Data Assimilation

L’assimilazione dei dati derivanti da osservazioni, sia satellitari che a terra, è una delle basi su cui si fonda la modellistica numerica. Le previsioni a scala globale che forniscono le condizioni iniziali e al contorno per i modelli a scala regionale, come quello operativo presso il LaMMA, contengono già milioni di osservazioni quotidianamente acquisite su tutto il pianeta. Grazie a esse, e agli opportuni algoritmi che le elaborano, le variabili prognostiche del modello (temperatura, pressione, umidità, etc.) vengono rese quanto più conformi possibile ai risultati delle osservazioni, in modo che il modello stesso parta da uno stato atmosferico quanto più simile possibile rispetto a quello reale.

 

Test di assimilazione dati a scala regionale

Da alcuni anni il Consorzio LaMMA svolge attività di ricerca nel campo dell’assimilazione dati a scala regionale. La disponibilità quasi in tempo reale di una grande mole d’informazioni acquisite sul territorio regionale e nazionale da stazioni meteo, radar, boe, rappresenta una potenzialità ancora in buona parte da sfruttare per la modellistica numerica locale ad alta risoluzione. I modelli globali, per limiti sia temporali che numerici, non possono di fatto assimilare le osservazioni locali, che restano invece disponibili per i modelli locali. La sfida, soprattutto per il loro sfruttamento a fini operativi, è duplice: da un lato occorre che le osservazioni siano raccolte e processate in tempo quasi reale e dall’altro che il modello numerico destinato ad assimilarle sia opportunamente predisposto e tarato.

Attualmente il LaMMA è dotato di un modello non operativo (WRF-ARW versione 4.1) su cui si effettuano in maniera ormai continuativa test di assimilazione 3D-Var di dati meteo rilevati sia da stazioni a terra (diverse centinaia sul territorio nazionale e sulla Toscana in particolare) che da radar meteorologici in banda X e C.

Le stesse procedure di assimilazione sono utilizzate anche per lo studio a posteriori di eventi meteo di particolare rilevanza, come il downburst del primo agosto 2015 a Firenze o il nubifragio abbattutosi su Livorno il 9-10 settembre 2017. I risultati ottenuti sono incoraggianti e in linea con quanto riportato nella letteratura scientifica di settore: l’assimilazione produce effetti positivi rilevabili entro le prime 6-8 ore dagli ultimi dati assimilati, riuscendo in alcuni casi a prevedere lo sviluppo di fenomeni estremi altrimenti non risolti dal modello non guidato dalle osservazioni.

L’obbiettivo a più lungo termine resta l’impiego massivo delle osservazioni per la modellistica previsionale operativa, sia in fase di assimilazione dei dati nei modelli numerici che in quella di valutazione quantitativa della precisione e accuratezza delle previsioni.

 


 

Data Assimilation 1

Data assimilation 2

Data assimilation

 

Nelle tre immagini una ricostruzione del nubifragio di Livorno, 9-10 Settembre 2017: le prime due sono simulazioni di previsione senza alcuna assimilazione (la prima) e con l'assimilazione di dati radar (la seconda); la terza mostra le rilevazioni pluviometriche (mm di pioggia) registrate durante l'evento.

 

 


Riferimenti bibliografici:

1.    Atmospheric modelling, data assimilation and predictability, Eugenia Kalnay. Cambridge University Press. 2003. pp. xxii + 341. ISBNs 0 521 79179 0, 0 521 79629 6.
2.    Carrassi, A., Bocquet, M., Bertino, L. and Evensen, Geir. (2017). Data Assimilation in the Geosciences - An overview on methods, issues and perspectives. Wiley Interdisciplinary Reviews: Climate Change. 10.1002/wcc.535.
3.    I. Maiello, R. Ferretti, S. Gentile, M. Montopoli, E. Picciotti, F. Marzano, C. Faccani. Impact of radar data assimilation for the simulation of a heavy rainfall case in centralitaly using wrf–3dvar, Atmospheric Measurement Techniques 7 (9) (2014) 2919–2935(2014).