Monitoraggio dello stato idrico della vegetazione a scala regionale by Consorzio LaMMA

Monitoraggio dello stato idrico della vegetazione a scala regionale

SEMINARI

Le attivitĂ svolte presso il LAMMA

1 Ottobre 2013

Raccolta dei contributi presentati al seminario “Monitoraggio dello stato della vegetazione a scala regionale” tenutosi il 25 settembre 2013 presso l’Area di ricerca di Firenze.

Progettazione e realizzazione: Federica Zabini Autori Luca Angeli Marta Chiesi Luca Fibbi Fabio Maselli Ramona Magno

Indice Il bollettino sulla siccità realizzato dal Consorzio LaMMA ...................6 di Ramona Magno e Luca Angeli

1. La catena operativa 1.1 Il sistema di monitoraggio (struttura e criticità) - Indici pluviometrici - Indici da satellite - La stima dell’evapotraspirazione reale (ETR) 2. Il sistema di previsione stagionale 3. Disseminazione dei prodotti finali 4. Conclusioni e sviluppi futuri Bibliografia

Spazializzazione dei dati meteorologici ..............................................16 di Luca Fibbi

1. Obiettivi 2. DAYMET 2.1 Principi generali 2.2. Stima della temperatura 2.3. Stima della precipitazione 2.4. I risultati 2.5 Utilizzi 2.6 Sviluppi futuri 3. E-OBS 3.1 E-OBS dataset 3.2 E-OBS downscaling 3.3 E-OBS prodotti disponibili 4. Conclusioni

Il bilancio idrico del modello BIOME-BGC utilizzato per stimare i flussi di carbonio della vegetazione terrestre ............................................29 di Marta Chiesi

1. Area di studio 2. Dati utilizzati 3. Il modello BIOME-BGC 4. Applicazione del modello e validazione delle stime prodotte 5. Conclusioni Bibliografia

La stima dell’evapotraspirazione reale (ETR) per un bilancio idrico semplificato ......................................................................................35 di Fabio Maselli

1. Area di studio 2. Dati utilizzati 3. Risultati 4. Conclusioni Bibliografia

Premessa Recenti analisi dei trend climatici in Italia ed in particolar modo in Toscana stanno evidenziando, negli ultimi anni, un aumento del numero, intensità e durata degli eventi estremi ed in particolare dei fenomeni siccitosi. Il periodo 2011-2012 appena trascorso ne è l’ultimo drammatico esempio, dimostratosi il più intenso degli ultimi 60 anni. Rispetto ad altri eventi climatici estremi la siccità è un fenomeno più complesso e strisciante, caratterizzato da un’evoluzione lenta e spesso prolungata; inoltre il suo inizio è generalmente difficile da determinare, la sua intensità ed estensione spaziale sono estremamente variabili e gli impatti sull’ambiente ed il territorio possono sorgere anche dopo mesi e persistere oltre il termine dell’evento (Vincente-Serrano et al., 2012). È necessario affrontare questi fenomeni climatici non nella loro dimensione contingente, ma attraverso una programmazione di lungo periodo che mantenga, comunque, un equilibrio tra conservazione, risparmio e sviluppo (cercando di ridurre il divario esistente tra disponibilità e richiesta d’acqua), con la definizione di sistemi di “gestione degli eventi” e tutelando la naturale capacità degli ecosistemi di mitigazione degli impatti. Per studiare il fenomeno e la sua evoluzione sono stati sviluppati diversi indici, basati su parametri climatici e sui settori maggiormente affetti, ma nessuno di essi, da solo, è completamente efficace a determinare e descrivere l’evento. Al contrario un framework complesso che includa un set di indici basati sia su misure a terra che da satellite in grado di fornire un monitoraggio, ma anche delle previsioni a mediolungo termine, può rivelarsi la via più affidabile per identificare l’occorrenza ed il trend di un episodio siccitoso e fornire informazioni in tempi brevi. Nonostante questi eventi estremi richiedano azioni efficaci, infatti, i decisori politici ed i principali utenti della risorsa idrica mostrano spesso scarsa tempestività quando un episodio siccitoso si verifica, a causa della mancanza di strumenti e prodotti onnicomprensivi, ben organizzati, semplici e di rapida diffusione, in grado di fornire informazioni utili a gestire tali emergenze e ridurre gli impatti. Al fine di colmare questa esigenza, il Consorzio LaMMA e l’IBIMET-CNR hanno implementato un sistema per il monitoraggio in quasi-real time 4

e la previsione a medio-lungo termine della siccità in Toscana. L’utilizzo incrociato di dati meteo-climatici derivanti da stazioni a terra, satellite e modellistica per l’elaborazione di una serie di indici idonei al territorio toscano, può essere un approccio su cui puntare per analizzare, monitorare e prevedere l’occorrenza e l’intensificazione nello spazio e nel tempo di fenomeni siccitosi e fornire strumenti operativi efficaci di mitigazione delle avversità meteorologiche estreme. Tale sistema, infatti, prevede, sfruttando le potenzialità del web, la diffusione periodica di informazioni georiferite circa le aree affette dal fenomeno e la sua evoluzione. Il presente documento raccoglie i contributi presentati al seminario “Monitoraggio dello stato della vegetazione a scala regionale” tenutosi il 25 settembre 2013 presso l’Area di ricerca di Firenze.

Il bollettino sulla siccitĂ realizzato dal Consorzio LAMMA 1. La catena operativa La catena operativa implementata per calcolare gli indici di siccitĂ e fornire i prodotti finali per il monitoraggio e la previsione del fenomeno in Toscana si basa su procedure semiautomatiche. Le diverse parti che compongono il sistema sono descritte di seguito.

Fig.1 - Catena operativa del sistema di monitoraggio e previsione della siccitĂ .

1.1 Il sistema di monitoraggio (struttura e criticità) Il sistema di monitoraggio, sviluppato integrando lo stato dell’arte scientifico in materia di siccità con le tecnologie e gli strumenti più moderni, si basa su un set di indici in parte basati sulla precipitazione misurata da stazioni a terra ed in parte derivati da indici elaborati di immagini satellitari. La scelta degli indici ha considerato e seguito alcuni criteri: 1) distinzione di diversi tipi di siccità; 2) disponibilità in tempo reale e consistenza pregressa dei dati; 3) caratteristiche geofisiche regionali; 4) variabilità spazio-temporale del fenomeno; 5) tipologie di utenti finali. Indici pluviometrici Fra i diversi indici basati sulla pioggia prodotti per monitorare l’occorrenza di un evento siccitoso e la sua evoluzione, lo Standardized Precipitation Index (SPI) (McKee et al., 1993) e l’Effective Drought Index (EDI) (Byun et al., 1999) sono stati scelti perché ritenuti migliori (Morid et al., 2006) in quanto riescono ad identificare l’occorrenza di siccità a scale temporali differenti, la sua durata e variabilità, con un dettaglio dal mensile (SPI) al giornaliero (EDI), riuscendo ad evidenziare l’efficacia o meno di una precipitazione per il possibile ripristino di condizioni normali. Attualmente solo poche stazioni pluviometriche rispondono ai requisiti necessari all’elaborazio dei due indici, ovvero avere una serie storica sufficientemente lunga (almeno dal 1950) da permettere il calcolo di una media climatologica di riferimento robusta ed al contempo dati aggiornati in continuo. Lo SPI permette di tracciare periodi secchi/umidi a diverse scale temporali (ad esempio 1, 3, 6, 12, 24 mesi), corrispondenti a diverse tipologie di siccità, permettendo la comparazione fra zone geograficamente anche molto diverse, come possono essere le costiere meridionali e le appenniniche toscane. Inoltre il confronto fra valori di medio e lungo periodo (SPI 3 vs SPI 12) può evitare eventuali errate interpretazioni relative alla durata di siccità prolungate che possono venire interrotte da periodi di temporanea normalità o surplus, com’è accaduto durante l’intenso evento del 2012. L’indice EDI, invece, è stato scelto perché, grazie al suo step temporale giornaliero, non solo è efficace nell’individuare spazialmente l’onset di un episodio siccitoso (Morid et al., 2006), ma permette di evidenziare con un dettaglio maggiore l’influenza di ogni singolo evento di pioggia sul recupero del deficit in atto. Indici da satellite Gli indici derivati dall’elaborazione di immagini satellitari scelti per il monitoraggio della siccità analizzano in maniera indiretta il fenomeno, in quanto si 7

focalizzano sulla risposta della vegetazione, sia forestale che agricola, a stress di natura termica o legati all’umidità del suolo. Hanno inoltre la non secondaria caratteristica di garantire una copertura spaziale completa su tutto il territorio in esame. Di contro, però, possono essere utilizzati solo in periodi dell’anno con scarsa copertura nuvolosa, quindi nel nostro caso, essenzialmente in primavera-estate. Nel dettaglio, l’approccio proposto si fonda sulla combinazione dei due indici satellitari derivati Temperature Condition Index (TCI) e Vegetation Condition Index (VCI), basati rispettivamente sulla Land Surface Temperature (LST) e sul Normalized Difference Vegetation Index (NDVI). Per il calcolo del TCI (Kogan, 1995) invece dei dati di temperatura di brillanza, si è scelto di utilizzare dati di LST relativi al sensore MODIS (Moderate Resolution Imaging Spectroradiometer) del satellite Terra (EOS AM), mediati su 8 giorni e con risoluzione di 1km (MOD11A2, collection v005). TCIi = ((LSTmax − LSTi ) /(LSTmax − LSTmin)) · 100 dove LSTi, LSTmin e LSTmax sono rispettivamente gli ultimi valori a 8 giorni di LST disponibili e i valori di minimo e massimo assoluto di LST relativi allo stesso periodo di 8 giorni lungo l’intera serie storica, dal 2000 al 2013. I valori di TCI forniscono informazioni relative a stress della vegetazione legati alle alte temperature. Il VCI (Kogan, 1995), basato su dati NDVI derivanti da immagini MODIS Terra mediate su 16 giorni e con risoluzione di 250m (MOD13Q1, collection v005) indica dinamiche della vegetazione che riflettono le condizioni di umidità del suolo. Prima dell’elaborazione dell’indice le immagini NDVI vengono pre-processate per correggere eventuali disturbi atmosferici residui (Maselli et al., 2009). VCIi = ((NDVIi − NDVImin)/(NDVImax − NDVImin)) · 100 Dove NDVIi, NDVImin e NDVImax sono rispettivamente gli ultimi valori a 16 giorni di NDVI disponibili e i valori di minimo e massimo assoluto di NDVI relativi allo stesso periodo di 16 giorni lungo l’intera serie storica, dal 2000 al 2013. Le immagini di LST e NDVI sono scaricate dal website della NASA (https://lpdaac.usgs.gov/data_access/data_pool) a partire dal 2000 fino al presente, con un ritardo temporale di rilascio delle ultime immagini disponibili di circa 10-15 giorni. Attraverso delle procedure implementate in ambiente GIS le mappe di TCI subiscono un processo di downscaling spaziale da 1km a 250m ed uno di media temporale a 16 giorni in modo da poterle successivamente combinare con le mappe di VCI e dare origine a mappe comprensive finali di Vegetation Health 8

Index (VHI) (Kogan, 1995). VHI = a·VCI + b·TCI Dove a e b sono coefficienti che quantificano il contributo del VCI e TCI nella risposta della vegetazione e che attualmente hanno lo stesso peso (0.5). Il VHI (Figura 2), oltre ad integrare le informazioni fornite dai due indici pluviometrici SPI e EDI, mette in luce, nella fase di monitoraggio della stagione vegetativa forestale e delle colture agricole, quando la pianta è nel pieno dell’attività di crescita e sfrutta le riserve idriche accumulate durante i mesi freddi, l’inizio e l’evoluzione degli effetti di un’eventuale siccità.

VHI - Vegetation Health Index

29 Agosto-13 Settembre

2012

29 Agosto-13 Settembre

2013

Estrema (0-10) Severa (10-20) Moderata (20-30)

Fig. 2 – Indice VHI del periodo 29 Agosto - 13 Settembre: 2012 vs 2013

Lieve (30-40) No siccità (40-100)

Le elaborazioni ed analisi di più di un anno di dati prodotti hanno potuto mettere in luce come l’adozione pressoché tal quale di questi indici da satellite, nati per zone più aride, non riesca ad esprimere la realtà che si presenta in un territorio geomorfologicamente, vegetazionalmente e climaticamente complesso come quello toscano. In particolare i valori di VCI e quindi di VHI, se in condizioni di eventi estremi intensi e prolungati, come la siccità del 2011-2012, identificano abbastanza bene le aree maggiormente affette dal fenomeno, in periodi di normalità o addirittura surplus di pioggia, come in questa prima metà del 2013, possono mostrare zone in stress più o meno accentuato per via di eventuali 9

valori di NDVI che possono risultare, anche se di poco, i più bassi della serie storica 2000-2013. Sono, quindi, allo studio dei metodi di calibrazione che permettano di adattare meglio i due indici alle caratteristiche toscane. La stima dell’evapotraspirazione reale (ETR) per un bilancio idrico semplificato L’evapotraspirazione reale (ETA) è un parametro fondamentale per la gestione delle risorse idriche presenti sul territorio. La necessità di lavorare su ampia scala richiede la messa a punto di metodologie che possano essere operative, facili da applicare e veloci nel restituire stime credibili di ETA. A tale scopo sono state utilizzate le immagini NDVI del sensore MODIS Terra, disponibili alla risoluzione spaziale di 250 m e temporale di 16 giorni. Per i dettagli del metodo implementato vedere il capitolo 4.

2. Il sistema di previsione stagionale Il sistema previsionale implementato all’interno della catena operativa, attualmente, permette di fare delle proiezioni da uno a tre mesi nel futuro dei principali parametri meteorologici, precipitazione e temperatura, e dell’indice SPI 3. Al fine di avere un quadro previsionale più completo ed attendibile vengono considerati più outlook stagionali derivanti da due diversi approcci metodologici, uno di tipo “interpretativo” basato sui meccanismi teleconnettivi, l’altro di tipo statistico “multiregressivo”. Il primo si basa sull’interpretazione di una serie di indici il cui utilizzo varia in funzione della stagione e che si dividono nelle seguenti categorie: • indicatori solari: Open Solar Flux (OSF), Ap index, macchie solari, Cosmic Rays Flux; • indicatori stratosferici e troposferici: Anomalie di temperatura e circolazione dei venti in stratosfera legate al Sudden Stratospheric Warming (SSW), Quasi Biennial Oscillation (QBO), North-Hemisphere Annular Mode (NAM), Eliassen-Palm Flux (EPF), North Atlantic Oscillation (NAO), Artic Oscillation (AO); • indicatori oceanici legati alle Sea Surface Temperatures (SST): Atlantic Multidecadal Oscillation (AMO), Madden Julian Oscillation (MJO), El Niño Southern Oscillation (ENSO), Pacific Decadal Oscillation (PDO), Indian Ocean Dipole (IOD), Mediterranean Dipole, East Atlantic (EA); • altri indicatori: InterTropical Convergence Zone (ITCZ), Monsone Indiano (Webster-Yang Index), West African Monsoon (WAM), anomalia della copertura di neve in Ottobre nel Nebraska, Siberian High Index (SHI), European spring soil moisture. La previsione si sviluppa analizzando lo stato degli indici climatici e delle teleconnessioni in tempo reale, il loro andamento pregresso e la loro probabile evo10

luzione. Una volta terminato lo screening di tutti gli “ingredienti”, si procede con l’individuazione delle interazioni tra i vari indici e successivamente delle possibili ripercussioni sulle circolazioni atmosferiche prevalenti nei tre mesi considerati sul comparto europeo. Le previsioni dello SPI 3, invece, seguono un approccio statistico basato su un metodo multiregressivo adattativo che stima le relazioni multilineari di un dataset di predittori oceanici ed atmosferici a scala mensile e trimestrale osservati con i valori puntuali di SPI osservato durante un periodo di 30 anni (1981 -2010). Una volta stimati i coefficienti di correlazione tra predittori e SPI osservato, l’SPI previsto viene calcolato a partire dagli ultimi valori osservati disponibili dei predittori al momento della previsione (Pasqui et al., 2009). Attualmente l’analisi viene condotta utilizzando il dataset di pioggia E-OBS (Ensamble Observational) fornito dal progetto ECA&D (European Climate Assessment & Dataset) (Haylock et al., 2008) per il calcolo dello SPI osservato. La griglia di dati, centrata sul Bacino del Mediterraneo, ha risoluzione di 0.5 gradi e copre il periodo che parte dal 1951 (http://eca.knmi.nl). Il calcolo multi regressivo ottenuto, non solo fornisce i valori attesi dell’indice, ma anche la loro probabilità di occorrenza (Figura 4) su tutto il dominio di calcolo. E’ in fase di sviluppo la previsione direttamente sulle singole stazioni pluviometriche, incrementando la confidenza ed il livello di dettaglio spaziale.

Fig. 3 - Esempio di previsione dello SPI_3 per Ottobre 2013.

3. Disseminazione dei prodotti finali Nella catena operativa del sistema di monitoraggio e previsione della siccità la diffusione dei risultati è particolarmente critica perché, per far sì che gli utenti finali possano disporre di informazioni utili, tempestive ed efficaci per i loro scopi, è necessario che gli indici e la loro interpretazione siano forniti in modo semplice e diretto. Internet risponde perfettamente a tali requisiti, in quanto in grado di disseminare prodotti sotto varie forme e con tempi diversi di fornitura. Sul sito del Consorzio LaMMA è stata creata una sezione ad hoc sulla siccità entro la quale è possibile trovare: 1. Una pagina principale in cui, durante la stagione di crescita delle piante, vengono descritte, attraverso l’analisi del VHI, le condizioni della vegetazione degli ultimi 16 giorni, con un ritardo massimo di circa 7-10 giorni. Secondo le statistiche degli accessi al 30 Settembre 2013, la pagina è visitata, mediamente, da un migliaio di utenti al mese.

2. Bollettini mensili consultabili on-line che contengono un riepilogo dettagliato della situazione del mese precedente e dell’eventuale evoluzione di fenomeni siccitosi nei mesi successivi; tutti gli indici vengono analizzati ed interpretati e particolare attenzione è dedicata alle diverse tipologie forestali ed alle principali colture arboree della regione. Le statistiche di accesso ai bollettini indicano una media di oltre 1000 utenti a bollettino da Luglio 2012 a fine Settembre 2013, con i picchi più alti in corrispondenza dei mesi più secchi e caldi e un record di quasi 2900 accessi per il bollettino dell’Agosto 2012). 3. Un’applicazione webGIS, implementata per integrare dataset di natura diversa (vettoriali e raster) e condividere le mappe degli indici di siccità con decision-maker, stakeholder e altri utenti finali. L’architettura è composta da un framework general purpose basato su tecnologie e strumenti Open Source quali un database PostgreSQL e librerie PostGIS e MapServer e procedure sviluppa12

te in PHP/Ajax (Rocchi et al., 2010) in grado di fornire strumenti di interrogazione avanzata e funzioni di estrazione multi temporale su raster. Le tecnologie Open Source e l’applicazione di standard OGC (Open Geospatial Consortium) garantiscono, inoltre, la sostenibilità dell’applicazione e l’interoperabilità dei dati spaziali e lo sviluppo di servizi web per la gestione e condivisione dei dati del settore pubblico.

4. Conclusioni e sviluppi futuri Il prototipo di framework sviluppato dal Consorzio LaMMA in collaborazione con il CNR-IBIMET rappresenta un servizio operativo user-friendly ed in quasi-tempo reale, potenzialmente in grado di fornire via web informazioni facili da leggere ed interpretare per la gestione di emergenze legate alla siccità. I sistemi di monitoraggio e previsione descritti, infatti, sono operativi lungo tutto l’arco dell’anno, seguendo e valutando l’evoluzione nello spazio e nel tempo di un evento siccitoso attraverso l’integrazione di dati di origine diversa (stazioni a terra e satellite) su base da mensile a bisettimanale e fornendo informazioni sulla risposta della vegetazione a condizioni di siccità. L’attuale fase di sviluppo è incentrata su alcuni filoni primari: la calibrazione ed adattamento degli indici di vegetazione alle caratteristiche toscane; l’integrazione all’interno del framework della stima dell’evapotraspirazione reale da modello attualmente in fase di validazione al fine di implementare un bilancio idrico semplificato di supporto alle decisioni. L’operatività del servizio, inoltre, potrebbe essere ulteriormente migliorata intraprendendo azioni che coprono due aspetti paralleli: lo studio del fenomeno a scala di maggior dettaglio e la generazione di indicazioni relative agli impatti. Sul primo aspetto sarebbe importante approfondire il dettaglio delle informazioni fornite dal punto di vista tecnico di downscaling dei prodotti; per il secondo, invece, l’adozione di un approccio partecipativo implicherebbe un maggior coinvolgimento di vari utenti e stakeholders direttamente ed indirettamente interessati (politici, gestori idrici, agricoltori, ecc.) dal fenomeno siccitoso, attraverso l’implementazione di applicativi per 13

piattaforme web e per dispositivi mobili (tablet e smartphone) che favoriscano il flusso informativo bidirezionale, come la segnalazione geolocalizzata e l’uploading di foto, commenti, dati, ecc. relativi agli impatti a livello locale dovuti a periodi di deficit precipitativo prolungato (Goodchild, 2007). Questi strumenti di coinvolgimento della popolazione hanno anche lo scopo non secondario di sensibilizzare ad un più corretto ed efficiente uso della risorsa idrica e ad acquisire comportamenti virtuosi e buone pratiche, come azione primaria di adattamento ai cambiamenti climatici. Inoltre, grazie allo sviluppo del nuovo paradigma degli Open Data, garantire l’interoperabilità di dati territoriali e dei relativi servizi implica anche incrementarne e migliorarne l’utilizzo. Così i dati delle Pubbliche Amministrazioni sono resi sempre più accessibili a chiunque con la consapevolezza che, di fatto, essi rappresentano un patrimonio della collettività, e non di singole istituzioni ed un importante strumento per la trasparenza, responsabilità e possibile sviluppo economico.

Bibliografia Byun HR., Wilhite D. A. (1999). Objective Quantification of Drought Severity and Duration. Journal of Climate. 12, 2747-2756. Chiesi M., Rapi B., Fibbi L., Gozzini B., Magno R., Raschi A., Maselli F. (2013). Operational monitoring of daily evapotranspiration through the combination of ground and satellite data. European Journal of Remote Sensing. In stampa. Glenn, E.P., Nagler, P.L., Huete, A.R. (2010). Vegetation index methods for estimating evapotranspiration by remote sensing. Surveys in Geophysics. 31, 531-555. Goodchild M. F. (2007). Citizens as sensors: the world of volunteered geography. GeoJournal, 69(4), 211-221. Haylock M.R., Hofstra N., Klein Tank A.M.G., Klok E.J., Jones P.D. and New M. (2008). A European daily high-resolution gridded dataset of surface temperature and precipitation. Journal of Geophysical Research (Atmospheres), 113, D20119, doi:10.1029/2008JD10201. Jenses, M.E., Heise, H.R. (1963). Estimating evapotranspiration from solar radiation. Journal of the Irrigation and Drainage Division ASCE. 89, 15-41.

Kogan, F. N. (1995). Application of vegetation index and brightness temperature for drought detection. Advances in Space Research. 15, 91-100. Maselli F., Papale D., Puletti N., Chirici G., Corona P. (2009). Combining remote sensing and ancillary data to monitor the gross productivity of water-limited forest ecosystems. Remote Sensing of Environment. 113, 657-667. McKee T.B., Doesken N. J., Kliest J. (1993). The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference of Applied Climatology, 17-22 January, Anaheim, CA. American Meteorological Society, Boston, MA. 179-184. Morid S, Smakhtin V, Moghaddasi M. (2006). Comparison of seven meteorological indices for drought monitoring in Iran. International Journal of Climatology 26: 971-985. Pasqui M., Primicerio J., Benedetti R., Crisci A., Genesio L., Maracchi G. (2009). Seasonal forecasting precipitation in the Mediterranean basin. Managing water in a chaning world. International Conference hosted by the Commission for Water Sustainability International Geographical Union (IGU). Torino, Italy. July 27-31 2009 (oral presentation). Rocchi L., De Filippis T., Magno R. (2010). An open source general-purpose framework for implementing webGIS applications. FOSS4G International Conference for Open Source Geospatial Software. Barcelona (Spain). URL: http://2010. foss4g.org/presentations_show.php?id=4141 Vicente-Serrano S.M., Beguería S., Lorenzo-Lacruz J., Camarero J.J., LópezMoreno J.I., Azorin-Molina C., Revuelto J., Morán-Tejeda E., Sanchez-Lorenzo A. (2012). Performance of Drought Indices for Ecological, Agricultural, and Hydrological Applications. Earth Interactions 16:10, 1-27.

Spazializzazione dei dati meteorologici 1. Obiettivi e metodi I parametri meterologici sono il principale fattore guida di tutti i processi biologici degli ecosistemi terrestri sia naturali che agricoli. Per cui quando si cerca di simulare e prevedere il comportamento degli ecosistemi occorre disporre di dati metorologici affidabili. La misurazione dei principali parametri meteorologici è realizzata in molti punti della superficie terrestre, ma questi non sono quasi mai sufficienti per dare una copertura completa di un territorio. In questi casi è necessario provvedere ad una estrapolazione dei dati di interesse dai punti in cui sono misurati ai punti dove mancano le misure in maniera da ottenere grigliati regolari di dati meteorologici che permettano di caratterizzare in maniera omogenea tutto il territorio della zona di interesse. All’inizio degli anni 2000 fu deciso di realizzare un nostro programma capace di produrre la spazializzazione della temperatura e della precipitazione adottando il metodo DAYMET (proposto da Thornton et al., 1997) e poi utilizzare queste variabili spazializzate per stimare l’umidità e la radiazione utilizzando il programma MTCLIM (Thornton et al., 2000).

2. DAYMET 2.1 Principi generali Utilizzando un DTM dell’area di interesse e le osservazioni giornaliere, provenienti da una serie di stazioni, di temperatura minima e massima e di precipitazione si genera un’interpolazione spaziale che produce immagini giornaliere delle variabili meteorologiche su tutta l’area del DTM e con la risoluzione spaziale del DTM. Gli obiettivi che si sono proposti gli autori di questo metodo sono i seguenti: • L’area di influenza di un’osservazione è inversamente relazionata alla locale densità delle osservazioni. Questo significa che se un’osservazione è isolata essa influenzerà i valori previsti per una area più grande di un’osservazione che si trova in una regione ricca di dati osservati. • La superficie di interpolazione prodotta da questo programma è di tipo continuo ma non perfettamente lineare, in quanto è permesso alle derivate di primo e di più alto ordine di essere discontinue. • L’influenza di un’osservazione su una previsione decrementa con l’aumento della distanza tra il punto dell’osservazione e quello della previsione. 16

• Non viene richiesto che la superficie risultante dalla spazializzazione passi attraverso le osservazioni. In base a queste caratteristiche è stato deciso dagli autori di utilizzare un filtro troncato di tipo Gaussiano. La scelta del filtro troncato serve per ridurre il numero di osservazioni utilizzate per la previsione di un punto e quindi rende più veloce il calcolo. La scelta delle osservazioni da utilizzare viene effettuata in base alla distanza, così da escludere quelle che probabilmente hanno minore influenza sulla previsione. La scelta della funzione di tipo Gaussiano per il filtro deriva dal fatto che essa è semplice da calcolare e rispetta gli obiettivi del tipo di spazializzazione che si sono proposti gli autori. La forma generale del filtro Gaussiano troncato per un punto p è la seguente:

eq. (1) W(r) valore del filtro associato con una distanza r dal punto p Rp è la distanza massima da p fino a cui sono utilizzati le osservazioni (distanza di troncamento) α è un parametro adimensionale che permette di modificare la funzione con cui il peso varia con la distanza. Nella seguente figura si può osservare come variano i pesi in funzione della distanza al variare di α ponendo Rp = 140 km.

A causa dell’eterogeneità nella distribuzione dei dati osservati, un valore costante di Rp implica una larga disparità nel numero di osservazioni utilizzate per predire 17

un valore tra le aree con alta e bassa densità di stazioni di misura. Per rendere più omogeneo il numero di dati utilizzati occorre che Rp sia più piccolo nelle aree con più osservazioni e più grande nelle aree con meno osservazioni. Per mantenere continua la superficie di interpolazione, gli autori hanno pensato di introdurre un parametro, il numero medio di osservazioni (N), che l’algoritmo deve utilizzare per effettuare la spazializzazione. Rp viene quindi variato con una funzione di smoothing lineare in base alla densità delle stazioni in modo che il numero medio di osservazioni utilizzate sia uguale a N. Il calcolo di Rp avviene secondo i seguenti punti: 1) Per tutte le celle della griglia, lo stesso valore, fornito dall’utente, R, è utilizzato per inizializzare Rp. 2) Dato Rp l’equazione prima vista è utilizzata per calcolare i pesi Wi, dove i = (1,….,n) sono i dati osservati. Si può ora osservare la densità locale delle stazioni Dp (numero di stazioni / area):

3) Un nuovo valore di Rp è calcolato in funzione del desiderato numero medio di osservazioni da utilizzare, N, e del più recente valore di Dp calcolato così: *

dove N* = 2N per tutte le iterazioni ad eccezione di quella finale dove N* = N. Questo artificio aiuta ad evitare che l’algoritmo utilizzi un eccessivo numero di osservazioni in regioni con una forte eterogeneità nella densità delle stazioni. 4) Il nuovo valore di Rp è sostituito nel punto 2 e si ripetono i punti da 2 a 4 per il numero di iterazioni (I) definite dall’utente. Il valore finale di Rp è utilizzato per generare i pesi Wi con l’eq. (1) durante l’interpolazione del punto in questione. Il metodo di interpolazione è definito da i 4 parametri: • R distanza iniziale di troncamento; • I numero di iterazioni da effettuare per il calcolo della distanza di troncamento; 18

• N numero medio di osservazioni da utilizzare durante il calcolo in un punto; • α parametro adimensionale che permette di far variare il peso con la distanza. I valori per i parametri di interpolazione sono specificati durante una fase di calibrazione e poi sono tenuti costanti per tutti i time steps su cui si vuole effettuare l’interpolazione e per tutti i punti della griglia. Data un’arbitraria variabile meteorologica xi, misurata ad ognuno degli i = (1,….,n) punti di osservazione, per un singolo punto di previsione ed un singolo time step, il valore interpolato xp è determinato così:

eq. (2) Questo metodo generale è migliorato, come vedremo tra breve, incorporando un’analisi dell’influenza delle differenze di elevazione sulla variazione dei parametri meteorologici.

2.2. Stima della temperatura La previsione della temperatura T richiede di modificare l’eq. (2) per includere una correzione per effetto della differenza di elevazione Z tra il punto dove è avvenuta l’osservazione ed il punto dove si effettuerà la previsione. Una regressione lineare pesata è utilizzata per stimare la relazione tra T e Z. La regressione è ricalcolata per ogni dato previsto. Per ogni coppia unica di stazioni utilizzate per calcolare la temperatura di un punto p si calcola la differenza in elevazione (Z1-Z2 variabile dipendente), la differenza in temperatura (T1-T2 variabile indipendente) e il peso costituito dal prodotto dei pesi Wi delle due stazioni. La regressione può essere così rappresentata:

La temperatura di un singolo punto Tp per un singolo time step può essere così prevista sulla base delle i = (1,….,n) osservazioni Ti , dei pesi di interpolazione Wi e dei coefficienti di regressione β0 e β1:

eq.(3) dove Zp è l’elevazione assegnata al punto che si vuole interpolare. 19

2.3. Stima della precipitazione La previsione della precipitazione per step temporali brevi come il giorno è complicata dalla necessita di dover effettuare una doppia stima. La prima riguarda la stima se l’evento pioggia si è verificato oppure no e la seconda riguarda la stima della quantità di precipitazione. Si definisce una variabile binomiale per la previsione dell’evento pioggia. Tale variabile è anch’essa calcolata utilizzando le stazioni più vicine. Dato il set di osservazioni di pioggia giornaliera Pi e una data serie di pesi per l’interpolazione Wi, si stima, quella che possiamo definire come probabilità che si verifichi l’evento pioggia POPp, così:

dove POi indica la variabile binomiale delle osservazioni di precipitazione. La previsione se nel punto che si sta interpolando è caduta pioggia nel giorno preso in considerazione, POp, è basata sulla comparazione di POPp con uno specifico valore critico, POPcrit:

POPcrit è tenuto costante per l’intero dominio spaziale e temporale della spazializzazione ed è soggetto ad una calibrazione preliminare. Se si verifica l’evento pioggia (POp = 1) si procede con il calcolo della quantità di precipitazione Pp altrimenti questa è uguale a zero. Come nel caso della temperatura per analizzare la relazione tra precipitazione ed elevazione si utilizza una regressione lineare pesata. La variabile indipendente e i pesi rimangono uguali a quelli utilizzati per la temperatura mentre la variabile dipendente è definita in questo caso come la differenza normalizzata delle osservazioni di precipitazione. La regressione assume quindi una forma del tipo:

Quando si genera la previsione quantitativa della precipitazione Pp, si moltiplicano i pesi dell’interpolazione per la variabile binomiale sull’occorrenza della 20

precipitazione della stazione in esame, POi, utilizzando così solo le osservazioni con dei valori di precipitazione così:

per controllare che il valore di f rimanga nel range -1 +1 si utilizza un nuovo parametro fmax tenuto costante per l’intero dominio spaziale e temporale della spazializzazione, soggetto ad una calibrazione preliminare. 2.4. I risultati Thornton et al. (1997) calibrarono il loro modello nel Nord-Ovest degli USA per l’anno 1989 utilizzando un DTM con la risoluzione di 500 metri. I risultati delle stime giornaliere tramite cross-validation per l’anno 1989 sono:

TMIN (°C) TMAX (°C) PRCP (mm) PRCP (%)

MAE BIAS giornaliero 1.95 +0.0001 1.76 -0.0002 annuale 133.6 -22.1 19.3

Per la Toscana la calibrazione è stata effettuata utilizzando gli anni 1996-1997 ed un DTM con la risoluzione di 1000 metri. Utilizzando i parametri di questa calibrazione i risultati delle stime giornaliere tramite cross-validation per il periodo 1995-2011 sono:

TMIN (°C) TMAX (°C) PRCP (mm)

MAE BIAS giornaliero 1.48 +0.01011 1.57 +0.08815 1.37 +0.07319

E’ in corso una nuova calibrazione sui dati del periodo 1995-2011 utilizzando un DTM con risoluzione di 250 m.

Qui di seguito sono riportate delle immagini di esempio relative alla spazializzazione della temperatura massima giornaliera, della temperatura mininima giornaliera e della precipitazione cumulata giornaliera del giorno 31/12/2009 utilizzando lâ&#x20AC;&#x2122;algoritmo di Daymet calibrato sulla Toscana e un dtm con 1 km di risoluzione.

Fig. 1a - Spazializzazione della temperatura massima giornaliera del 31/12/2009

Fig. 1b - Spazializzazione della temperatura minima giornaliera del 31/12/2009

Fig. 1c - Spazializzazione della precipitazione cumulata giornaliera del 31/12/2009

2.4 Prodotti disponibili Area Risoluzione Periodo

Dati giornalieri di

Toscana 1km 01/01/1995 ad oggi Temperatura minima Temperatura massima Precipitazione UmiditĂ media* Radiazione solare globale*

* UmiditĂ e radiazione sono calcolate a partire dalla temperatura e precipitazione utilizzando il modello MTCLIM

2.5 Utilizzi I -

prodotti ottenuti con Daymet sono attualmente utilizzati per: monitoraggio degli assorbimenti di CO2 (Fig.2a) rischio incendio (Fig.2b) nuove stime dellâ&#x20AC;&#x2122;ETP

Figg. 2a, 2b - Due esempi di utilizzo dei prodotti ottenuti con Daymet.

2.6 Sviluppi futuri 1) Aumentare la risoluzione da 1 km a 250 m (è in corso una calibrazione con un DTM a 250 m). 2) Sviluppare un nuovo metodo di stima della radiazione globale utilizzando i dati della radiazione globale DSSF (down-welling surface short-wave radiation flux) prodotti dal LSA SAF (Land Surface Analysis Satellite Applications Facility) e derivate dalle immagini dei satelliti MSG/SEVIRI. 3) Verificare se l’algoritmo di Thorton et al. può essere migliorato. 4) Estendere l’area dalla Toscana all’Italia. Uno dei vincoli è la mancanza di dati in alcune stazioni del paese.

3. E-OBS 3.1 E-OBS dataset E-OBS è stato realizzato nell’ambito del Sixth Framework Programme dell’Unione Europea prima all’interno del progetto ENSEMBLES (http://ensembles-eu. metoffice.com) poi la sua gestione è proseguita nel progetto ECA&D (http:// www.ecad.eu). L’European Climate Assessment & Progetto DataSet (ECA&D) ha lo scopo di raccogliere informazioni sui cambiamenti del clima e sugli estremi climatici dell’Europa ed a questo scopo è stato realizzato ed utilizzato un dataset di dati giornalieri (denominato E-OBS) necessario per monitorare e analizzare questi estremi. Per avere i dettagli su questo tipo dataset si può leggere la seguente bibliografia Haylock et al., 2008 e van den Besselaar et al., 2011. Il dataset E-OBS possiede le seguenti caratteristiche: - risoluzione spaziale di 0.25 gradi - inizio il 01/01/1950 - viene aggiornato ogni 6 mesi circa - contiene i dati giornalieri di temperatura minima massima e media, di precipitazione e pressione a livello del mare.

Stazioni utilizzate per creare il data set E-OBS per lâ&#x20AC;&#x2122;Italia

3.2 E-OBS downscaling Il data set E-obs Ă¨ stato riscalato ad 1km di risoluzione utilizzando delle regressioni calibrate localmente (Maselli et al., 2012). Per ogni punto griglia dei dati E-OBS di ogni ogni giorno si calcola la regressione che collega ogni variabile meteorologica (temperatura minima, massima e precipitazione) con la quota. La regressione Ă¨ calcolata utilizzando tutti gli altri punti della griglia pesandoli in funzione della loro distanza euclidea (Dx) rispetto al punto preso in considerazione con un funzione esponenziale negativa.

Per ogni variabile e giorno l’ottimale Rd (distance range) è stato calcolato attraverso una leave-one-out cross-validation. Applicando le regressioni trovate ad un DTM con 1 km di risoluzione si è ottenuto l’interpolazione finale.

Fig. 4 - La tabella mostra gli errori del downscaling del dataset E-OBS per l’Italia.

Fig.4 Esempi di immagini prodotte con il metodo proposto di downscaling dei dati E-OBS per l'Italia che utilizza le regressioni calibrate localmente. Le immagini mostrano la temperatura minima del 20/01/2009 (A), la temperatura massima del 15/08/2009 (B) e la precipitazione del 30/09/2009 (C).

Fig.5 Esempi di medie stagionali dei dati giornalieri delle immagini prodotte con il metodo proposto di downscaling dei dati E-OBS per quanto riguarda la media della primavera 2002 per la temperatura media giornaliera (A) e la precipitazione totale (B) e la media della primavera 2003 per la temperatura media giornaliera e la precipitazione totale.

3.3 E-OBS prodotti disponibili Area Risoluzione Periodo

Dati giornalieri di

Italia 1km 01/01/2000 a 31/12/2009 Potenzialmente dal 01/01/1950 ad oggi Temperatura minima Temperatura massima Precipitazione Umidità media* Radiazione solare globale*

* Umidità e radiazione sono calcolate a partire dalla temperatura e precipitazione utilizzando il modello MTCLIM

4.Conclusioni In questa presentazione sono state mostrate le attuali procedure di spazializzazione utilizzate all’interno del LAMMA come supporto alla modellistica degli ecosistemi. Inoltre è stato messo in luce l’attuale disponibilità dei prodotti derivati da queste procedure e i previsti miglioramenti. Tutto questo nell’ottica di diffondere le informazioni sugli archivi di dati meteorologici spazializzati che sono stati creati in maniera che possano essere utilizzati da tutti coloro che ne abbiano una necessità.

Bibliografia essenziale Maselli F, Pasqui M, Chirici G, Chiesi M, Fibbi L, Salvati R, Corona P (2012) Modeling primary production using a 1 km daily meteorological data set. Clim Res 54:271-285. doi:10.3354/cr01121 Thornton P.E., Running S.W. and White M.A., 1997. ”Generating surfaces of daily meteorological variables over large regions of complex terrain.” J. Hydrol., 190, 214-251. Thornton P.E., Hasenauer H. and White M.A., 2000. “Simultanous estimation of daily solar radiation and humidity from observed temperature and precipitation: an application over complex terrain in Austria.” Agric. For. Meteorol., 104, 255-271. Haylock, M.R., N. Hofstra, A.M.G. Klein Tank, E.J. Klok, P.D. Jones, M. New. 2008: A European daily high-resolution gridded dataset of surface temperature and precipitation. J. Geophys. Res (Atmospheres), 113, D20119

van den Besselaar, E.J.M., M.R. Haylock, G. van der Schrier and A.M.G. Klein Tank. 2011: A European Daily High-resolution Observational Gridded Data set of Sea Level Pressure. J. Geophys. Res., 116, D11110

Il bilancio idrico del modello BIOME-BGC utilizzato per stimare i flussi di carbonio della vegetazione terrestre In ambienti con clima di tipo mediterraneo, dove la scarsa piovosità nella stagione più calda determina un periodo di aridità più o meno pronunciato, studiare la risposta della vegetazione alla scarsa disponibilità idrica è di notevole interesse anche in relazione ai previsti cambiamenti climatici. Inoltre la necessità di analizzare il continuo impatto antropico sul territorio rende indispensabile il monitoraggio delle condizioni strutturali e funzionali degli ecosistemi forestali e non anche su vasta scala. In tale ambito sono sviluppate metodologie basate sull’uso integrato di dati telerilevati ed ancillari per caratterizzare i principali processi della vegetazione (traspirazione, fotosintesi, produttività) a livello regionale; vengono inoltre adottati modelli di simulazione dei processi ecosistemici. In particolare, tra quelli maggiormente utilizzati e facilmente adattabili ai diversi ecosistemi, abbiamo BIOME-BGC, sviluppato presso l’Università del Montana (Running and Hunt, 1993). Esso lavora simulando i principali flussi bio-geochimici in ecosistemi terrestri omogenei e sufficientemente estesi utilizzando due diverse scale temporali, una annuale ed una giornaliera. La diversa scala temporale adottata dipende dai processi che devono essere stimati; in particolare il bilancio idrico e gli scambi gassosi della chioma, essendo particolarmente legati ai dati meteorologici, vengono calcolati su base giornaliera, mentre i processi di allocazione sono simulati su base annua. Per il suo funzionamento, il modello richiede come dati di ingresso parametri meteorologici giornalieri (temperatura minima e massima dell’aria, precipitazione, radiazione solare ed umidità relativa) ed informazioni generali riguardanti l’area di indagine (latitudine, altitudine, profondità del suolo e suo contenuto idrico). Inoltre, trattandosi di un modello di tipo bio-geochimico, necessita di parametri che descrivono il comportamento ecofisiologico delle specie per le quali si richiede una simulazione. Brevemente, dopo aver introdotto il modello e le tecniche adottate per calibrarlo, si riportano esempi di applicazione per la stima di traspirazione ed evapotraspirazione in ecosistemi terrestri forestali.

1. Area di studio Il lavoro è stato condotto in Toscana (9°-12° long., 42°-44° lat.), regione la cui superficie è per circa metà coperta da foreste. La morfologia è estremamente variabile, con la fascia costiera generalmente piatta e le aree più interne con zone collinari e montuose. Il clima varia da tipicamente mediterraneo fino a temperato caldo e freddo. I boschi sono prevalentemente caratterizzati dalla presenza di specie quercine (Quercus ilex L., Q. pubescens Willd., Q. cerris L.) 29

e pini mediterranei (Pinus pinaster Ait., Pinus pinea L.); sono presenti anche castagni (Castanea sativa Mill.), faggi (Fagus sylvatica L.) e conifere montane.

2. Dati utilizzati I dati meteorologici giornalieri di temperatura minima e massima, precipitazione e radiazione solare sono stati prodotti utilizzando i dati delle stazioni di misura disponibili presso il LaMMA e spazializzati come riportato da Fibbi (presente volume). Un modello digitale del terreno (Digital Elevation Model, DEM) con una risoluzione spaziale 200 m è stato ottenuto dal Servizio Cartografico della Regione Toscana. La mappa digitale relativa alla distribuzione delle foreste in scala 1:250.000 (Arrigoni et al., 1998) è stata fornita dallo stesso ente; le classi originali che questa riporta sono state raggruppate in 7 classi forestali seguendo criteri auto ecologici (querce sempreverdi, querce decidue, castagno, faggio, conifere del piano basale/collinare, conifere del piano montano, macchia). I dati di profondità del suolo e tessitura sono stati derivati dalla mappa dei suoli della Toscana (1:250.000), prodotta dall’amministrazione regionale della Toscana, e attualmente disponibile sul web (http://sit.lamma.rete.toscana.it/ websuoli). I dati di riferimento utilizzati per validare le stime prodotte da BIOME-BGC sono stati raccolti con due diverse tecniche di misura: la tecnica del sap-flow, applicata a Radicondoli (SI) in una cerreta dove la traspirazione è stata misurata nella stagione vegetativa del 1998 (Cermak et al., 1998), e la tecnica di eddycovariance, applicata in due siti caratterizzati dalla presenza di macchia mediterranea (Isola di Pianosa ed Arca di Noè, in Sardegna) (Chiesi et al., 2012).

3. Il modello BIOME-BGC Il modello BIOME-BGC è un modello bio-geochimico sviluppato presso l’Università del Montana che è distribuito gratuitamente sul web (Running and Hunt, 1993). Esso simula l’andamento dei processi biologici legati ai cicli del carbonio, dell’azoto e dell’acqua in ecosistemi terrestri utilizzando come dati di input parametri meteorologici giornalieri (temperatura minima e massima, precipitazione, radiazione solare), condizioni generali dell’ambiente (tipo di piante, profondità e tessitura del suolo, contenuto idrico del suolo) e parametri fisiologici per ciascuna delle specie forestali presenti. BIOME-BGC è in grado di simulare, attraverso la fase di “spin-up”, una situazione di quasi-equilibrio con le condizioni eco-climatiche della stazione per la quale viene applicato; questa fase lo rende facilmente applicabile in diverse situazioni perché non richiede informazioni riguardo alle condizioni iniziali dell’ecosistema (White et al., 2000; Churkina et al., 2003). 30

La versione del modello attualmente in uso (versione 4.2) include una parametrizzazione completa per diversi gruppi di biomi (ovvero conifere sempreverde, latifoglie sempreverde, latifoglie decidue, arbusti, specie C3 e C4) (White et al., 2000). Tuttavia, per ottenere delle buone simulazioni, è necessario calibrare il modello settando opportunamente i parametri ecofisiologici in modo da renderli descrittivi delle diverse specie presenti in ambiente mediterraneo (maggiori dettagli in Chiesi et al., 2007; 2010; 2012). Ciò è stato ottenuto impiegando come dati di riferimento un modello parametrico basato sull’uso di dati telerilevati, C-Fix (Maselli et al., 2009).

4. Applicazione del modello e validazione delle stime prodotte La disponibilità per la Toscana di tutte le informazioni necessarie per inizializzare il modello BIOME-BGC permette di ottenere mappe di evapotraspirazione delle foreste alla risoluzione spaziale di 1 km. In Figura 1 si riporta a titolo di esempio l’evapotraspirazione annuale relativa all’anno 2012; è possibile comunque ottenere mappe che abbiano risoluzione temporale giornaliera, settimanale e mensile, a seconda delle necessità.

Fig. 1 - Mappa dell’evapotraspirazione annuale delle foreste toscane alla risoluzione spaziale di 1 km e relativa all’anno 2012.

In Figura 2 si riporta l’andamento della traspirazione giornaliera misurata e stimata durante la stagione di crescita del 1998 presso Radicondoli. Dai dati 31

misurati si nota come il valore della traspirazione riporti valori massimi in primavera e decrescenti con l’avanzare della stagione. Lo stesso andamento, tipico per una foresta in ambiente mediterraneo, viene riprodotto dal modello; la versione “default” (ovvero quella i cui parametri eco fisiologici non sono stati adattati alle specie mediterranee) è troppo sensibile allo stress idrico mentre la versione calibrata riproduce più fedelmente l’andamento annuale.

Fig. 2 - Confronto tra dati di traspirazione misurati e stimati in una cerreta di Radicondoli durante la stagione vegetativa del 1998 (riadattato da Chiesi et al, 2007).

Il confronto con le misure ottenute tramite tecnica eddy-covariance è stato fatto per due zone coperte da macchia mediterranea (Tabella 1). Anche in questo caso, nonostante la difficoltà nell’ottenere un dataset di riferimento per i siti in questione, la versione di modello calibrata ha fornito risultati migliori rispetto a quella originale (vedi bibliografia per maggiori dettagli).

Arca di Noè Isola di Pianosa

Versione originale r RMSE MBE 0.347 1.67 -0.05 0.217 1.79 -0.13

Versione modificata r RMSE MBE 0.292 1.55 -0.06 0.297 1.66 -0.06

Tab. 1 – Statistiche riferite ai dati di evapotraspirazione calcolati su base giornaliera per i due siti a macchia mediterranea. Gli errori sono espressi in mm/giorno ed i coefficienti di correlazione sono altamente significativi, P < 0.01 (riadattato da Chiesi et al., 2012).

5. Conclusioni In generale, i risultati ottenuti indicano che BIOME-BGC può essere proficuamente applicato a scala regionale anche per aree forestali mediterranee. A tal fine è ovviamente necessario disporre di dati ancillari descrittivi dell’area investigata e di una versione di modello opportunamente calibrata. La validazione delle stime prodotte non è semplice perché mancano dati di riferimento relativi alle diverse tipologie forestali e, nell’ottica di estendere l’applicazione del modello ad altri uso suolo, anche alle colture ed alle praterie presenti sulla regione. Limiti all’applicazione di BIOME-BGC sono però la necessità di parametrizzare adeguatamente per tutte le coperture vegetali e di disporre di una mappa della distribuzione delle colture (irrigue e non!) presenti sul territorio nei diversi anni di studio. Il vantaggio più evidente è quello di poter impiegare il modello a scopo predittivo, ad esempio simulando scenari di cambiamento climatico.

Bibliografia Arrigoni, P.V., Raffaelli, M., Rizzotto, M., Selvi, F., Vicini, D., Lombardi, L., Foggi, B., Melillo, C., Benesperi, R., Ferretti, G., Benucci, S., Turrini, S., di Tommaso, P.L., Signorini, M., Bargelli, E., Miniati, U., Farioli, C., de Dominicis, V., Casini, S., Chiarucci, A., Tomei, P.E., Ansaldi, M., Maccioni, S., Guazzi, E., Zocco Pisana, L., Cenerini, A., Dell’Olmo, L., Menicagli, E., 1998. La vegetazione forestale. Serie Boschi e Macchie di Toscana. Regione Toscana, Giunta regionale, 215 pp. Cermak J., Nadezhdina N., Raschi A., Tognetti R., (1998), “Transpiration of typical natural plant stands in Tuscany”. Part of the project EC ‘MEGARICH’-ENV4/ CT97/0503. Chiesi M., Maselli F., Moriondo M., Fibbi L., Bindi M., Running S.W. (2007), “Application of BIOME-BGC to simulate Mediterranean forest processes”, Ecological Modelling, 206: 179-190. Chiesi M., Moriondo M., Maselli F., Gardin L., Fibbi L., Bindi M., Running S.W. (2010). “Simulation of Mediterranean forest carbon pools under expected environmental scenarios”, Canadian Journal of Forest Research, 40: 850-860. Chiesi M., Chirici G., Corona P., Duce P., Salvati R., Spano D., Vaccari F.P., Maselli F. (2012), “Use of BIOME-BGC to simulate water and carbon fluxes within Mediterranean macchia”, iForest, 5, 38-43. Churkina G., Tenhunen J., Thornton P., Falge E.M., Elbers J.A., Erhard M., Grunwald T., Kowalski A.S., Rannik U., Sprinz D. (2003), “Analyzing the ecosy33

stem carbon dynamics of four European coniferous forests using a biogeochemistry model”, Ecosystems 6 (2), 168-184. Maselli F., Papale D., Puletti N., Chirici G., Corona P. (2009), “Combining remote sensing and ancillary data to monitor the gross productivity of water-limited forest ecosystems”, Remote Sensing of Environment, 11, 657-667. Running S.W., Hunt E.R. (1993). “Generalization of a forest ecosystem process model for other biomes, BIOME-BGC, and an application for global-scale models”, In Ehleringer JR and Field CB. (Eds) Scaling physiological processes: leaf to globe Academic Press, San Diego, USA, pp. 141-158 White M.A., Thornton P.E., Running S.W., Nemani R.R. (2000), “Parameterization and sensitivity analysis of the BIOME-BGC terrestrial ecosystem model: net primary production controls”, Earth Interactions, 4(3), 1-85.

La stima dell’evapotraspirazione reale (ETR) per un bilancio idrico semplificato L’evapotraspirazione reale (ETA) è un parametro fondamentale per la gestione delle risorse idriche presenti sul territorio. La necessità di lavorare su ampia scala richiede la messa a punto di metodologie che possano essere operative, facili da applicare e veloci nel restituire stime credibili di ETA. A tale scopo i dati tele rilevati sono spesso utilizzati per stimare l’ETA seguendo due diversi approcci: il metodo “energy balance” e quello “water balance”. Il primo utilizza la differenza di temperatura fra le superfici e l’aria per stimare il calore latente di evaporazione; esso pertanto richiede l’impiego di immagini termiche che raramente sono disponibili con un’adeguata risoluzione spaziale e frequenza temporale. I metodi “water balance” invece, riproducono il trasporto idrico attraverso il suolo e la vegetazione. In tal caso la stima di ETA è effettuata correggendo l’evapotraspirazione potenziale (ET0), calcolata sulla base di dati meteorologici, per mezzo di coefficienti colturali (Kc) derivati da dati telerilevati. Questi metodi si basano sulla teoria di ottimizzazione delle risorse in base alla quale la piante adattano la loro densità fogliare per rispondere alla capacità dell’ambiente di supportare traspirazione e fotosintesi. Conseguentemente, ETA è stimata come (es. Glenn et al., 2010):

ETA = ET0 f (VI)

(1)

dove f(VI) è una trasformazione lineare o non lineare di vari indici di vegetazione, il più comune dei quali è l’NDVI. Tali metodi però sono stati applicati solo su colture erbacee, e non se ne conosce l’efficacia su vegetazione mista; sono inoltre basati sull’assunzione che le piante non presentino stress idrico, dato che l’NDVI è scarsamente sensibile allo stress idrico a breve termine (Maselli et al., 2009). Il gruppo di ricerca dell’IBIMET-CNR ha quindi proposto un metodo modificato da utilizzare per applicazioni regionali, capace di considerare l’effetto a breve termine della carenza idrica (Chiesi et al., 2013; Maselli et al., 2014). La stima dell’ETA viene effettuata simulando separatamente i due contributi, traspirazione ed evaporazione, dovuti rispettivamente alla biomassa verde ed al suolo (Fig.1). Ciò è possibile introducendo la stima della frazione di vegetazione attiva (fractional vegetation cover, FVC). Si introducono inoltre dei fattori di correzione, Cws ed AW, capaci di simulare l’effetto dello stress idrico a breve termine (Maselli et al. 2009, 2013). In sintesi, il modello modificato (metodo NDVI-Cws) stima l’ETA di qualsiasi superficie vegetata come:

ETA = ET0 · (FVC · KcVeg · Cws +(1- FVC) · KcSoil · AW)

(2) 35

dove ET0 viene calcolata come proposto da Jensen e Haise (1963), FVC è la Fractional Vegetation Cover derivata da NDVI come proposto da Gutman e Ignatov (1998), Cws (Coefficient for Water Stress) e AW (Available Water) sono i fattori di stress idrico per la vegetazione ed il suolo nudo, e KcVeg e KcSoil sono rispettivamente i coefficienti colturali della vegetazione e del suolo. In Tab. 1 si riportano i valori dei coefficienti utilizzati per i diversi tipi di vegetazione. Tipo di vegetazione Foresta Prati-pascoli semi-naturali Colture annuali

KcVeg 0.7 1.2 1.2

1. Cws, AW Attivo (2 mesi) Attivo (1 mese) Attivo (1 mese) durante i mesi gennaio-maggio e ottobre-dicembre. Inattivo durante i mesi giugno-settembre se la FVC>0.6

Tab. 1: Parametri utilizzati per stimare l’ETA attraverso l’equazione 2 (l’ultima colonna indica in parentesi il periodo usato per calcolare i fattori per lo stress idrico, vedi Maselli et al., 2009, 2013). In tutti i casi KcSoil è pari a 0.2.

Area di studio Questo metodo è stato applicato in Toscana per stimare l’ETA giornaliera con una risoluzione di 250 m. Le mappe prodotte sono state poi validate tramite confronto con dati di ETA ottenuti mediante la tecnica eddy-covariance per diverse stazioni di misura presenti sul territorio (sito di Lecceto) e mediante la tecnica del sap-flow (sito di Radicondoli), che consente di ottenere dati di traspirazione;

Fig. 1 Schema della metodologia applicata per stimare l’evapotraspirazione reale, ETA

per le colture invece, non essendo disponibili misure alternative, il confronto è stato fatto con stime derivate da un classico metodo Kc implementato nel software WinEtro (Battista et al., 2003). La valutazione dell’accuratezza delle stime ottenute è stata effettuata utilizzando coefficiente di correlazione (r), root mean square error (RMSE) e mean bias error (MBE).

Dati utilizzati La metodologia brevemente richiamata viene applicata per la Regione Toscana utilizzando come dati di input i dati meteo spazializzati dai data-base LaMMA (T min, T max, pioggia e radiazione giornalieri ad 1 km). Le immagini NDVI sono state derivate dal sensore MODIS montato sui satelliti Terra e Aqua. Tali immagini, che hanno la risoluzione spaziale di 250 m e quella temporale di 16 giorni, sono disponibili negli archivi del LaMMA a partire dal 2000. I dati di riferimento sono stati raccolti presso le seguenti stazioni: • Lecceto, sito in cui è presente un bosco di leccio per il quale sono disponibili misure per gli anni 2006-2008, • Radicondoli, in cui la traspirazione è stata misurata in un bosco di querce nel 1998; • Foiano della Chiana, dove nel 2002 era presente una coltura estiva e per il quale è stato applicato WinEtro (Battista et al., 2003).

Risultati Nelle figure che seguono si riportano i dati relativi al confronto tra i dati di riferimento e le stime ottenute per le tre aree di studio selezionate. In tutti i casi i dati stimati col metodo NDVI-Cws riproducono abbastanza fedelmente quelli di riferimento, con una accuratezza che varia a seconda dei siti. Nel caso di Lecceto (Fig.2), la media annua della ETA misurata è di circa 650 mm/anno. L’accordo tra i dati misurati e stimati è abbastanza buono anche se sono evidenti problemi nel riprodurre i picchi massimi e l’andamento temporale dell’ETA (r = 0.655, RMSE = 0.95 mm/giorno, MSE = -0.29 mm/giorno). Nel caso di Radicondoli (Fig.3), il profilo della traspirazione misurata mostra un massimo a giugno quando l’ET0 è alta e l’acqua non è un fattore limitante; segue una riduzione dovuta alla carenza idrica del periodo estivo. L’accuratezza delle stime ottenute con il metodo NDVI-Cws è buona, anche se si evidenzia una certa sovrastima (MBE = 0.39 mm/giorno), dovuta probabilmente al contributo del sottobosco che il metodo del sap-flow non ha misurato.

Fig. 2: Dati di ETA giornaliera misurata con la tecnica di eddy-covariance e stimati per il bosco di Lecceto (** = correlazione altamente significativa, P < 0.01).

Fig. 3: Dati di traspirazione giornaliera misurata con la tecnica del sap-flow e stimati con il metodo NDVI-Cws per la cerreta di Radicondoli (** = correlazione altamente significativa, P < 0.01).

Per quanto riguarda il seminativo estivo nei pressi di Foiano della Chiana (Fig.4), l’accordo fra i risultati del modello semplificato e WinEtro è molto buono (r = 0.928) e l’errore contenuto (RMSE = 0.97 mm/giorno, MBE= 0.29 mm/giorno) (Fig.4). I valori di ETA di riferimento possono essere inaccurati soprattutto all’inizio ed alla fine del ciclo, viste le difficoltà legate al reperimento delle informazioni corrette riguardo alle pratiche colturali adottate nelle diverse stazioni. Maggiori dettagli sono riportati in Maselli et al. (2014) e Chiesi et al. (2013). 38

Fig. 4: Dati di riferimento giornalieri di ETA ottenuti con WinEtro confrontati con le stime ottenute con il metodo NDVI-Cws per Foiano della Chiana (** = correlazione altamente significativa, P < 0.01).

Un esempio di mappe della ETA primaverile ed estiva calcolata per tutta la regione viene riportata in Fig. 5A-B. La mappa primaverile è relativa al 1 aprile 2012; i valori stimati sono generalmente bassi, con i massimi nelle zone pianeggianti caratterizzate dalla presenza di colture annuali. Tendono a diminuire spostandosi a quote più elevate dove l’ET0 è limitata dalle temperature più basse. In quella estiva, i valori di ETA sono generalmente molto bassi nelle zone coltivate ed intermedi nella maggior parte della regione. I valori più alti sono ottenuti in zone umide dove la FVC è maggiore di 0.6 vedi Tab. 1) e, conseguentemente, i fattori di stress idrico sono disattivati.

Fig. 5: Mappe di ETA giornaliera (A, 1 aprile 2012; B, 24 agosto 2012) ottenute con il metodo NDVI-Cws guidato da dati MODIS alla risoluzione spaziale di 250 m; A, B e C indicano rispettivamente le colture annuali, le zone montuose e le zone umide.

Conclusioni Complessivamente, il metodo semplificato adottato basato sull’integrazione di dati NDVI e meteorologici consente di ottenere in maniera speditiva una stima dell’evapotraspirazione per vaste superfici coperte da specie arboree, specie erbacee, colture irrigue e non. Considerando le varie fonti di errore che influiscono sia sui dati di riferimento che su quelli di input del modello, la stima è risultata sufficientemente accurata per tutte le coperture.

Ringraziamenti Si ringraziano il Direttore dell’Ibimet Antonio Raschi e i colleghi Lorenzo Genesio e Barnardo Rapi per aver messo a disposizione i dati di riferimento delle stazioni di Lecceto, Radicondoli e Foiano della Chiana.

Bibliografia Battista P., Rapi B., Rocchi L., 2003. WinEtro: Un logiciel pour l’estimation des besoins en eau des cultures. in AA.VV. Manuel technique du Système Agrométéorologique. Project d’Appui à la Direction de la Météorologie Nationale du Maroc. pp. 236-274. Chiesi M., Rapi B., Fibbi L., Gozzini B., Magno R., Raschi A., Maselli F., 2013. Operational monitoring of daily evapotranspiration through the combination of ground and satellite data. European Journal of Remote Sensing, in stampa. Glenn E.P., Nagler P.L., Huete A.R., 2010. Vegetation index methods for estimating evapotranspiration by remote sensing. Surveys geophysical, 31, 531-555. Jenses M.E., Heise H.R., 1963. Estimating evapotranspiration from solar radiation. Journal of the Irrigation and Drainage Division ASCE, 89, 15-41. Maselli, F., Papale, D., Puletti, N., Chirici, G., Corona, P., 2009. Combining remote sensing and ancillary data to monitor the gross productivity of water-limited forest ecosystems. Remote Sensing of Environment, 113, 657-667. Maselli F., Chiesi L., Angeli L. Papale D., Seufert G., 2014. Operational monitoring of daily evapotranspiration in Central Italy by the combination of MODIS NDVI and ground meteorological data. Sottoposto a Remote Sensing of Environment.

Area della Ricerca CNR di Firenze

Laboratorio di Monitoraggio e Modellistica Ambientale per lo sviluppo sostenibile

Via Madonna del Piano n.10 Edificio D - Piano Primo 50019 Sesto Fiorentino (Fi) Italy Tel. +39 055 44 830.1 Fax +39 055 44 40 83 email: info@lamma.rete.toscana.it www.lamma.rete.toscana.it