THE DATA SET CNR

[Alessandro 81]

Contesto e Origine dei Dati​

Il data set menzionato è stato creato per produrre bollettini climatici. I dati provengono principalmente da due fonti:

1. Osservatori Meteorologici Storici Italiani: Questi osservatori hanno raccolto dati climatici per molti anni. Tuttavia, molti di questi osservatori sono ora chiusi o hanno difficoltà a fornire dati in modo automatico e tempestivo.
2. Global Surface Summary of Day (GSOD): Questo è un sistema più moderno che raccoglie dati meteorologici da varie stazioni, inclusi dati dell’Aeronautica Militare italiana e dell’ENAV (Ente Nazionale Assistenza al Volo).

Fusione e Aggiornamento dei Dati​

Per mantenere il data set aggiornato e rilevante, i registri degli osservatori storici sono stati, quando possibile, fusi con i dati provenienti dalla rete moderna dell’Aeronautica Militare. Questo permette di aggiornare il data set quasi in tempo reale attraverso la rete GSOD, gestita dal National Climatic Data Center (NCDC) della NOAA (National Oceanic and Atmospheric Administration) degli Stati Uniti.

Omogeneizzazione dei Dati​

Un passaggio cruciale nella gestione di questo data set è stata l’omogeneizzazione dei dati. Questo processo serve a rendere i dati coerenti e comparabili nel tempo, eliminando o correggendo le variazioni che non sono attribuibili a cambiamenti climatici, ma piuttosto a fattori come:

• Cambiamenti negli strumenti di misurazione.
• Spostamento delle stazioni o degli strumenti.
• Modifiche nelle procedure di osservazione.

Questa omogeneizzazione è necessaria per assicurare che le serie temporali riflettano il più fedelmente possibile il vero segnale climatico, eliminando distorsioni dovute a fattori non climatici.

Presentazione dei Dati​

Nelle visualizzazioni di questi dati, vengono utilizzati simboli diversi per distinguere tra le stazioni che sono aggiornate in modo quasi in tempo reale e quelle che non lo sono. Questo aiuta a capire quali dati sono più recenti e potenzialmente più affidabili.

Riferimenti​

• Brunetti et al. (2006) e Venema et al. (2012) sono citati come fonti importanti per approfondire rispettivamente l’omogeneizzazione dei dati e le prestazioni delle tecniche di omogeneizzazione utilizzate.

 

[Alessandro 81]

Mappa delle Temperature (prima immagine)​

Questa mappa mostra la distribuzione geografica delle stazioni meteorologiche in Italia che raccolgono dati sulla temperatura. Ogni punto sulla mappa rappresenta la posizione di una stazione meteorologica.

• Punti Rossi: Rappresentano stazioni che forniscono aggiornamenti in tempo quasi reale. Questo indica che i dati della temperatura da queste stazioni sono recenti e probabilmente automatizzati, permettendo un monitoraggio costante delle condizioni climatiche attuali.
• Punti Blu: Rappresentano stazioni le cui informazioni non sono aggiornate. Questo potrebbe indicare che i dati sono raccolti manualmente o che le stazioni non sono più operative. Le informazioni provenienti da queste stazioni potrebbero non riflettere le condizioni attuali del clima.

Le linee e i quadrati delineati sulla mappa possono rappresentare aree specifiche o regioni di interesse per analisi climatiche più dettagliate, o potrebbero indicare le divisioni amministrative per le quali i dati sono aggregati.

Mappa delle Precipitazioni (seconda immagine)​

Questa mappa è simile alla prima, ma si concentra sulle stazioni che raccolgono dati sulle precipitazioni (come pioggia o neve).

• Punti Rossi: Indicano stazioni che hanno fornito dati recenti sulle precipitazioni. Questi dati sono importanti per il monitoraggio delle condizioni meteorologiche attuali, per la gestione delle risorse idriche e per l’agricoltura.
• Punti Blu: Rappresentano stazioni con dati non aggiornati sulle precipitazioni. Anche in questo caso, le informazioni potrebbero essere obsolete o meno affidabili per le previsioni e le analisi attuali.

Contesto Generale​

Entrambe le mappe sono strumenti essenziali per i climatologi e i meteorologi. I dati raccolti da queste stazioni contribuiscono a una vasta gamma di applicazioni, come la modellazione climatica, le previsioni meteorologiche, la pianificazione agricola e la gestione dei disastri naturali.

La frequenza e la regolarità degli aggiornamenti sono cruciali per mantenere l’accuratezza delle previsioni meteorologiche e per studiare i cambiamenti climatici. Le mappe forniscono una visione istantanea della rete di monitoraggio climatico dell’Italia, mostrando quali stazioni sono attualmente attive e partecipano al processo di raccolta dati in tempo quasi reale.

 

[Alessandro 81]

Gestione e Analisi di Dati Climatici in Stazioni Meteorologiche a Diverse Altitudini

Quando si analizzano i dati climatici, specialmente quelli provenienti da stazioni meteorologiche situate a diverse altitudini, è fondamentale considerare come questi dati possano variare significativamente a causa delle loro posizioni geografiche. Le stazioni più elevate tendono a registrare temperature più basse e modelli di precipitazioni diversi rispetto a quelle situate al livello del mare. Queste variazioni influenzano l’analisi dei dati climatici in due modi principali:

1. Variazioni dovute all’Elevazione: Le stazioni situate a diverse altitudini mostrano naturalmente differenti valori di temperatura e precipitazioni. Questo aspetto è particolarmente rilevante in zone dove la variazione altimetrica è notevole.
2. Bias dovuto alla Diversa Durata delle Serie Storiche: Le serie storiche di dati provenienti da diverse stazioni possono avere lunghezze diverse. Se mancano dati da una stazione, per esempio, quella situata in un’area più fredda, la media calcolata sarà più alta di quanto dovrebbe essere in realtà, introducendo un bias positivo. Analogamente, l’assenza di dati da una stazione in una zona più calda introdurrebbe un bias negativo.

Per mitigare questi problemi, gli scienziati impiegano il concetto di “anomalie” nella loro analisi:

• Anomalie di Temperatura: Le anomalie di temperatura vengono calcolate come deviazioni rispetto a una media stabilita. Ciò permette di normalizzare i dati per le variazioni dovute all’elevazione e ad altre variabili locali.
• Anomalie di Precipitazioni: Per le precipitazioni, invece di utilizzare una semplice deviazione dalla media, si utilizza un rapporto che meglio riflette le variazioni nelle precipitazioni.

La scelta del periodo di riferimento è cruciale. Nel nostro caso, si è optato per il periodo 1991-2020, che offre la migliore copertura dei dati. Tuttavia, poiché molte stazioni non hanno registrazioni complete per questo periodo, si ricorre a tecniche di “gap-filling”. Queste tecniche stanno ad indicare metodi per stimare i valori mancanti utilizzando dati provenienti da stazioni vicine.

Infine, i dati delle anomalie vengono interpolati su una griglia regolare. Questo passaggio consente di creare una rappresentazione uniforme e coerente dei dati climatici, facilitando l’analisi delle tendenze e dei cambiamenti climatici su una scala più ampia.

 

[Alessandro 81]

LE SERIE MEDIE NAZIONALI

Le serie medie nazionali sono state ottenute facendo la media di tutte le griglie sopra il territorio italiano e non delle anomalie delle stazioni. Il motivo è il seguente: La disponibilità di dati di stazione è tipicamente non sufficiente a garantire una distribuzione uniforme delle stazioni attraverso una rete. Ma facendo la media dei dati delle stazioni con griglie regionali (scatole di griglia) e poi calcolando la media di tutte le medie delle griglie, si può calcolare una media più rappresentativa dell’intera regione. Ciò rende la media delle griglie box un superiore approccio per stimare l’area rispetto alla media di tutte le stazioni nella regione. Una rete di 1000 stazioni potrebbe teoricamente avere 700 stazioni nella metà settentrionale del dominio e 300 stazioni nella metà meridionale. Una semplice media delle stazioni potrebbe facilmente introdurre un bias nella media dell’area a favore di quelle stazioni nel nord.

RIFERIMENTI M. Brunetti, M. Maugeri, F. Monti, T. Nanni; 2006. Variabilità di temperatura e precipitazioni in Italia negli ultimi due secoli da serie strumentali omogeneizzate. International Journal of Climatology, 26, 345-381. Venema V. K. C., O. Mestre, E. Aguilar, I. Auer, J. A. Guijarro, P. Domonkos, G. Vertachnik, T. Szentimrey, P. Stepanek, P. Zahradnicek, J. Viarre, G. Müller-Westermeier, M. Lakatos, C. N. Williams, M. J. Menne, R. Lindau, D. Rasol, E. Rustemeier, K. Kolokythas, T. Marinova, L. Andresen, F. Acquaotta, S. Fratianni, S. Cheval, M. Klancar, M. Brunetti, C. Gruber, M. Prohom Duran, T. Likso, P. Esteban, e T. Brandsma; 2012. Confronto degli algoritmi di omogeneizzazione per dati mensili. Climate of the Past, 8, 89-115, doi:10.5194/cp-8-89-2012.

https://www.isac.cnr.it/climstor/climate_news.html#top