I modelli idrologici rivestono un ruolo centrale nei sistemi di allerta per le alluvioni e nella gestione sostenibile delle risorse idriche, soprattutto nel contesto del cambiamento climatico. Per il loro funzionamento operativo, questi modelli si basano su dati di precipitazione, sia osservati sia previsti, rendendo fondamentale una stima accurata delle piogge e della loro distribuzione spaziale. L’affidabilità delle simulazioni delle portate fluviali dipende infatti dalla precisione di questi dati, poiché l’incertezza nelle previsioni idrologiche è strettamente correlata a quella del campo di precipitazione. Questo legame è dovuto alla complessa relazione non lineare tra la variabilità spazio-temporale delle precipitazioni e il deflusso fluviale.
I pluviometri sono comunemente utilizzati come riferimento per stimare le precipitazioni areali (APE, Areal Precipitation Estimation). Tuttavia, la loro rappresentatività spaziale è spesso limitata dalla scarsa densità e dall’irregolare distribuzione delle reti, il che può generare errori significativi nella ricostruzione del campo di pioggia e compromettere l’affidabilità delle simulazioni idrologiche. Inoltre, le reti pluviometriche raramente rispettano gli standard minimi stabiliti dall’Organizzazione Meteorologica Mondiale (OMM), a causa di vincoli geomorfologici e climatici locali. In alternativa, le osservazioni satellitari offrono dati di precipitazione spazialmente distribuiti, migliorandone la copertura e la rappresentatività.
Per sfruttare al meglio queste informazioni, è necessario utilizzare processi di interpolazione e tecniche di integrazione che ottimizzino la rappresentazione spaziale delle precipitazioni. I dati satellitari forniscono una copertura globale e risultano particolarmente preziosi in aree con una scarsa disponibilità di misurazioni in situ, come le regioni montuose.
Tuttavia, anch’essi presentano limiti legati a incertezze su intensità, durata e scala degli eventi precipitativi. Nonostante queste limitazioni, la rappresentazione spaziale dei pattern pluviometrici da satellite rappresenta un’informazione preziosa per i modelli idrologici distribuiti. Questo studio mira a validare l’algoritmo Cellular Automata (CA) (Packard and Wolfram, 1985) per combinare dati pluviometrici e satellitari su bacini di scala medio-piccola e a valutare i benefici dell’integrazione delle diverse tipologie di dato per migliorare le simulazioni idrologiche. La validazione è indiretta in quanto è stato effettuato un confronto tra le portate simulate e quelle osservate per valutare l’efficacia dei dati di precipitazione integrati.
Lo studio ha analizzato l’impatto idrologico dell’utilizzo dei campi di precipitazione integrati della rete italiana di pluviometri e del prodotto satellitare IMERG del programma NASA GPM. L’algoritmo Cellular Automata è stato utilizzato per pre-processare i dati di input al fine di integrarli e ricostruire una versione migliorata del campo di precipitazione. L’approccio basato sugli automi cellulari (CA) è stato sperimentato sul bacino del fiume Tanaro, situato nell’Italia nord-occidentale, uno dei principali affluenti del fiume Po. Questo bacino si distingue per la sua estensione di 276 km in lunghezza e 8.324 km² di superficie, con una portata media di 123 m³/s. Storicamente, il Tanaro è stato soggetto a numerosi eventi di piena severi: dal 1801 al 2001 si sono registrate almeno 136 inondazioni significative. Questa variabilità nel valore di portata rende il bacino un’area ideale di studio per testare l’approccio proposto. Il metodo è stato applicato a tre differenti casi studio relativi ad eventi alluvionali avvenuti tra novembre e dicembre 2014.
Caratteristiche dei dati utilizzati
Il dato pluviometrico è generalmente associato a un’area di influenza attribuita alla rete di pluviometri. In particolare, ogni pluviometro viene considerato al centro di un’area di influenza circolare di raggio R (raggio di influenza). Secondo Shi et al. (2020), il valore di R può essere calcolato tenendo conto anche della distanza media tra le stazioni pluviometriche e viene espresso dalla seguente relazione:
R= √(S/N) (1)
dove S è la superficie del bacino considerato, mentre N è il numero di pluviometri che ricadono nel bacino. Una copertura adeguata della rete pluviometrica richiede che il raggio medio R sia almeno comparabile con la variabilità spaziale delle precipitazioni. Nel caso del bacino del fiume Tanaro, con una superficie S nota e 73 pluviometri, N, la distanza media tra le stazioni è di circa 11 km, sebbene la distribuzione delle stazioni non sia uniforme. Per migliorare l’analisi, nelle simulazioni idrologiche, sono stati selezionati diversi valori di R. La figura 1 ci offre una visualizzazione chiara di come la rete pluviometrica copre il bacino del Tanaro quando si considera un raggio di influenza di 5 km.
Il prodotto di precipitazione satellitare utilizzato in questo studio è il Global Precipitation Measurement (GPM) Integrated Multi-satellitE Retrievals for GPM (IMERG). I dati forniscono stime di precipitazione quasi globali (60°N–60°S) combinando misurazioni da radiometri a microonde passivi (PMW) comprendenti la costellazione satellitare GPM Low Earth Orbit (LEO) e sensori geostazionari (GEO) a infrarossi (IR). Il prodotto IMERG è disponibile anche in una versione di ricerca post-real-time, denominata IMERG Final, che integra l’analisi mensile dei dati pluviometrici per migliorarne la precisione (Huffman et al., 2018; O et al., 2017). In questo studio sono state utilizzate stime di tasso di pioggia con risoluzione temporale di 30 minuti e spaziale di 0.1° x 0.1° (circa 10 km x 10 km), appartenenti alla versione 5 di IMERG Final. Sono stati impiegati sia i dati non calibrati (UNCAL) sia quelli calibrati (CAL), dove i dati pluviometrici mensili vengono integrati per correggere eventuali distorsioni, garantendo una rappresentazione più accurata delle precipitazioni.
I dati di portata osservati sono fondamentali per valutare l’output dei modelli idrologici in risposta a diversi scenari di precipitazione. Tuttavia, l’uso di modelli idrologici deterministici presenta alcune criticità, tra cui la necessità di disporre di serie temporali lunghe e complete, spesso non disponibili, soprattutto nei piccoli corsi d’acqua stagionali generalmente privi di strumentazione. La mancanza di dati sulla gestione artificiale delle acque rappresenta un’ulteriore sfida, rendendo difficile la validazione dei modelli nei bacini fortemente antropizzati. In questi casi, i modelli simulano la portata naturale del fiume senza tenere conto dell’influenza di strutture artificiali. Inoltre, le stime delle portate fluviali sono soggette a significative incertezze dovute a fattori come l’interpolazione ed estrapolazione delle curve di deflusso, condizioni di flusso instabile e variazioni stagionali della rugosità del letto del fiume (Di Baldassarre e Claps, 2011).
Per questo studio, sono state selezionate otto stazioni con lunghe serie temporali di dati di portata relative al 2014. Queste stazioni, distribuite strategicamente nel bacino del fiume Tanaro (figura 2, numeri blu), rappresentano i diversi sottobacini e forniscono una base solida per la validazione del modello. La metodologia adottata è illustrata nella figura 3 e si articola in tre attività principali: spazializzazione e assimilazione dei dati di precipitazione, fusione (merging) dei dati di precipitazione e simulazioni del modello idrologico e, infine, analisi e calcolo degli score per una valutazione oggettiva.
Gli scenari di pioggia
Diversi scenari di pioggia (tabella1) sono stati elaborati considerando sia i dati originali che quelli aggregati. Il modello idrologico è stato forzato con questi scenari per simulare le portate e valutarne gli impatti attraverso il calcolo degli scores. La tecnica proposta sfrutta i principi dell’assimilazione dei dati (Bouttier e Courtier, 1999), con particolare attenzione alla trasformazione dei dati puntuali in stime areali. I dati di precipitazione, sia satellitari sia pluviometrici, vengono riorganizzati su una griglia coerente con la risoluzione spaziale del modello idrologico. Ogni valore di precipitazione è associato a un punto di griglia (l, m) del dominio selezionato.
Per l’analisi sono stati sviluppati diversi scenari di pioggia, con i quali è stato forzato il modello idrologico CHyM, consentendo di simulare le portate fluviali e valutare l’efficacia di ciascuno scenario sulla base degli score calcolati.
Il setting dei dati di input tiene conto di diversi fattori:
- il tipo di fonti di dati: variazione nelle fonti di dati di input, come dati pluviometrici, dati satellitari o una combinazione di entrambi;
- il merging dei dati. Confronto tra i due approcci di merging differenti:
- NoModular, in cui i dati pluviometrici e satellitari vengono usati simultaneamente, dando priorità ai dati pluviometrici;
- Modular, che impiega una sequenza gerarchica di moduli per assimilare in modo indipendente diversi set di dati;
- il raggio di influenza, R: esplorazione di diversi valori per il raggio di influenza, che determina l’area di copertura dei dati pluviometrici prima di applicare la tecnica CA;
- tipo di dati satellitari: valutazione delle prestazioni del modello idrologico utilizzando dati pluviometrici satellitari sia non calibrati che calibrati.
Il modello utilizzato per le simulazioni è un modello fisico distribuito che ha dimostrato la sua versatilità in diversi ambiti, dagli studi climatologici (Coppola et al., 2014; Sangelantoni et al., 2019) ai sistemi operativi di allerta precoce (Tomassetti et al., 2005; Ferretti et al., 2019; Colaiuda et al., 2020; Lombardi et al., 2021).
Variando sistematicamente impostazioni chiave dei dati di input, sono state eseguite otto diverse simulazioni orarie per ciascun caso di studio, utilizzando le otto diverse impostazioni di input della pioggia (tabella 1). Le simulazioni UNCAL e CAL utilizzano solo dati satellitari (rispettivamente IMERG-F Uncalibrated e IMERG-F Calibrated), mentre la simulazione GAUGE utilizza i dati pluviometrici; la simulazione GAUGEUNCAL utilizza i dati combinati di pluviometro e satellite tramite l’approccio NoModular. MODGAUGEUNCAL1, MODGAUGEUNCAL3, MODGAUGEUNCAL5 sono le simulazioni in cui il modello idrologico è stato forzato utilizzando un approccio Modulare e diversi raggi di influenza relativi ai dati pluviometrici che uniscono dati pluviometrici e dati satellitari non calibrati (il numero alla fine del nome della simulazione è correlato al raggio di influenza del pluviometro: 1 km, 3 km e 5 km); mentre l’ultima simulazione idrologica, MODGAUGECAL5, viene eseguita nello stesso modo, ma utilizzando i dati satellitari calibrati. Si noti che nel caso dei dati satellitari, R è fissato a 10 km (la risoluzione dei prodotti IMERG). Nel caso del GAUGE, R è stato impostato a 30 km, come nell’impostazione operativa idrologica CETEMPS (Colaiuda et al., 2020), per avere una copertura di tutti i punti della griglia nel dominio considerato.
I casi studio
In questo studio, la simulazione idrologica va dal primo novembre 2014 al 31 dicembre 2014. Il periodo di simulazione è stato scelto per la frequente occorrenza di eventi piovosi che caratterizzano questa stagione, minimizzando l’influenza delle attività antropiche sulla dinamica fluviale. In questo modo, è possibile valutare in modo più accurato le prestazioni del modello in condizioni di piena.
Sono state analizzate tre serie temporali corrispondenti a diversi eventi alluvionali, al fine di investigare la risposta del modello a differenti intensità e durate delle precipitazioni.
La figura 4a mostra i grafici sinottici delle rianalisi ECMWF (ERA5) dell’altezza geopotenziale a 500 hPa e della pressione al livello del mare, relativi al primo caso di studio analizzato (12 novembre 2014 00UTC). Lo scenario europeo era caratterizzato principalmente dalla presenza di un’area di profonda depressione situata nel Nord Atlantico e da un persistente sistema di blocco di alta pressione sul settore continentale orientale. Una depressione associata alla depressione oceanica si stava lentamente spostando verso il Mediterraneo orientale ruotando il suo asse.
Questa configurazione ha causato condizioni di instabilità nel Nord Italia, con precipitazioni diffuse soprattutto nei settori nord-occidentali e precipitazioni cumulate fino a 250 mm in 120 ore (10 novembre 00UTC – 14 novembre 23UTC) nell’area di interesse (figura 4d). Lo scenario sinottico per il secondo caso di studio (16 novembre 2014 00UTC) è risultato da una lenta evoluzione di quello descritto sopra. Come mostrato nella figura 4b, la circolazione è stata rallentata da un sistema di alta pressione situato sull’Europa orientale, che si estendeva dall’Anatolia fino al Mare del Nord, bloccando lo spostamento della depressione oceanica verso est. Le precipitazioni più intense sono state registrate nei settori nordoccidentali italiani, con precipitazioni cumulate fino a 250 mm in 120 ore (15 novembre 00UTC – 19 novembre 23UTC) nell’area di interesse (figura 4e).
La figura 4c mostra la situazione sinottica relativa al terzo caso di studio (1 dicembre 2014 00UTC). In questo periodo, le condizioni meteorologiche tipiche del Mediterraneo occidentale sono state influenzate dall’evoluzione di una profonda bassa pressione di cut-off. Il 29 novembre, era centrata sul Marocco e nei giorni successivi, si è spostata verso est, trasportando aria subtropicale calda e umida verso l’Italia nordoccidentale. Il flusso ha prodotto precipitazioni intense sul territorio ligure, con precipitazioni cumulate fino a 150 mm in 120 ore (29 novembre 00UTC – 03 dicembre 23UTC) nell’area di interesse (figura 4d).
Analisi e conclusioni
La figura 5 mostra i boxplot relativi a due dei 17 quality score selezionati, i cui risultati sono coerenti tra loro: KGE e RMSE. Essi si riferiscono a tutti i Casi di Studio e a tutte le sezioni fluviali. I risultati mostrano un miglioramento nelle prestazioni delle simulazioni idrologiche quando vengono combinati dati satellitari e pluviometrici. In dettaglio, tutti gli score confermano prestazioni migliori utilizzando solo dati pluviometrici (GAUGE) rispetto ai dati satellitari (UNCAL, CAL), con risultati che vanno da valori KGE negativi di circa -1.4 per le simulazioni UNCAL e CAL (come riportato nella Figura 5), al valore 0.1 della simulazione GAUGE. Considerando che nel caso del punteggio KGE le migliori prestazioni sono identificate da valori vicini a 1, le migliori prestazioni sono associate agli output del modello forzati con l’APE ottenuto a partire da un campo di pioggia pluviometrico caratterizzato da un raggio di influenza di R = 5 km (cioè quando il 68% della copertura del bacino del Tanaro è associato alla pioggia stimata attraverso i dati pluviometrici), e la parte rimanente dell’area è coperta dal campo di pioggia ricostruito utilizzando il prodotto GPM IMERG (calibrato o non calibrato), che ha un valore KGE di circa 0.4. Risultati meno performanti rispetto alla simulazione GAUGE sono ottenuti con le altre impostazioni. Ovviamente, l’obiettivo di questo lavoro non è verificare la perfetta performance del modello idrologico ma dimostrare come diversi campi di pioggia possono migliorare le simulazioni idrologiche. I risultati confermano che l’integrazione dei dati pluviometrici e satellitari mediante l’algoritmo CA migliora le simulazioni idrologiche, come indicato dall’analisi statistica di 17 quality score selezionati.
In futuro, questo metodo verrà testato su un numero maggiore di casi studio e diversi bacini fluviali, nonché su altri prodotti satellitari (disponibili a diversa risoluzione spaziale e temporale) per investigare il vantaggio dell’approccio proposto in un contesto operativo per applicazioni idrologiche quasi in tempo reale.
Bibliografia
Bouttier, F. and Courtier, P.: Data Assimilation Concepts and Methods, https://www.ecmwf.int/en/elibrary/16928-data-assimilation-concepts-and-methods, 1999.
Colaiuda, V., Lombardi, A., Verdecchia, M., Mazzarella, V., Ricchi, A., Ferretti, R. and Tomassetti, B.: Flood Prediction: 770 Operational Hydrological Forecast with the Cetemps Hydrological Model (CHyM), Int J Environ Sci Nat Res., 24(3): 556137, doi: 10.19080/IJESNR.2020.23.556137, 2020.
Coppola, E., Tomassetti, B., Mariotti, L., Verdecchia, M. and Visconti, G.: Cellular automata algorithms for drainage network extraction and rainfall data assimilation, Hydrological Sciences Journal, 52:3, 579-592, DOI: 10.1623/hysj.52.3.579, 2007.
Coppola, E., Verdecchia, M., Giorgi, F., Colaiuda, V., Tomassetti, B., Lombardi, A.,Changing hydrological conditions in the Po basin under global warming, Science of The Total Environment, Volume 493,Pages 1183-1196,ISSN 0048-9697, https://doi.org/10.1016/j.scitotenv.2014.03.003, 2014.
Di Baldassarre, G. and Claps, P.: A hydraulic study on the applicability of flood rating curves, Hydrology Research, 42 (1), 10–19, https://doi.org/10.2166/nh.2010.098, 2011.
Lombardi, A., Colaiuda, V., Verdecchia, M., and Tomassetti, B.: User-oriented hydrological indices for early warning systems with validation using post-event surveys: flood case studies in the Central Apennine District, Hydrol. Earth Syst. Sci., 25, 1969–1992, https://doi.org/10.5194/hess-25-1969-2021, 2021.
Packard, N. H. and Wolfram, S.: Two-dimensional cellular automata, J. Stat. Phys., 38, 901–946, 1985.
Sangelantoni L, Tomassetti B, Colaiuda V, Lombardi A, Verdecchia M, Ferretti R, Redaelli G. On the Use of Original and Bias-Corrected Climate Simulations in Regional-Scale Hydrological Scenarios in the Mediterranean Basin. Atmosphere; 10(12):799. https://doi.org/10.3390/atmos10120799, 2019.
Tomassetti, B., Coppola, E., Verdecchia, M., and Visconti, G.: Coupling a distributed grid based hydrological model and MM5 meteorological model for flooding alert mapping, Adv. Geosci., 2, 59–63, https://doi.org/10.5194/adgeo-2-59-2005, 2005.
Link all’articolo: https://hess.copernicus.org/articles/28/3777/2024/hess-28-3777-2024.pdf
Autrici:
 |
| Da sinistra: Annalina Lombardi, Barbara Tomassetti, Valentina Colaiuda |