti NOAA 12 e 14, e
AVHRR/3, a bordo dei satelliti NOAA 15, 16, 17, 18, tutti ricevuti direttamente alla
Stazione. Tali sensori radiometrici passivi sono ricevibili direttamente per
operazioni in tempo reale a costi contenuti.
Da tenere presente che, per un’efficace valutazione della qualità dei dati, è
opportuno che gli algoritmi impiegati per le operazioni siano resi trasparenti. In
quest’ottica appare quindi desiderabile la realizzazione di programmi propri,
rispetto a pacchetti commerciali, anche a dispetto del lavoro necessario allo
sviluppo della catena di elaborazione. In questo contesto è valido il riferimento
sopra citato alla Stazione Ricezione Satelliti, presso la quale tutte le operazioni per
il trattamento dei dati vengono effettuate tramite programmi sviluppati ad hoc con
linguaggi standard ANSI C e C++ (ISO/IEC 9899:1999, Programming
Languages); l’insieme dei programmi realizzati costituisce la catena di
elaborazione AmEDIT (Ambiente di Elaborazione Dati Immagini Telerilevate).
150
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
La catena per il trattamento dei dati AVHRR/NOAA per l’ottenimento delle
mappe di LST è schematizzabile secondo lo schema a blocchi di Fig. 6.1, nel quale
sono evidenziati tre blocchi di processi principali:
−
−
−
Geolocazione e calibrazione radiometrica: questa parte è costituita
dall’insieme di elaborazioni necessarie all’ottenimento di mappe su griglia
di proiezione del parametro misurato dal sensore (radianza e temperatura di
brillanza). La Geolocazione è la procedura che associa longitudine e
latitudine geografiche ai punti acquisiti dal sensore; tale operazione viene
effettuata tramite una catena retro-azionata, in modo che i risultati di una
prima elaborazione vengano utilizzati per migliorare la precisione del
calcolo. La Calibrazione Radiometrica è la procedura attraverso la quale i
dati numerici grezzi acquisiti dal sensore sottoforma di parole binarie
(count) vengono trasformati in grandezze fisiche correlate all’entità della
radiazione elettromagnetica misurata dal sensore (v. p. 6.3.3), attraverso
dei coefficienti di calibrazione (v. p. 6.3.2).
Correzione atmosferica: questa procedura consente di impostare il profilo
atmosferico al momento della misura del sensore sulla zona
d’osservazione, permettendo di ricavare dei coefficienti che tengono conto
dell’effetto del passaggio della radiazione dal suolo al sensore nel calcolo
dell’emissività;
Parametri superficiali: quest’ultimo blocco di elaborazione implementa il
modello di calcolo per l’ottenimento della LST a partire dalle temperature
di brillanza, tenendo conto degli effetti atmosferici e delle zone nuvolose.
6.3.1
CONTROLLO DELLA GEOLOCAZIONE DEI DATI
Il sensore AVHRR effettua, durante il suo moto a bordo dei satelliti NOAA, una
scansione angolare della superficie terrestre registrando un certo numero di valori,
proporzionali all’emissione elettromagnetica, per ogni linea di scansione. La
geolocazione di tali dati consiste nella localizzazione sulla superficie terrestre di
ognuno di essi, cioè nel determinare la loro longitudine e latitudine geografiche.
La procedura di geolocazione utilizzata presso la Stazione Ricezione Satelliti si
basa sulla ripresa orbitale effettiva del satellite (v. Figg. 6.2, 6.3 e 6.4 e Tab. 6.2 per
la legenda) e sulla proiezione Mercatore Datum WGS84; essa è stata testata con
continuità su un campione di circa 200 immagini AVHRR (Pellegrini, 2002). Si
articola nei passi seguenti:
1. estrazione dei time-code (istante di acquisizione del primo pixel-riga
AVHRR) dal file HRPT - Tecnavia (v. p. 6.5.2) per ogni riga di scansione;
2. calcolo della posizione di satellite e sensore nell’istante dell’acquisizione;
Aspetti di qualità per l’ottenimento di mappe di temperatura superficiale
del suolo (LST) da dati telerilevati da satellite
151
3. estrazione dei count e dei coefficienti di calibrazione per l’area di
interesse;
4. calcolo di longitudine e latitudine geografiche dei punti osservati da
satellite sulla base della geometria di ripresa;
5. proiezione su griglia regolare Mercatore WGS84;
6. sovrapposizione delle linee di costa all’immagine;
7. correzione del risultato ottenuto sulla base di opportuni punti di controllo.
Tabella 6.2 - Parametri orbitali e di scansione dell’AVHRR (Fig. 6.2, 6.3 e 6.4)
Simbolo
Significato
Simbolo
Significato
E
direzione di riferimento delle
coordinate celesti (linea degli
equinozi)
GHA
Greenwich Hour Angle, angolo di
Greenwich rispetto a E
G
direzione meridiano di Greenwich
HA
angolo orario tra P e O
i
inclinazione dell’orbita del satellite
(λO,φO)
longitudine e latitudine del punto
O
PG
perigeo dell’orbita del satellite
(λP,φP)
longitudine e latitudine del punto P
N
nodo ascendente
C
centro della Terra
Ω
longitudine del nodo ascendente
γ
Angolo di puntamento di P dal
satellite
ω
argomento del perigeo
h
quota del satellite
Rlm
raggio terrestre locale medio
Elh
Elevazione del satellite da P
Reqm
raggio terrestre equatoriale medio
Aaz
Azimuth della traiettoria del
satellite a terra ferma da O
O
punto sub-satellite
At
Azimuth della traiettoria del
satellite a terra in movimento da O
P
punto osservato dal satellite
Az
Azimuth di puntamento di P da O
152
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
Fig. 6.2 - Parametri del modello orbitale nel riferimento delle coordinate celesti
Fig. 6.3 - Geometria di scansione dell’AVHRR/NOAA.
Aspetti di qualità per l’ottenimento di mappe di temperatura superficiale
del suolo (LST) da dati telerilevati da satellite
A)
153
B)
γ
γ
ρ
α
Fig. 6.4 - Geometria di scansione del sensore AVHRR. A) Vista sul piano contenente la
direzione di scansione e la congiungente centro della Terra-Satellite. B) Vista sul piano
tangente il punto sub-satellite (O).
Considerando la geometria di ripresa e le caratteristiche del sensore e
conoscendo l’istante di acquisizione tj della j-esima linea di scansione di
un’immagine (fornito dal sensore insieme ai dati telerilevati di ogni linea), si
ricavano le seguenti informazioni (relative alla linea j):
−
−
−
(λO ,ϕ O )
longitudine [rad] e latitudine [rad] del punto subsatellite O (v.
Fig. 6.3);
Aaz, [rad] Azimuth della traiettoria del satellite a terra ferma da O (v. Fig.
6.4);
ρ, [m] distanza centro della Terra – satellite (v. Fig. 6.3 e 6.4).
Calcolo di longitudine e latitudine dei punti osservati
I punti osservati dal satellite sono indicati con una coppia di indici (j,i), dove j
(j = 0, 1, ..., Nj – 1) è la riga di scansione ed i (i = 0, 1, ..., Ni – 1) il pixel di ripresa
(Ni = 2048) (Goodrum, 2000).
Indicando con P un punto osservato, esso sarà caratterizzato da
l’angolo di puntamento dal satellite γ relativo al punto P è dato da:
⎛
⎝
γ = Δγ ⎜ iP −
Ni − 1 ⎞
⎟
2 ⎠
( j P , iP ) ;
(6.1)
154
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
dove:
Δγ = 0.95 [mrad] è il passo di scansione angolare
L’azimuth Az con cui è visto P dal punto sub-satellite è (v. Fig. 6.4):
π
⎧
⎪⎪ Az = Aaz + 2 if 0 ≤ i < 1024
⎨
⎪ A = A + 3π if 1024 ≤ i < 2047
az
⎪⎩ z
2
(6.2)
considerando il raggio terrestre locale medio Rlm (noto in base al Datum
scelto), l’elevazione del satellite Elh dal punto osservato P è data da:
⎡ ρ
⎤
Elh = cos −1 ⎢
sin (γ )⎥
⎣ Rl m
⎦
(6.3)
posto:
α=
π
2
− Elh − γ
(6.4)
le coordinate (λP , ϕ P ) del punto osservato P sono date da (v. Fig. 6.3):
ϕ P = sin −1 [cos(α ) sin(ϕ O ) + sin(α ) cos(ϕ O ) cos( Az )]
⎛ sin (HA) ⎞
⎟⎟
⎝ cos(HA) ⎠
λ P = λ S − tan −1 ⎜⎜
(6.5)
(6.6)
dove:
sin (HA) = − sin( Az )
cos(HA) = 1 −
sin(α )
cos(ϕ P )
cos(ϕ O − ϕ P ) cos(α )
cos(ϕ O ) cos(ϕ P )
(6.7)
(6.8)
Correzione del risultato ottenuto
Acquisiti il modello dell’orbita del satellite e le informazioni sul suo moto
fornite dalle effemeridi, esistono alcuni fattori che possono condizionare la
precisione della geolocazione: la perturbazione dell’assetto del sensore durante il
moto rispetto ai suoi tre assi di inerzia (imbardata, beccheggio, rollio), errori sulla
registrazione del tempo d’acquisizione delle linee di scansione, dovuti all’orologio
interno, errori sulla precisione dei parametri orbitali. Tali errori sono fortemente
Aspetti di qualità per l’ottenimento di mappe di temperatura superficiale
del suolo (LST) da dati telerilevati da satellite
155
ridotti dall’impiego di due punti di riferimento nella procedura di geolocazione.
Possibili riferimenti validi sono punti cospicui delle linee di costa (Pellegrini,
2002).
6.3.2
ESTRAZIONE DEI COUNT E CALCOLO DEI COEFFICIENTI DI
CALIBRAZIONE PER UN’AREA GEOGRAFICA
Per la rappresentazione di mappe su una certa area geografica, è necessaria una
procedura che effettui l’estrazione dei count relativi all’area di interesse; in questo
passo vengono determinati anche i coefficienti di calibrazione radiometrica che
dipendono da dai target di calibrazione interni al sensore. La procedura si distingue
per tipo di sensore e per satellite, AVHRR/2 (NOAA 12 e 14) e AVHRR/3 (NOAA
15, 16, 17 e 18). L’algoritmo impiegato consta di tre parti:
−
−
−
estrazione dei count per l’area geografica di interesse;
calcolo dei coefficienti di calibrazione per i canali 1 e 2 (AVHRR/2);
calcolo dei coefficienti di slope Gi e intercept Qi per i canali 3, 4 e 5
(AVHRR/2) e 3B, 4 e 5 (AVHRR/3).
I coefficienti di calibrazione radiometrica calcolati in questo passo vengono
inseriti nella testata dei files di uscita e servono in ingresso alla procedura di
calibrazione. Una parte dei coefficienti, relativi ai canali visibili (1, 2, 3A)
dell’AVHRR/3, è fissa, ma viene aggiornata periodicamente via web. I canali 3A e
3B sono acquisiti alternativamente dal sensore AVHRR/3.
6.3.3
CALIBRAZIONE RADIOMETRICA DEI DATI
Le grandezze fisiche nelle quali vengono convertiti i valori dei count variano a
secondo i canali dell’AVHRR. In particolare si esprime la radianza per le bande
solari (canali 1, 2 e 3A), espressa in [W m–2 sr–1 μm–1] e la temperatura di brillanza
(detta temperatura equivalente di corpo nero), espressa in Kelvin [K] per le bande
termiche (canali 3B, 4 e 5). Il valore del count registrato è proporzionale alla
radianza media emessa dall’area illuminata dal lobo di scansione dell’antenna del
sensore (con risoluzione a terra di circa 1.1 km al nadir), mediata a sua volta dalla
risposta in frequenza del canale che effettua l’acquisizione. Le mappe di tali
grandezze, a 32 bit/pixel (floating point) e 8 bit/pixel per la visualizzazione in scala
di grigi, sono ottenute eseguendo un’interpolazione dei dati satellitari su una griglia
Mercatore WGS84. La scelta della tecnica di interpolazione da utilizzare viene
effettuata sulla base della variabilità spaziale della scena osservata ed in relazione
alla frequenza di campionamento spaziale con cui opera il sensore. Nel caso della
superficie del suolo, che contiene frequenze spaziali anche molto elevate, viene
utilizzata l’interpolazione nearest neighbour. (Tommasini, 2005).
156
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
Calcolo di albedo e radianza per le bande solari
La calibrazione delle bande “solari” del sensore AVHRR (bande 1, 2, 3A) è la
procedura con cui il valore del count a 10 bit registrato nella banda i-esima (C10i)
viene convertito in un valore di albedo Ai, definito dalla (6.9) (Goodrum, 2000).
Ai = 100
π ⋅ Ii
Fi
(6.9)
dove:
i indice di banda (i = 1, 2, 3A)
Ai [percento], albedo della banda i-esima
λi 2
I i = ∫ I (λ )τ i (λ )dλ [Wm–2sr–1], radianza della banda i-esima
λi1
λi1, λi2 [μm], lunghezze d’onda inferiore e superiore della banda i-esima
I (λ ) [Wm–2sr–1μm–1], radianza
τ i (λ )
risposta normalizzata dello strumento alla lunghezza d’onda λ
λi 2
Fi = ∫ F0 (λ )τ i (λ )dλ [W m–2], irradianza del sole
λi1
F0 (λ ) [W m–2μm–1], irradianza del sole alla lunghezza d’onda λ
La conversione del count in albedo viene effettuata, secondo la (6.10),
attraverso gli opportuni coefficienti (Gi, Qi) aggiornati periodicamente e forniti da
NOAA (Goodrum, 2000) e specifici per ogni satellite della costellazione.
Ai = Gi ⋅ C10i + Qi
(6.10)
dove:
Gi [percento count-1], coefficiente di scalatura (slope) della banda i-esima
Qi [percento], coefficiente di intercetta (intercept) della banda i-esima
C10i [count], count a 10 bit della banda i-esima (C10i = 0, 1, .., 1023)
Dal valore di albedo viene calcolata la radianza in banda Ii definita dalla (6.11):
Ii =
Fi
Ai
100π ⋅ Wi
dove:
Wi [μm], ampiezza equivalente della banda i-esima (Goodrum, 2000)
(6.11)
Aspetti di qualità per l’ottenimento di mappe di temperatura superficiale
del suolo (LST) da dati telerilevati da satellite
157
Calcolo della temperatura di brillanza per le bande “termiche”
La calibrazione delle bande “termiche” del sensore AVHRR (bande 3B, 4, 5)
trasforma la radianza terrestre della banda i-esima (Ri) nel valore di temperatura di
brillanza Tbi [K] (temperatura equivalente di corpo nero) (Goodrum, 2000). Prima,
a partire dal count registrato C10i, si ottiene il valore della radianza terrestre Ri
incidente sul sensore [mW m-2 sr-1 cm], in funzione del numero d’onda centrale υic
della banda i-esima (υ [cm-1] corrisponde alla lunghezza d’onda λ [μm] in accordo
a λ = 10 4 / υ ); i coefficienti per la calibrazione sono basati sui valori di pre-lancio
(specifici per ogni satellite della costellazione) e sui valori di calibrazione interna al
sensore forniti per ogni linea di scansione (Goodrum, 2000)]. Ottenuta la radianza
Ri, la temperatura di brillanza Tbi viene ricavata con le (6.12) e (6.13):
Tbi* =
C 2 ⋅ υ ic
C ⋅υ 3
ln[1 + ( 1 ic )]
Ri
Tbi =
Tbi* − Ai
Bi
(6.12)
(6.13)
dove:
i
Tbi
υic
Ri
esima
C1
C2
Ai
Bi
indice di banda (i = 3B, 4, 5)
[K], temperatura di brillanza della banda i-esima
[cm-1], numero d’onda centrale della banda i-esima
[mW m-2 sr-1 cm], radianza della zona terrestre osservata nella banda i-
6.4
IMPOSTAZIONI PER IL CONFRONTO DEI PRODOTTI OTTENUTI
DA SATELLITE CON MISURE VERITÀ A TERRA
[mW m-2 sr-1 cm4], first radiation constant (C1 = 1.1910427x10-5)
[K cm], second radiation constant (C2 = 1.4387752)
[K], coefficiente di correzione della banda i-esima
coefficiente di correzione della banda i-esima
I prodotti geofisici ottenuti dalle elaborazioni da dati satellitari, come ad
esempio la Temperatura Superficiale del Suolo, sono molto indicativi della
superficie osservata, ma rappresentano delle stime di parametri ambientali
misurabili a terra. Il confronto con misure verità effettuate a terra è però di grande
158
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
utilità per valutare gli andamenti dei prodotti ottenuti da satellite. È però opportuno
precisare che il dato verità a terra:
−
−
−
non viene utilizzato per valutare la precisione delle elaborazioni effettuate,
ma solo per effettuare un confronto con quanto ottenuto dalle elaborazioni;
molte volte infatti il dato a terra è il risultato di una misura effettuata con
modalità non compatibili con quelle con cui si effettua la misura da
satellite (una misura di LST ad esempio può essere effettuata con un
termometro che valuta la dilatazione di un metallo, i sensori satellitari
misurano invece la radiazione emessa dal terreno);
è un valore puntuale, a differenza di una misura da satellite; la superficie
del suolo in particolare può presentare caratteristiche fortemente
eterogenee che contribuiscono a falsare la stima del parametro di interesse;
non risente degli effetti atmosferici che invece condizionano in modo non
trascurabile, anche in assenza di copertura nuvolosa, le misure da satellite.
Per una stima oggettiva della misura del parametro LST, più che un mero
raffronto con dati di temperatura del suolo rilevati a terra, che sono raramente
disponibili [Qin, 01], è conveniente una valutazione comparata dell’andamento
della LST con misure puntuali a terra di temperatura dell’aria, delle quali invece c’è
ampia disponibilità su tutto il territorio. Di particolare interesse per questo
confronto nel caso della Regione Sicilia è la rete in telemisura dell’Ufficio
Idrografico Regionale, che dispone di oltre 150 stazioni distribuite su tutto il
territorio siciliano; tali stazioni, che fanno parte di una rete di qualità consolidata in
seno al progetto SEDEMED, consentono di rilevare, tra i vari parametri, la
temperatura del suolo a 2 m da terra, in qualunque orario del giorno. In Fig. 6.5 è
riportato un esempio di mappa di LST della Sicilia Ovest, ottenuta il 07.05.2005 dal
satellite NOAA16, alle ore 13.39 UTC .
Aspetti di qualità per l’ottenimento di mappe di temperatura superficiale
del suolo (LST) da dati telerilevati da satellite
159
Fig. 6.5 - Mappa LST sulla Sicilia Ovest in proiezione Mercatore WGS84, ottenuta dai dati
NOAA 16/AVHRR, 07.05.2005 ore 13:19 UTC, scala 1:1’300’000. Palette dei colori [8÷40
°C].
Per l’ottenimento di dati di temperatura dell’aria misurati a terra che siano i più
idonei possibili per il confronto con i dati di LST, è opportuno rilevare tali misure
nell’ora esatta in cui il satellite passa sull’area di interesse. A tal proposito si
procede come segue:
−
si individua un giorno di tempo sereno con l’aiuto delle previsioni
meteorologiche per l’area geografica di interesse;
160
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
−
−
si effettua una previsione dei passaggi del satellite per quel giorno con un
apposito programma sviluppato alla Stazione. Se la traccia del satellite
interessa un punto interno dell’area, si prende in considerazione quel
giorno per il reperimento delle misure a terra e si prende nota dell’ora
esatta.
si prelevano i dati dalle stazioni in telemisura nel giorno e nell’ora
individuati.
A titolo d’esempio è riportato in Fig. 6.6 la situazione geometrica di scansione
dei passaggi del NOAA 16, ottenuta con il programma Orbswath6.exe, per il giorno
1 aprile 2006, dalla quale si determina che il satellite passa sul territorio siciliano
esattamente alle ore 13:42 UTC. Le linee di scansione sono tracciate ogni 60
secondi (|–•–|) e tenendo conto dell’angolo di apertura del sensore AVHRR.
Fig. 6.6 - Esempio di previsione dei passaggi giornalieri del satellite NOAA 16 del giorno
01.04.2006 sull’area Mediterranea, compresi tra le 07.00 e le 20.00 UTC.
6.5
PROCEDURE DI ARCHIVIAZIONE E INTERSCAMBIABILITÀ DEI
DATI
L’archivio dati della Stazione Ricezione Satelliti del PIN Prato raccoglie sia
dati grezzi che dati elaborati, su supporto CD e DVD. I dati raccolti riguardano i
sensori AVHRR/NOAA, SeaWiFS/SeaSTAR, SSM-I/DMSP, MVIRI/METEOSAT e,
dal 1 gennaio 2006, SEVIRI/MSG (Meteosat Second Generation). Nell’ambito
Aspetti di qualità per l’ottenimento di mappe di temperatura superficiale
del suolo (LST) da dati telerilevati da satellite
161
della normale attività della Stazione, l’archiviazione dei dati ricevuti avviene
secondo una procedura giornaliera (anche se le apparecchiature di ricezione della
Stazione prevedono una registrazione automatica fino a 6 giorni), che prevede la
compressione (formato *.zip) e successiva memorizzazione su supporti ottici CD e
DVD etichettati. I dati generali relativi ai files archiviati grezzi (nome file, satellite,
data ed ora del passaggio, ecc.) ed elaborati (tipo prodotto, area geografica, data,
ecc.) sono memorizzati anche nel database elettronico della Stazione (v. p. 6.5.1). I
formati dei files grezzi seguono le convenzioni indicate nel p. 6.5.2.
Per agevolare l’interscambio dei prodotti ottenuti da satellite, è opportuno
memorizzare le mappe prodotte su formati standard. L’International Standards
Organization (ISO) e il World Meteorological Organization (WMO) raccomandano
i formati HDF (Hierarchical Data Format) [NCSA, 03] e GeoTIFF (Geographic
Tagged Image File Format) [Ritter, 95], largamente utilizzati dalla comunità
scientifica. I formati HDF e GeoTIFF si prestano infatti molto bene a gestire i dati
telerilevati da satellite; entrambi permettono di includere sia i dati satellitari
acquisiti sia opportune informazioni per la descrizione dei dati stessi, i cosiddetti
metadata, quali ad esempio il tipo di prodotto, le modalità di acquisizione,
informazioni sull’area geografica cui si riferiscono i dati, informazioni per la
geolocazione, le grandezze fisiche monitorate, le unità di misura utilizzate, nonché
informazioni riguardanti la qualità dei dati. ISO e WMO forniscono
raccomandazioni circa il trattamento dei metadati e i criteri di nomenclatura dei
files contenenti dati satellitari. Presso la Stazione sono state messe a punto
procedure specifiche per l’archiviazione dei prodotti elaborati in files HDF e
GeoTIFF (v. p. 6.5.3), e per il trattamento dei dati in tali formati.
6.5.1
ARCHIVIO ELETTRONICO DELLA
SATELLITI DEL PIN - PRATO
STAZIONE
RICEZIONE
Le procedure sviluppate presso la Stazione sono configurate in modo da
aggiornare l’archivio elettronico sul server di Stazione, al termine della catena di
operazioni. L’archivio è stato sviluppato su piattaforma Linux-MYSQL ed è
organizzato in tabelle; la Fig. 6.7 mostra la struttura delle tabelle e delle loro
relazioni. Le tabelle contengono: il file grezzo elaborato, il nome del satellite che lo
ha trasmesso, l’ora UTC della prima linea acquisita stimata correttamente, l’elenco
dei file prodotti dall’elaborazione, il formato geografico di elaborazione ed i
parametri di correzione.
Quotidianamente sono prodotte e stampate le immagini ‘QuickLook’ dei
passaggi NOAA e delle riprese METEOSAT/MSG. I QuickLook sono ottenuti
sottocampionando opportunamente i dati del ch. 3B dell’AVHRR/3 e dell’IR-39
dell’MSG. Dall’analisi di tali immagini vengono ricavate le caratteristiche generali
relative alla qualità del passaggio inserite nel database relazionale. Queste
162
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
informazioni sono utili nelle ricerche di possibili immagini da elaborare. La
disponibilità delle sole immagini grezze è riportata in Table III.
[ 1 - Molti ]
ID-IDFormato
formati
PK,I1
Nome
Lon1
Lon4
Phi1
Phi2
Phi0
Scala
dpi
PixRiga
RigheImmagine
DistMP
PriPix
LetteraID
I1
ID
I2
I2
IDFormato
ID2Lines
dEpoca
dOmega
dg
dAzimuth
file2lines
I1
Nome
Path
File TwoLines utilizzato
per la geolocazione
[ 1 - Molti ]
ID-IDTipoQualità
[ 1 - Molti ]
ID-IDFormatoFile
formatifile
TipoQualità
I1
qualità
ID
TipoQualità
I1
ID
I2
I2
I2
I2
IDFormato
IDGrezzo
IDTipoQualità
IDTipoPosizione
Condizioni atmosferiche
sulle aree geografiche
[ 1 - Molti ]
assegnate dall'operatore
analizzando il QuickLook ID-IDTipoPosizione
ID
FormatoDato
HeaderBytes
BitPixel
Attributo sulle condizioni
atmosferiche
TipoPosizione
I1
ID
TipoPosizione
Formato del file prodotto
grezzinoaa
PK,I1
ID
I1
Nome
Data
Ora
IDSat
[ 1 - Molti ]
ID-IDGrezzo
Posizione dell'area
geografica elaborata
rispetto alla traccia subsatellite
[ 1 - Molti ] ID-IDSat
satelliti
PK,I1
ID
Parametri di correzione
geografica calcolati
Area geografica su cui
si è elaborato il file prodotto
PK,I1
[ 1 - Molti ]
ID-ID2Lines
corrgeo
ID
ID
Nome
TLENumber
HRPTNumber
Nome del file grezzo da
cui deriva il prodotto
Satellite che ha trasmesso i dati
grezzi relativi al prodotto
tipoprodotti
PK,I1
ID
Nome
Descrizione
[ 1 - Molti ] ID-IDProdotto
fileprodotti
PK,I1
ID
I1
I1
I1
I1
IDFormato
IDFormatoFile
IDGrezzo
IDProdotto
PathCartella
NomeFile
Riepilogo delle
informazioni del prodotto
Tipo di prodotto
Fig.6.7 Struttura del database relazionale dell’archivio elettronico della Stazione.
163
Aspetti di qualità per l’ottenimento di mappe di temperatura superficiale
del suolo (LST) da dati telerilevati da satellite
Esistono due modi per interrogare il database relazionale di Fig. 6.7: attraverso
l’utilizzo di un apposito programma che realizza opportune query, oppure on-line,
collegandosi al sito: http://maresat.ing.unifi.it/ricerca/Ricerca.php .
Tabella 6.3 - Consistenza passaggi archiviati alla Stazione Ricezione Satelliti del PIN Prato relativamente al periodo di ricezione indicato (situazione al 21.04.2006).
Sensore/Satellite
n. di immagini disponibili
Dal
Al
AVHRR/NOAA
25'200
25.03.1995
21.04.2006
SeaWiFS/SeaStar
79
07.10.1997
03.03.1998
SSM/I/DMSP
5'500
19.09.1999
21.04.2006
MVIRI/METEOSAT (*)
86'500
10.11.1994
31.12.2005
SEVIRI/MSG (METEOSAT-8) (*)
7'700
01.01.2006
21.04.2006
(*) Questi dati, distribuiti con licenza EUMETSAT ‘Educational Use and Research
Project’, sono utilizzabili previa autorizzazione del Ministero della Difesa - Direzione
Generale delle Telecomunicazioni Informatica e Tecnologie Avanzate.
6.5.2
FORMATO HRPT DEI DATI NOAA ACQUISITI ALLA STAZIONE
RICEZIONE SATELLITI DEL PIN - PRATO
I dati ottenuti dai sensori installati a bordo dei satelliti NOAA sono trasmessi in
formato HRPT (High Resolution Picture Transmission); secondo le tecniche
utilizzate nelle unità di ricezione per la memorizzazione dei dati su disco, il
formato HRPT può non essere mantenuto. L’unità di ricezione TECNAVIA presso
la Stazione Ricezione Satelliti del PIN – Polo Universitario di Prato, ad esempio,
utilizza un proprio formato, che differisce dall’HRPT standard per l’aggiunta di una
testata ASCII e per il numero di bit-spare presenti all’inizio ed alla fine del minor
frame HRPT ([Tecnavia, 1985).
Il nome dei files contenenti dati grezzi presenti nell’archivio della Stazione
segue, ad oggi, la convenzione stabilita da TECNAVIA (Tecnavia, 1985). Tale
convenzione prevede che i nomi dei files grezzi abbiano la forma: Taaggghh.mms:
codice identificativo TECNAVIA
− T
− aa ultime due cifre dell’anno di acquisizione
− ggg giorno di acquisizione (compreso tra 1 e 365, giorno 1 = 1° gennaio)
− hh ora UTC di acquisizione
− mm minuti UTC di acquisizione
s secondi UTC (decine) di acquisizione
I nomi dei files elaborati presso la Stazione e presenti in archivio seguono
invece una convenzione interna che ricalca quella proposta da TECNAVIA.
164
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
Dai dati elaborati nella catena si ottengono mappe di prodotti intermedi
(albedo, riflettanza, radianza, temperatura di brillanza, angoli di elevazione sole e
satellite, classificazione pixel nuvolosi, etc) in proiezione Mercatore (Datum
WGS84). Le mappe sono salvate in un formato raster a 32 bit/pixel o a 16 bit/pixel,
a seconda del prodotto, con 800 byte di testata (10 righe di testo da 80 caratteri
ciascuna); le mappe sono inoltre salvate anche a 8 bit/pixel per una pronta
visualizzazione. Ogni pixel è memorizzato da un numero di byte corrispondente
alla precisione con cui è memorizzato il dato (un byte per pixel se i dati sono a 8
bit, 2 byte per pixel se a 16 bit, 4 byte per pixel se a 32 bit).
6.5.3
FORMATI STANDARD DI MEMORIZZAZIONE SU FILE (HDF E
GEOTIFF)
I formati HDF e GeoTIFF sono due dei più diffusi standard di memorizzazione
di immagini e dati satellitari e non solo. Di seguito sono fornite alcune note sulle
caratteristiche e sull’utilizzo dei formati HDF e GeoTIFF.
Il formato HDF (Hierarchical Data Format) è nato per soddisfare le esigenze
in ambiente scientifico nel salvataggio e nello scambio di dati tra enti. Lo standard
HDF prevede delle strutture predefinite per la memorizzazione dei dati utilizzabili
in base alla natura stessa dei dati. Ogni file HDF è self-describing, ovvero
autodescrittivo: al suo interno possono essere incluse tutte le informazioni
riguardanti i dati in esso contenuti, sulla loro tipologia, sulla loro organizzazione e
posizione all’interno del file, ecc. Queste informazioni prendono il nome di
metadata. Il formato HDF:
−
−
−
−
è utilizzabile per memorizzare qualsiasi prodotto, anche intermedio, con
tutti i tipi di formato numerico (interi a 8 o 16 bit, decimali a singola o
doppia precisione); è possibile memorizzare all’interno di un singolo file
anche i dati relativi a più di un’immagine e anche dati di altro tipo;
è caratterizzato da una grande flessibilità, i campi dati sono completamente
configurabili riguardo a tipo e contenuto; dati ausiliari possono essere
memorizzati anche sottoforma di tabella;
ha una struttura completamente flessibile e configurabile in ogni aspetto
per tipo di dati, tipo e contenuto di metadati;
svantaggi del formato HDF: necessità di software apposito (meno diffuso,
è di utilizzo meno immediato) per la lettura dei dati e dei metadati
memorizzati e per la visualizzazione in immagine dei dati; necessità di
organizzare in modo chiaro la struttura del file e dei metadati (nonché il
contenuto di essi) per rendere chiari il più possibile l’interpretazione e
l’utilizzo dei dati.
Aspetti di qualità per l’ottenimento di mappe di temperatura superficiale
del suolo (LST) da dati telerilevati da satellite
165
Il GeoTIFF [Ritter, 95] è un’estensione del formato TIFF (Tag Image File
Format) (si vedano le specifiche TIFF TIFF Revision 6.0. Final, Adobe Developers
Association, Settembre 1992) e definisce ed integra le immagini raster di un set di
informazioni aggiuntive inerenti i dati rappresentati, quali la risoluzione, la
provenienza e le elaborazioni che hanno subito. GeoTIFF non è propriamente un
formato di file (il formato rimane il TIFF), ma una specifica che definisce e
standardizza i nuovi tag utilizzabili per il salvataggio delle informazioni aggiuntive
per la descrizione dei dati memorizzati nel file. Quest’ultimi, ovviamente, non sono
interpretabili da qualunque programma ma solo da quelli che ne conoscono il
significato, al tempo stesso però non interferiscono in alcun modo con il
funzionamento di ogni altra applicazione, che è comunque in grado di leggere tutte
le informazioni utili, ignorando quelle contrassegnate da tag sconosciuti. Il formato
GeoTIFF:
−
−
−
−
è utilizzabile per la memorizzazione di dati geografici equispaziati, cioè
dati che hanno subito una qualche procedura di proiezione (tramite
interpolazione spaziale); per i dati equispaziati, è possibile risalire alle loro
coordinate in un certo sistema di riferimento e per una certa proiezione
utilizzata (note le caratteristiche dell’area geografica e della griglia di
disposizione dei dati);
il tipo e il numero di metadati minimi memorizzabili in un file GeoTIFF
sono fissati dalle specifiche dello standard oltre a questi altri possono
essere definiti e configurati dall’utente; i metadati di un file GeoTIFF
riguardano informazioni circa il riferimento geografico dei dati in esso
memorizzati (il tipo di proiezione della mappa);
vantaggi del formato GeoTIFF: essendo un’estensione del formato TIFF, è
perfettamente compatibile con tale formato (è possibile ad esempio la
memorizzazione di immagini a 8 bit con palette); l’immagine memorizzata
in un file GeoTIFF è visualizzabile da tutti i programmi in grado di
visualizzare i files TIFF; per la lettura dei metadati occorre comunque un
apposito software.
svantaggi del formato GeoTIFF: ha una struttura rigida (un file GeoTIFF è
semplicemente un file raster TIFF con qualche tag in più), adatta
soprattutto per dati equispaziati; i metadati memorizzabili sono quelli che
identificano il tipo di proiezione utilizzata e che individuano le
trasformazioni necessarie per risalire, dalle coordinate spaziali dei dati, alle
coordinate geografiche.
166
P. F. Pellegrini, G. Adembri, M. Tommasini, M. Innocenti, G. Poli
6.6
BIBLIOGRAFIA
Beni, P. (1979) L’acquisizione ed il tracking dei satelliti artificiali. Revisione A. Consiglio
Nazionale delle Ricerche, Istituto di Ricerca sulle Onde Elettromagnetiche (IROE-TR), Firenze.
CelesTrack (2005) NORAD Two-Line Element Set. (http://www.celestrak.com/).
Fantozzi, P.L., Garberi, M.L., Graziosi, B., Visicchio, F. and Artioli, G.P. (2001) Aspetti tecnici
e metodologici delle procedure di collaudo della banca dati geologici del programma CARG, 5°
Conferenza Nazionale ASITA - La qualita’ dell’informazione geografica, Rimini, Italy.
National Center for Supercomputing Applications (2003) HDF User’s Guide, HDF4 Release 2.0,
(ftp://ftp.ncsa.uiuc.edu/HDF/HDF/Documentation/HDF4.2r0/HDF42r0_UserGd.pdf), NCSA.
Goodrum, G.,Kidwell, K. B. and Winston, W. (2000) NOAA KLM User's Guide, September
2000 revision, U.S. Department of Commerce, National Oceanic and Atmospheric Administration,
National Environmental Satellite, Data, and Information Service, September 2000.
Pellegrini, P. F., Tommasini, M., Francini, C., Innocenti, M., Marconi, M. and Poli, G. (2002)
Automatic Navigation of AVHRR and SeaWiFS imagery on the sea with segmented Interpolation. In:
Enzo dalle Mese (Ed.) Novel methodologies for the integration, processing and analysis of data from
spaceborne sensors for the monitoring of the hydrosphere, rainfall phenomena and the ground, ASICNIT, Dalle Mese., Pisa.
Qin, Z., Dall’Olmo, G., Karnieli, A. and Berliner, P. (2001) Derivation of split window
algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA-AVHRR
data, Journal of Geophysical Research, Vol. 106, pp. 22655-70.
Ritter, N. and Ruth, M. (1995) GeoTIFF Revision 1.0, Version: 1.8.1.
(ftp://ftp.remotesensing.org/pub/geotiff/spec/).
TECNAVIA (2005) Lugano, (http://www.tecnavia.com/).
Tommasini, M., Poli, G. and Pellegrini, P. F.(2005) Segmented Interpolation Along the
Coastline for AVHRR NOAA Images. EARSeL eProceedings 4, 1/2005, pp. 26-43
Ulivieri, C., Castronuovo M. M., Francioni R., and A. Cardillo (1994) A Split Window
Algorithm For Estimating Land Surface Temperature From Satellites, Advances in Space Research,
Volume 14, Issue 3, March 1994, Pages 59-65.
Vermote, E., Tanré, D., Deuze, J. L., Herman, M. and Morcrette J. J. (1997) Second Simulation
of the Satellite Signal in the Solar Spectrum, 6S: An Overview , IEEE Transactions On Geoscience
And Remote Sensing. pp. 675-686.
APPENDICE
A1
CASO DI STUDIO: SELEZIONE DI UNA RETE PER IL
MONITORAGGIO DELLA SICCITA’ NELLA REGIONE DI
CRETA
I. NALBANTIS, G. TSAKIRIS
Laboratory of Reclamation Works and Water Resources Management,
National Technical University of Athens
F. VIOLA
Dipartimento di Ingegneria Idraulica ed Applicazioni Ambientali, Università
di Palermo
A1.1
AREA DI STUDIO
L’area di studio è la parte Est dell’isola che copre due delle quattro province
dell’isola (Heraklion and Lasithi). Una più precisa descrizione dell’area è fornita in
altri articoli di questa serie. Quello che è interessante per la nostra analisi è che la
rete esistente per la misura delle precipitazioni è composta da 44 stazioni disposte
più o meno uniformemente nello spazio. Sfortunatamente la rete non copre le aree
a quota più elevata dove la neve non è infrequente. Quaranta stazioni appartengono
al Ministero dello sviluppo Agricolo mentre le rimanenti quattro appartengono al
Servizio Meteorologico Nazionale. Le ultime sono situate sulla costa. Una mappa
della rete di misura delle precipitazioni è presentata in Figura A1.1.
170
I. Nalbantis, G. Tsakiris, F. Viola
Figure A1.1 - Rete delle stazioni di misura della precipitazione nella parte Est di Creta.
A1.2
ACQUISIZIONE DEI DATI E PRE-PROCESSING
I dati grezzi giornalieri sono stati aggregati per ricavare i totali mensili e
annuali, che sono stati poi passati al controllo di qualità. Dopo un primo controllo
sommario sui dati (ad es. sui ranges) è stata valutata la consistenza degli stessi
attraverso i quattro passi sotto elencati.
L’intera area di studio è stata divisa in sotto aree (Northern Heraklion,
Southern Heraklion, Western Lasithi, Eastern Lasithi).
All’interno di ogni sotto area sono state calcolate le cross-correlazioni tra i
totali annuali nei punti di misura; questo ha poi consentito la selezione di una
stazione di riferimento per ogni sotto area, la quale fornisce i dati più affidabili.
Sono state costruite le curve di doppia massa per tutte le stazioni in relazione
alla stazione di riferimento di ogni sotto area. I cambi di pendenza in tali curve
identificano delle inconsistenze.
L’applicazione della metodologia appena descritta non ha rivelato
inconsistenze significative nei dati. Solamente in sei casi sono stati riscontrati
cambi di pendenza nelle curve a doppia massa. Ciò ha consentito di trascurare
queste inconsistenze e di evitare la correzione dei dati. Un esempio di un evidente
cambio di pendenza nella curva a doppia massa è mostrato in Figura A1.2.
171
Cumulative annual total precipitation
at Krousonas (mm)
Selezione di una rete per il monitoraggio della siccità nella
regione di Creta
40000
35000
30000
25000
20000
15000
1992-93
10000
5000
0
0
5000
10000
15000
20000
25000
30000
35000
40000
Cumulative annual total precipitation at Prophet Elias (mm)
Figure A1.2 - Esempio di curva a doppia massa con cambio di pendenza nell’anno
idrologico 1992-93
A1.3
RISULTATI
La metodologia proposta descritta nel paragrafo 2.4 è stata applicata a varie
scale temporali. All’inizio è stata scelta la scala annuale. Si suppone che tale scala
conduca ai risultati più affidabili visto che i totali annuali sono più vicini alla
distribuzione normale di quanto non lo siano i totali a qualsiasi altra scala di
aggregazione temporale più piccola. Il fatto che nelle aree Mediterranee esiste una
distinzione netta tra la stagione secca e quella umida, conduce alla selezione del
periodo umido come seconda scala di aggregazione. Tale periodo è supposto di sei
mesi, e include i totali di pioggia da Ottobre a Marzo. Scendendo di scala
temporale, sono stati considerati intervalli di tre mesi, dividendo il periodo umido
in due sottoperiodi di tre mesi (da ottobre a Dicembre e da Gennaio a Marzo).
Infine, è stata testata la scala mensile, considerando solo i mesi della stagione
umida (da Ottobre a Marzo). Riassumendo, sono stati esaminati i seguenti periodi
all’interno dell’anno idrologico.
1. Anno
2. Stagione umida (da Ottobre a Marzo)
3. Da Ottobre a Dicembre
172
I. Nalbantis, G. Tsakiris, F. Viola
4.
5.
6.
7.
8.
9.
10.
Da Gennaio a Marzo
Ottobre
Novembre
Dicembre
Gennaio
Febbraio
Marzo.
La prima serie di analisi numeriche è stata svolta su dati senza l’eliminazione
della stagionalità. Per ognuno dei periodi temporali è stato stimato il range del
semi-variogramma. I risultati sono riportati in Figura A1.3. Per scale temporali
ampie (da quella annuale a quella di tre mesi) il range (il parametro a
dell’equazione 2.45) si assesta leggermente sotto i 30 Km, mentre per la scala
temporale mensile fluttua attorno ai 30 Km.
Semivariogramrange(km)
Quando si considerano i dati destagionalizzati i range si dispongono
leggermente sopra i 35 Km per la scala annuale e quella a sei mesi e cominciano a
fluttuare per scale inferiori. Tali fluttuazioni sono moderate per la scala trimestrale
ma diventano più marcate per I dati mensili. Questa è la ragione per cui in Figura
1.3 vengono mostrate le scale dall’annuale fino alla trimestrale.
40
35
30
25
20
15
Not det rended
10
Det rended
5
0
1
2
3
4
5
6
7
8
9
10
Time period
Figure A1.3 - Range del semi-variogramma (km) per diversi periodi temporali ( 1= anno,
2= Stagione umida da Ottobre a Novembre, 3= da Ottobre a Dicembre, 4= da Gennaio a
Marzo, 5= Ottobre, 6= Novembre, 7= Dicembre, 8= Gennaio, 9= Febbraio, 10= Marzo) e
campi isotropici di precipitazione.
I controlli sull’anisotropia nei campi di precipitazione eseguiti secondo la
metodologia del paragrafo 2.4 hanno rivelato grandi variazioni nel range del semivariogramma tra differenti direzioni. L’incertezza dei risultati è dovuta a due
ragioni. :
Selezione di una rete per il monitoraggio della siccità nella
regione di Creta
173
Il numero delle coppie di stazioni usate nei calcoli è significativamente limitato
per ogni specifica direzione se comparato a tutte le possibili coppie.
La forma dell’area di studio (allungata nella direzione Est-Ovest e sottile nella
direzione Nord-Sud) ha reso molto complessa la stima del semi-vagiogramma
empirico.
I risultati con le più piccole variazioni tra le direzioni corrispondono alla scala
annuale. Per i dati non destagionalizzati il range di 28 km per tutte le direzioni
cresce a 55 km per la direzione Est-Ovest e arriva a76 km nella direzione Sud
Ovest Nord Est. Al contrario scende a 24 km per la direzione Nord Ovest- Sud Est
e ancora a 15 km per la direzione Nord-Sud. I ranger basati su dati
destagionalizzati sono generalmente più elevati.
L’alta incertezza nei risultati del test sull’anisotropia ci hanno condotti ad
considerare tali risultati solo qualitativamente ai fini della progettazione della rete.
Quindi è stata adottata l’ipotesi di isotropia per la progettazione della rete.
Abbiamo preferito considerare scale temporali ampie (annuale e sei mesi) per le
quali le ipotesi di base della metodologia sono meglio rispettate. Abbiamo preferito
inoltre considerare i risultati provenienti dai dati detrendizzati perché l’effetto
orografico certamente gioca un ruolo importante nella parte Est di Creta.
Considerate le ipotesi di cui sopra il range del semi-variogramma per la
progettazione della rete è di 35.5 km per la scala annuale e di 35.3 per la scala a sei
mesi. Essendo tali valori molto simili la distanza massima tra le stazioni è di
(35.3/2) ≈ 17.6 km. Il relativo semi-variogramma per la scala annuale è mostrato in
Figura 1.4. Tenendo a mente tale criterio di progettazione sono state costruite
diverse reti attraverso un campionamento spaziale casuale. La selezione casuale di
siti specifici è stata eseguita selezionando punti vicini a stazioni esistenti che
diventano quindi siti “approssimati”. Ricordando i risultati circa il test
dell’isotropia si potrebbe obiettare che la distanza tra le stazioni dovrebbe essere
maggiore nella direzione Est-Ovest. Questa considerazione, comunque, non è
tenuta in conto nella progettazione della rete all’interno della struttura di questo
progetto. Un esempio di rete con 15 stazioni è mostrato in Figura 1.5. la distanza
massima tra le stazioni è di 14.3 km.
Infine, la rete finale è stata scelta basandosi su altri criteri tra i quali:
l’accessibilità alle stazioni, la qualità dei dati e la copertura di zone ipsometriche.
2
2
Semivariogram (mm /mm )
174
I. Nalbantis, G. Tsakiris, F. Viola
1.2
1.0
0.8
0.6
Empirical
0.4
Theoretical
0.2
Range
35528
0.0
0
25000
50000
75000
100000
125000
Distance (m)
Figure A1.4 - Adattamento del semi-variogramma teorico a quello empirico per dati
destagionalizzati, tutte le direzioni e scala annuale
Figure A1.5 - Esempio di rete per la misura delle piogge nell’Est di Creta con 15
stazioni, progettata con campionamento spaziale casuale
A2
APPLICAZIONE DELLA PROCEDURA DICA-UniCT DI
VALIDAZIONE DEI DATI TERMOMETRICI MENSILI A 43
STAZIONI DELLA SICILIA
G. ROSSI, A. CANCELLIERE, A. CAMPISANO
Dipartimento di Ingegneria Civile e Ambientale, Università di Catania
La metodologia per la costruzione delle fasce di confidenza esposta nel
paragrafo 4.2.2, è stata applicata al controllo delle medie mensili delle temperature
medie giornaliere registrate nelle 43 stazioni appartenenti alla rete in telemisura
dell’ex Ufficio Idrografico Regionale della Sicilia, oggi Agenzia Regionale per i
Rifiuti e le Acque, scelte sulla base di studi precedenti effettuati nell’ambito degli
“Studi applicativi per l’avviamento del sistema di monitoraggio idrometeorologico
per fronteggiare le crisi idriche nelle aree a rischio di siccità” affidati dal Servizio
Tecnico Idrografico Regionale per la Sicilia al Dipartimento di Ingegneria Civile e
Ambientale dell’Università di Catania (convenzione del 18/01/2001).
In particolare sono state utilizzate le serie delle medie mensili delle
temperature medie giornaliere relative al periodo 1926-94 per determinare i
parametri sia delle fasce di confidenza basate sui dati delle stazioni stesse sia delle
fasce di confidenza basate sui dati delle stazioni limitrofe (limitate a due per
semplicità). I dati relativi al 1995 e al 1996 sono stati invece utilizzati per la fase di
validazione della procedura; in particolare, il dato relativo a ciascuno dei 24 mesi
del periodo di validazione, è stato confrontato con le rispettive fasce, attribuendo
ad ognuno di essi un giudizio di qualità.
In una prima fase dell'applicazione, per la determinazione delle fasce di
confidenza basate sui dati della stazione stessa si è proceduto alla determinazione
delle distribuzioni di probabilità che meglio si adattano ai dati di temperatura. In
particolare, sono state scelte come distribuzioni di probabilità candidate
all’adattamento della distribuzione di frequenza delle serie dei dati di ciascun mese
le distribuzioni normale, lognormale e normale delle radici cubiche. I parametri
delle diverse distribuzioni sono stati stimati mediante il metodo della massima
verosimiglianza, mentre la bontà di adattamento delle stesse distribuzioni è stata
verificata mediante il test del χ2.
I risultati dei test per ciascuna delle 43 stazioni sono riassunti in tabella A2.1
dove è indicato, per ciascuna legge di probabilità analizzata, il numero di
distribuzioni di probabilità delle serie delle temperature medie mensili che hanno
G. Rossi, A. Cancelliere, A. Campisano
176
superato il test di adattamento del χ2 per livello di significatività del 5%. La tabella
mostra che praticamente le 3 distribuzioni si equivalgono in termini di bontà di
adattamento alle serie di temperature mensili per le 43 stazioni considerate per cui
il calcolo delle fasce di confidenza è stato effettuato scegliendo la distribuzione
normale.
Tabella A2.1
Numero di distribuzioni di probabilità delle serie delle temperature medie
mensili che superano il test del χ2 per livello di significatività del 5%.
Stazione
Normale
Log- Normale
normale rad. cub.
Stazione
Normale
Lognormale
Normale
rad. cub.
Tindari
10/12
10/12
10/12
Caltanissetta
12/12
11/12
12/12
San Fratello
12/12
10/12
11/12
Licata
11/12
12/12
12/12
Cefalù
10/12
10/12
10/12
Gela
11/12
11/12
11/12
Ciminna
12/12
12/12
12/12
Piazza
Armerina
10/12
11/12
9/12
Ficuzza
10/12
11/12
11/12
Monterosso A.
12/12
10/12
10/12
Partinico
11/12
9/12
8/12
Vittoria
10/12
11/12
10/12
Palermo (S.I.)
11/12
11/12
11/12
Ragusa
11/12
9/12
9/12
S. Giuseppe Jato
11/12
11/12
12/12
Cozzo Spadaro
11/12
10/12
11/12
Trapani
9/12
10/12
9/12
Siracusa
10/12
10/12
10/12
S. Vito Lo Capo
10/12
11/12
10/12
Lentini (città)
11/12
12/12
12/12
Marsala
10/12
11/12
10/12
Cesarò
10/12
10/12
11/12
Mazara d.Vallo
10/12
10/12
10/12
Adrano
11/12
11/12
11/12
Partanna
11/12
11/12
10/12
Caltagirone
10/12
12/12
12/12
Corleone
12/12
12/12
12/12
Nicolosi
11/12
11/12
10/12
Sciacca
11/12
7/12
8/12
Zafferana Etnea
11/12
11/12
12/12
Piano del Leone
10/12
10/12
11/12
Linguaglossa
11/12
11/12
10/12
Bivona
9/12
11/12
11/12
Acireale
7/12
10/12
8/12
Lercara Friddi
12/12
12/12
12/12
Catania (Oss.)
8/12
9/12
8/12
Racalmuto
10/12
10/12
10/12
Floresta
9/12
8/12
8/12
Agrigento
12/12
12/12
12/12
Taormina
9/12
10/12
10/12
Petralia Sottana
10/12
10/12
11/12
Messina (I.G.)
10/12
10/12
10/12
Enna
11/12
11/12
11/12
Applicazione della procedura DICA-UniCt di validazione dei dati
termometrici mensili a 43 stazioni della Sicilia
177
Scelta quindi tale distribuzione per la regolarizzazione delle serie delle
temperature, per ciascun mese sono stati determinati i valori corrispondenti allo
0.5%, 2.5%, 97.5% e 99.5% della probabilità di non superamento individuando due
fasce, una più restrittiva che contiene al suo interno il dato con probabilità 95% ed
una più ampia, contenente il dato con probabilità 99%.
Nelle figure A2.1 e A2.2 sono riportate, come esempio, le fasce di confidenza
relative alle medie delle temperature medie giornaliere rispettivamente per le
stazioni di Tindari e di Zafferana Etnea ed i punti relativi ai dati osservati nelle
stesse stazioni negli anni 1995 e 1996. Le figure mostrano che, per entrambe le
stazioni, i 24 dati osservati nel biennio 1995-96 rientrano nella fascia di confidenza
più restrittiva (2.5%-97.5%).
Ai fini della costruzione delle fasce di confidenza delle temperature basate sui
dati di stazioni limitrofe, per ciascuna delle 43 stazioni si sono scelte come stazioni
di riferimento le due che per distanza potevano ritenersi più prossime tra le 42
rimanenti, accertando l’esistenza di un legame di regressione tra le serie di
temperature osservate. Per ciascuna delle 43 stazione base esaminate, si sono
quindi calcolati i parametri delle 12 regressioni multiple mensili, utilizzando la
procedura riportata nel sottoparagrafo 4.2.2.2 e con riferimento al periodo 19261994. I coefficienti di determinazione R2 delle regressioni mensili di ciascuna
stazione sono riportati nella tabella A2.2. Dalla tabella si evince che i coefficienti
di determinazione sono quasi sempre maggiori di 0.5, con alcune eccezioni
generalmente relative ai mesi estivi di luglio e agosto.
Utilizzando le leggi di regressione ottenute si sono quindi calcolate le due fasce
di confidenza che contengono rispettivamente al loro interno il dato con probabilità
pari al 95% e con probabilità pari al 99%.
Nelle figure A2.3 e A2.4 sono in particolare riportate le fasce di confidenza per
le stazioni di Tindari e di Zafferana Etnea ed i punti relativi ai dati osservati nelle
stesse stazioni negli anni 1995 e 1996. Le figure mostrano rispettivamente che,
mentre per la stazione di Tindari ancora una volta i 24 dati osservati nel biennio
1995-96 rientrano nella fascia di confidenza più restrittiva (2.5%-97.5%), per la
stazione di Zafferana Etnea, quasi tutti i dati osservati nel periodo 1995-96 non
rientrano nemmeno nella fascia di confidenza più ampia (0.5%-99.5%).
Al fine di individuare le cause del comportamento anomalo delle temperature
di Zafferana nel periodo 1995-1996 si è proceduto a riportare in un grafico
l'andamento delle temperature medie annue nelle stazioni di Zafferana, Acireale e
Linguaglossa nel periodo 1926-1996. Il grafico, riportato in fig. A2.5, mostra una
apparente difformità di comportamento delle temperature medie annue registrate a
Zafferana rispettivamente nel periodo 1926-1991 e 1992-1996. In particolare,
mentre nel primo periodo le temperature risultano generalmente comprese tra
G. Rossi, A. Cancelliere, A. Campisano
178
quelle registrate nelle altre due stazioni, nel secondo periodo esse risultano sempre
inferiori. Una analisi più di dettaglio degli Annali Idrologici pubblicati dallo STIR
ha evidenziato come la stazione termometrica di Zafferana presenti una
discontinuità di funzionamento proprio nell'anno 1990, anno in cui probabilmente è
stato sostituito lo strumento, il che potrebbe spiegare la difformità dei dati osservati
nei due periodi rispettivamente precedente e successivo al 1990.
Tindari
40
36
Fascia 0,5%-99,5%
Temperature (°C)
32
Fascia 2,5%-97,5%
28
24
20
16
12
8
4
0
G F M A M G L A S
1995
O N D G
F M A M G L A
1996
S O N D
Mese
Figura A2.1
Stazione di Tindari. Medie mensili delle temperature medie giornaliere
(1995-1996) e fasce di confidenza calcolate sulla base delle temperature medie del periodo
1926-94 osservate nella stessa stazione.
Applicazione della procedura DICA-UniCt di validazione dei dati
termometrici mensili a 43 stazioni della Sicilia
Zafferana Etnea
40
36
Fascia 0,5%-99,5%
32
Temperature (°C)
179
Fascia 2,5%-97,5%
28
24
20
16
12
8
4
0
G F M A M G L A S O N D G F M A M G L A S O N D
199
199
Mese
Figura A2.2
Stazione di Zafferana Etnea. Medie mensili delle temperature medie
giornaliere (1995-1996) e fasce di confidenza calcolate sulla base delle temperature nel
periodo 1926-94 nella stazione.
Tindari
Temperature (°C)
40
36
Fascia 0,5%-99,5%
32
Fascia 2,5%-97,5%
28
24
20
16
12
8
4
0
G F M A M G L A S O N D G F M A M G L A S O N D
1995
1996
Mese
Figura A2.3
Stazione di Tindari. Medie mensili delle temperature medie giornaliere
(1995-1996) e fasce di confidenza basate sulle regressioni mensili con i dati contemporanei
delle stazioni di San Fratello e Cefalù.
G. Rossi, A. Cancelliere, A. Campisano
180
Zafferana Etnea
40
36
Fascia 0,5%-99,5%
32
Fascia 2,5%-97,5%
Temperature (°C)
28
24
20
16
12
8
4
0
G F M A M G L A
199
S O N D
G F M A M G L A
199
S O N D
Mese
Figura A2.4
Stazione di Zafferana Etnea. Medie mensili delle temperature medie
giornaliere (1995-1996) e fasce di confidenza basate sulle regressioni mensili con i dati
contemporanei delle stazioni di Acireale e Linguaglossa.
Tabella A2.2. Stazioni di riferimento e coefficienti di determinazione R2 delle regressioni lineari per ciascun
mese adottate per il controllo dei dati di temperatura media mensile nelle stazioni.
Stazione
Stazioni di riferimento
Gen Feb Mar Apr Mag Giu Lug Ago Set
Ott Nov Dic
Tindari
San Fratello
Cefalù
Ciminna
Ficuzza
Partinico
Palermo (S.I.)
S. Giuseppe Jato
Trapani
S. Vito Lo Capo
Marsala
Mazara del Vallo
Partanna
Corleone
Sciacca
Piano del Leone
Bivona
Lercara Friddi
Racalmuto
Agrigento
Petralia Sottana
Enna
Caltanissetta
San Fratello
Tindari
Palermo (S.I.)
Ficuzza
Ciminna
S. Giuseppe Jato
Partinico
Partinico
S. Vito Lo Capo
Trapani
Trapani
Marsala
Mazara del Vallo
Ficuzza
Mazara del Vallo
Bivona
Piano del Leone
Piano del Leone
Agrigento
Sciacca
Enna
Petralia Sottana
Racalmuto
0,80
0,91
0,73
0,78
0,79
0,47
0,39
0,70
0,78
0,76
0,38
0,45
0,74
0,83
0,58
0,67
0,64
0,77
0,77
0,76
0,76
0,71
0,79
0,68
0,74
0,68
0,76
0,78
0,47
0,27
0,54
0,81
0,81
0,64
0,61
0,46
0,83
0,09
0,78
0,69
0,76
0,85
0,53
0,54
0,56
0,85
Cefalù
Floresta
Tindari
Lercara Friddi
Corleone
Palermo (S.I.)
Cefalù
Ciminna
Marsala
Palermo (S.I.)
Mazara del Vallo
Sciacca
Corleone
Bivona
Agrigento
Lercara Friddi
Racalmuto
Bivona
Caltanissetta
Licata
Lercara Friddi
Piazza Armerina
Piazza Armerina
0,82
0,82
0,77
0,82
0,80
0,53
0,39
0,60
0,83
0,83
0,42
0,49
0,76
0,82
0,52
0,85
0,81
0,86
0,66
0,73
0,81
0,71
0,70
0,80
0,87
0,76
0,77
0,66
0,52
0,48
0,62
0,84
0,84
0,65
0,58
0,76
0,69
0,57
0,81
0,75
0,87
0,69
0,72
0,69
0,68
0,80
0,45
0,85
0,53
0,63
0,60
0,41
0,44
0,55
0,79
0,79
0,15
0,12
0,50
0,56
0,33
0,66
0,53
0,71
0,59
0,50
0,57
0,57
0,64
0,50
0,70
0,49
0,69
0,66
0,49
0,39
0,68
0,80
0,80
0,27
0,21
0,44
0,69
0,52
0,72
0,61
0,80
0,80
0,60
0,63
0,60
0,82
0,57
0,78
0,58
0,65
0,74
0,39
0,48
0,66
0,66
0,66
0,40
0,35
0,42
0,72
0,43
0,76
0,51
0,81
0,82
0,48
0,40
0,42
0,83
0,43
0,67
0,47
0,58
0,58
0,28
0,36
0,51
0,69
0,65
0,50
0,58
0,49
0,56
0,46
0,74
0,41
0,75
0,78
0,50
0,42
0,47
0,78
0,58
0,79
0,52
0,68
0,66
0,40
0,37
0,56
0,68
0,66
0,45
0,46
0,61
0,63
0,40
0,78
0,45
0,78
0,78
0,59
0,49
0,45
0,78
0,41
0,54
0,41
0,75
0,71
0,32
0,17
0,46
0,68
0,70
0,46
0,45
0,48
0,72
0,40
0,67
0,55
0,72
0,76
0,52
0,57
0,47
0,76
0,52
0,82
0,46
0,73
0,74
0,32
0,16
0,70
0,76
0,77
0,46
0,47
0,43
0,83
0,05
0,65
0,63
0,73
0,75
0,53
0,54
0,51
0,74
0,63
0,83
0,64
0,77
0,75
0,53
0,18
0,66
0,72
0,69
0,45
0,35
0,59
0,85
0,19
0,71
0,66
0,75
0,72
0,71
0,62
0,60
0,75
Continua Tabella A2.2. Stazioni di riferimento e coefficienti di determinazione R2 delle regressioni lineari
per ciascun mese adottate per il controllo dei dati di temperatura media mensile nelle stazioni.
Stazione
Stazioni di riferimento
Gen Feb Mar Apr Mag Giu Lug Ago Set
Ott Nov Dic
Licata
Gela
Agrigento
0,92 0,93 0,87 0,79 0,91 0,75 0,88 0,79 0,90 0,88 0,84 0,90
Gela
Licata
Vittoria
0,93 0,92 0,85 0,76 0,90 0,75 0,86 0,73 0,88 0,88 0,84 0,90
Piazza Armerina
Enna
Caltagirone
0,74 0,88 0,78 0,75 0,79 0,60 0,77 0,80 0,81 0,86 0,77 0,76
Monterosso Almo
Ragusa
Caltagirone
0,89 0,86 0,85 0,82 0,84 0,76 0,77 0,88 0,86 0,84 0,80 0,88
Vittoria
Ragusa
Gela
0,30 0,30 0,19 0,11 0,17 0,18 0,16 0,12 0,07 0,24 0,13 0,26
Ragusa
Vittoria
Monterosso Almo
0,83 0,80 0,80 0,77 0,64 0,58 0,50 0,68 0,69 0,74 0,75 0,80
Cozzo Spadaro
Siracusa
Gela
0,85 0,87 0,85 0,73 0,80 0,58 0,56 0,75 0,75 0,58 0,77 0,82
Siracusa
Lentini (città)
Cozzo Spadaro
0,78 0,84 0,83 0,72 0,79 0,53 0,50 0,68 0,60 0,18 0,69 0,66
Lentini (città)
Catania (Oss.)
Siracusa
0,55 0,70 0,62 0,44 0,44 0,29 0,38 0,21 0,55 0,69 0,53 0,47
Cesarò
Floresta
Enna
0,34 0,38 0,35 0,22 0,2 0,34 0,29 0,28 0,29 0,30 0,25
Adrano
Lentini (città)
Nicolosi
0,56 0,67 0,68 0,65 0,76 0,75 0,65 0,67 0,51 0,59 0,30 0,36
Caltagirone
Piazza Armerina
Lentini (città)
0,75 0,90 0,84 0,77 0,82 0,69 0,82 0,82 0,82 0,86 0,78 0,77
Nicolosi
Zafferana Etnea
Acireale
0,79 0,89 0,88 0,84 0,89 0,79 0,89 0,89 0,74 0,88 0,84 0,82
Zafferana Etnea
Acireale
Linguaglossa
0,66 0,68 0,64 0,54 0,71 0,49 0,60 0,63 0,42 0,65 0,47 0,54
Linguaglossa
Acireale
Taormina
0,73 0,76 0,76 0,62 0,52 0,53 0,63 0,66 0,57 0,63 0,52 0,67
Acireale
Catania (Oss.)
Zafferana Etnea
0,80 0,85 0,89 0,84 0,84 0,80 0,76 0,83 0,78 0,85 0,83 0,80
Catania (Oss.)
Acireale
Lentini (città)
0,81 0,85 0,91 0,83 0,85 0,80 0,76 0,83 0,83 0,87 0,85 0,82
Floresta
Cesarò
Linguaglossa
0,74 0,76 0,79 0,69 0,55 0,45 0,56 0,52 0,39 0,50 0,67 0,70
Taormina
Acireale
Messina (I.G.)
0,51 0,59 0,59 0,40 0,35 0,41 0,34 0,49 0,45 0,47 0,28 0,36
Messina (I.G.)
Taormina
Tindari
0,44 0,49 0,42 0,17 0,45 0,36 0,35 0,50 0,45 0,24 0,08 0,41
Applicazione della procedura DICA-UniCt di validazione dei dati
termometrici mensili a 43 stazioni della Sicilia
183
Si può quindi concludere che la procedura di controllo ha correttamente
individuato in maniera automatica i dati osservati a Zafferana come da rigettare,
poiché essi presentano un comportamento anomalo rispetto a quelli osservati nelle
stazioni di riferimento.
Temperature medie annue
25,0
20,0
15,0
10,0
Zafferana
Acireale
5,0
Linguaglossa
1995
1992
1989
1986
1983
1980
1977
1974
1971
1968
1965
1962
1959
1956
1953
1950
1947
1944
1941
1938
1935
1932
1929
1926
0,0
Anni
Figura A2.5
Confronto degli andamenti delle temperature medie annue nelle stazioni
di Zafferana, Acireale e Linguaglossa nel periodo 1926-1996.
Si è infine proceduto a verificare su tutte le stazioni la metodologia di controllo
dei dati utilizzando le temperature registrate nel periodo 1995-1996. In particolare,
per ogni mese e per ogni anno di tale periodo (24 osservazioni per ciascuna
stazione) si è attribuito un giudizio di qualità al singolo dato a secondo se il valore
osservato ricadesse all’interno delle fasce di confidenza determinate sulla base dei
dati della stessa stazione e all’interno delle fasce di confidenza determinate sulla
base delle regressioni con le stazioni limitrofe.
I risultati dei test di controllo e giudizi di qualità sui dati di temperature mensili del
periodo 1995-96 nelle 43 stazioni analizzate sono riassunti in tabella A2.3. La tabella
mostra in particolare che la procedura di controllo condurrebbe complessivamente a
validare (V) il 77,4% dei dati osservati nel periodo 1995-96, ad assegnare il giudizio di
"incerto" (I) al 12,1% dei dati, a non validare automaticamente (NV) il 9,3% dei dati e
a rifiutare (R) solo l'1,2% dei dati osservati.
184
G. Rossi, A. Cancelliere, A. Campisano
Tabella A2.3
Risultati dei test di controllo e giudizi di qualità sui dati di temperature
mensili del periodo 1995-96 nelle stazioni scelte.
Giudizio di qualità
Giudizio di qualità
Stazione
V
I
NV
R
Stazione
V
I
NV
R
Tindari
24
0
0
0
Caltanissetta
23
1
0
0
San Fratello
21
2
1
0
Licata
7
5
11
1
Cefalù
22
2
0
0
Gela
6
4
14
0
Ciminna
18
5
1
0
Piazza Armerina
16
3
3
2
Ficuzza
12
4
8
0
Monterosso A.
16
7
1
0
Partinico
21
3
0
0
Vittoria
17
4
1
2
Palermo (S.I.)
11
4
9
0
Ragusa
18
2
4
0
S. Giuseppe Jato 23
1
0
0
Cozzo Spadaro
24
0
0
0
Trapani
15
2
5
2
Siracusa
24
0
0
0
S. Vito Lo Capo 16
1
6
1
Lentini (città)
21
3
0
0
Marsala
23
0
1
0
Cesarò
21
2
1
0
23
1
0
0
Adrano
22
2
0
0
Partanna
14
7
2
1
Caltagirone
16
5
3
0
Corleone
16
4
3
1
Nicolosi
20
4
0
0
Sciacca
24
0
0
0
Zafferana Etnea
5
10
9
0
Piano del Leone 20
2
2
0
Linguaglossa
17
3
3
1
Bivona
22
1
1
0
Acireale
14
9
1
0
Lercara Friddi
18
4
2
0
Catania (Oss.)
15
8
1
0
Racalmuto
23
1
0
0
Floresta
19
3
1
1
Agrigento
21
2
1
0
Taormina
20
3
1
0
Petralia Sottana 24
0
0
0
Messina (I.G.)
23
1
0
0
Enna
0
0
0
Totale
799
125
96
12
Totale (%)
77,4
12,1
9,3
1,2
Mazara
Vallo
del
24
A3
APPLICAZIONE DELLA PROCEDURA (DICA-UniCT) DI
VALIDAZIONE DEI DATI PLUVIOMETRICI MENSILI A 43
STAZIONI DELLA SICILIA
G. ROSSI, A. CANCELLIERE, A. CAMPISANO
Dipartimento di Ingegneria Civile e Ambientale, Università di Catania
La metodologia per la costruzione delle fasce di confidenza delle precipitazioni
mensili è stata applicata alle 43 stazioni dell’ex Ufficio Idrografico Regionale della
Sicilia, oggi Agenzia Regionale per i Rifiuti e le Acque selezionate utilizzando i
dati di precipitazione relativi al periodo 1921-1996. Anche in questo caso, allo
scopo di verificare l’applicabilità della procedura di controllo, sono state utilizzate
le serie delle precipitazioni mensili relative al periodo 1921-94 per determinare i
parametri delle fasce di confidenza basate sui dati delle stazioni stesse e delle fasce
di confidenza basate sui dati delle stazioni limitrofe, mentre i dati relativi al 1995 e
al 1996 sono stati utilizzati per la fase di validazione della procedura; in
particolare, il dato relativo a ciascuno dei 24 mesi del periodo di validazione, è
stato confrontato con le rispettive fasce, attribuendo ad ognuno di essi un giudizio
di qualità.
Per la determinazione delle fasce di confidenza basate sui dati della stazione
stessa sono state scelte come distribuzioni di probabilità candidate all’adattamento
della distribuzione di frequenza delle serie dei dati di precipitazione di ciascun
mese le distribuzioni normale, lognormale e normale delle radici cubiche. I
parametri delle diverse distribuzioni sono stati stimati mediante il metodo della
massima verosimiglianza, mentre la bontà di adattamento delle stesse distribuzioni
è stata verificata mediante il test del χ2. I risultati dell’applicazione del test alle 43
stazioni sono riassunti in tabella A3.1 dove è indicato, per ciascuna legge di
probabilità analizzata, il numero di distribuzioni di probabilità delle serie delle
precipitazioni mensili che hanno superato il test di adattamento del χ2 per livello di
significatività del 5%. La tabella mostra che la distribuzione che meglio si adatta
alle serie di precipitazioni mensili per le 43 stazioni considerate è la normale delle
radici cubiche. Scelta quindi tale distribuzione per la regolarizzazione delle serie
delle temperature, per ciascun mese sono stati determinati i valori corrispondenti
allo 0.5%, 2.5%, 97.5% e 99.5% della probabilità di non superamento utilizzando
la procedura descritta nel sottoparagrafo 4.2.3.1. Si sono così individuate due fasce,
una più restrittiva che contiene al suo interno il dato con probabilità 95% ed una
più ampia, contenente il dato con probabilità 99%.
G. Rossi, A. Cancelliere, A. Campisano
186
Tabella A3.1
Numero di distribuzioni di probabilità delle serie delle precipitazioni
mensili che superano il test di adattamento del χ2 per livello di significatività del 5%.
Stazione
Normale
Log- Normale
normale rad. cub.
10/12
12/12
Stazione
Normale
Lognormale
Normale
rad. cub.
5/12
5/12
10/12
Tindari
5/12
San Fratello
5/12
6/12
11/12
Licata
0/12
9/12
9/12
Cefalù
4/12
7/12
10/12
Gela
3/12
4/12
9/12
Ciminna
4/12
8/12
10/12
Piazza Armerina
2/12
8/12
9/12
Ficuzza
5/12
6/12
10/12
Monterosso A.
2/12
3/12
10/12
Partinico
4/12
4/12
11/12
Vittoria
5/12
6/12
10/12
Palermo (S.I.)
3/12
9/12
8/12
Ragusa
3/12
7/12
11/12
S. Giuseppe Jato
4/12
7/12
10/12
Cozzo Spadaro
0/12
5/12
8/12
Trapani
4/12
2/12
8/12
Siracusa
0/12
8/12
9/12
S. Vito Lo Capo
2/12
6/12
8/12
Lentini (città)
0/12
6/12
10/12
Marsala
3/12
9/12
10/12
Cesarò
1/12
6/12
11/12
Mazara del Vallo
2/12
8/12
11/12
Adrano
3/12
8/12
10/12
Partanna
2/12
9/12
11/12
Caltagirone
4/12
6/12
10/12
Corleone
6/12
6/12
9/12
Nicolosi
0/12
9/12
9/12
Sciacca
1/12
6/12
10/12
Zafferana Etnea
0/12
10/12
10/12
Piano del Leone
5/12
8/12
10/12
Linguaglossa
0/12
9/12
10/12
Bivona
4/12
4/12
9/12
Acireale
0/12
10/12
11/12
Lercara Friddi
6/12
8/12
10/12
Catania (Oss.)
0/12
8/12
8/12
Racalmuto
2/12
8/12
11/12
Floresta
4/12
9/12
11/12
Agrigento
2/12
8/12
9/12
Taormina
1/12
7/12
10/12
Petralia Sottana
6/12
6/12
10/12
Messina (I.G.)
7/12
9/12
11/12
Enna
0/12
9/12
9/12
Caltanissetta
Nelle figure A3.1 e A3.2 in particolare sono riportate, come esempio, le fasce
di confidenza relative alle precipitazioni mensili rispettivamente per le stazioni di
Piazza Armerina e di Gela e i punti relativi ai dati osservati nelle stesse stazioni
negli anni 1995 e 1996.
Le figure mostrano rispettivamente che, mentre per la stazione di Piazza
Armerina i 24 dati osservati nel biennio 1995-96 rientrano nella fascia di
confidenza più ampia (0.5%-99.5%), per la stazione di Gela i dati di giugno 1995,
luglio 1995, agosto 1995, febbraio 1996, luglio 1996 e dicembre 1996 non
rientrano in tale fascia di confidenza e addirittura i dati di luglio 1995 e luglio 1996
risultano essere esterni anche alla fascia di confidenza più ampia (0.5%-99.5%).
Applicazione della procedura DICA-UniCt di validazione dei dati
pluviometrici mensili a 43 stazioni della Sicilia
Piazza Armerina
400
Fascia 0,5%-99,5%
350
Precipitazione (mm)
187
Fascia 2,5%-97,5%
300
250
200
150
100
50
0
G F M A M G L A S O N D G F M A M G L A S O N D
Mese
199
199
Figura A3.1
Stazione di Piazza Armerina. Precipitazioni mensili (1995-1996) e fasce
di confidenza calcolate sulla base delle precipitazioni del periodo 1926-94 nella stazione
stessa.
Gela
Precipitazione (mm)
400
350
Fascia 0,5%-99,5%
300
Fascia 2,5%-97,5%
250
200
150
100
50
0
G F M A M G L A S O N D G F M A M G L A S O N D
Mese
199
199
Figura A3.2 - Stazione di Gela. Precipitazioni mensili (1995-1996) e fasce di confidenza
calcolate sulla base delle precipitazioni del periodo 1926-94 nella stazione stessa.
188
G. Rossi, A. Cancelliere, A. Campisano
Anche per quanto riguarda la costruzione delle fasce di confidenza delle
precipitazioni basate sui dati di stazioni limitrofe, per ciascuna delle 43 stazioni si
sono scelte come stazioni di riferimento le due più prossime per distanza tra le 42
rimanenti, accertando l’esistenza di un legame di regressione tra le serie di
precipitazione osservate.
Per ciascuna delle 43 stazione base esaminate, si sono quindi calcolati i
parametri delle 12 regressioni multiple mensili con riferimento al periodo 19211994.
In tabella A3.2, per ciascuna stazione sono indicate le corrispondenti stazioni
di riferimento e, per ciascun mese, il coefficiente di determinazione R2 delle
regressioni lineari suddette. Dalla tabella si evince che i coefficienti di
determinazione sono quasi sempre maggiori di 0.6, con alcune eccezioni
generalmente relative ai mesi estivi.
Utilizzando le leggi di regressione ottenute si sono quindi calcolate le due fasce
di confidenza che contengono rispettivamente al loro interno il dato con probabilità
pari al 95% e con probabilità pari al 99%. Nelle figure A3.3 e A3.4 in particolare
sono riportate le fasce di confidenza per le stazioni di Piazza Armerina e di Gela ed
i punti relativi ai dati osservati nelle stesse stazioni negli anni 1995 e 1996.
Le figure mostrano rispettivamente che, mentre per la stazione di Piazza
Armerina i 24 dati osservati nel biennio 1995-96 rientrano nella fascia di
confidenza più restrittiva (2.5%-97.5%), per la stazione di Gela, i dati osservati
relativi a giugno 1995 e marzo 1996, rientrano solo nella fascia di confidenza più
ampia (0.5%-99.5%) mentre i dati relativi a luglio 1996 e dicembre 1996 non
rientrano nemmeno nella fascia di confidenza più ampia.
Si è infine proceduto a verificare per le 43 stazioni esaminate la metodologia di
controllo dei dati utilizzando le precipitazioni registrate nel periodo 1995-1996. In
particolare, per ogni mese e per ogni anno di tale periodo (24 osservazioni per
ciascuna stazione) si è attribuito un giudizio di qualità al singolo dato di
precipitazione a secondo se il valore osservato ricadesse all’interno delle fasce di
confidenza determinate sulla base dei dati della stessa stazione e all’interno delle
fasce di confidenza determinate sulla base delle regressioni con le stazioni
limitrofe.
I risultati dei test di controllo e giudizi di qualità sui dati di precipitazione
mensili del periodo 1995-96 nelle 43 stazioni analizzate sono riassunti in tabella
A3.3. La tabella mostra in particolare che la procedura di controllo condurrebbe
complessivamente a validare (V) l'82,7% dei dati osservati nel periodo 1995-96, ad
assegnare il giudizio di "incerto" (I) al 7,1% dei dati, a non validare
automaticamente (NV) il 6,2% dei dati e a rifiutare (R) il 4,0% dei dati osservati.
Tabella A3.2 Stazioni di riferimento e coefficienti di determinazione R2 delle regressioni lineari per ciascun mese adottate per il controllo dei dati di precipitazione mensile
nelle stazioni.
Stazione
Tindari
San Fratello
Cefalù
Ciminna
Ficuzza
Partinico
Palermo (S.I.)
S. Giuseppe Jato
Trapani
S. Vito Lo Capo
Marsala
Mazara del Vallo
Partanna
Corleone
Sciacca
Piano del Leone
Bivona
Lercara Friddi
Racalmuto
Agrigento
Petralia Sottana
Enna
Caltanissetta
Stazioni di riferimento
San Fratello
Tindari
Palermo (S.I.)
Ficuzza
Ciminna
S. Giuseppe Jato
Partinico
Partinico
S. Vito Lo Capo
Trapani
Trapani
Marsala
Mazara del Vallo
Ficuzza
Mazara del Vallo
Bivona
Piano del Leone
Piano del Leone
Agrigento
Sciacca
Enna
Petralia Sottana
Racalmuto
Cefalù
Floresta
Tindari
Lercara Friddi
Corleone
Palermo (S.I.)
Cefalù
Ciminna
Marsala
Palermo (S.I.)
Mazara del Vallo
Sciacca
Corleone
Bivona
Agrigento
Lercara Friddi
Racalmuto
Bivona
Caltanissetta
Licata
Lercara Friddi
Piazza Armerina
Piazza Armerina
Gen
Feb
Mar
Apr
Mag
Giu
Lug
Ago
Set
Ott
Nov
Dic
0,45
0,44
0,61
0,59
0,73
0,69
0,68
0,65
0,63
0,26
0,65
0,41
0,68
0,74
0,55
0,66
0,71
0,66
0,68
0,52
0,63
0,50
0,77
0,50
0,48
0,76
0,68
0,79
0,80
0,76
0,79
0,68
0,41
0,84
0,82
0,83
0,83
0,62
0,54
0,69
0,75
0,83
0,67
0,68
0,58
0,79
0,65
0,55
0,71
0,69
0,70
0,75
0,65
0,71
0,82
0,64
0,82
0,62
0,62
0,74
0,59
0,77
0,76
0,48
0,68
0,61
0,62
0,59
0,65
0,55
0,53
0,71
0,77
0,81
0,76
0,76
0,67
0,78
0,74
0,75
0,73
0,82
0,78
0,64
0,84
0,79
0,76
0,76
0,70
0,66
0,52
0,74
0,54
0,61
0,52
0,61
0,71
0,69
0,62
0,61
0,68
0,65
0,74
0,72
0,66
0,72
0,71
0,61
0,74
0,64
0,71
0,70
0,67
0,75
0,78
0,26
0,62
0,37
0,44
0,65
0,81
0,68
0,80
0,21
0,11
0,56
0,53
0,65
0,70
0,33
0,46
0,42
0,13
0,33
0,61
0,46
0,48
0,31
0,64
0,67
0,45
0,61
0,49
0,65
0,30
0,74
0,55
0,15
0,53
0,19
0,54
0,40
0,14
0,56
0,21
0,55
0,43
0,16
0,60
0,36
0,32
0,33
0,51
0,42
0,69
0,61
0,75
0,65
0,74
0,67
0,22
0,77
0,66
0,61
0,52
0,61
0,64
0,62
0,54
0,42
0,71
0,62
0,60
0,37
0,52
0,63
0,51
0,59
0,62
0,68
0,62
0,59
0,56
0,62
0,65
0,66
0,56
0,51
0,32
0,67
0,54
0,61
0,70
0,53
0,58
0,51
0,55
0,51
0,54
0,50
0,62
0,60
0,55
0,53
0,57
0,56
0,35
0,75
0,76
0,52
0,72
0,54
0,75
0,76
0,67
0,72
0,64
0,70
0,74
0,57
0,46
0,47
0,48
0,64
0,66
0,61
0,62
0,58
0,81
0,66
0,84
0,80
0,67
0,70
0,68
0,78
0,79
0,68
0,79
0,72
0,73
0,64
0,77
0,53
0,53
0,56
0,61
0,71
0,68
0,62
0,64
0,71
0,60
0,63
0,33
0,64
0,72
0,56
0,73
0,73
0,56
0,71
0,63
0,60
0,20
0,69
Continua Tabella A3.2 Stazioni di riferimento e coefficienti di determinazione R2 delle regressioni lineari per ciascun mese
adottate per il controllo dei dati di precipitazione mensile nelle stazioni.
Gen
Feb
Mar
Apr Mag
Giu
Lug
Ago
Set
Ott
Nov
Dic
0,65
0,58
0,58
0,65
0,70
0,62
0,21
0,76
0,68
0,78
0,71
0,63
Vittoria
0,80
0,72
0,74
0,77
0,77
0,34
0,58
0,81
0,68
0,82
0,81
0,69
Caltagirone
0,76
0,72
0,80
0,62
0,73
0,42
0,49
0,53
0,51
0,72
0,63
0,52
Ragusa
Caltagirone
0,75
0,69
0,80
0,58
0,59
0,54
0,32
0,50
0,56
0,87
0,83
0,75
Vittoria
Ragusa
Gela
0,78
0,75
0,73
0,67
0,52
0,36
0,59
0,63
0,52
0,85
0,73
0,58
Ragusa
Vittoria
Monterosso Almo
0,61
0,63
0,67
0,61
0,45
0,50
0,53
0,39
0,60
0,87
0,77
0,63
Cozzo Spadaro
Siracusa
Gela
0,51
0,65
0,76
0,67
0,37
0,18
0,64
0,54
0,50
0,56
0,53
0,42
Siracusa
Lentini (città)
Cozzo Spadaro
0,77
0,70
0,83
0,78
0,63
0,29
0,62
0,64
0,38
0,54
0,64
0,74
Lentini (città)
Catania (Oss.)
Siracusa
0,87
0,72
0,83
0,77
0,70
0,49
0,25
0,51
0,35
0,60
0,79
0,86
Cesarò
Floresta
Enna
0,48
0,51
0,45
0,56
0,70
0,53
0,63
0,57
0,51
0,52
0,63
0,49
Adrano
Lentini (città)
Nicolosi
0,51
0,54
0,41
0,56
0,49
0,22
0,43
0,33
0,41
0,67
0,60
0,61
Caltagirone
Piazza Armerina
Lentini (città)
0,71
0,66
0,76
0,76
0,73
0,35
0,50
0,49
0,58
0,61
0,75
0,53
Nicolosi
Zafferana Etnea
Acireale
0,82
0,59
0,90
0,79
0,71
0,51
0,26
0,47
0,70
0,79
0,83
0,86
Zafferana Etnea
Acireale
Linguaglossa
0,89
0,80
0,79
0,86
0,78
0,60
0,50
0,29
0,73
0,78
0,78
0,92
Linguaglossa
Acireale
Taormina
0,51
0,65
0,69
0,61
0,61
0,43
0,55
0,51
0,60
0,68
0,56
0,82
Acireale
Catania (Oss.)
Zafferana Etnea
0,84
0,85
0,73
0,86
0,80
0,55
0,71
0,61
0,73
0,76
0,78
0,87
Catania (Oss.)
Acireale
Lentini (città)
0,90
0,83
0,74
0,78
0,76
0,59
0,42
0,60
0,65
0,76
0,79
0,88
Floresta
Cesarò
Linguaglossa
0,48
0,47
0,50
0,50
0,58
0,59
0,63
0,57
0,46
0,51
0,40
0,48
Taormina
Acireale
Messina (I.G.)
0,67
0,73
0,58
0,68
0,73
0,45
0,32
0,43
0,61
0,61
0,67
0,59
Messina (I.G.)
Taormina
Tindari
0,46
0,55
0,57
0,42
0,31
0,72
0,10
0,28
0,32
0,39
0,44
0,44
Stazione
Licata
Gela
Gela
Licata
Piazza Armerina
Enna
Monterosso Almo
Stazioni di riferimento
Agrigento
191
Applicazione della procedura DICA-UniCt di validazione dei dati
pluviometrici mensili a 43 stazioni della Sicili
Piazza Armerina
400
350
Fascia 0,5%-99,5%
Precipitazione (mm)
300
Fascia 2,5%-97,5%
250
200
150
100
50
0
G F M A M G L A S O N D G F M A M G L A S O N D
Mese
1996
1995
Figura A3.3 - Stazione di Piazza Armerina. Precipitazioni mensili (1995-1996) e fasce di
confidenza basate sulle regressioni mensili con i dati contemporanei delle stazioni di Enna
e Caltagirone.
Gela
400
350
Fascia 0,5%-99,5%
Fascia 2,5%-97,5%
Precipitazione (mm)
300
250
200
150
100
50
0
G
1995
F M A M
G
L
A
S O
N
D
G
F M A M
1996
G
L
A
S O N D
Me se
Figura A3.4 - Stazione di Gela. Precipitazioni mensili (1995-1996) e fasce di
confidenza basate sulle regressioni mensili con i dati contemporanei delle stazioni
di Licata e Vittoria.
G. Rossi, A. Cancelliere, A. Campisano
192
Tabella A3.3 - Risultati dei test di controllo e giudizi di qualità sui dati di
precipitazione mensili del periodo 1995-96 nelle stazioni scelte.
Giudizio di qualità
Giudizio di qualità
Stazione
V
I
NV
R
Stazione
V
I
NV
R
Tindari
San Fratello
Cefalù
24
23
22
0
0
1
0
1
1
0
0
0
20
17
18
2
4
4
2
1
0
0
2
2
Ciminna
23
0
1
0
24
0
0
0
Ficuzza
Partinico
Palermo (S.I.)
S. Giuseppe
Jato
Trapani
S. Vito Lo
Capo
Marsala
Mazara del
Vallo
Partanna
Corleone
21
22
21
1
0
0
1
0
1
1
2
2
23
20
21
0
2
1
0
0
0
1
2
2
21
1
1
1
19
1
1
3
11
4
8
1
Caltanissetta
Licata
Gela
Piazza
Armerina
Monterosso A.
Vittoria
Ragusa
Cozzo
Spadaro
Siracusa
21
2
1
0
22
0
2
0
Lentini (città)
21
0
1
2
20
2
1
1
Cesarò
17
2
5
0
17
2
3
2
Adrano
21
2
0
1
18
22
5
1
0
1
1
0
21
20
2
1
0
3
1
0
Sciacca
20
2
1
1
Caltagirone
Nicolosi
Zafferana
Etnea
19
1
3
1
19
1
4
0
Linguaglossa
19
3
2
0
19
20
20
18
3
2
2
2
2
2
1
1
0
0
1
3
Acireale
Catania (Oss.)
Floresta
Taormina
18
20
14
15
3
3
0
7
2
0
10
0
1
1
0
2
18
2
2
2
Messina (I.G.)
21
2
0
1
23
1
0
0
Totale
Totale (%)
853
82,7
74
7,1
65
6,2
40
4,0
Piano del
Leone
Bivona
Lercara Friddi
Racalmuto
Agrigento
Petralia
Sottana
Enna
A4
ESEMPIO DI APPLICAZIONE DELLA PROCEDURA
DELLA ARPA-EMILIA ROMAGNA PER IL CONTROLLO
DELLA
QUALITA’
DEI
DATI
TERMOMETRICI
GIORNALIERI DI ALCUNE STAZIONI DELLA RETE
DELL’EMILIA ROMAGNA
V. PAVAN, S. MARCHESI, A. SELVINI, R.TOMOZEIU, M. DI
LORENZO
Servizio Idrometeorologico Emilia Romagna. (Procedura ARPA-EMILIA
ROMAGNA)
Il data-set di dati osservati di temperatura massima e minima su cui vogliamo
applicare la procedura di controllo di qualità appartiene ad un gruppo di stazioni
localizzate sul territorio regionale dell’Emilia Romagna e appartenenti
originariamente alla rete del Servizio Idrografico e Marografico Nazionale.
Recentemente tali stazioni sono state assegnate al Servizio Meterorologico
dell’Emilia Romagna ARPA-SIM che ha il compito di curarne la manutenzione e
di rendere accessibili i dati registrati. La Figura A4.1 mostra la localizzazione
dell’Emilia Romagna all’interno della penisola italiana e la mappa della regione
con la posizione delle principali città e delle stazioni appartenenti alla rete.
All’interno di questa mappa sono identificate le due stazioni utilizzate per
descrivere i risultati: Cesenatico e Bosco Centrale. I dati coprono il periodo dal
1951-2001.
2000
Piacenza
1800
Ferrara
Parma
Reggio Emilia
1600
1400
Modena Bologna
1200
Ravenna
Bosco C.le
1000
Forli
Cesena
Cesenatico
Rimini
800
600
400
San Marino
200
0
Figura A4.1 - A sinistra localizzazione della regione Emilia Romagna e a destra mappa
delle stazioni di temperatura (crocette), delle principali città della Regione (cerchi) e delle
due stazioni utilizzate per i casi di studio (Bosco Centrale e Cesenatico)
V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
194
A4.1
IMPATTO DEL CONTROLLO DI QUALITÀ SUI DATI DA
STAZIONE
L’impatto del controllo di qualità sui dati osservati da stazione e sulla
sensibilità della particolare procedura utilizzata per controllare i dati è descritta in
questa sezione focalizzando l’attenzione su alcuni indici di frequenza d’eventi
meteorologici estremi calcolati dai dati giornalieri. La sensibilità del controllo è
ottenuta confrontando le serie temporali dei dati sottoposti al controllo di qualità
(indicati nel seguito con flag) con quelle ottenute da dati sottoposti ad una semplice
procedura di controllo (indicata nel seguito con simple) o non affatto controllati
(no flag). La procedura è applicata ad alcune stazioni scelte tra quelle caratterizzate
da una qualità di dati relativamente bassa cosicché l’impatto dell’applicazione delle
diverse procedure di controllo possa essere facilmente individuato. Tali stazioni
sono Bosco Centrale e Cesenatico e sono riportate nella mappa di destra in Figura
A4.1.
Nel caso della temperatura il controllo di qualità simple consiste nel dichiarare
non validi tutti i dati che non passano tutti i controlli logici, tutti i controlli
climatologici, (cioè i dati il cui valore differisca dalla climatologia di più di 3
deviazioni standard) e tutte le persistenze più lunghe di tre giorni. Il valore
climatologico è definito come il valore medio su tutti gli anni per i quali siano
disponibili i dati per ciascun giorno di calendario, ed è dunque funzione del giorno
e del mese. Il valore climatologico è calcolato solo nel caso in cui siano disponibili
almeno l’80% di 40 anni di dati, vale a dire 36 valori per ogni giorno di calendario.
Lo stesso vale per la deviazione standard rispetto al valore climatologico.
Gli indici climatologici su cui si è focalizzato lo studio di sensitività sono la
media stagionale e annuale, il 10o percentile della temperatura minima e il 90o
percentile della temperatura massima, il numero di giorni di gelo (frost days) cioè
il numero di giorni in cui la temperatura minima è minore di 0° C e la massima
lunghezza delle onde di calore (HWD) definita come la lunghezza in giorni del
periodo con almeno 5 giorni consecutivi in cui la Tmax eccede di 5°C il valore
climatologico del 90o percentile di Tmax per quel giorno calcolati sulla stagione e
sull’anno. Le serie degli indici si riferiscono a valori calcolati a partire dai dati per i
giorni appartenenti alla stessa stagione. In particolare, l’inverno si definisce come il
periodo dal 1° Dicembre al 28 Febbraio (DJF), la primavera come il periodo dal 1°
Marzo al 31 Maggio (MAM), l’estate come il periodo dal 1° Giugno al 31 Agosto
(JJA) ed infine l’autunno come il periodo dal 1° Settembre al 30 Novembre (SON).
La temperatura minima e massima su alcune stazioni della rete dell’Emilia
Romagna
195
F
Figura A4.2 - Andamento del 10o percentile della temperatura minima per le quattro
stagioni (DJF, MAM, JJA e SON) presso Bosco Centrale, calcolato con i dati no flag
(linea punteggiata), con controllo di qualità simple (linea tratteggiata) e con controllo di
qualità flag (linea continua)
Il primo caso di studio si riferisce alla stazione di Bosco Centrale. Come si
vede dalla Figura A4.1 Bosco Centrale è situato sulle montagne ad una altezza di
748 m sul livello del mare, in prossimità di Parma nella parte centro occidentale
dell’Emilia Romagna. Le stazioni utilizzate per controllare Bosco Centrale sono
localizzate sulle montagne circostanti e vicine alla città di Parma, Reggio Emila e
Modena. In FFigura A4.2 sono mostrati per questa stazione il 10o percentile della
temperatura minima per tutte le stagioni, e nella Figura A4.3 è riportata la serie
annuale del numero di frost days. La linea continua rappresenta la serie controllata
usando il controllo di qualità flag, la linea tratteggiata quella controllata con il
controllo simple ed, infine, la linea punteggiata rappresenta la serie temporale non
controllata, denominata no flag.
196
V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
Figura A4.3 - Andamento annuale del numero di giorni di gelo (frost days) presso Bosco
Centrale, calcolato con dati no flag (linea punteggiata), con controllo di qualità simple
(linea tratteggiata) e con controllo di qualità flag (linea continua).
La prima osservazione che si può fare è che esistono differenze tra le serie
calcolate utilizzando le diverse procedure di controllo di qualità. Le serie temporali
ottenute applicando il controllo di qualità flag e quelle ottenute non applicando
nessun controllo non risultano però troppo diverse. Questo è spiegabile con il fatto
che il controllo spaziale permette di recuperare molti dati che potrebbero essere
eliminati sulla base del solo controllo climatologico.
L’applicazione delle procedure simple e flag, nel caso in questione, può portare
a differenze notevoli, come si vede nella serie autunnale in FFigura A4.2 dove
esiste un cambio di segno del trend lineare della serie temporale che passa da 0.08°C/decade per la flag a 0.2°C/decade per la simple. Sebbene la maggior parte
dei dati sia recuperata dalla procedura completa, allo stesso tempo, alcuni dei dati
originali continuano ad essere segnalati come sbagliati e quindi scartati dalla
procedura. La differenza sostanziale tra i dati controllati e i dati non controllati è
dovuta principalmente alla bassa qualità dei dati di questa stazione che sono
soprattutto affetti da errori di persistenza, infatti 573 dati sono stati rifiutati a causa
della presenza di persistenze non valide. In particolare 361 volte il valore del
giorno precedente è uguale a quello del giorno successivo, 62 volte il valore di Tmin
è uguale per tre giorni consecutivi, 20 volte per quattro giorni consecutivi, 4 volte
La temperatura minima e massima su alcune stazioni della rete dell’Emilia
Romagna
197
per cinque giorni consecutivi e 3 volte per sei giorni consecutivi. Questo conteggio
include solo le persistenze che non hanno passato il controllo spaziale, e non quelle
che hanno passato il controllo. A queste vanno aggiunti, i 77 valori che non hanno
passato il controllo logico con la Tmax, i 7 valori rifiutati perché non hanno passato
il controllo combinato spaziale e climatologico e gli 11 valori rifiutati perché non
hanno passato il controllo temporale. Questi errori sono distribuiti lungo la serie
temporale e il loro numero implica che per ogni stagione alcuni valori sono
rifiutati, apportando dei cambi nel valore degli indici. Nel caso del 10o percentile
della Tmin la variazione sarà piccola se i valori rifiutati sono pochi e lontani dal
valore del 10o percentile stesso per quell’anno, mentre può essere grande se i valori
rifiutati sono molto vicini all’indice. Per brevità analizzeremo in dettaglio solo
alcuni casi in primavera ed estate per cui le serie temporali flag e no flag
differiscono maggiormente. Per la primavera del 1954 il valore no flag è
sostanzialmente più piccolo del valore flag. La differenza è dovuta al fatto che la
procedura flag rifiuta due valori riconosciuti come persistenze non valide (Tmin = -2
il 12/03/1954 e Tmin = 1.0 il 24/03/1954). Stessa cosa succede nel 1966 (Tmin= -5 il
27/3/1966 ) nel 1967 (due giorni di persistenza con Tmin= 4.0 dal 10/3/67, Tmin = 7.0
dal 11/5/67, Tmin= 6.0 dal 21/5/67), valori singoli scartati a causa della persistenza
cioè Tmin = -3.0 del 20/3/67 e Tmin = 2.0 del 14/4/67 e valori che non passano il
controllo temporale come Tmin = -3.0 il 27/4/67). Nel 1973 (due giorni con Tmin=
1.0 dal 26/04/73), valori giornalieri (singoli) rifiutati a causa della persistenza sono
Tmin= -3.0 del 4/3/73 e Tmin= -6.0 il 19/3/73, Tmin= 4.0 il 2/04/73 e il valore di Tmin=
9.0 il 7/05/73 che non passa il controllo logico con la Tmax del giorno seguente.
Nella serie temporale estiva è possibile trovare molti esempi di valori flag più
piccoli di valori non flag, ad esempio nel 1959, quando un singolo valore (Tmin
=13.0 il 10/07/59) è rifiutato a causa di una persistenza errata, e nel 1980 quando
un valore (Tmin = 14.0 il 12/07/80) è rifiutato perché non passa il controllo
temporale e quattro valori (Tmin= 12.0 il 15/06/80, Tmin= 13.0 il 26/07/80, Tmin=
15.0 il 31/07/80 e Tmin= 16.0 il 3/08/80) sono classificati come persistenze non
valide. L’impatto della procedura di controllo sul 10o percentile della temperatura
minima si riflette similmente sul numero di giorni con gelo in Figura A4.3.
Nella stessa stazione l’applicazione del controllo di qualità influisce anche
sulla serie temporale stagionale della temperatura massima, anche se, in generale,
la temperatura massima è caratterizzata da dati di qualità più alta della temperatura
minima. La Figura A4 mostra il 90o percentile della temperatura massima per
l’inverno e l’indice HWD per la stessa stagione. Per questa stazione, nella serie
temporale di temperatura massima giornaliera dei mesi invernali 43 valori non
passano il controllo logico con la temperatura minima, 1 valore non passa il
controllo combinato spaziale e climatologico, 49 sono scartati come persistenze
non valide con il giorno precedente, 3 gruppi di due valori sono scartati come
persistenze non valide di tre giorni e 1 valore non passa gli altri controlli temporali.
Questi problemi comportano delle differenze tra le serie temporali invernali del 90o
198
V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
percentile e dell’indice HWD. In particolare, le serie del 90o percentile sono
differenti nel 1974, 1975, 1990 e 1995, mentre le serie di HWD sono diverse nel
1976. Tutte le differenze, a parte nel 1995, sono dovute a persistenze, mentre nel
1995 tutti i valori sono influenzati in particolare da un valore (Tmax= 20.0 il
13/12/94) che non passa il controllo combinato spaziale e climatologico.
Figura A4.4 - La figura mostra, per la stazione di Bosco Centrale, il 90o percentile della
temperatura massima per la stagione invernale e l’indice di durata delle onde di calore
(HWD) per la stessa stagione.
Il secondo caso di studio si riferisce ai dati rilevati presso la stazione di
Cesenatico.
Questa stazione è situata lungo la costa Adriatica nella parte Orientale della
regione, ad una quota di 4 m sul livello del mare, molto vicina alla città di Cesena.
Le stazioni utilizzate per controllare i dati di Cesenatico sono situate sia vicino il
mare sia nel primo entroterra.
Anche per la stazione di Cesenatico si possono riscontrare differenze nelle
serie temporali degli indici. In Figura A4.5 è mostrata la serie temporale della
media stagionale di Tmax per la stagione estiva (JJA). Sebbene si notino alcune
differenze notevoli tra le serie temporali ci sono in generale meno differenze
rispetto a quelle della prima stazione considerata. In particolare si notano
differenze negli anni 1951 e 1952. Queste differenze sono dovute principalmente a
tre errori identificati nei dati dalla procedura di controllo: il 03/8/51 il valore della
Tmax= 39.9 non passa il controllo combinato spaziale e climatologico e il valore
registrato nelle stazioni vicine è di 8 gradi più basso. Il 25/7/52 la Tmax raggiunge il
valore di 20.1 gradi valore di 9 -10 gradi più basso che nelle stazioni vicine. Altri
problemi relativi alla presenza di persistenze non accettabili sono stati
La temperatura minima e massima su alcune stazioni della rete dell’Emilia
Romagna
199
ulteriormente rilevati, ma non hanno un impatto rilevante per la serie temporale
degli indici calcolati.
Figura A4.5 - Andamento della media stagionale della Tmax per la stagione estiva (JJA)
per la stazione di Cesenatico.
A5
ESEMPIO DI APPLICAZIONE DELLA PROCEDURA
DELLA ARPA-EMILIA ROMAGNA PER IL CONTROLLO
DELLA
QUALITA’
DEI
DATI
PLUVIOMETRICI
GIORNALIERI DI ALCUNE STAZIONI DELLA RETE
DELL’EMILIA ROMAGNA
V. PAVAN, S. MARCHESI, A. SELVINI, R.TOMOZEIU, M. DI
LORENZO
Servizio Idrometeorologico Emilia Romagna. (Procedura ARPA-EMILIA
ROMAGNA)
Il data-set di dati osservati di precipitazione su cui vogliamo applicare la
procedura di controllo di qualità è costituito dai dati giornalieri di precipitazione
cumulata sul periodo 8am-8am (GMT) presso le stazioni in Figura A5.1. Le
stazioni utilizzate per i casi studio sono in questo caso Cesenatico e Borgo Taro. La
densità delle stazioni è più alta sulle montagne dove la si ritiene necessaria per dare
una adeguata descrizione della variabilità spaziale della precipitazione. I dati
coprono il periodo dal 1951-2001.
2000
Piacenza
1800
Ferrara
Parma
Reggio Emilia
1600
1400
Modena Bologna
Borgo Taro
Ravenna
1200
1000
Forli
Cesena Cesenatico
Rimini
800
600
400
San Marino
200
0
Figura A5.1 Mappa delle stazioni di precipitazione cumulata giornaliera. Nella mappa
sono indicate le stazioni con punti pieni, le città con cerchi vuoti e le due stazioni per le
quali sono presentati i casi studio (Borgo Taro e Cesenatico).
202
V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
Nel caso della precipitazione, il controllo di qualità simple consiste nel
controllo logico, climatologico e delle persistenze.
Nel primo caso studio, la stazione scelta è Cesenatico e gli indici scelti per
confrontare l’impatto del tipo di procedura utilizzato sono: le serie temporali della
precipitazione media sulla stagione (PAV), il numero di volte che la precipitazione
è maggiore del valore climatologico del 90o percentile (PNL90) e il 90o percentile
della precipitazione stagionale (PQ90). La Figura A5.2 presenta le serie temporali
primaverili (MAM) di tali indici. Sebbene l’applicazione del controllo simple abbia
un grande impatto sulle serie temporali scartando molti valori, questi sono poi
recuperati dal controllo spaziale con le altre stazioni, suggerendo così che la qualità
dei dati sia abbastanza buona. Le differenze tra il controllo flag e il controllo no
flag sono principalmente dovute ad un solo anno, il 1993. Due tipi di errori
influenzano i dati di questo anno. Il primo riguarda il giorno 17/03/1993 in cui si
registra un valore di precipitazione di 29.2 mm, mentre nessun valore di
precipitazione è registrato nelle cinque stazioni vicine. Il secondo errore riguarda il
periodo dal 14/4/1993 al 29/4/1993 in cui la stazione non ha probabilmente
funzionato senza che questo fosse stato segnalato. Questi errori cambiano i valori
di pav e pnl90 e portano all’eliminazione dalla serie storica del valore di pq90 per
il 1993. Ricordiamo che il pq90 è definito come il 90o percentile della
precipitazione stagionale e può essere calcolato solo se esiste una percentuale
sufficiente di dati validi per la stazione in esame. In generale, l’applicazione del
controllo di qualità comporta che talvolta siano rifiutati molti dati, soprattutto nel
caso di serie di dati nulli per mancato funzionamento della stazione non segnalato,
e conseguentemente il numero dei valori che si possono utilizzare per il calcolo
degli indici si riduce al di sotto della certa soglia minima. Questo succede molto
più facilmente per l’indice pq90 che per il pnl90. Il problema diventa ancora più
evidente in una stazione dove ci sono molti dati mancanti, come ad esempio per la
serie dai dati rilevati presso Borgo Taro, utilizzata per il secondo caso di studio.
Come si nota da Figura , questa stazione è situata sulle montagne a circa 441 m sul
livello del mare nelle vicinanze della città di Parma nella parte Est dell’Emilia
Romagna. Il gruppo di stazioni che sono state scelte per il confronto con Borgo
Taro sono prese tra quelle situate nella parte montana vicino alla città di Parma e
Piacenza e sono tutte geograficamente vicine alla stazione considerata.
Le serie temporali di pav, pq90 e pnl90 per la stagione estiva (JJA) per questa
stazione sono mostrate in Figura . La maggior parte degli errori identificati per la
stagione estiva per questa stazione sono legati a periodi piuttosto lunghi in cui il
suo mancato funzionamento non è stato segnalato. In particolare la stazione non ha
funzionato probabilmente durante i seguenti periodi: dal 15/6/1953 al 30/6/1953,
dal 6/6/1962 al 25/6/1962, dal 1/7/1962 al 25/7/1962, dal 11/4/1982 al 3/6/1982 e
dal 14/8/1990 al 6/9/1990. Alcuni di questi periodi sono completamente inclusi in
una stagione, altri no. Questo fa sì che a volte la serie di dati mancanti influenzi il
La temperatura minima e massima su alcune stazioni della rete dell’Emilia
Romagna
203
valore stagionale dell’indice, altre volte no. Se la serie di dati mancanti o errati
influisce solo sulla lunghezza temporale della serie e quindi porta all’impossibilità
di definire l’indice stesso, i valori di precipitazione cumulata non dichiarati
cambiano le proprietà statistiche della distribuzione della precipitazione e quindi
portano a cambiamenti nei valori degli indici.
Figura A5.2 - Andamento delle serie temporali degli indici PAV, PNL90 e PQ90 della
precipitazione per la stazione di Cesenatico per la stagione primaverile (MAM).
204
V. Pavan, S. Marchesi, A. Selvini, R.Tomozeiu, M. Di Lorenzo
Figura A5.3 - Andamento della serie temporale degli indici PAV, PNL90 e PQ90 della
precipitazione per la stazione di Borgo Taro per la stagione estiva (JJA).
In conclusione, va sottolineato che i dati osservati hanno un grande valore sia
scientifico che economico e possono essere utilizzati in molte applicazioni per la
descrizione del clima presente, di quello passato e di quello futuro. Il valore di
questi dati è strettamente connesso alla loro qualità. In particolare, se i dati non
sono affidabili, il loro valore sia economico che scientifico decade rendendo
necessaria l’applicazione di un controllo di qualità. Si è verificato con alcuni casi
studio che l’impatto del tipo di controllo di qualità utilizzato prima può cambiare in
modo tangibile le serie temporali di alcuni indici significativi per lo studio del
clima. In particolare si deduce dagli esempi che i valori stagionali medi sono meno
condizionati rispetto agli indici di frequenza di eventi meteorologici estremi dalla
riduzione di dati osservati in seguito all’applicazione della procedura di controllo
di qualità e alla qualità dei dati stessi.
A6
ESEMPIO DI APPLICAZIONE DELLA PROCEDURA DI
VALIDAZIONE AUTOMATICA (DICA-UniCT) AI DATI DI
TEMPERATURA MASSIMA E MINIMA GIORNALIERI
G. ROSSI, A. CANCELLIERE, B. BONACCORSO, G. SCIUTO
Dipartimento di Ingegneria Civile e Ambientale, Università di Catania
A6.1
GENERALITÀ
La metodologia di validazione automatica dei dati di temperatura massima e
minima giornaliera esposta nel paragrafo 4.4.1 è stata applicata a serie di dati
rilevati tra il 1950 ed il 2004 in alcune stazioni termometriche della rete in
telemisura dell’ex Ufficio Idrografico Regionale della Sicilia, oggi Agenzia
Regionale per i Rifiuti e le Acque, Settore Osservatorio delle Acque della Regione
Siciliana ritenute rappresentative delle diverse zone dell’isola.
Si presentano di seguito le elaborazioni effettuate sulle temperature massime e
minime giornaliere rilevate nella stazione termometrica di Trapani, e vengono
riportati i risultati dell’applicazione della procedura ai dati delle stazioni di Mazara
del Vallo, Caltanissetta e Acireale osservate nel periodo 1951-2004.
Di seguito si presentano i passi effettuati:
−
−
−
−
−
analisi ed eventuale rimozione del trend sulle serie di temperature massime
e minime giornaliere;
applicazione dei tre diversi metodi prima descritti per la costruzione delle
fasce di confidenza basate sui dati della stazione, e scelta di quello che può
considerarsi preferibile;
individuazione delle stazioni di riferimento per la costruzione delle fasce di
confidenza attraverso le regressioni, tra i valori contemporanei osservati;
costruzione delle fasce di confidenza basate sulla regressione con le
stazioni limitrofe;
controllo di qualità dei dati mediante l’impiego dei due tipi di fasce di
confidenza e analisi dei risultati.
In figura A6.1 sono riportati i grafici (in coordinate polari) dell’andamento nel
corso dell’anno solare della media e dello scarto quadratico medio delle
temperature massime e minime giornaliere.
206
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto
(a)
(b)
(c)
(d)
Figura. A6.1 Andamento nell’anno della media e dello scarto quadratico medio delle
temperature giornaliere massime (a,c) e minime (b,d) (stazione di Trapani)
Applicazione della procedura di validazione automatica ai dati di temperatura
massima e minima giornalieri
A6.2
207
COSTRUZIONE FASCE DI CONFIDENZA BASATE SUI DATI
DELLA STAZIONE IN ESAME
Le fasce di confidenza sono state costruite con i tre metodi descritti al
paragrafo 4.4.1.2 e si utilizzeranno quelle che sulla base di un confronto producono
i migliori risultati anche in relazione alla parsimonia dei parametri.
Metodo (a)
Il primo metodo consiste nella costruzione delle fasce di confidenza relative ai
valori storici della stazione utilizzando la media e lo scarto quadratico medio dei
residui giornalieri della temperatura giornaliera (per i 365 giorni dell’anno). In
figura A6.2 si è proceduto ad un confronto fra i residui dei dati giornalieri della
temperatura massima e minima degli ultimi sei anni di osservazioni disponibili e le
fasce di confidenza sopra descritte.
Si noti che la maggior parte dei dati rilevati rientri entro le fasce di confidenza.
Il gruppo più numeroso di temperature massime e minime che escono fuori dalle
fasce di confidenza superiori si è verificato in ambedue i casi nella primavera,
nell’estate e nell’autunno del 2001. Altri outliers si sono verificati per le
temperature massime anche nelle estati del 1999 e del 2000, mentre per le minime
nella primavera del 1999 e nell’estate del 2000.
(a)
(b)
Figura A6.2 Serie dei residui della temperatura massima (a) e minima (b) giornaliera,
osservata negli ultimi sei anni e fasce di confidenza (P = 0. 99) della stazione di TrapaniMetodo(a)
208
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto
Metodo (b)
Il secondo metodo proposto differisce sostanzialmente dal primo in quanto
invece di considerare le medie e gli s.q.m. dei residui delle temperature dei 365
giorni dell’anno si è descritta la periodicità della media e dello s.q.m. mediante lo
sviluppo in serie di Fourier. Dopo aver calcolato i coefficienti delle varie
armoniche con la procedura precedentemente descritta al paragrafo 4.4.1.2 si è
determinato il numero di armoniche necessarie costruendo il periodogramma
cumulato. Da questa analisi è stato possibile scegliere 2 armoniche per descrivere
l’andamento della media e 7 armoniche per lo s.q.m.
In figura A6.3 è possibile osservare che risultano molto contenuti gli
scostamenti tra l’andamento della media e dello scarto quadratico medio
giornaliero e la loro descrizione mediante lo sviluppo in serie di Fourier
rispettivamente con 2 e 7 armoniche.
(a)
(b)
(c)
(d)
Figure A6.3 Confronto della media e dello scarto quadratico medio dei residui delle
temperature giornaliere massime (a,c) e minime (b,d) lo sviluppo in serie di Fourier per i
dati di Trapani-Metodo(b)
Applicazione della procedura di validazione automatica ai dati di temperatura
massima e minima giornalieri
209
Nella tabella A6.1 sono riportati per la media e per lo s.q.m. delle temperature
massime e minime giornaliere i coefficienti dello sviluppo in serie di Fourier
limitato rispettivamente alla prime due e sette armoniche e la relativa varianza
spiegata.
Tabella A6.1 Risultati dell’analisi di Fourier per la media e lo s.q.m. delle temperature
massime e minime giornaliere per le stazione di Trapani.
T Max
Ak
θk
Ak
θk
Pk
29.553
-0.523
0.986
0.209
-1.441
0.993
23.791
-0.635
0.982
0.254
-1.403
a
0.993
0.017
0.266
a
0.174
0.036
-0.182
0.337
2 Armonica
0.018
1.538
0.455
0.018
1.531
0.509
3a Armonica
0.004
-0.046
0.486
0.001
-0.086
0.520
0.001
-0.775
0.500
0.004
-0.247
0.559
5a Armonica
0.001
-1.211
0.504
0.001
-1.134
0.570
6a Armonica
0.003
0.451
0.528
0.003
0.430
0.602
0.005
0.220
0.570
0.004
0.257
0.639
Media
Scarto quadratico medio
Media
T Min
1a Armonica
0.948
2a Armonica
1 Armonica
4a Armonica
a
7 Armonica
Pk
2.672
Media
1.208
2.539
Utilizzando le armoniche ottenute per la media e lo s.q.m. dei residui e
ipotizzando la distribuzione di probabilità normale, si sono costruite le fasce di
confidenza relative alla probabilità 99%. Infine anche per questa metodologia si è
proceduto ad un confronto fra i dati giornalieri degli ultimi sei anni disponibili e le
fasce di confidenza prima descritte, come riportato nella figura A6.4
I punti che eccedono le fasce di confidenza si collocano negli stessi periodi
individuati con l’applicazione del primo metodo e coincidono con periodi
contrassegnati da aumenti generalizzati delle temperature sulla regione.
Considerando che la temperatura di un generico giorno non è una caratteristica
dello specifico giorno dell’anno ma può essere simile per un insieme di giorni
precedenti o successivi a quello considerato, con il terzo metodo si attribuisce a
ciascun giorno il valore medio delle temperature di undici giorni centrati su esso.
In questo caso l’elevata variabilità della media e dello s.q.m. gia mostrata in fig.
A6.1, subisce uno “smoothing”, come può osservarsi dalla figura A6.5.
Anche in questo caso la descrizione della periodicità della media e dello s.q.m.
delle medie mobili sopra calcolate viene effettuata con uno sviluppo in serie di
Fourier.
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto
210
(a)
(b)
Figura A6.4 Serie dei residui della temperatura massima (a) e minima (b) giornaliera,
osservata negli ultimi sei anni e fasce di confidenza (P = 0.99) per la stazione di TrapaniMetodo(b)
Metodo (c)
In figura A6.6 è possibile osservare, anche per questo caso, che risultano
molto contenuti gli scostamenti tra l’andamento della media e dello scarto
quadratico medio giornaliero e la loro descrizione mediante lo sviluppo in serie di
Fourier rispettivamente con 2 e 7 armoniche.
Nella tabella A6.2 sono riportati per la media e per lo s.q.m. delle temperature
massime e minime giornaliere il valore medio A0, la fase θ e la varianza spiegata Pi
per le prime due armoniche.
Table A6.2 Risultati dell’analisi di Fourier per la media e lo s.q.m. dei residui delle
temperature massime e minime giornaliere per la stazione di Trapani.
T
Ak
θk
Pk
29.376
-0.523
0.989
0.204
-1.441
1 Armonica
0.020
2 a Armonica
Ak
θk
Pk
-0.635
0.982
0.996
0.254
-1.403
0.993
0.033
0.011
0.001
1.152
0.297
0.024
1.419
0.510
0.025
1.567
0.668
0.001
0.021
0.604
0.005
0.161
0.678
0.006
-0.196
0.642
0.002
0.578
0.765
5 Armonica
0.003
-1.041
0.652
0.001
-0.883
0.812
6 a Armonica
0.003
0.605
0.747
0.005
0.206
0.858
7 a Armonica
0.005
0.605
0.894
0.007
-0.084
0.938
1 a Armonica
0.948
2 a Armonica
a
Scarto quadratico medio
Min
23.791
Media
Media
T
Max
a
3 Armonica
a
4 Armonica
a
1.994
Media
1.208
1.959
Applicazione della procedura di validazione automatica ai dati di temperatura
massima e minima giornalieri
(a)
(b)
(c)
(d)
211
Figura A6.5 Confronto della media e dello scarto quadratico medio dei residui delle
temperature giornaliere massime (a,c) e minime (b,d) lo sviluppo in serie di Fourier per i
dati di Trapani-Metodo(c)
In figura A6.6 vengono confrontati i dati giornalieri degli ultimi sei anni e le
fasce di confidenza prima descritte.
Dalla figura A6.6 si nota che con questo metodo i dati osservati che ricadono
fuori dalle fasce di confidenza, risultano in numero maggiore rispetto a quelli che
eccedono con l’applicazione dei precedenti metodi.
Per la scelta del metodo da preferire per la costruzione delle fasce di
confidenza basate sui dati della stazione si sono calcolate le quantità di dati
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto
212
osservati (1951-2004) che ricadono all’esterno delle fasce di confidenza per
ciascuno dei metodi analizzati. I numeri e le percentuali di valori fuori fasce sono
riportati assieme al numero di parametri da stimare, in tabella A6.3, oltre che per la
stazione di Trapani anche per la stazione di Mazara del Vallo, Caltanisetta e
Acireale.
(a)
(b)
Figura A6.6 Serie dei residui della temperatura massima (a) e minima (b) giornaliera,
osservata negli ultimi sei anni e fasce di confidenza (P = 0.99) per la stazione di TrapaniMetodo(c)
Table A6.3 Dati che non ricadono entro i limiti di confidenza per P= 0.995 per i diversi
casi analizzati e n° dei parametri necessari.
T max
N° di
parametri
Metodo
per la
media
N° di
parametri per
lo scarto
quadratico
medio
a
365
365
b
5
15
c
5
15
Stazione
Trapani
Mazara del Vallo
Acireale
Caltanissetta
Trapani
Mazara del Vallo
Acireale
Caltanissetta
Trapani
Mazara del Vallo
Acireale
Caltanissetta
T min
n° anni
valori
fuori
intervallo
% valori
fuori
intervallo
valori
fuori
intervallo
% valori
fuori
intervallo
49
41
48
29
49
41
48
29
49
41
48
29
299
219
214
73
322
253
263
124
552
247
422
227
1.67
1.46
1.22
0.69
1.80
1.69
1.50
1.17
3.09
1.65
2.41
2.14
228
248
142
85
250
274
190
117
240
510
182
117
1.27
1.66
0.81
0.80
1.40
1.83
1.08
1.11
1.34
3.41
1.04
1.11
Applicazione della procedura di validazione automatica ai dati di temperatura
massima e minima giornalieri
213
Dal confronto delle prestazioni dei tre metodi può concludersi che il secondo
metodo con 2 armoniche per media e 7 per lo s.q.m. permette di coniugare la
parsimonia dei parametri con dei risultati accettabili.
A6.3
COSTRUZIONE FASCE DI CONFIDENZA BASATE SUI DATI
DELLE STAZIONI DI RIFERIMENTO
L’applicazione della seconda fase della procedura di validazione richiede in
prima analisi l’individuazione delle stazioni di riferimento. A tale scopo si è scelto
di adottare una distanza massima Δl = 60-70 km ed una differenza di altitudine
ΔH = ± 300 m, selezionando poi quelle che, rispetto alla stazione in esame,
presentano i maggiori valori mediani dei coefficienti di correlazione giornalieri.
Tabella A6.4 Valori mediani, max e min del coefficiente di correlazione tra le temperature
di Trapani e quelle delle stazioni limitrofe
Cod. STIR
850
1120
1140
1190
Nome stazione
PARTINICO
MARSALA
MAZARA DEL VALLO
CASTELVETRANO
Coefficiente di correlazione
Temperature massime
Temperature minime
Mediana
Max
Min
Mediana
Max
Min
0.58
0.84
0.19
0.51
0.76
-0.03
0.45
0.76
0.02
0.43
0.77
0.01
0.51
0.83
-0.02
0.61
0.85
0.31
0.46
0.77
-0.09
0.38
0.74
-0.15
Sulla base dei risultati riportati in tabella A6.4 sono state scelte come stazioni
di riferimento Partinico e Mazara del Vallo sia per le temperature massime
giornaliere che per le minime.
Anche per le serie relative a tali stazioni è stata verificata la presenza di trend
annuo. Infine, si è proceduto alla costruzione delle fasce di confidenza della
regressione multipla calcolata sulla base dei dati delle stazioni di riferimento con la
metodologia descritta al § 4.4.1.3.
214
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto
(a)
(b)
Figura A6.7 Serie dei residui delle temperature massime (a) e minime (b) giornaliere
osservate nel periodo 1996-2004 nella stazione di Trapani e relative fasce di confidenza (P
= 0.005 e 0.995) costruite utilizzando i dati delle stazioni di riferimento di Partinico e
Mazara del Vallo
In figura A6.7 le serie dei residui delle temperature massime (a) e minime (b)
giornaliere osservate nella stazione di Trapani negli ultimi sei anni di comune
funzionamento con le stazioni limitrofe, vengono confrontate con le fasce di
confidenza costruite a partire dalle serie delle stazioni di Partinico e Mazara del
Vallo. In entrambi i casi le fasce di confidenza sono relative al 99% di probabilità.
Dalla figura A6.7 si nota che il numero di valori che cadono fuori dalle fasce di
confidenza risulta molto più contenuto rispetto alle fasce costruite con i dati della
stazione. Infatti le fasce di confidenza della regressione sono variabili negli anni e
quindi periodi di caldo generalizzati sulla regione producono un innalzamento di
queste.
L’ultima fase della validazione consiste nella definizione di un giudizio di
qualità sul dato osservato. I risultati complessivi dell’analisi condotta sui dati di
temperatura massima e minima giornalieri relativi agli ultimi sei anni disponibili
nelle stazioni esaminate sono riassunti in Tabella A6.5.
In seguito all’applicazione della procedura proposta sono stati validati
automaticamente oltre l’88% di dati di temperatura massima e oltre l’82 % dei dati
di temperatura minima. Risulta, di conseguenza, considerevolmente ridotto il
numero di osservazioni da sottoporre a controllo manuale.
Applicazione della procedura di validazione automatica ai dati di temperatura
massima e minima giornalieri
215
Table A6.5 Risultato della validazione delle temperature massime e minime
giornaliere osservate nelle stazioni di Trapani, Mazara del Vallo, Acireale e
Caltanissetta negli ultimi sei anni di comune funzionamento con le stazioni di
riferimento.
TRAPANI
n° dati % dati
Validato
T max Non Validato
Rifiutato
Validato
T min Non Validato
Rifiutato
1940
242
8
1961
222
7.0
88.6
11.1
0.4
89.5
10.1
0.3
MAZARA DEL
n° dati
1942
221
27
1808
332
50
ACIREALE
% dati n° dati
88.7
10.1
1.2
82.6
15.2
2.3
2024
165
1
2080
109
1
CALTANISSETTA
% dati
n° dati
% dati
92.4
7.5
0.05
95.0
5.0
0.05
2052
138
1
2063
126
1
93.7
6.3
0.05
94.2
5.8
0.05
A7
ESEMPIO DI APPLICAZIONE DELLA PROCEDURA DI
VALIDAZIONE AUTOMATICA (DICA-UniCT) AI DATI
PLUVIOMETRICI GIORNALIERI
G. ROSSI, A. CANCELLIERE, B. BONACCORSO, G. SCIUTO
Dipartimento di Ingegneria Civile e Ambientale, Università di Catania
La metodologia di validazione automatica dei dati di precipitazione giornaliera
esposta nel paragrafo 4.4.2 è stata applicata a serie di dati rilevati tra il 1950 ed il
2004 in alcune stazioni pluviometriche della rete in telemisura dell’ex Ufficio
Idrografico Regionale della Sicilia, oggi Agenzia Regionale per i Rifiuti e le
Acque, Settore Osservatorio delle Acque della Regione Siciliana ritenute
rappresentative delle diverse zone dell’isola.
Si presentano di seguito le elaborazioni effettuate sulle precipitazioni
giornaliere rilevate nella stazione pluviometrica di Mirabella Imbaccari, e vengono
riportati gli esiti dell’applicazione della procedura ai dati delle stazioni di
Sommatino, Pioppo e Messina Ist. Geofisico osservate nel periodo 1951-2004.
Il primo passo della metodologia proposta prevede la scelta delle stazioni di
riferimento tra le limitrofe che sono ubicate ad una distanza massima Δl = 30 km, e
la cui quota differisca al più di un ΔH = ± 200 m. La scelta delle stazioni di
riferimento è stata condotta sulla base dell’analisi della contemporanea assenza o
presenza di pioggia e dei valori assunti dagli indici di affinità (cfr. par. 4.4.2.2).
Nella Figura A7.1 sono riportati sia i box-plot delle probabilità di contemporanea
presenza di pioggia P11 e assenza di pioggia P00, sia l’istogramma dell’indice di
affinità I. In base ai risultati ottenuti sono state selezionate come stazioni di
riferimento Pietraperzia, Mazzarino, Piazza Armerina, Caltagirone e Mineo.
La fase successiva consiste nell’implementazione della prima rete neurale
denominata “binaria” a partire dal set di dati delle stazioni di riferimento che
restituisce, previa trasformazione mediante l’applicazione di un valore soglia, un
output in formato binario, in cui 0 sta ad indicare un giorno non piovoso e 1
rappresenta un giorno piovoso. La lunghezza del set di validazione, per tutti i casi
selezionati, è stata posta uguale agli ultimi sei anni, mentre la lunghezza del set di
calibrazione dipende caso per caso dal numero di anni di funzionamento comune
alla stazione in esame e a quelle di riferimento.
218
Pi
Butera
Piazza
Armerina
Castel
di Judica
Caltagirone
MIneo
Pi
Pietraperzia Mazzarino
eo
ne
in
M
za
az
0
az
et
ra
0.1
M
pe
rz
rin
ia
0.2
ro
0.3
I1
ca
0.4
gi
0.5
I2
lt a
Values
0.6
Ca
0.7
a
0.8
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
di
0.9
in
P00
Ju
P11
er
P00
m
P11
di
P00
el
P11
st
P11 P00
Ca
P00
ra
P11
te
P00
Ar
P11
za
P00
o
P11
Bu
1
G. Rossi, A. Cancelliere, B. Bonaccorso, G. Sciuto
Figura A7.1 - Boxplot dei valori di P00 e P11 e indici di affinità tra la stazione di
Mirabella Imbaccari e le stazioni limitrofe
La seconda rete neurale, utilizzata per stimare il valore della precipitazione
giornaliera nel caso di giorni piovosi, è stata implementata a partire dal set di dati
composto come input dai dati (non nulli e nulli) delle stazioni di riferimento
contemporanei ad eventi piovosi registrati nella stazione in esame, e restituisce
come output i dati relativi ai soli giorni piovosi della stazione in esame. Anche in
questo caso sono stati utilizzati per la validazione gli ultimi sei anni di dati
disponibili.
Una volta stimato il valore di precipitazione giornaliera attraverso la rete
neuronale si può procedere alla costruzione delle fasce di confidenza all’interno
delle quali il valore osservato deve ricadere affinché sia considerato validato. In
Figura A7.2 sono rappresentati i valori non nulli osservati nella stazione di
Mirabella Imbaccari, validati dalla rete binaria, e la relativa fascia di confidenza
ottenuta tramite una analisi di frequenza dei residui. Si osserva come solo un
numero limitato di valori ricada al di fuori delle fasce di confidenza.
Applicazione della procedura di validazione automatica ai dati
pluviometrici giornalieri
219
Figura A7.2 - Serie delle precipitazioni giornalieri osservate nella stazione di Mirabella
Imbaccari e validate dalla rete binaria e relativa fascia di confidenza (P= 99 %) costruite
a partire dai dati delle stazioni di riferimento tramite applicazione di una rete neuronale
In base ai risultati ottenuti è, quindi, possibile esprimere un giudizio di qualità
del dato osservato. In Tabella A7.1 sono riportati, con riferimento al gruppo di
stazioni investigate, sia alcune statistiche (r2 ed RMSE) che descrivono la bontà
delle stime prodotte dal modello rispetto ai valori realmente osservati, sia le
percentuali di dati nulli e non nulli validati. Dalla tabella si evince come la
percentuale complessiva dei dati validati sia dell’ordine dell’85 %;
Tabella A7.1 - Statistiche della rete neuronale in fase di calibrazione e validazione e
risultati della validazione
Calibrazione
Stazione
Mirabella Imbaccari
Sommatino
Pioppo
Messina Ist. Geofisico
r^2
RMSE[mm]
0.52
0.64
0.67
0.67
8.82
6.57
5.49
3.52
Validazione
% Nulli % Non nulli
r^2 RMSE[mm]
Validati
Validati
0.43
0.47
0.70
0.67
9.51
5.80
3.91
4.20
85.20
85.88
92.98
88.75
85.22
88.74
92.63
86.24
% Dati
(nulli e non)
validati
85.20
86.58
92.88
88.03
A8
SELEZIONE DI UNA RETE PER IL MONITORAGGIO
DELLA SICCITA’ NELLA REGIONE SICILIANA
M.T. NOTO
Regione Siciliana - Agenzia Regionale per i Rifiuti e per le Acque –
Osservatorio per le Acque
Nell’ambito del progetto comunitario Sedemed II, partendo dalla rete di
monitoraggio meteo-idropluviometrica gestita dall’Ufficio, caratterizzata da una
rete tradizionale “storica” (350 stazioni) e da una rete in telemisura (255 stazioni),
è stata utilizzata la procedura esposta al capitolo 5, al fine di poter selezionare un
insieme di stazioni che costituirà la rete di monitoraggio per la siccità.
Per la progettazione di una rete di qualità a partire da una rete esistente è
necessario, in via preliminare, definire l'uso finale dei dati rilevati. Tale obiettivo
condiziona la definizione della rete in termini di parametri da rilevare e di scale
temporali di riferimento, determinando la scelta delle stazioni da inserire nella rete.
La rete in questione, deve certamente garantire un livello di qualità generale, e
deve soddisfare le condizioni che permettano di monitorare il fenomeno siccità
garantendo la possibilità di elaborazione dell’indice SPI.
E’ essenziale sottolineare che la scelta delle stazioni è strettamente legata alla
qualità delle serie storiche delle stazioni stesse. Considerata, quindi, l’esiguità
delle serie storiche in telemisura, tutti i criteri di selezione sono stati applicati
essenzialmente alle serie storiche relative a stazioni di misura di tipo tradizionale,
in cui coesiste anche il sensore il TLM, vista la tendenza all’utilizzo delle nuove
tecnologie la cui conseguenza sarà, nel tempo, la dismissione delle stazioni
tradizionali e l’installazione di stazioni di tipo in telemisura.
Per poter ottenere un sottoinsieme di stazioni costituenti la rete di qualità,
l’Ufficio, ha eseguito un percorso per step progressivi, adottando la metodologia di
seguito esposta, a stazioni di misura per la grandezza Pioggia e per la grandezza
Temperatura:
1. Analisi storica per la verifica e/o ricostruzione dei metadati;
2. Assegnazione etichetta di qualità alla stazione di misura della singola
grandezza
3. Assegnazione etichetta di qualità alla rete selezionata
4. Assegnazione etichetta di qualità sistema di monitoraggio messo a punto
M. T. Noto
222
A8.1
ANALISI
STORICA
PER
LA
RICOSTRUZIONE DEI METADATI
VERIFICA
E/O
Il primo step ha previsto la consultazione di tutti gli annali idrologici pubblicati
relativi all’intervallo temporale 1918 - 2000 per verifica e/o ricostruzione del
metadato associato ad ogni stazione di misura, analizzando i seguenti dati:
− Idstaz
− codice Zeus
− nome della stazione
− bacino idrografico di appartenenza della stazione
− quota s.l.m.
− anno inizio e anno fine funzionamento stazione
− tipologia del sensore
− altezza strumentale
− anno inizio e anno fine funzionamento sensore
− osservatore
− anno inizio e anno fine osservatore.
A questo scopo è stata messa a punto, seguendo quanto dettato dal WMO, una
scheda con le caratteristiche della stazione (vedi Figura A8.1).
L’obiettivo di questa fase, è stato quello di individuare le possibili variazioni di
quota, di posizionamento delle stazioni di misura e del sensore (intendendo per
stazione il luogo fisico in cui è istallato il sensore). Durante l’esecuzione di questa
fase sono state riscontrate numerose variazioni sia di posizionamento sia del
sensore, di conseguenza la serie storica originale è stata parzializzata attribuendo
ad ogni sottoserie un nuovo identificativo (Tabella A8.1). Le stesse informazioni
acquisite, hanno anche contribuito alla valutazione della qualità del dato e della
serie storica.
Selezione di una rete per il monitoraggio della siccità in Sicilia
Figura A8.1 – Scheda del metadato della stazione
223
M. T. Noto
224
Tabella A8.1 – Esempio di assegnazione di nuovo ID alla serie parzializzata in sottoserie
ID
Stazione
1
6
348
61
344
345
346
341
343
75
347
114
349
Nome
Stazione
Nome
Bacino
Quota
[m s.l.m.]
Anno
Inizio
Anno
Fine
Scillato
Pa Ist. Zootecnico
Pa Ist. Zootecnico
Piana Dei Greci
Piana Dei Greci
Piana Degli Albanesi
Piana Degli Albanesi
Enna
Enna
Pietraperzia
Pietraperzia
Piazza Armerina
Piazza Armerina
Imera Settentrionale
Bm Oreto - Giancaldara
Bm Oreto - Giancaldara
Belice
Belice
Belice
Belice
Imera Meridionale
Imera Meridionale
Imera Meridionale
Imera Meridionale
Gela
Gela
376
113
120
900
750
470
740
1100
950
525
467
721
640
1918
1918
1994
1918
1949
1961
1965
1927
1929
1918
1995
1919
1997
1997
1994
1997
1948
1960
1964
1997
1928
1997
1994
1996
1995
1997
Un ulteriore dettaglio è stato ottenuto in seguito alla ricerca di:
− possibili variazioni strumentali pluviometriche e termometriche intese sia
come sostituizioni del tipo d’apparecchio sia di variazione dell’altezza
strumentale;
− associazioni di strumentazione di misura nello stesso punto;
− variazioni dell’osservatore (responsabile della registrazione dei dati).
Tali variazioni possono servire come ulteriore informazioni sui dati climatici
registrati da un determinato tipo di strumento associato a una determinata stazione
(tabella. A8.2).
Selezione di una rete per il monitoraggio della siccità in Sicilia
225
Tabella. A8.2 - relazione stazione-sensore pluviometrico
ID_Rel_P
ID_Stazione
1
386
392
395
6
387
393
400
61
240
384
388
390
391
394
379
383
386
75
398
399
114
385
389
390
396
397
ID_Sensore
1
1
1
1
6
6
6
348
61
61
61
344
345
346
346
341
343
343
75
75
347
114
114
114
114
114
114
1
386
391
394
6
387
392
392
61
239
384
388
388
388
393
379
383
386
75
397
398
114
385
389
390
395
396
M. T. Noto
226
Tabella A8.3 - Variazioni strumentali sensore pioggia
ID_Sensore_P
1
386
391
394
6
387
392
61
239
384
388
393
379
383
384
75
397
398
114
385
389
390
395
396
Sensore
U
U
UR
UR
U
U
UR
U
UR, U
UR,
UR
UR
U
U,UR
UR
U
UR
UR
U,UR
UR
UR
UR
UR
UR
H
0,8
3
2
2,3
1,02
1,5
2
1,55
1,55
1,55
10,5
2
1,25
20
20
6,91
6,9
9
13,2
13,2
6
3
2
9
Anno_Inizio
1918
1941
1973
1987
1918
1941
1973
1918
1923
1933
1949
1986
1927
1929
1933
1918
1954
1995
1919
1936
1951
1960
1988
1993
Anno_Fine
1940
1972
1997
1995
1940
1972
1997
1922
1932
1948
1985
1997
1928
1932
1996
1954
1994
1996
1935
1945
1958
1987
1992
1995
Selezione di una rete per il monitoraggio della siccità in Sicilia
227
Tab. A8.4 - relazione stazione-sensore termometrico
ID_Rel_T
ID_Stazione
43
45
49
40
46
50
44
38
39
42
47
51
41
48
52
A8.2
ID_Sensore
1
1
1
6
6
348
346
343
343
343
343
343
114
114
349
43
45
49
40
46
50
44
38
39
42
47
51
41
48
52
ASSEGNAZIONE ETICHETTA DI QUALITÀ ALLA
STAZIONE DI MISURA DELLA SINGOLA GRANDEZZA
Sulla base di quanto descritto nel capitolo 5, per l’assegnazione dell’etichetta
di qualità, sono state svolte due tipologie di controlli:
1. Controlli basati sullo storico
− Anni di funzionamento
− Massimo periodo interpolato
− Totale dati interpolati
− Massimo periodo mancante
− Totale dati mancanti
− Tracciabilità della posizione dello strumento
− Tracciabilità della strumentazione utilizzata
M. T. Noto
228
Tali controlli sono stati effettuati estraendo le informazioni direttamente dal
database messo a punto per lo scopo e descritto al paragrafo 3.3.
2. Controlli basati su metodi matematici
− Superamento test di omogeneità
− Presenza outliers (μ ±3σ)
Per quanto riguarda il primo punto, i test di omogeneità effettuati nell’ambito
del progetto, sono:
−
Test di omogeneità su singola serie:
a. Cumulative deviations
b. T-Test
c. SNHT Test
−
Test di omogeneità con serie storica di riferimento:
a. Craddock test
b. Alexsandesson test
c. Double mass curve analysis
In particolare, ogni singola serie storica, seguendo le indicazioni dello schema
di Figura A8.2, è stata sottoposta a tre differenti analisi di omogeneità,condotte in
parallelo:
−
−
−
test di omogeneità su singola serie;
test di omogeneità con serie storica di riferimento regionale (A);
test di omogeneità con serie storica di riferimento locale (B).
A differenza di quanto suggerito da studi passati, secondo i quali la serie
storica di riferimento va costruita mediando in maniera opportuna i dati omologhi
di molte stazioni, possibilmente molto vicine alla stazione da sottoporre al test di
omogeneità, la procedura, messa a punto con questo studio, consiste nell’utilizzo di
due serie storiche (A) e (B) che serviranno come serie di riferimento per il test.
La serie storica di riferimento (A), altro non è che una serie ottenuta mediando
i dati relativi ai totali annui di tutte le stazioni, funzionanti o storiche che siano.
La serie storica di riferimento (B), invece, è quella costruita mediando in
maniera opportuna i dati delle serie storiche relative alle stazioni situate in un
intorno di 15 Km dalla stazione da sottoporre al test.
La serie storica “candidata” all’analisi di omogeneità, viene definita omogenea,
quando supera tutti e tre i test sopraccitati.
Selezione di una rete per il monitoraggio della siccità in Sicilia
229
Singola serie storica
Serie storica di
riferimento (A) Regionale
Serie storica di
riferimento (B) Locale
Test di omogeneità della
serie
Test di omogeneità della
serie
Test di omogeneità della
serie
Superamento test
Superamento test
Superamento test
Giudizio sintetico della
serie
Figura A8.2 – Schema a blocchi per analisi di omogeneità
Le figure che seguono mostrano, a titolo di esempio, alcuni test condotti sulla
serie storica della stazione di Palermo Osservatorio Astronomico (sensore pioggia),
utilizzando il software Anclim, dai quali si evince facilmente che la serie storica
della stazione in esame, può essere considerata omogenea, dopo aver superato tutti
i test.
Figura A8.3 – Test di omogeneità su singola serie (T-Test)
230
M. T. Noto
Figura A8.4 – Andamento dei totali annui della serie storica di riferimento regionale
Figura A8.5 – Test di omogeneità con serie di riferimento Regionale (Craddock Test)
In Tabella A8.5, a titolo di esempio, sono riportati alcuni dei risultati dei
controlli basati sullo storico e di quelli basati su metodi matematici, con la
conseguente assegnazione dell’etichetta di qualità, desumibile dalla colorazione
associata ad ogni stazione. Tra tutte le stazioni sottoposte a verifica, le 50 stazioni
con livello di qualità più elevato sono state selezionate per la rete di qualità.
Selezione di una rete per il monitoraggio della siccità in Sicilia
231
Tabella A8.5 – Risultato delle analisi basate su metodi storici e/o matematici
max periodo
mancante [mesi]
cod
1810
1480
2790
2220
2468
984
70
2980
470
2300
660
1270
1960
1060
3210
3400
2240
2410
2580
1490
2200
3120
1118
1144
1340
3380
3060
1680
funzionament
o dal
1916-1950 1950-2002
1916
1919
1920
1923
1916
1928
1920
1920
1919
1919
1919
1923
1916
1920
1916
1921
1928
1936
1917
1919
1918
1916
1919
1919
1923
1938
1916
1919
1
4
2
2
1
7
2
2
2
1
48
36
60
20
tot dati mancanti
[mesi]
max periodo
interpolato [mesi]
tot dati interpolati
[mesi]
1916-1950 1950-2002 1916-1950 1950-2002 1916-1950 1950-2002
5
2
5
1
65
60
60
20
24
24
24
1
11
5
5
5
1
1
2
1
1
12
12
1
12
12
1
18
3
21
1
1
12
12
12
36
30
24
72
36
1
1
13
13
25
66
30
61
136
84
30
9
31
9
Livello 1 (ottimo)
1
46
46
46
2
1
2
2
3
1
2
3
1
1
1
1
1
2
3
1
3
2
1
3
3
1
1
1
5
4
12
3
3
8
3
2
1
1
1
2
9
1
4
2
4
6
4
1
1
1
3
3
4
5
1
3
3
4
Livello 1 (buono)
tracciabilità
presenza
sup test
posiz
tracciabilità
outliers omogeneità strumento strumento
13
13
12
17
15
15
19
23
11
12
12
9
16
15
12
18
14
9
20
10
19
21
19
17
10
7
19
16
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
SI
3
Livello 3 (sufficiente)
Tabella A8.6 – Elenco stazioni selezionate
STAZIONE
Agrigento
Bivona
Bronte
Butera
Castelvetrano
Castroreale
Catenanuova
Cattolica eraclea
Cefalu'
Chiaramonte gulfi
Ciminna
Corleone
Enna
Fastaia
Floresta
CODICE
1810
1480
2790
2220
1190
70
2980
1760
470
2300
660
1270
1960
1060
3210
232
Ganzirri
Gela
Ispica
Lentini citta'
Lercara friddi
Licata
Linguaglossa
Marsala
Mazara del vallo
Menfi
Messina ist.geofisico
Mineo
Mussomeli
Nicosia
Noto
Palermo oss. Astron.
Palma di montechiaro
Paterno'
Petralia sottana
Piazza armerina
Pietraperzia
Racalmuto
Ragusa
Ribera
Roccamena
S. Caterina villarmosa
S. Fratello
S. Stefano di briga
San giuseppe jato
San vito lo capo
Sommatino
Sortino
Trapani
Tusa
Vallelunga
Vittoria
Zafferana etnea
M. T. Noto
3400
2240
2410
2580
1490
2200
3120
1120
1140
1340
3380
3060
1680
2800
2450
880
1850
2910
1860
2250
2040
1700
2370
1460
1300
1600
310
3360
950
1050
2100
2490
1030
360
1660
2350
3110
Selezione di una rete per il monitoraggio della siccità in Sicilia
233
Figura A8.6 – distribuzione spaziale delle stazioni facenti parte della rete per lo studio
della siccità
A8.3
ASSEGNAZIONE ETICHETTA DI QUALITÀ ALLA RETE
SELEZIONATA
Le stazioni selezionate per la rete di monitoraggio della siccità, risultano in un
numero pari a 50, per quanto riguarda la pluviometria e in un numero pari a 15, per
quanto riguarda la termometria, distribuite su tutto il territorio regionale (circa
24.000 Km2), ottenendo una risoluzione spaziale di circa 1/480 [numero di
stazioni/Km2] per la rete di stazioni relative alla grandezza pioggia ed una
risoluzione spaziale di circa 1/700 [numero di stazioni/Km2] per la rete di stazioni
relative alla grandezza temperatura. Pertanto, considerate le tabelle 5.5.6 e 5.5.7, la
rete per la misura della pioggia e quella per la misura della temperatura, definite in
questo studio, risultano di qualità ottima.
M. T. Noto
234
A8.4
ASSEGNAZIONE ETICHETTA DI QUALITÀ SISTEMA DI
MONITORAGGIO MESSO A PUNTO
Lo studio qui esposto è stato condotto sperimentalmente solo sulle stazioni di
misura per la grandezza pioggia e per la grandezza temperatura. Sulla base di
quanto esposto al paragrafo 5.6, il sistema di monitoraggio messo a punto,
risulterebbe di qualità sufficiente, intendendo per sufficiente, una condizione
bastevole per l’espletamento di studi sulla siccità.
Un giudizio completo sulla qualità del sistema per il monitoraggio della siccità
in funzione, si potrà ottenere estendendo l’analisi alle altre stazioni di grandezze
idro-meteo-climatiche e, conseguentemente, alle relative reti per singola grandezza,
ricordando che, in base a quanto esposto nel paragrafo 5.6.3, un sistema di
monitoraggio per la siccità risulta di ottima qualità se è composta da reti per la
misura di pioggia, temperatura, umidità, radiazione solare e portata tutte di qualità
ottima, così come precisato sopra, è definita di qualità ottima.
BIBLIOGRAFIA
Plummer N., Allsopp T., Lopez J.A. (2003) Guidelines on Climate Observation Networks and
Systems, WMO/TD N.1185
Aguilar E., Auer I., Brunet M., Peterson T.C., Wieringa J. (2003) Guidelines on Climate
Metadata and Homogenization, WMO/TD N.1186
World Meteorological Organization, 1981: Manual on the Global Observing System. Volume 1:
Global aspects. WMO-No. 544 Geneva.
World Meteorological Organization, 1988: Practical experience of the operation of quality
evaluation programs for automated observations both on land and over the sea (M. Field and J. Nash).
Papers Presented at the WMO Technical Conference on Instruments and Methods of Observation
(TECO-88) Leipzig, 16-20 May 1988, Instruments and Observing Methods Report No. 33, 222,
Geneva.
Böhm, R., Auer, I., Brunetti, M., Maugeri, M., Nanni, T., Schöner W., 2001: Regional
Temperature Variability in the European Alps 1760-1998 from homogenised instrumental time series.
Int. J. Climatol., 21, 1779-1801
Štepánek, P. (2005): AnClim - software for time series analysis. Dept. of Geography, Fac. of
Natural Sciences, MU, Brno. (http://www.sci.muni.cz/~pest/software.html)
A9
LA RICOSTRUZIONE DEI DEFLUSSI ATTRAVERSO IL
BILANCIO
IDRICO
DEGLI
INVASI:
RISULTATI
OTTENUTI PER I LAGHI DELLA SARDEGNA
A. ABIS, G. M. SECHI
CRIFOR – Università di Cagliari
R. SILVANO
EAF – Ente Autonomo del Flumendosa – Regione Sardegna
Abstract: L’acquisizione dei dati idrometrici per la definizione dei deflussi nei corsi
d’acqua è stato negli ultimi decenni, salvo rare eccezioni, trascurata dai Servizi
Idrografici. Il bilancio idrico degli invasi artificiali è di seguito esaminato con la
finalità della ricostruzione del deflusso in ingresso al lago. Questa procedura per la
ricostruzione dei deflussi è di norma caratterizzata da un maggiore livello di incertezza
e da difficoltà di carattere generale, rispetto agli usuali metodi di stima dei deflussi.
Nell’articolo si fornisce un inquadramento generale del problema per la definizione
delle grandezze la cui conoscenza è necessaria per il bilancio idrico in un invaso
artificiale che sia gestito ai fini della utilizzazione della risorsa idrica. Si documentano,
inoltre, le attività sviluppate dal CRIFOR-UNICA sia nel Progetto SEDEMED II, sia
per la redazione del Piano Stralcio di Bacino Regionale per definire il bilancio dei laghi
artificiali in Sardegna.
Key words: Bilancio idrico degli invasi; deflussi superficiali; serbatoi artificiali.
A9.1
INTRODUZIONE
E’ ben noto che in Italia questi ultimi anni i Servizi Idrografici regionali hanno
sviluppato maggiormente le attività conoscitive relative al settore pluviometrico
(che hanno consentito di analizzare i fenomeni siccitosi in relazione alla
definizione di indici di siccità meteorologica) mentre il settore di acquisizione dei
dati relativi all’idrometria per la definizione dei deflussi nei corsi d’acqua, salvo
alcune rare eccezioni, è stato molto trascurato. In specifico, relativamente alla
Servizio Idrografico della Regione Sardegna, non si è più proceduto alla regolare
osservazione dei livelli idrometrici delle stazioni di misura delle portate ed
all’aggiornamento delle relative scale delle portate. Pertanto l’unica possibilità per
avere a disposizione serie dei deflussi storici in queste ultime due decadi (peraltro
caratterizzate da eventi siccitosi particolarmente critici) è stato quello di stima dei
deflussi per via indiretta, valutando nei laghi artificiali l’input idrologico tramite la
236
A. Abis, G. M. Sechi, R. Silvano
costruzione del bilancio di invaso con passo mensile. Come si vedrà nel seguito,
considerate le incertezze intrinsecamente legate alla stima delle grandezze che
intervengono nel bilancio, la stima dei deflussi con passo temporale più stretto non
sembra infatti proponibile utilizzando questo approccio per la valutazione dei
deflussi.
Di seguito si fornirà un inquadramento generale del problema per la
definizione delle grandezze la cui conoscenza è necessaria per il bilancio idrico in
un invaso artificiale che sia gestito ai fini della utilizzazione della risorsa idrica.
Successivamente, si documenteranno le attività sviluppate dal CRIFOR-UNICA sia
nel Progetto SEDEMED II, sia per la redazione del Piano Stralcio di Bacino (RASSOGESID, 2005) per definire il bilancio dei laghi artificiali in Sardegna. Si
sintetizzeranno, quindi, i risultati delle attività di reperimento dei dati, conseguenti
alle fasi di ricognizione presso gli Enti gestori, e delle analisi per la validazione dei
dati. Infine, si fornirà un quadro sintetico dei risultati ottenuti e delle successive
elaborazioni sui bilanci che hanno consentito, purtroppo solo per un numero
limitato di invasi, la ricostruzione dei deflussi in ingresso.
A9.2
IL BILANCIO IDRICO DEGLI INVASI ARTIFICIALI
Il bilancio idrico degli invasi artificiali è di seguito esaminato con la finalità
della ricostruzione dell’input idrologico al lago. Questa procedura per la
ricostruzione dei deflussi è di norma caratterizzata da un maggiore livello di
incertezza e da difficoltà di carattere generale, rispetto agli usuali metodi di stima
dei deflussi. Mentre, infatti, per la stima diretta dei deflussi gli errori possono
riguardare essenzialmente due tipologie di variabili: l’altezza idrometrica e la scala
delle portate, nel bilancio idrico dell’invaso intervengono numerose grandezze
alcune delle quali sono difficilmente misurabili direttamente ed anche la loro stima
indiretta è operazione complessa e con elevato livello di incertezza. Inoltre,
difficoltà nella ricostruzione del bilancio provengono dalla non omogeneità e
sistematicità nelle procedure di acquisizione dei dati utilizzate dai diversi Enti
gestori e, in numerosi casi, dalla assoluta carenza nella raccolta di elementi
fondamentali per la corretta ricostruzione dei deflussi.
In termini generali, si vuole qui richiamare l’attenzione sulla necessità di
provvedere alla formulazione di procedure standard di acquisizione, e
archiviazione dei dati necessari per la ricostruzione dei bilanci e la necessità di un
controllo e verifica in tempi rapidi della correttezza delle informazioni avute dagli
Enti gestori in modo da poter procedere tempestivamente, quando necessario, al
richiamo di tali Enti agli obblighi di documentazione nella gestione delle opere di
regolazione deflussi. Sugli aspetti della necessità di documentazione si tornerà in
La ricostruzione dei deflussi attraverso il bilancio idrico degli invasi: risultati
ottenuti per i laghi della sardegna
237
modo specifico quando si esamineranno i bilanci degli invasi considerati al
paragrafo seguente.
Come è usuale, la ricostruzione del bilancio parte dalla conoscenza dei livelli
di invaso nei diversi periodi t ai quali, tramite la conoscenza della curva dei volumi
di invaso, è possibile associare il volume V(t) che si intende valutato all’inizio del
periodo. La procedura di stima dovrà considerare la possibilità che, oltre l’afflusso
naturale A(t) all’invaso nel periodo, possa arrivare al serbatoio il rilascio da altri
invasi o il trasferimento da opere di derivazione (traverse) su bacini di gronda, che
saranno complessivamente indicati con T(t). Si dovrà inoltre considerare l’afflusso
meteorico diretto nell’invaso M(t). Nel bilancio dovranno essere considerate le
perdite per evaporazione dallo specchio liquido dell’invaso, indicate con E(t), per
filtrazione attraverso il corpo dello sbarramento e raccolte dai dreni, che
complessivamente indichiamo con P(t). E’ opportuno, inoltre, considerare un
ulteriore elemento di perdita che avviene per infiltrazione nel sito di invaso,
indicato con F(t). I prelievi tramite le opere di presa destinate alle utenze,
considerate nel loro complesso, sono indicate con U(t). I volumi rilasciati a valle
dagli organi di scarico sono indicati con R(t). Infine con S(t) sono indicati gli sfiori
dalla diga determinati dal superamento del massimo invaso utile di regolazione.
Dall’equazione
complessivo:
di
continuità
all’invaso
si
ricava
l’input
idrologico
A(t ) = V (t ) − V (t − 1) − T (t ) − M (t ) + R(t ) + U (t ) + E (t ) + P(t ) + S (t ) + F (t )
t = 1, ..., T
La valutazione dei V(t) richiede la conoscenza dei livelli idrici di invaso e della
curva dei volumi di invaso. Il primo dato, così come per i livelli idrici delle acque
fluenti, è in genere fornito con lettura diretta da idrometro e con apparecchiature
idrometrografiche. La conversione altezze-volumi risente, ovviamente, della
incertezza di stima della curva dei volumi di invaso, normalmente valutata sulla
base di misure topografiche precedenti l’invaso, e dall’incremento del possibile
errore che, a parità di ΔH nei livelli idrometrici, si può verificare nella stima dei
volumi invasati, ricavati dalla curva.
La valutazione di T(t) risulta spesso difficile e, in alcuni casi ottenibile solo per
via indiretta. Questo accade, ad esempio, quando all’invaso sono collegati, tramite
opere di derivazione, traverse su bacini di gronda che non siano opportunamente
monitorate. Quando i trasferimenti T(t) avvengono tra sbarramenti nei quali sono
misurati i prelievi ed i deflussi vallivi, è frequentemente opportuno realizzare il
bilancio del sistema multi-serbatoio nel suo complesso, valutando quindi l’input
idrologico all’insieme degli invasi (si veda di seguito l’esempio dei laghi del
Flumendosa).
La valutazione di M(t) può essere realizzata con gli usuali pluviometri, essendo
238
A. Abis, G. M. Sechi, R. Silvano
nota la superficie media del lago ottenibile utilizzando la curva della superficie
dello specchio liquido associata alla quota di invaso.
La valutazione della E(t) viene effettuata normalmente sulla base della
conoscenza della superficie media di invaso nel periodo e dalla attribuzione al
periodo in esame di un altezza di evaporazione da specchio liquido e(t). Questa
grandezza può essere valutata attraverso misure evaporimetriche dirette o stimata
sulla base delle usuali equazioni che utilizzano le grandezze climatiche
(temperatura, ventosità, ecc.) misurate nel periodo ovvero, quando risultano
mancanti anche tali osservazioni, sulla base delle caratteristiche medie climatiche
della zona. La stima della P(t) deriva dalle misure dei deflussi nei dreni delle opere
di sbarramento mentre la stima della F(t) può essere fatta solo su base indiretta,
eventualmente utilizzando i dati relativi a periodi, anche di lunghezza ridotta
rispetto al mese, nei quali le altre grandezze di bilancio possano risultare definite.
La valutazione delle U(t) è, in genere, resa possibile dalle misure effettuate sugli
organi di derivazione della risorsa idrica. Più complessa risulta, invece la stima dei
valori di deflusso rilasciati a valle attraverso gli organi di scarico R(t) e di sfioro
S(T) per i quali è necessario conoscere, oltre alle misure di apertura delle luci e di
battente, le curve di taratura.
L’applicazione della equazione di bilancio per la ricostruzione dei deflussi
deve essere realizzata considerando intervalli temporali sufficientemente estesi per
evitare che gli errori nella valutazione delle grandezze che compaiono in bilancio
producano stime non attendibili sui deflussi calcolati. D’altra parte, è inevitabile
che i diversi fenomeni che devono essere quantificati possano richiedere un
diverso passo temporale di integrazione, essenzialmente dipendente dalla tipo di
fenomeno e dalla metodologia di misura adottata. Pertanto, operazione usuale nel
sviluppare la pratica applicazione dell’equazione di bilancio ai casi reali, è quella
di predefinire il passo temporale di stima del deflusso e di calcolare i singoli
elementi che intervengono nell’equazione di bilancio con una specifica
integrazione per intervalli di tempo individuati con la finalità di ottimizzare la
stima dei singoli elementi. Tipicamente, ad esempio, i deflussi sono valutati con
scansione mensile mentre le perdite per evaporazione sono integrate sul mese ma
valutate con scansione giornaliera e i volumi scaricati considerando intervalli di
tempo ancora minori, che assicurino costanza di apertura e di carico idraulico.
Ovviamente in alcune situazioni, come ad esempio in occasione di importanti
eventi di piena che rendono trascurabili molte forme di perdita, la stima dell’input
idrologico al lago può essere realizzata anche per intervalli di tempo limitati, che
siano comunque compatibili con la propagazione della piena nell’invaso. Pur in
mancanza di specifiche analisi sul problema, si ritiene generalmente che, ai fini
della ricostruzione dei deflussi, non si debba scendere al di sotto del giorno mentre
la scansione temporale più frequente in questo tipo di ricostruzioni è quella
mensile.
La ricostruzione dei deflussi attraverso il bilancio idrico degli invasi: risultati
ottenuti per i laghi della sardegna
A9.3
RICOSTRUZIONE DEI DEFLUSSI AFFLUENTI
SERBATOI ARTIFICIALI IN SARDEGNA
239
NEI
Come anticipato nell’introduzione, nel paragrafo seguente sarà illustrata
l’attività di ricostruzione dei deflussi realizzata sugli invasi artificiali della regione
Sardegna. Per ciascun invaso si fornirà preliminarmente una sintesi dei dati grezzi
reperiti presso gli Enti gestori, alcune considerazioni sulla significatività e
possibilità di utilizzazione di tali dati, commenti sui risultati ottenuti, il grafico con
la serie ricostruita dei deflussi ed alcuni dati statistici di sintesi, valutati su base
pluriennale. La ricostruzione dei bilanci ha interessato gli undici anni idrologici
compresi tra il 1992 ed il 2003. La prima data è quella alla quale ha termine il database idrologico regionale (RAS, 1998). Conformemente con le finalità di
SEDEMED II e con le elaborazioni idrologiche contenute nel Piano d’Ambito
Regionale (RAS-2002) il periodo per il quale si sono successivamente svolte le
analisi di caratterizzazione delle serie idrologiche è stato esteso al 17-ennio 19862003, periodo nel quale sono avvenuti i recenti eventi siccitosi.
Con riferimento alle attività di reperimento dei dati, si osserva che in alcuni
casi sono addirittura mancanti, nella documentazione fornita al CRIFOR-UNICA le
necessarie informazioni sugli elementi caratteristici descrittivi dell’invaso
(tipologia di sbarramento, curva d’invaso, curva delle superfici dello specchio
liquido, caratteristiche organi di scarico, caratteristiche organi di sfioro, ecc) e sono
rare le trascrizioni su supporto informatico dei dati, ancorché gli stessi siano
presenti nei registri degli Enti gestori degli invasi.
Sulla base di indagini preliminari che hanno riguardato, essenzialmente, la
possibilità di acquisizione delle informazione di base e la disponibilità degli Enti
gestori a fornire le informazioni richieste, si è potuto operare con riferimento
seguenti invasi, la cui numerazione e coerente con l’ubicazione riportata nella
Figura 1:
1 - Coghinas a Muzzone
5 - Bidighinzu a Monte Ozzastru
7 - Mannu di Pattada a Monte Lerno
8 - Liscia a Punta Calamaiu
13 - Govossai
14 - Sos Canales
17 - Olai
19 – Torrei
21 - Mannu di Narcao a Bau Pressiu
22 – 25- 26 - Flumendosa Alto e Medio + Mulargia (senza i trasferimenti dal
Flumineddu)
23 - Cixerri a Gennai is Abis
240
A. Abis, G. M. Sechi, R. Silvano
24 - Is Barrocus
28 - Leni a Monte Arbus
31 - Corongiu III
E’ subito da notare che, rispetto ai 31 invasi che compaiono nella Figura 1,
nell’elenco precedente mancano laghi importanti, come il recente invaso del Tirso
a Cantoniera. Informazioni che giustificano il numero limitato degli invasi
considerati nelle ricostruzioni, a confronto del numero più che doppio presente
nella Figura 1, sono forniti nella relazione di commento alle operazioni di
ricognizione dei dati (RAS-SOGESID, 2005),
Le motivazioni di tale fatto è principalmente da mettere in relazione con la
mancanza di una adeguata documentazione che, almeno sulla base delle risultanze
delle indagini realizzate per il citato Sudio, non sono risultate disponibile per
documentare adeguatamente la gestione degli invasi. Per approfondimenti su tali
aspetti si rimanda alle relazioni in (RAS-SOGESID, 2005) descrittive delle
operazioni di raccolta dati e di ricostruzione dei bilanci. Le operazioni di
ricostruzione dei deflussi è realizzata alle sezioni di interesse che generalmente
coincidono con la chiusura di singoli invasi o, in caso di trasferimenti importanti
tra gli invasi, con l’aggregazione di essi (caso dei laghi del sistema FlumendosaMulargia).
La sistematica carenza di alcune informazioni che sarebbero necessarie per la
definizione del bilancio ha reso necessarie, in alcune occasioni, importanti
semplificazioni nelle procedure di ricostruzione dei deflussi.
In particolare si è accettata la possibilità di ricostruzione delle perdite per
evaporazione sulla base di valori medi mensili, sono state trascurate le perdite per
infiltrazione dal sito di invaso, per alcuni invasi si è operata una ricostruzione dei
volumi prelevati per via indiretta. In alcuni casi, per invasi particolarmente
significativi, si sono dovute attivare procedure di ricostruzione specifiche di dati
mancanti o inaffidabili.
A titolo di esempio, in Appendice si riportano le procedure di stima messe in
atto per l’invaso del Coghinas.
La ricostruzione dei deflussi attraverso il bilancio idrico degli invasi: risultati
ottenuti per i laghi della sardegna
Figura 1: Ubicazione e codici degli invasi
241
242
A. Abis, G. M. Sechi, R. Silvano
In termini sintetici, la Tabella A9.1 riporta la consistenza dei dati disponibili
per gli invasi considerati nelle indagini.
X
X
X
X
Mannu di Pattada a
Monte Lerno
X
X
X
Liscia a Punta
Calamaiu
X
X
X
X
Govossai
X
X
X
Sos Canales
X
X
X
Olai
X
X
X
Torrei
X
X
X
Mannu di Narcao a
Bau Pressiu
X
Flumendosa e
Mulargia
X
X
Cixerri a Gennai s
Abis
X
Is Barrocus
X
Leni a Monte
Arbus
X
Bidighinzu a Monte
Ozzastru
Corongiu III
X
Sfiori
X
X
Scarichi
Erogaz. verso utenze
X
Coghinas a
Muzzone
Evapor.
Volumi di invaso
X
Curva volum invaso
X
Denominazione
invaso
Quote di invaso
Curva superf liquida
Tabella A9.1: Sintesi dei dati disponibili per gli invasi
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Sulla base dell’informazione disponibile e delle prime verifiche sulla congruità
dei risultati ottenuti, la ricostruzione dei deflussi è stata considerata accettabile, ai
fini delle successive elaborazioni, nei seguenti sette invasi:
La ricostruzione dei deflussi attraverso il bilancio idrico degli invasi: risultati
ottenuti per i laghi della sardegna
−
−
−
−
−
−
−
243
Mannu di Narcao a Bau Pressiu
Bidighinzu a Monte Ozzastru
Coghinas a Muzzone
Flumendosa Alto e Medio + Mulargia (senza i trasferimenti dal
Flumineddu)
Leni a Monte Arbus
Liscia a Punta Calamaiu
Mannu di Pattada a Monte Lerno
A partire dal bilancio operato sui sette invasi sopra elencati e dai dati storici
osservati è stato possibile realizzare una analisi che ha avuto come obiettivo quello
della caratterizzazione statistica dei deflussi nel diciassettennio 86-03 nel quale
sono avvenute importanti crisi idriche con pesanti restrizioni verso le utenze. A tal
fine è stato considerato il data-base del 53-ennio 22-75 (RAS, 1987) nel quale la
valutazione dei deflussi su scala regionale era stata effettuata a partire dai bilanci
idrologici ricostruiti su 30 bacini idrografici corrispondenti alle stazioni di misura
di portata del Servizio Idrografiche che hanno funzionato a partire dal 1922. E’
stato quindi considerato l’undicennio 92-03 (dati di bilancio invasi) ed il
diciassettennio 86-03 ottenuto integrando i dati di bilancio con i dati
dell’integrazione al 1992 del data-base idrologico regionale (SISS, 1997).
Quest’ultimo diciassettennio rappresenta certamente il periodo di indagine più
significativo per caratterizzare la criticità dei deflussi osservati a partire dalla crisi
idrica di fine anni ottanta.
Una verifica preliminare ha riguardato il controllo del coefficiente di deflusso
conseguente alla stima dei deflussi da bilancio. In (RAS-SOGESID, 2005),
inserendo in un diagramma i valori di afflusso ragguagliato ai bacini sottesi e di
deflusso annuo nelle sezioni osservate, si è ricostruito l’andamento del coefficiente
di deflusso annuo. Tale diagramma consente di valutare gli effetti della riduzione
delle piogge e di quantificare quanto tale riduzione incide sulle risorse superficiali
potenzialmente utilizzabili (deflussi superficiali).
Tale legame può essere interpretato da una funzione del tipo:
Dm1/3= c1 + c2 Log(Am)
Il diagramma è riportato nella Figura 2, nella quale sono riportate le curve
ottenute sui dati (SISS, 1997), relativi a tutti i bacini osservati nel periodo 19221992 in Sardegna. Tale curva fornisce le caratteristiche medie che nell’isola
caratterizza il processo di trasformazione afflussi-deflussi. Sullo stesso diagramma
sono state poi riportate le curve relative ai bacini idrografici del Coghinas, del
Tirso e del Flumendosa, unitamente a quella del fiume Bradano (Basilicata),
riportata solo al fine di osservare la similitudine idrologica di tali relazioni
nell’ambito dei bacini idrografici dell’Italia meridionale con clima semiarido
244
A. Abis, G. M. Sechi, R. Silvano
mediterraneo.
TRASFORMAZIONE AFFLUSSI-DEFLUSSI
800
Sardegna
750
Coghinas
700
Tirso
650
Flume ndosa
600
Bradano (Basilicata)
Altezze di deflusso medio annuo (mm)
550
Aff-Def me dio in Sarde gna 1922-1975
500
Aff-Def me dio in Sarde gna attuale
450
Aff-Def me di ai bacini: 1922-1975
400
Aff-Def me di ai bacini: 1922-1992
350
300
250
200
150
100
50
0
300
350
400
450
500
550
600
650
700
750
800
850
900
950
1000
1050
1100
1150
Altezze di afflusso medio annuo (mm)
Figura A9.2: Relazione tra afflussi e deflussi nei diversi bacini (estratto da RAS – 2005)
I parametri dell’equazione precedente sono riportati di seguito:
Tabella A9.2 - parametri della relazione tra afflussi e deflussi
Zona idrografica
Sardegna
Coghinas
Tirso
Flumendosa
Bradano (Basilicata)
c1
-40.536
-40.536
-40.536
-40.536
-28.200
c2
16.215
16.285
16.117
16.349
11.980
L’esame dei grafici riportati in Figura A9.2 evidenziano l’andamento non
1200
La ricostruzione dei deflussi attraverso il bilancio idrico degli invasi: risultati
ottenuti per i laghi della sardegna
245
lineare della trasformazione afflussi-deflussi stimata su base annua, in particolare
al ridursi del valore di deflusso, e l’esistenza di un valore minimo di afflusso
meteorico al di sotto del quale, sulla base delle relazioni proposte, non verrebbe
prodotto deflusso superficiale. In Figura è inoltre evidenziato come la contrazione
delle precipitazioni annue del 18% tra i due periodi esaminati abbia comportato una
riduzione dei deflussi di oltre il 50%. Nelle analisi per la validazione dei deflussi
ottenuti dalle procedure di bilancio ai laghi si sono verificate le congruità di queste
contrazioni percentuali dei deflussi, riportate in Figura 2 per i bacini principali,
anche sugli altri bacini sottesi dalle sezioni di sbarramento. In particolare, per
impostare la successiva procedura di generazione dei deflussi adottata in (RAS,
2005) è stata verificato se l’andamento del valore percentuale di riduzione dei
deflussi tra il 53-ennio 22-75 e ed il diciassettennio 86-03 si è mantenuto sempre
prossimo al 50% per tutti i bacini.
Di seguito si forniscono alcuni risultati sintetici e commenti sulla attendibilità
dei valori ricostruiti.
246
A. Abis, G. M. Sechi, R. Silvano
A9.4
SINTESI DEI RISULTATI OTTENUTI
Coghinas a Muzzone
Il deflusso medio, che nel 53-ennio idrologico 22-75 era stato di 450.6
Mm3/anno si riduce a 235.6 Mm3/anno nel 17-ennio 86-03 con un rapporto di
riduzione pari a 0.52. Tra i due periodi storici il coefficiente di variazione si innalza
da 0.380 a 0.461. L’andamento dei deflussi nell’intero periodo 22-03 è dato nella
figura seguente, nella quale è evidenziato l’ultimo periodo ricostruito col bilancio
al lago.
Mmc
Deflussi storici annui alla sezione di Coghinas Muzzone
875
850
825
800
775
750
725
700
675
650
625
600
575
550
525
500
475
450
425
400
375
350
325
300
275
250
225
200
175
150
125
100
75
50
25
0
22
24
26
28
30
32
34
36
38
40
42
44
46
48
50
52
54
56
58
60
62
64
66
68
70
72
74
76
78
80
82
84
86
88
90
92
94
96
98
00
02
Figura A9.3 – risultati ottenuti a Coghinas a Muzzone
Flumendosa alto e medio + Mulargia
Il bilancio è chiuso subito a valle della sezione di immissione del Mulargia nel
Flumendosa e pertanto vengono computati i deflussi dell’intero bacino totale del
Flumendosa (invasi dell’Alto e Medio Flumendosa) e gli apporti del Mulargia.
Sono invece sottratti dal computo i trasferimenti in galleria dal l’invaso del
247
La ricostruzione dei deflussi attraverso il bilancio idrico degli invasi: risultati
ottenuti per i laghi della sardegna
Flumineddu al lago di Nuraghe Arrubiu e sono stati debitamente tenuti in conto i
volumi turbinati dall’Alto Flumendosa per la produzione di energia elettrica.
Nella figura è riportato l’andamento dei deflussi per l’intero periodo storico
1922-03 evidenziando l’ultimo periodo valutato sulla base del bilancio ai laghi. Il
deflusso medio annuo del periodo 22-75 è per l’insieme dei bacini dominati da
questo sistema pari a 423.8 Mm3. Nel diciassettenio 86-03 il deflusso medio scende
a 209.11 Mm3 con un coefficiente di riduzione Rm = 0.49. Il valore di CV sale da
0.332 a 0.557.
Deflussi storici annui FLUMENDOSA Alto e Medio + Mulargia
(senza trasferimenti dal Flumineddu)
Mmc
775
750
725
700
675
650
625
600
575
550
525
500
475
450
425
400
375
350
325
300
275
250
225
200
175
150
125
100
75
50
25
0
22
24
26
28
30
32
34
36
38
40
42
44
46
48
50
52
54
56
58
60
62
64
66
68
70
72
74
76
78
80
82
84
86
88
90
92
94
96
98
00
02
Figura A9.4 – risultati ottenuti a Flumendosa alto e medio e Mulargia
Monte Lerno
Per questo invaso si passa da un deflusso medio annuo pari a 64 Mm3 nel 53ennio a 28.25 Mm3 nel 17-ennio con una riduzione Rm = 0.44. Il valore di CV sale
da 0.390 a 0.583.
248
A. Abis, G. M. Sechi, R. Silvano
Deflussi storici annui alla sezione di Monte Lerno
130
125
120
115
110
105
100
95
90
85
80
75
Mmc
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0
22
24
26
28
30
32
34
36
38
40
42
44
46
48
50
52
54
56
58
60
62
64
66
68
70
72
74
76
78
80
82
84
86
88
90
92
94
96
98
00
02
Figura A9.5 – risultati ottenuti a Monte Lerno
Leni
Il valore di deflusso medio annuo si riduce da 37.1 a 16.54 passando dal 53ennio al 17-ennio più recente. Sulla base dei deflussi calcolati risulta quindi Rm =
0.45.Il CV si innalza da 0.338 a 0.503 .
Deflussi storici annui alla sezione del LENI a Monte Arbus
75
70
65
60
55
50
Mmc
45
40
35
30
25
20
15
10
5
0
22
24
26
28
30
32
34
36
38
40
42
44
46
48
50
52
54
56
58
60
62
64
66
68
70
Figura A9.6 – risultati ottenuti a Coghinas a Leni
72
74
76
78
80
82
84
86
88
90
92
94
96
98
00
02
249
La ricostruzione dei deflussi attraverso il bilancio idrico degli invasi: risultati
ottenuti per i laghi della sardegna
Bau Pressiu
Per questa sezione nella serie storica 1922-75 era stato valutato un deflusso
medio annuo pari a 6.6 Mm3/anno. Nel 17-ennio 86-03 i dati di bilancio forniscono
una stima del deflusso medio annuo pari a 4.35 Mm3/anno da cui consegue un
valore di Rm = 0.66. Sulla base di quanto si è evidenziato nell’analisi dei dati
considerati per realizzare i bilanci, è probabile che nella stima dei deflussi in
ingresso all’invaso siano introdotti errori sistematici che tendono a sovrastimare
tali deflussi.
Deflussi storici annui alla sezione di BAU PRESSIU
18
17
16
15
14
13
12
11
Mmc
10
9
8
7
6
5
4
3
2
1
0
22
24
26
28
30
32
34
36
38
40
42
44
46
48
50
52
54
56
58
60
62
64
66
68
70
72
74
76
78
80
82
84
86
88
90
92
94
96
98
00
02
Figura A9.7 – risultati ottenuti a Bau Pressiu
Bidighinzu
Anche per questo lago i risultati che si ottengono risultano condizionati da una
probabile sovrastima dei deflussi conseguente alla scarsa affidabilità dei dati di
bilancio. Risulta, infatti, per il 53-ennio un deflusso medio annuo pari a 10.2
Mm3/anno mentre per il 17-ennio più recenti si ottiene una stima di deflusso medio
pari a 8.23 Mm3/anno, da cui consegue Rm = 0.81.
250
A. Abis, G. M. Sechi, R. Silvano
Deflussi storici annui alla sezione del BIDIGHINZU
29
28
27
26
25
24
23
22
21
20
19
18
17
Mmc
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
22
24
26
28
30
32
34
36
38
40
42
44
46
48
50
52
54
56
58
60
62
64
66
68
70
72
74
76
78
80
82
84
86
88
90
92
94
96
98
00
02
Figura A9.8 – Risultati ottenuti a Bidighinzu
Liscia a Punta Calamaiu
I deflussi medi annui nel 53-ennio erano stati pari a 104.3 Mm3/ anno ed il CV
valutato per tale periodo risulta CV = 0.452. Nel 17-ennio 86-03 il deflusso medio
si riduce a 52.73 Mm3/ anno; a ciò consegue Rm = 0.52. Per questo invaso risulta
anomalo il valore dello scarto ricavato dai bilanci: su base annua esso risulta
decisamente modesto e porta ad un valore del CV che si riduce rispetto a quello del
53-ennio assumendo il valore CV=0.394. Questo fatto è probabilmente da imputare
ad una palese sovrastima dei deflussi nei periodi più critici, presumibilmente
determinata da una attribuzione di valori di erogazione superiori a quelli reali.
La ricostruzione dei deflussi attraverso il bilancio idrico degli invasi: risultati
ottenuti per i laghi della sardegna
251
Deflussi storici annui alla sezione di Liscia a P.Calamaiu
260
250
240
230
220
210
200
190
180
170
160
150
Mmc
140
130
120
110
100
90
80
70
60
50
40
30
20
10
0
22
24
26
28
30
32
34
36
38
40
42
44
46
48
50
52
54
56
58
60
62
64
66
68
70
72
74
76
78
80
82
84
86
88
90
92
94
96
98
00
02
Figura A9.9 – risultati ottenuti a Punta Calamaiu
BIBLIOGRAFIA
Mosley M.P. and McKerchar A.I., Streamflow. In D.R. Maidment (ed.) Handbook of
Hydrology, Chapter 8. McGraw-Hill, 1993.
RAS (2005) Piano Stralcio di Bacino della Regione Sardegna per l’Utilizzo delle
Risorse Idriche. Autonomous Region of Sardinia, Convention RAS-UNICA-EAF.
SISS (1995) Studio dell’Idrologia Superficiale della Sardegna, Cassa per il
Mezzogiorno – Regione Autonoma della Sardegna – Ente Autonomo del Flumendosa,
Cagliari.