CNR-IBIMET climateservices.it

Prevedere la siccità meteorologica

Previsione mensile dello SPI 3

Precipitazioni mensili del dataset CRU (Climate Research 121 Unit) TS v.3.23 e una serie di predittori atmosferici per il calcolo dello SPI 3.

Il sistema previsionale è basato su approccio empirico di previsione  della siccità attraverso l’indice SPI 3, alcuni mesi in anticipo, attraverso indici climatici globali.

Previsione stagionale dello SPI 3 valida per Febbraio-Marzo-Aprile 2018. La scala di colori indica la probabilità di occorrenza di un periodo umido (verde) o secco (giallo-arancio).

Stimare la correlazione della siccità con Drivers a larga scala

Approccio statistico physically-based:
modello di Regressione Multivariata (RM) per predire anomalie future.

Quest approccio previsionale ha 3 fasi replicate per ogni cella del dominio spaziale:  1) selezione dei predittori; 2) stima dei parametri; 3) previsione.
  1. Nella prima fase, viene usata una procedura a doppio step per selezionare il modello RM migliore in termini di performance predittiva, ovvero quali sono i drivers atmosferici a larga scala migliori (ed i loro ritardi) da usare come predittori per lo SPI-3.
  2. Nella seconda fase, vengono stimati  i valori dei parametri del RM che riproducono la relazione lineare fra lo SPI-3 ed ogni driver in 1).
  3. Nella terza fase, le stime dei parametri ottenuti in 2) sono usate per predire le anomalie di SPI-3 future.
La variabile dipendente SPI-3 del modello RM è calcolata usando il dataset di precipitazione globale CRU (dal 1901 ad oggi). Per il calcolo dello SPI, che è fatto con il pacchetto “SPEI – R“, vengono usati il periodo 1961-2010 e la distribuzione Pearson III distribution per standardizzare la variabile in una distribuzione Gaussiana con media zero e deviazione standard uno. I predittori sono selezionati fra indici climatici atmosferici ed marini secondo la lista sottostante, quindi vengono centrati e standardizzati usando rispettivamente la media complessiva e la deviazione standard. La procedura di de-trending è applicata sottodividendo mensilmente ogni serie temporale e costruendo il modello RM per ogni mese previsto. Inoltre, per ogni predittore viene stabilito un massimo di cinque mesi precedenti lo SPI-3 da includere nella matrice dei regressori. Per esempio, la matrice del modello SPI-3 di Marzo è composta dalle serie temporali dei predittori da Ottobre a Febbraio, poichè lo SPI-3 di Marzo è calcolato usando le piogge di Marzo, Aprile e Maggio.

La procedura di de-trending è basata su una regressione non parametrica locale ed è inoltre applicata alla variabile dipendente.
Infine, il modello è composto da 12 matrici con 43 osservazioni, che sono i valori mensili delle serie temporali 1974-2015 e 13*5 predittori (essendo 13 gli indici e 5 passi temporali principali).

Inoltre, viene attuata una procedura di eliminazione delle variabili che risultano essere una combinazione lineare o avere una correlazione molto elevata con le altre variabili, al fine di risolvere il ben noto problma della multicollinearità nei modelli RM.

A questa matrice filtrata viene applicata una procedura a doppio step per selezionare il miglior modello in termini di performance predittiva:

  1. trovare gli otto migliori modelli per ogni gruppo da 1 fino a 12 predittori, corrispondente all’indice adjusted R2;
  2. trovare il miglior modello fra quelli identificati  al punto (1) mediante un criterio di cross-validation in 10 ripetizioni e l’indice RMSE. L’intera procedura è stata fatta per ogni cella del dominio spaziale.

Indici climatici identificati come possibili predittori

Validazione del modello e performance predittiva

Riepilogo dei risultati

E’ stata fatta una valutazione della performance predittiva del miglior modello per ogni SPI-3, sommando i risultati ottenuti in ogni cella del grigliato. L’elevato numero di valori al di sopra di 0.5 è indice generalmente di una buona definizione del modello. Un tale comportamento è più evidente in inverno, quando la siccità può creare criticità maggiori. Una performance inferiore, invece, è stata identificata in estate, quando eventi siccitosi sono più comuni ed hanno impatti minori.

Validazione

Performance Predittiva

Riguardo al riepilogo dei risultati ottenuti in ogni cella del grigliato 

signif 0.05 e signif 0.10 rappresentano la percentuale di predittori nel modello migliore che risultano individualmente significativi rispettivamente a livello α = 0.05 e α = 0.10 del t-test. adjR² e range RMSE sono il minimo e il massimo valore ottenuto in tutto il dominio spaziale; il range SPI è  il minimo e il massimo valore osservato.