Confronto di metodi di downscaling di dati di precipitazione per studi climatologici

Le precipitazioni estreme e la variabilità a piccola scala sono fattori determinanti in molti studi sull'impatto del cambiamento climatico. Tuttavia, la risoluzione spaziale raggiunta dagli odierni modelli climatici globali (GCM) e dai modelli climatici regionali (RCM) è ancora insufficiente per identificare correttamente la struttura a scala fine dei campi di precipitazione. In assenza di una giusta rappresenzasione fisica, questo divario di scala può essere temporaneamente colmato adottando tecniche di downscaling stocastico della precipitazione. In questa tesi è stata analizzata la performance di due metodi di downscaling stocastico ed è stata valutata l'abilità di questi metodi nel riprodurre la statistica dei campi di precipitazione nell'area alpina nordoccidentale italiana. Il primo metodo di downscaling, chiamato RainFARM (Rainfall Filtered Autoregressive Model), appartiene alla tipologia di modelli metagaussiani ed è basato su una trasformazione non lineare di un processo linearmente correlato; l'altro metodo è basato sulle cascate moltiplicative random. Entrambi i metodi sono stati applicati al dataset grigliato di precipitazione EURO4M. Questo dataset fornisce un'analisi spaziale di precipitazione sulle alpi e regioni circostanti con una risoluzione spaziale di 4x4 km (la risoluzione di confidenza è di 10-20 km). I due metodi di downscaling sono stati applicati ai dati di EURO4M dopo averli aggregati a risoluzioni più grezze (da 12 a 64 km) per ottenere campi di precipitazione con una risoluzione spaziale di 1 km. La performance dei due metodi è stata testata in due modi. Primo, i campi di EURO4M downscalti a 1km di risoluzione sono stati direttamente confrontati con i dati di precipitazione forniti da una fitta rete di 109 pluviometri nelle regioni di Piemonte e Valle d'Aosta e con i campi originali (dopo averli ri-aggregati a 4km). Secondo, è stato effettuato un esperimento ideale: i due metodi di downscaling sono stati applicati ai campi downscalati di EURO4M dopo averli ri-aggregati. Ciò è stato fatto per valutare l'abilità dei metodi di downscaling nel riprodurre campi di precipitazione a 1km di risoluzione. Entrambi i confronti sono stati effettuati in termini di proprietà statistiche (es, distribuzioni densità di probabilità, spettri di potenza, dimensione frattale, momenti statistici). E' stata investigata la dipendenza dei risultati dalla risoluzione del campo di precipitazione a grande scala e dai parametri liberi dei due modelli. I risultati dell'analisi indicano che la corretta valutazione dei parametri del modelli è cruciale per rappresentare in modo adeguato le proprietà statistiche dei campi di precipitazione, mentre la risoluzione del campo a grande scala influenza meno le performance dei due metodi. Dal confronto si è visto che le cascate random riproducono meglio le distribuzioni di ampiezza della precipitazione, mentre RainFARM è più performante nel riprodurre la struttura di correlazione spaziale del campo di precipitazione.

Precipitation extremes and small-scale variability are essential drivers in many climate change impact studies. However, the spatial resolution currently achieved by global climate models (GCMs) and by regional climate models (RCMs) is still insufficient to correctly identify the fine-scale structure of precipitation fields. In the absence of a proper physically based representation of the small-scale precipitation, this scale gap can be at least temporarily bridged by adopting stochastic rainfall downscaling techniques. In this thesis the performance of two stochastic downscaling methods is analysed and the ability of these methods in reproducing the statistics of precipitation fields over the northwestern portion of the Alpine area in Italy is assessed. The first downscaling method, called RainFARM (Rainfall Filtered Autoregressive Model), belongs to the family of metagaussian models and it is based on a non-linear transformation of a linearly-correlated process; the other method is based on multiplicative random cascades. Both methods are applied to the EURO4M regularly-gridded precipitation dataset. This dataset provides a spatial analysis of precipitation over the European Alps and adjacent flatland regions with a spatial resolution of 4x4 km (the reliable resolution is approx. 10-20 km). The two downscaling methods have been applied to EURO4M data after upscaling them to coarser resolutions (from 12 km to 64 km) to obtain new precipitation fields with a spatial resolution of 1km. The performance of the downscaling methods has been tested in a two-fold way. First, the EURO4M precipitation fields downscaled at 1km of resolution have been compared to the precipitation data provided by a dense network of 109 rain gauges in the Piedmont and Valle d'Aosta regions and with EURO4M original data (after re-aggregation of the downscaled field at the EURO4M resolution). Second, an ideal experiment has been carried out: the two downscaling methods have been applied to EURO4M downscaled fields after re-aggregation. This was done in order to assess the ability of downscaling methods in reproducing precipitation fields at 1km of resolution. Both comparison have been performed in terms of statistical properties (e.g. probability density functions, power spectra, statistical moments, fractal dimensions). The dependence of the results on the resolution of the large-scale precipitation field to be downscaled and on the free parameters of the two methods has been investigated. The results of the analysis indicate that correct evaluation of models parameters is crucial for satisfactorily representing the statistical properties of rainfall fields, while the resolution of the large scale precipitation field affects to a lesser extent the performances of the two methods. From the comparison we can argue that the random cascades better reproduce the amplitude distribution of the precipitation, while RainFARM performs better in reproducing the spatial correlation structure of the rainfall fields.