Home

Mappe Climatiche in Puglia - Consiglio Nazionale delle Ricerche

1. 62 Figura 6 20 Exp 0 1 1 5 3000 2 o av 14 1 2 1 0 8 0 6 0 4 0 2 0 0 20000 Wario h 40000 60000 100000 h 80000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 28 max 22 59 2093 21 56 3 80 3 09 dev std 1 84 1 43 Noy 1 26 1 16 Nel mese di settembre la media dei residui 0 0 C e la varianza 1 17 C il modello lineare z regr 17 8 0 006 hslm Il variogramma esponenziale con range di in fluenza che aumenta a 5 km rispetto al mese di agosto effetto nugget di sottocampionamento di 0 1 circa il 10 della variabilit totale asse stato intorno alla varianza dei residui Figura 6 21 Exp 0 1 1 1 5000 Wario h 40000 60000 100000 80000 0 20000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 29 max T9 o0 tz ob 18 38 3 35 3 6 dev std 1 89 155 1 70 1 14 1 08 Nel mese di ottobre la media dei residui 0 0 C e la varianza 1 10 C il modello lineare z regr 14 4 0 006 hslm Il variogramma esponenziale con range di influenza che continua a salire rispetto al mese precedente portandosi a 7 5 km effetto nugget di sottocampionamento di 0 1 circa il 10 della variabilit totale assestato intorno alla varianza dei residui Figura 6
2. landare 4opo CALCOLO ARIOGRAMMA SPERIMENTALE CALCOLA VARIOGRAMMA SPERIMENTALE Variogramma sperimentale BYBSRRY SRY BRBENRBREBNLRSssaanrosorsee voumun INSERIRE DATI Si deve adattare questo foglio ai propri dati in numero non superiore a 150 riportandoli nelle colonne identificate da x y z a partire dalle posizione A5 B5 C5 Dopo il loro inserimento sar visualizzato la dimensione N del campione in posizione A3 e le seguenti stati stiche media varianza deviazione standard di z in 01 02 03 e numero di combinazioni previ ste per il calcolo del variogramma sperimentale in 112 vedi fig A2 E Microsott Excel dic TEMP MIN xis Oe HG GAY rA w c E Eer Hi Bae GB Fle Modifica Visualizza perso Formato Srumerti Q Finestra 2 0 x u 10 Ges EB SHO xm Bo OQ I A 21 amp Soon U amp wn 1 Dati a parte da A5 35 C54 2 Passo del variegramma Esempio 01 3 065206 4j ense sj esa fJ o 5615597 454295390 III III 02 41 _ 55615050 4544586 10 e aes lente if INSERIRE PARAMETRI PER IL CALCOLO DEL VARIOGRAMMA in posizione E4 inserire il numero di classi di distanze minore di 10 e in posizione I inserire l ampiezza della singola classe entrambe verranno utilizzate per il calcolo del variogramma sperimentale Ora spostarsi sul box CALCOLA VARIOGRAMMA SPERIMENTALE attivando c
3. 4 h Regione Puglia Area Politiche per la riqualificazione la tutela e la sicurezza ambientale Area Programmazione e Finanza e per l attuazione delle opere pubbliche Ufficio Statistico Servizio Protezione Civile Centro Funzionale Regionale e Struttura di Monitoraggio Meteoclimatico Mappe Climatiche in metodologie strumenti e risultati Pubblicazione a cura della Regione Puglia Servizio Protezione Civile Centro Funzionale Regionale e Struttura di Monitoraggio Meteoclimatico Area Politiche per la riqualificazione la tutela e la sicurezza ambientale e per l attuazione delle opere pubbliche Ufficio Statistico Area programmazione e finanza Contributi di G Amoruso P B Giandonato V Marzano L Pirone Servizio Protezione Civile V D Agostino A Refaldi Ufficio Statistico E Barca G Passarella IRSA G Bari F Intini F Montanaro F Pastore Associazione ONLUS Meteo Valle d Itria Realizzata in collaborazione con Consiglio Nazionale delle Ricerche Istituto di Ricerca Sulle Acque IRSA Per informazioni http www protezionecivile puglia it cf protezionecivile puglia it http www regione puglia it ufficiostatistico ufficio statistico regione puglia it Disclaimer Riguardo al software realizzato dal gruppo di lavoro scaricabile liberamente dal sito www regione puglia it ufficiostatistico gli autori declinano qualsiasi responsabilit che possa derivarne dal
4. 40000 60000 80000 0 20000 100000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 10 max 29 33 2813 29 43 2 42 2 53 dev std TaS Ie 153 0 92 1 16 Nel mese di luglio la media dei residui 0 01 C e la varianza 1 5 C il modello lineare z regr 30 8 0 0044 hslm Il variogramma sferico con range di influen za di 40 km effetto nugget di sottocampiona mento di 0 15 assestato intorno alla varianza dei residui Figura 6 7 Sph 0 15 1 4 40000 Vario k 0 20000 40000 60000 80000 100000 55 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 11 max Se nU SOS ILIS 2 38 2 84 dev std DE 1 19 1 42 0 97 1 22 Nel mese di agosto la media dei residui 0 01 C e la varianza 1 26 C il modello lineare z regr 30 0 004 hslm Il variogramma sferico con range di influen za di 40 km effetto nugget di sottocampiona mento di 0 09 assestato intorno alla varianza dei residui Figura 6 8 Sph 0 09 1 2 40000 Wario h 0 20000 40000 60000 h 80000 100000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 12 max Sez S2 ES TES 03 1 94 252 dev std 1 63 1 19 1 40 0 87 be 56 Nel mes
5. A r teceasy UTU T UA j U UU nv urdijoueusines oud oueuines 183 05 2 82 00 68t 08 v2T2TSt 02 795849 eijBnd va 31109 ul ourejeues llo3 ui ouie1ayues PUN 262468 E Q ezzviS ude w ipiequoliopopBuvaues IpiequioTISpoleBuyzues 183 8v Ov6S 00 0T2 02 E6ESSSY 02 2661 5 eij3nd 94 e1sng ip eeay ues eijBnd Ip eedy ues PS SET 9 0092 Ovze OWv QU czs82 aang a deg apoueusinse ama p euewerues pns 280168 00 9 2 05 7781 97 02 1029vS eijBnd 94 091UESIE9 oipueoluues o3iue8jeg CIPUEIIUUES RION S02626 TT Ges Qe6lz22 aang UUEMHON pouAUeS IMUEUION ap ONA UES pJON 9E v22 2 00 26 08 0725197 08 0v6TES el 8ng 94 o18 es ues 0J8A8S UeS w 34vW 1v0 3NOIZISOdS3 3NOIZVIS ANON VZNVISIO Figura 5 2 Pluviometro Pluviografo Il sensore pluviometrico misura la precipitazione raccolta da una bocca tarata di 1000 cm di forma circolare ad imbuto e fornisce un segnale per ogni quinto di millimetro di acqua caduta 20g L elemento sensibile costituito da una coppia di vaschette basculanti SCARICO 1 DO 50 6 Elaborazione dei dati 6 1 Analisi strutturale temperature massime 6 1 1 Analisi descrittive Nella tabella 6 1 sono rappresentate le stati stiche descrittive che riguardano la variabile temperature massime mensili mesi inver nali novembre dicembre gennaio e febbra Tabella 6 1 io sono quelli maggiormente variabili intorno al
6. G00Z 9Z6 o1ueueoju Ip OpOli d OIEUUDH Ip asa jap BUSOAOI Ip LOJA lap 1J0149JUI wT Pubblicazione a cura dell Ufficio Statistico Regione Pugli Area Programmazione e Finanza Assessorato Bilancio e Programmazione Per informazioni ufficio statistico regione puglia it JD15 2ub 7 Ragusa Grafica Moderna Bari
7. Ottobre 199 7 Dicembre 2003 Ottobre 1983 Ottobre 1997 Novembre 2003 Agosto 1982 Dicembre 2002 Agosto 1982 Novembre 2004 Aprile 1978 Novembre 1976 Dicembre 2002 Febbraio 1994 Dicembre 2003 Dicembre 2002 Gennaio 2003 Dicembre 2002 Novembre 1998 Luglio 1989 Maggio 1976 Dicembre 1983 Novembre 1997 Dicembre 2003 Dicembre 1983 Settembre 2003 Gennaio 2003 Novembre 1976 Dicembre 1983 Novembre 1998 Dicembre 1983 Novembre 2004 Novembre 1979 Gennaio 1996 Novembre 1997 Aprile 1978 Novembre 1976 Novembre 1997 Novembre 1985 Novembre 1997 Novembre 1976 Novembre 1993 Novembre 1993 Dicembre 1984 Dicembre 1984 Ottobre 2005 Dicembre 1983 gna MESE PIU PIOVOSO MINIMA PRECIPITAZIONE den NE valori medi nel valori medi nel o dm um s entenhfo MTA valori medi mensili valori medi annui valori medi annui 24 1 Luglio 70 7 Novembre Omm Marzo94 Luglio 78 84 88 93 01 Agosto 86 88 92 00 01 Ottobre 95 370mm 2001 756mm 2003 31 Luglio 104 2 Novembre Omm Luglio 88 01 495mm 2000 1171mm 1976 24 8 Luglio 65 9 Novembre Omm Luglio 84 88 96 329mm 1992 752mm 1980 40 4 Luglio 97 5 Novembre Omm Luglio 80 85 88 568mm 2001 991mm 1976 20 1 Luglio 76 8 Novembre Omm Marzo94 Luglio 78 84 88 93 Agosto 86 Ottobre 95 307mm 2000 5mm 1976 22 7 Luglio 73 7 Novembre Omm Luglio 77 78 88 Agosto 00 Settembre 80 363mm 1977 1054mm 1976 33 8 Luglio 78 1 Novembre Omm Luglio 78 80 84 85 88 Agosto
8. Puglia Puglia Campania Puglia Campania Puglia Puglia Puglia Puglia Campania Puglia Puglia Puglia Puglia Basilicata Puglia Puglia Puglia Puglia COORDINATE UTMX UTM Y 510754 60 4599088 40 686649 70 4540146 30 77931660 4421387 70 561961 30 4529703 70 539088 20 4550519 00 546139 30 4547649 20 777255 90 4430876 20 624555 70 4552433 30 545561 50 4518882 90 701991 30 4481296 30 558967 00 4617451 40 552920 50 4617795 80 740936 50 4478085 70 754417 70 4485432 40 531940 80 4615740 80 28719 90 4504209 20 546701 70 4631844 50 787239 00 4410 92 40 531992 20 4555393 0 514222 70 4529592 00 648564 20 4517174 80 515390 20 4563731 10 592315 00 4535068 40 692844 10 4475769 40 690795 70 4481728 00 763750 50 4430306 00 520445 50 4521635 00 517209 00 4586826 80 524304 50 4615334 50 525894 30 4578930 20 670292 90 4531902 20 56721 70 4534339 00 579496 60 4638143 80 597511 90 4637115 50 790953 50 4434640 50 510640 40 4591745 30 M S L M 464 00 50 00 105 00 658 00 679 00 220 00 140 00 276 00 902 00 86 00 572 00 564 00 64 00 49 00 97 00 116 00 236 00 26 00 710 00 875 00 489 00 718 00 458 00 37 00 27 00 72 00 687 00 364 00 184 00 448 00 260 00 426 00 450 00 53 00 99 00 713 00 DISTANZA DAL MARE m 42316 10 dog 6527 72 61723 52 57286 71 54634 89 135 1 3 13563 38 78735 53 10938 1
9. c re variabili continue a meno che non si abbia no delle chiare prove della loro inadeguatezza La normalit univariata dell istogramma dei dati campionari pu essere facilmente veri ficata nel caso sia confutata i dati possono venir normalizzati mediante una trasforma zione che consenta di passare dalla variabile originaria z alla gaussiana standardizzata u E possibile ottenere ci in tre modi differenti 1 gli N valori campionari di z vengono ordi nati in ordine crescente Z lt Z lt SZ La frequenza cumulata corrispondente s k al k mo dato diz F z N e quindi la trasformata normale di z il quantile K N della normale standardizzata ovvero sse t ove G u la funzione di probabilit cu mulata della normale standardizzata Se condo questo approccio due dati uguali della variabile originaria corrispondono a trasformate gaussiane differenti 2 l approccio empirico consiste nel calcola re per ogni valore della variabile originaria la frequenza empirica e quindi il valore gaussiano corrispondente In questo caso due valori uguali di z hanno la stesso va lore gaussiano Figura 3 92 l approccio empirico consiste nel calcolare per ogni valore della variabile originaria la frequen za empirica e quindi il valore gaussiano corrispondente In questo caso due valori uguali di z hanno la stesso valore gaussia no Figura 3 9 3 l anamorfosi gaussiana una funzione matem
10. ee ee ae ek 20 40 GO sn 100 Figura 3 2 Sintesi delle principali fasi dell analisi geostatistica RACCOLTA DEI DATI STATISTICHE DI BASE TEST CLUSTERIZZAZIONE TEST GAUSSIANITA DECLUSTERING Assegnazione pesi al dati MAPPE Stime e Limiti di Confidenza KRIGING Stima e Varianza DEFINIZIONE DELLA VLL s GRIGLIA DI STIMA ANAMORFOSI GAUSSIANA VARIOGRAFIA KRIGING DEFINIZIONE DELLA Stima e Varianza GRIGLIA DI STIMA MAPPE DEGAUSS Stime e 3 2 Fasi dell analisi geostatistica L obiettivo della costruzione di una mappa attraverso l analisi geostatistica richiede l espletamento di un insieme di attivit alcu ne di queste associate a una presa di decisio ne nel grafico seguente Figura 3 7 rappre sentato l algoritmo che guida tale analisi Raccolta dei dati requisiti applicativi determinano le caratteri stiche spaziali e temporali dei dati che vanno selezionati raccolti ed organizzati in modo da essere trattati in modo automatico Statistiche di base dati sono descritti attraverso statistiche quali minimo massimo media deviazione standard errore standard dei dati intervalli di confidenza della media L istogramma i gra fici di frequenza cumulati e quelli di scatter possono essere utilizzati per investigare vi sivamente sull esistenza di valori estremi nel campione e sulla forma della distribuzione del campione Test di clusterizzazione Grappoli di dati
11. 96218tt 0E EY2SSY7 02 28 TevV 0E 9rTOvVSt 07 88066St 0v 2TE02SY 0t vsSs6tvt 01 80STTSt 06 891S2St 00 28292St 02 9vETSTY OO T28TESY 02 1269SSt 09 62S219v 00 2Ss92vSt 0S E6vEVVU 02 00622St O 6 22 St 0S T2292St 09 0 202vt 0S 922 6vt 09 s98 09t 09 T92S2vt 02 S9T9v vt 0T 20SS6St 0S 2TOVTISU AWLN 3LVNICHOOI 0S ES6062 O6 TTS26S 06 262029 O v68S2S 0Ss 0S2 92 02 562069 01778269 00 STE26S 02 22evis 00 6 2282 02 T029vS 08 0v6TES 08 12288S 02 2TvvS2 00 2968SS 0 T66102 02 SSSt29 09 91 622 02679989 09 vS20TS 0S SE9EES 08981262 06602212 02 159655 097970205 02 vEE8S2 02 52075S 02 502725 07 02008S 01790765 08 9EST62 0Ss 092 v9 06 8S22SS 09 026v6S 08 6921v2 01097829 00 T2 E2S cease 02829082 0S T1082S 02 68 269 XWLN ei Bng eij3nd eij3nd end end eij3nd eij3nd eij3nd eiueduje eij3nd eil3nd eind eind eij3nd eij3nd eij3nd eij3nd eij3nd eij3nd eij3nd eyeaiiseg ei 8nd eijnd eij3nd eiuedweg end eyeoriseg eil8nd eil8nd eij3nd eij3nd eij3nd eyeoi iseg eij3nd eij3nd eij3nd eij3nd eij3nd end eij3nd eij3nd 3N01934 31 810 94 3S A va unt 94 erou 31 oueive V1 o3ueiej V1 ouesje 18 elozzeuids Av puequio7 lap ojaduy jues 31 ode5 jap oueuduisej 94 o2iued1eo ospuediuues 94 01anas ues 18 eildng IP opueuipia4 ues 4g 02n0u18A 0458Iq ues 94 opuo1oy uueAol9 ues VL o31uor 0181019
12. S oq e zx e S ve ET lt colonna della tabella successiva i mesi in cui i risultati risultano migliori sono giugno e otto bre con un adeguatezza del modello intorno al 90 mentre i peggiori sono marzo e agosto per i quali il modello mostra un adeguatezza comunque discreta intorno al 70 abella 6 35 Riepilogo dei parametri di cross validazione media degli errori standardizzati deviazione standard degli errori standardizzati valori osservati vs valori stimati Coeff di correlazione Errore di sistematicit Congruenza varianza di stima FEBBRAIO 0 73 0 02 0 89 APRILE 0 86 0 06 0 76 GIUGNO 0 90 0 05 1 11 AGOSTO 0 69 0 00 0 95 OTTOBRE 0 89 0 03 0 7 DICEMBRE 0 74 Nel seguito sono riportati i variogrammi spe rimentali e teorici con i parametri caratteristi ci di ciascun modello relativi a ciascun mese studiato modello nugget sill range in metri corredati da tabelle riassuntive contenenti pa rametri di cross validazione utili a determinare l adeguatezza del modello al comportamento spaziale osservato mese per mese In particolare nella prima tabella si riportano l errore di sistematicit l indicatore di con gruenza della varianza di stima all errore ed il coefficiente di correlazione tra i valori os servati e quelli stimati In breve una buona corrispondenza del modello al variogramma sperimentale dovrebbe produrre un valore dell errore di sistematicit media della d
13. cidentali Considerando il grafico dei Boxplots Fig 6 25 degli istogrammi delle precipitazioni cumulate si riscontra nei mesi invernali una notevole ampiezza tra il 1 ed il 3 quartile indicante una notevole variabilit annuale dei quantitativi di pioggia specie nei mesi di Di cembre e Gennaio Anche la deviazione stan dard per i mesi invernali Tab 6 33 elevata per i mesi di Dicembre e Gennaio e pi bassa per Febbraio Valori alti della deviazione stan dard indicano una notevole variabilit interan nuale dei quantitativi di precipitazioni La sta gione invernale insieme all autunno la pi piovosa quindi eventuali invernate con valori dei cumulati sopramedia o sottomedia hanno un peso notevole nel computo totale dell an no che quindi potrebbe risultare abbondante mente piovoso o particolarmente asciutto m PRIMAVERA mappe di Marzo Aprile e Maggio a ANALISI DELLE TEMPERATURE Dalle mappe del mese di Maggio si nota che la presenza sempre pi frequente dell Antici clone delle Azzorre sul Mar Mediterraneo ga rante di un maggiore soleggiamento effettivo sul territorio pugliese con valori di circa 14 ore e 30 minuti hanno definito i valori termici medi sulla Puglia riscaldando maggiormen te le aree interne rispetto alle aree costiere Questa particolare distribuzione da attribu ire alla presenza del mare che a causa della propria temperatura pi bassa ris
14. 3 1 2 Modelli di variogramma Per modello si intende una funzione matema tica continua che rappresenta adeguatamen te il grafico del variogramma sperimentale ll modello permette di ottenere una misura per ogni h da utilizzare all interno delle tecniche di Kriging Nella figura seguente Figura 3 5 sono rappresentati con nugget uguale zero e sill uguale a 1 gli andamenti dei tipi pi comu ni di modelli di variogramma Figura 3 5 Tipi di variogramma sph per sferico exp per esponenziale lin per lineare gaus per gaussiano e nug per nugget sph nmug 1 i exp bn x gaus Le forme matematiche sono descritte nel se guito laddove si indica con c il nugget con c il sill e a il range g Variogramma sferico rappresentato da una curva crescente fino al range limite di in fluenza Dopo il range le differenze quadra tiche medie non cambiano e la curva diventa costante Lo sferico un variogramma che de scrive variazioni spaziali con aree di influenza ben sviluppate e buona continuit La formula che regola il modello sferico e la seguente vh lt a y h core t5 05 Vh gt a 7 h co c Variogramma nugget caratteristico di feno meni che le cui differenze quadratiche medie non variano al crescere delle distanze Punti quindi vicini fra loro hanno un comportamen to similare a quelli che sono distanti Il grafico sperimentale del variogramma
15. campioni che sono riconosciuti come quelli dotati di maggior potenza altri test molto noti sono il Lilliefors e il Kolmogorov Smirnov Anamorfosi gaussiana Il modello di funzione casuale di tipo gaus siano presenta delle caratteristiche uniche per la sua estrema semplicit analitica e per rappresentare la distribuzione limite in molti teoremi globalmente noti come teoremi del limite centrale In sintesi se si pu considerare un fenome no spaziale continuo come generato dalla somma di un numero non troppo grande di sorgenti indipendenti con distribuzioni simili allora pu essere rappresentato da un model lo multivariato di funzione casuale gaussiana Z x gt Y x Gaussiana Il fattore limitante in una tale rappresentazio ne non tanto il numero K oil fatto che le com ponenti Yk x siano ugualmente distribuite quanto l ipotesi di indipendenza delle stesse Se gli errori umani o di misura possono talvol ta essere considerati indipendenti raramen te nelle scienze ambientali i diversi processi geologici biologici che hanno dato origine al fenomeno osservato possono essere consi derati indipendenti l uno dall altro e quindi ad ditivi Nonostante ci i modelli gaussiani sono stati estensivamente studiati e ben compresi ed applicati con successo in numerose circo stanze Queste considerazioni di natura euri stica sono sufficienti a giustificare la scelta privilegiata di questi modelli per rappresenta
16. formazione di perturbazioni Spesso la fron togenesi formazione di perturbazioni in Mediterraneo responsabile dei maggiori cu mulati di precipitazione che si riscontrano nel periodo Ottobre Marzo oltre che della maggior parte delle situazioni di marcato maltempo che interessano la Puglia nel corso dell anno Nel periodo tardo primaverile ed estivo la depressione d Islanda tende a indebolirsi e spostarsi verso nord Per tale ragione anche il flusso perturbato atlantico tende a migra re verso le alte latitudini europee lasciando il Mediterraneo e la Puglia sotto l influenza dell anticiclone delle Azzorre responsabile delle condizioni di stabilit atmosferica con periodi siccitosi che su vaste aree del terri torio regionale possono durare alcuni mesi Data l origine atlantica dell anticiclone delle Azzorre le temperature medie che caratteriz zano la regione nel periodo estivo non sono eccessivamente elevate 1 Caratterizzazione meteorologica stagionale Nel seguito sono esposte brevi considerazio ni sulle principali situazioni meteorologiche che hanno interessato la Puglia nel periodo temporale che va dal 1976 al 2005 e che hanno influenzato notevolmente il campo ter mico e pluviometrico sul territorio regionale Per questo tipo di analisi si considereranno le mappe dei cumulati di precipitazione media delle temperature minime e massime medie e le relative mappe di stima dell errore massimo e minimo delle temperature e prec
17. i dati in esso com presi sono trattati tutti nello stesso modo Per tenere conto della distanza dei dati rispetto al punto di interesse si pu pesare il loro contri buto attraverso una funzione distanza ad esempio l inverso della distanza fra questi ed il punto Tali metodi prendono il nome di inver se distance weight IDW Hanno il vantaggio di realizzare un calcolo veloce e di implemen tare direttamente l idea di influenza dei valori campionati in funzione della distanza Il grid ricostruito con l IDW produce una superficie che dipende dalla funzione peso utilizzata e dalla forma e dimensione della finestra sensibile a clusters di dati risente della pre senza di trend spaziali Infine tali metodi non forniscono stime sull attendibilit dei risultati Techniques Handbook of Computational Statistics Editors Gentle J Hardle W e Mori Y Springer Verlag Heidelberg p L approccio geostatistico l insieme dei me todi e delle tecniche basate su ipotesi di na tura probabilistica Esso rappresenta una pos sibile risposta al principio esposto da Tobler 1979 Everything is related to everything else but near things are more related distant things che viene spesso indicato come pri ma legge della geografia Tale legge postula un modello plausibile per il quale punti vicini hanno mediamente valori simili riferendo il concetto di vicinanza alla scala di osserva zione del fenomeno Il legame fra punti
18. pns 222289 00 S0T 02 28ET2vY 09976622 eij3nd 31 3221984 922IS8Jd pJON 22 6S2 00 0S O 9PTOrSr 02 679989 eij3nd va ssew e oueudiog auew e oueudijog pns OT 9TE Y 00 797 Or 88066Sr 09 7S20TS eij3nd 94 oulmosayuoweald OUIAOIS UOWE ald pns 26 2SvET 00 S22 02 86696St 02 076675 eij3nd 94 oulmosayuoweald dOY ouiMo 2a3uourenalg PION 92 Ov6E8 00 026 Ot TE0ZSY OS SE9EES eyealiseg zd ouededo saq ouededoosag pJON 20 TvS 00 62 Ov vSS6vvt 08987262 eij3nd 31 Queno ojueng 193 v3 0222 00 7 2 OT 80STTSY 06 602272 eij3nd ug 1umso jumsQ pJON 62 S7TT9 00 758 02 66662St 0T v2821S eij3nd 94 ue22tg 0J 07 Ip 0110 pJON ve vy8S2 00 08 06 89TS2St O2 TST6SS eij3nd 94 e oueug EAOUELO 15910 6 99009 00 89 0v 91669S8t 0 8TE22S eind 94 ensnd ip eesig eij3nd IP e1esiQ PION 92 25226 00 Tr8 00 28292sv 09 7t70205 eiueduie Av o2snN 02snN PION T6 E6vvT 00 TS O T6Tv2vY 0v TE06S2 eij3nd 31 HoAoN I OAON 15910 68 822 OO TEY 09 S028TSP 09 560629 eij3nd va 190N I30N S AD 212818 00 2S 02 9vETSvY 02 vEE8S2 eij3nd 31 9p1eN QpJeN pJON 2 0T2v9 00 2v2 00 T28TESY 02 S201SS eye3iiseg zd 84nyn u o48uoty 01YIINUON pioN 96 2 6Tv O0 EvE O2 E66T VSP 02 28118S eyeoliseg zd uolluu juoW euo nuajyuo 15910 Ty 25899 00 7t8 02 12698St 02 S0212S eij3nd 94 Ind IP auoajayuoy eind IP 2UOS QZUONN pns 89 T9TS 00 2T8 09 62527197 07 020085 eij3nd 94 ojeBuy ues ayuoy ojaduy jues u0NW 193 62 TE02E 00 7St 00 2S92
19. vo vengono descritti qualora si verifichino i fenomeni eccezionali come alluvioni o lunghi periodi di siccit La Struttura di Monitoraggio meteoclimatico ha avviato un processo di armonizzazione e po tenziamento del sistema di rilevamento dei dati meteorologici con strumentazioni elettroniche con la trasmissione dei dati in telemisura ed alla loro diffusione in pregio ai principi di eco 6 nomicit efficienza ed efficacia Gran parte dei dati termopluviometrici sono visibili ed acqui sibili consultando il sito www protezionecivile puglia it Nella tabella seguente indicata la consisten za dell attuale rete di monitoraggio Tabella 1 1 Consistenza attuale rete di monitoraggio Sensori Tipologia Stazioni Stazioni in Telemisura trasmissione GSM 62 62 39 i Stazioni meccaniche di controllo PLA idrome trografi 42 21 1 20 sensori sono di seguito elencati P Precipitazione T Temperatura dell aria Ta Temperatura dell acqua An Vento Br Pressione atmosferica U Umidita Idrometro Le fig 1 1 e 1 2 evidenziano la distribuzione spaziale dei sensori pluviometrici e termome trici sul territorio pugliese le stazioni pluvio metriche sono pi numerose di quelle termo metriche La distribuzione su tutto il territorio pugliese consente di dare un valore statistico alle relative determinazioni Perla produzione delle mappe di primo livello sono stati elaborati i va
20. 02 2222SsSV 0 889239 eij3nd v8 ueg evausasu ueg pJON 69 68 00 27 00 S92ESSt 02966259 eij3nd va ueg ooyersoup Weg 1S8AQ 81 89Sv 00 22 02 S9v69vt 02 9691 2 eij3nd v1 euenany EUENAAY pJON 2 68069 00 S6r 06 228r2Sr O2 026rSS eyeaiiseg zd enay e ev pJON 86 8T6 7 00 2 v O 2v2T9Sv 08 9EE2vS eij3nd 94 oueines rjoosy oueuyes 1023s 153 8S Sp80T 00 29T 06 6 0v9St 02 787809 eij3nd 1g eupuy eupuy pJON 0v 62162 00 068 0 2S80 St 05 700825 eiueduiej Av enaspuy eyaipuy 15910 11 822Tv 00 28v 0T S8202St 01 8660 9 eij3nd va eunwieyy EINWIE Y 1S3 81 222vS 00 7t72 08 0998St 06 90 0TS eij3nd 94 eucuaqiy euoJag v pJON 22 S2 ET 00 EST 06 99v0vSt 09886939 eij3nd va euiepv eIx apy 3NOIZISOdS3 ui uv va WISH eid SM 3N0I93U ANNWOI 3NOIZVIS IWON VZNVISIO 31VNIQH002 N S ell9qel 46 4 PION 82 95661 00 297 00 0S20Sr 26 008089 eij3nd v1 exon oJ o1e2uelu euassey PION Tv E926v 00 St2 00 87r82SSt 09 0TE2vS eijBnd 94 ejepue STT Pod eja1g euassey PION ST 026S O0 OTT 0S 922 6vt 01097829 eij3nd v1 eyessew eyessey 1S8AQ pJON 8 0 TT 00 2 09 598 097 OO TZEELS eij3nd 94 eiuopajuey eiuopaguey 193 S E2201 00 18 09 192S2vv 02 2 9 22 eij3nd v1 eunpuen eunpuej 193 02 S96ST 00 20T 02 S9T9vvY 02829082 eij3nd 37 ausew 21 3eN 183 22 929E v 00922 OT Z0SS6Sr 0S 17082S eij3nd 94 e129 e139N 153 pJON SS 22vvT 00 70t OS 2TOVTSY 02 68 269 eij3nd vg opuo10102
21. 1S9AQ pJ0N v6 6T2 00 22 1S3 pJ0N 6S S0S 00 02 pJON 8 26 00 T pJON 8760829 00 S2 1S9AQ pns 68 70 T 00 28 pJON 09 882 00 78 pJON 68 5209 00 T2T pns 92 STE99 00 922 pJON TE 26T 9 00 vT2 1S8AQ PJON OS TESTT 00 792 pJON ve vOS2T 00 6v2 153 82 96202 O0 v T pns 82 297ST 00 9 2 pJON 88 9ZEET 00 62 pns 2892282 00 yS pns 0T 9p222 OO TSE ys A0 pns SZ OEE9T 00 622 pns 92 S5098T 00 vST pns 86 S0 0T 00 78T pJON 6 6027 00 61 183 v9 9v2tT 00 862 153 v2 20285 00 02t 1s3 pns 28 20vT 00 0 pJON ESYTOT 00 v 183 pJ0N 69 1687T 00 2 pJON 69 68 00 27 15240 81 89St 00 22 pJON 86 8T6Et 00 2 t 193 85 57807 00 297 pJON Ov 62T62 00 068 1S9AQ TT 822Tv 00 28t w 34v Iva m 3NOIZISOdS3 Seld W TS N OO TEIEL HY 02 6ES7E9Y OT tvEZ2VV 0T 98SvvSt 0t v2le6vV O EST2TST 02 992vvSt 08 v9vTvSY 0T S8v06vt 08 06 8TSv 02 21892vv O VOT8EVU 09 60v 2St 0 87006St 001616857 O2 vSve2sr 09 E2Ssv2St 0T1 98Svv St 08 97996tt 0 0899SSt O 26 89St 02 9se66vt 09 2Ss822St O ES28vST 02 T2822Sv 08 227SES 0v 02Tv9St 06 8920 9t 02 s9210St 0t Ov6629t 0S E6228St Ov TEEV2SY 08 29v SSt 02 222esSsv 00 s92 SSt 02 59769vy OE 2v2T19St 06 6 0v9St O 2Ss80 St 01 s8202St AWLN 3LVNICHOOI 09 2v8202 02 8T 62S 02086892 05 652995 0 191622 02 690295 02 E82SES 09 T28 v9 02 SS2902 02 v22299 0 758659 0S v2vSS2 0T ESTT2S 02 E2ESVS 09 686
22. 22 Exp 0 1 1 1 7500 Di 7 1 2 il T e r 1 7 08 0 6 0 4 0 2 0 0 20000 40000 60000 80000 100000 h Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione max 16 79 1442 14 96 3 04 3 71 dev std 1 86 1 53 1 71 1 08 1 05 Nel mese di novembre la media dei residui 0 0 C e la varianza 1 33 C il modello line are z regr 10 3 0 006 hslm Il variogramma esponenziale con range di influenza che cresce ancora fino a 10 km effetto nugget di sottocampionamento di 0 1 assestato intorno alla varianza dei residui Figura 6 23 Exp 0 1 1 2 10000 Wario h 0 20000 40000 60000 80000 100000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 31 ax 13 14 10 30 11 02 2c dev std 1 96 15 Nel mese di dicembre la media dei residui 0 0 C e la varianza 1 08 C il modello line are z regr 3 0 006 hslm Il variogramma esponenziale con range di influenza di 11 km effetto nugget di sotto campionamento di 0 1 assestato intorno alla varianza dei residui Figura 6 24 Exp 0 1 1 1 11000 Wario h 0 20000 40000 h 60000 80000 100000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispe
23. 94 unes lap oroonjjoise unes lap oronjjeyse pns 82 29v3T 00 9 2 O2 9SE66rr O v2vE99 eij3nd v1 exeuejo1se ey uej se2 pJON 88 92EET 00 62 09 285822St 0 9vv289 eij3nd va 831019 euej a1se 911019 euej se2 pns 2892282 00 EvS O S28vSt 06800209 eij3nd 1g eupuy 9 UOy Jap o1se pns 01 97222 00 TSE 02 12822SV 02 26T6v9 eij3nd va edunw ll p ouessej adinu ajjap ouesse2 ys A0 pnsS SZ OEE9T 00 622 08 22vsESt 02617199 eij3nd va ewisseweseg EWIISSEWIESEI pns 92 80987 00 7ST 0v 02 Tv9St 09170688 eij3nd 18 end Ip esouej elj3Nd IP esoueg pJON T9 286v2 00902 06 TS0TESE 0T 20EvES eiueduiej Av mueg ye pns 86 S0 0T 00 18T 06 8920 97 0T 206 9S el 3nd 94 ouese oueugeg ouese oueugeg pJON 6 6021 00 67 02 S92T0St Ov 2vv8v2 el 3nd ug sipuug Isipuug pns SS 6679S 00029 0 80099St 09622828 eij3nd 94 oui og oulAog 193 v9 9v2 T 00862 0v 0v6629v 0v 91928S eij3nd 94 ojeduyaues eyuow e1quif o2sog pns 96 S8E9E 00 2s2 00 S266SSt 07 60009S el 3nd 94 ejousia9 eeqr ogiog 1S3 pns Ov vTV2 009271 09 9S22sSt 00 2v22v9 eij3nd vg oxuoug ojuoyg pJON v2 0907 00 2 0v 22299Sv 06 22vs29 eij3nd 18 eide sig aijdeosig PION v2 68002 00 006 09 7096 St 09 9T6TES eiueduie Av ei esig ei3esig 193 1220285 00 02t 0S 6228Sv Ov v88STS eij3nd 94 12218 ueg 153 pns 28 20v1 00 0 Ov TEEV2SY 08002909 eij3nd 1g enaueg enaueg pJON S VTOT 00 vE 08 29vESSt 02 8vT2S9 eij3nd va ueg ouoyeaassg Weg 1S3 pJON 69 T68T 00 2
24. Figura 6 14 Exp 0 05 1 3 10000 Wario k 40000 60000 80000 100000 h 0 20000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 22 max 8 74 5 94 6 62 209 3 18 dev std 1 90 1 54 1 74 112 i Nel mese di marzo la media dei residui 0 0 C e la varianza 1 02 C il modello lineare z regr 8 0 006 hslm Il variogramma esponenziale con range di influenza di 10 km effetto nugget di sotto campionamento di 0 05 4 3 della variazio ne totale assestato intorno alla varianza dei residui Si conferma la stessa distanza di cor relazione 10 km del mese di febbraio Figura 6 15 Exp 0 05 1 1 10000 Vario k D 9 EN e DO 80000 0 20000 40000 60000 100000 a 60 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 23 7 83 max 10 13 dev std 1 84 1 54 Nel mese di aprile la media dei residui 0 0 C e la varianza 0 96 C il modello lineare z regr 10 2 0 006 hslm Il variogramma esponenziale con range di influenza di km effetto nugget di sottocam pionamento di 0 05 4 3 della variazione totale assestato intorno alla varianza dei re sidui La continuit spaziale si riduce rispetto ai mesi precedenti andando al disotto dei 10 km Figura 6 16 Exp 0 0
25. L utilizzo delle spline ha il 2 D E Myers Estimating and Modeling Space Time Variograms McRoberts R et al eds Procee dings of the joint meeting of The 6th International Symposium On Spatial Accuracy Assessment In Natural Resources and Environmental Sciences and The 15th Annual Conference of The International Environmetrics Society June 28 July 1 2004 3 www gaa org au pdf gaa pyrcz deutsch pdf 4 www imperial ac uk nhli rnewson papers bspline pdf 5 Loader C 2004 Smoothing Local Regression 12 vantaggio di produrre velocemente i risultati di modellare opportunamente gli andamenti locali e di visualizzare efficacemente i risul tati Lo svantaggio principale quello di non fornire indicazioni sugli errori di approssima zione n sulla varianza di stima Le spline di ordine alto inoltre non rappresentano oppor tunamente punti angolosi La media mobile ottenuta dalla media dei valori nell intorno del punto da stimare usan do una finestra simmetrica centrata su que sto punto geometricamente definita come cerchio o quadrato rispettivamente di raggio o lato prefissato L ipotesi implicita il com portamento isotropico della variabile La di mensione della finestra determinante per il risultato finestre piccole esaltano le alte fre quenze di contro quelle grandi riducendole realizzano un effetto di addolcimento o smo othing della superficie finale risultante Pur utilizzando solo il vicinato
26. Media dei valori minimi di temperatura 4 Limiti superiori dei valori massimi di tem peratura 5 Limiti inferiori dei valori massimi di tem peratura 6 Media dei valori massimi di temperatura Al fine di rendere confrontabili le mappe mese per mese i valori di temperatura sono stati classificati con livelli cromatici di 1 5 C Diversamente dalle temperature la piovosit non sembra avere una diretta relazione con l altitudine pur riconoscendo una certa dipen denza della distribuzione delle precipitazioni dall orografia e dalla distanza dalla linea di costa come del resto ampiamente descritto nel precedente par 6 3 E notorio infatti come l esposizione dei versanti l andamento della superficie topografica in riferimento ai flussi di aria nella bassa atmosfera e la vicinanza al mare siano tra gli elementi che maggiormen te condizionano gli eventi meteorici Ricono scere e modellizzare tali correlazioni esula comunque dagli scopi del presente lavoro L analisi strutturale geostatistica vedere par 6 4 4 ha definito i variogrammi e i rela tivi modelli e parametri di nugget sill e range per ciascuno dei 12 mesi Sulla loro base si proceduto analogamente a quanto fatto con le temperature con l interpolazione mediante kriging A differenza delle temperature l inter polazione stata eseguita direttamente sui valori medi della piovosit riferiti a ciascuna stazione di monitoraggio In fig 6 41 si riporta uno
27. Monte Castellana Grotte Castellaneta Castelluccio dei Sauri Ceglie Messapica Cerignola Collepasso Conversano Copertino Corato Crispiano Diga Rendina Faeto Fasano Foggia Agraria Foggia Osservatorio Fonte Rosa Forenza Galatina Gallipoli Ginosa Marina Ginosa Gioia del Colle 106 COMUNE Adelfia BA Alberona FG Altamura BA Andretta AV Andria BT Ascoli Satriano FG Atella PZ Avetrana TA Bari BA Bari BA Bari BA Barletta BT Biccari FG Bisaccia AV Bisceglie BT Bitonto BA Cerignola FG Monte Sant Angelo FG Bovino FG Brindisi BR Cagnano Varano FG Calitri AV Canosa di Puglia BT Casamassima BA Cassano delle murge BA Andria BT Castellana Grotte BA Castellaneta TA Castelluccio dei Sauri F6 Ceglie Messapica BR Cerignola FG Collepasso LE Conversano BA Copertino LE Corato BA Crispiano TA Lavello PZ Faeto FG Fasano BR Foggia FG Foggia FG Manfredonia FG Forenza PZ Galatina LE Gallipoli LE Ginosa TA Ginosa TA Gioia del Colle BA REGIONE Puglia Puglia Puglia Campania Puglia Puglia Basilicata Puglia Puglia Puglia Puglia Puglia Puglia Campania Puglia Puglia Puglia Puglia Puglia Puglia Puglia Campania Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Basilicata Puglia Puglia Puglia
28. Puglia Puglia Basilicata Puglia Puglia Puglia Puglia Puglia COORDINATE UTMX 656988 60 510306 90 630998 10 528004 50 608484 70 547336 80 554970 20 731696 70 657996 20 657685 30 657148 70 606700 80 515884 40 531916 60 625427 90 64224 00 560009 40 582616 40 528279 60 748442 40 563907 10 534302 10 589011 60 661419 20 649192 70 607008 90 682446 30 663424 30 539866 10 712926 70 575810 80 770124 50 677901 20 759480 10 618589 10 689177 20 566759 50 513658 10 698832 40 542989 60 545323 20 564690 70 571483 10 770061 70 755424 50 659854 30 648752 40 662224 20 UTM Y 4540466 90 4586603 80 4520285 10 4530852 30 4564039 90 456124 30 4524827 90 4469465 0 4553765 00 455227 20 4553462 80 4574331 40 4582293 50 4539604 60 4566277 40 4552256 60 4559975 00 4629940 40 4566008 30 4501765 20 4630768 90 4531051 90 4564170 40 4535422 80 4527821 70 4548253 30 4527857 60 4499356 20 4572465 00 4502424 30 4568397 30 4440621 10 4536821 70 4462016 0 4556680 30 4496646 80 4544586 10 4574523 60 4523454 0 4589191 00 4590048 30 4587256 80 4523409 60 4451673 70 4438104 30 4476812 70 4493260 80 4518390 80 M S L M 153 00 744 00 482 00 890 00 162 00 437 00 495 00 72 00 17 00 23 00 34 00 30 00 470 00 900 00 32 00 126 00 252 00 798 00 620 00 19 00 181 00 706 00 154 00 229 00 351 00 543 00 29 00 236 00 284 00 286 00 134 00 132 00 212 0
29. Simcoe Servicio Protezione Civile In collaborazione con IRSA CNR wy 09 or g 0L i0 c MEE 6 15 EI c 2 10 9 ia 9 IGv cy oel S d G L 100 ES 0 evr E gi co EM Do epuaBba wy X WY euotznjosu uoo Jejsei eiDBuc ISIQNIME G00Z 9Z6 0 U2WILJ9JLI ID Opoliad OIBUUSS Ip asall jap e1njeJeduJo IP IWIUILW HO PA lap ID N wyp X WY euorznjosu uoo Jejsei euo s o 106 EN 6 ic EH S Lo o T 9 16 v EDEN S v ioc LG T Eng i ioo BENI o er DAMM sg cei BEI do epuaBba 115 ISIGNINS VLIS3THVS G000 9Z6L 0 U2UILI9JLI IP OPOllad OIEUU 2 Ip asaw jap e1njeJeduio Ip IWIUIW IJO JPA lap lionedns nir wy 09 or oz c oL 106 NNI 6 1c E S 109 EMI 9 1c r Gy Loe 46 5 c i 100 BM o er N c ce mE Io epuaBba WY X UJ euoiznjosu uoo JejselJ EBUS ISIaNIME S002 9Z61 O u uuli H Ip opoHasg OIEUUSH Ip asa jap pin ei dui Ip ILUIUILU 1JO EA 19p LIOIISJUI HUI vid904 VLLIATYVA ta P p 47 EE Wy X UI euorznjosu uoo J9 SEI eiBuc GL o ei m S EL ev ES Zi 9 01 EE GOL FGL 6e 97L cJ V 9 ES 9 9 r E cv cH Do epuaBa 11 ISIONINEY _ 6007 9261 O u WH J IP Opoliad olpuu o Ip asall jap e1njeJoduio IP IWISSEW LIO EA lap ID IN or 07 ci o ci m cci veo m L 90 BEI s oL vVe 6 92 c vVolm o ov
30. Sono noti vari tipi di declustering quali quello a celle poligonale e quello basato sui pesi del kriging Ci sono due considerazioni alla base delle tecniche di declustering La prima riguarda l effetto dell attribuzione di un peso che non deve cambiare il valore effettivamen te misurato ma ne deve modificare solo l in fluenza La seconda riguarda la correlazione spaziale dei dati in mancanza di questa non c ragione di applicare il declustering In que sto caso infatti ciascun valore campionato indipendentemente dalla sua posizione spa ziale sarebbe un estrazione casuale da una popolazione sottostante avente una propria distribuzione Declustering poligonale At torno a ciascun dato campionato la tecnica costruisce i poligoni di influenza basandosi 15 Cliff A D J K Ord Spatial autocorrelation 1973 pg 178 16 Deutsch pg 53 62 2001 Isaaks and Srivastava pg 230 248 1997 Goovaerts pg 77 82 199 20 sul diagramma di Voronoj che un particolare tipo di decomposizione dello spazio metrico Definito un insieme finito di punti S nel piano il diagramma di Voronoj per S la partizione del piano che associa una regione V p ad ogni punto p in 5 in modo tale che tutti i pun ti di V p siano pi vicini a p che ad ogni altro punto in S In ogni insieme topologicamente discreto S di punti in uno spazio euclideo e per quasi ogni punto x c un punto in 5 che il pi vicino a x Il quasi
31. casuale Z x Le tecniche del Kriging fanno riferimento allo stimatore z x lineare non distorto e a minima varianza Le attese sono quelle di non produrre n sottosti me e n sovrastime cosi come di avere la pi piccola varianza sulle differenze fra Z xg e Z xg Per le diverse tecniche del Kriging sempre possibile ottenere la valutazione di tale varianza in un generico punto Il caso generale rappresentato dal Kriging universale KU che assume che la media m x possa almeno in appropriati intorni prendere la forma seguente m x a f x laddove a sono k incogniti ma fissati coeffi cienti Lo stimatore adottato dalle tecniche del Kri ging quello lineare rappresentato nel punto 12 Ahmed S de Marsily G 1987 Comparison of geo statistical methods for estimating transmissivity using data on transmissivity and specific capacity Water Resources Research 23 9 1717 1737 13 Odeh 0 A McBratney A B Chittleborough D J 1995 Further results on prediction of soil properties from terrain attributes heterotopic cokriging and re gression kriging Geoderma 67 34 215 226 14 Goovaerts P 1997 Geostatistics for Natural Re sources Evaluation Oxford University Press New York p 496 m I incognito xg e per N valori z x campionati nelle locazioni x dalla seguente espressione T x ZA z x Le due propriet dello stimatore si traducono matematicamente nelle segu
32. cluster possono inficiare le stime locali che sono utilizzate da tutte le tec niche di Kriging necessario evitare che un grappolo di N dati caratterizzi in modo presso ch esclusivo l intorno del punto da stimare in quanto portatore di informazioni ridondanti Il cluster contraddistingue un insieme di dati molto vicini fra loro la vicinanza deve essere rapportata alla scala di osservazione del fe nomeno Al fine di accertare la presenza del fenomeno di clusterizzazione nei dati misu rati da una rete di monitoraggio si utilizzano alcuni test statistici Fra questi possono es sere utilizzati quelli di tipo globale o locale Le statistiche di tipo globale tipo la di Morant hanno lo svantaggio di poter identificare la presenza di cluster ma di non fornire la loro esatta posizione geografica test locali pur se sostanzialmente simili nel calcolo a quel li globali statistiche LISA si differenziano per il fatto di essere calcolati su finestre mo bili sovrapposte all area di studio e quindi in grado di individuare eventuali cluster all in terno di sub aree che formano una partizione dell intera area di studio Declustering assegnazione pesi ai dati Le procedure di declustering hanno l obiet tivo di attribuire un peso a ciascun dato cam pionato che tenga in conto della sua rappre sentativit spaziale oppure secondo un altra chiave di lettura della sua ridondanza infor mativa sul dominio spaziale di riferimento
33. descrittive relative ai 12 mesi Mese N Media Deviazione standard Errore standard Mediana GENNAIO 125 64 75 15 00 1 34 61 05 FEBBRAIO 125 55 09 12 92 1 16 54 5 MARZO 125 55 75 12 02 1 07 55 32 APRILE 125 53 63 16 38 1 46 48 83 MAGGIO 125 40 55 10 75 0 96 391 GIUGNO 125 32 12 10 64 0 95 30 78 LUGLIO 125 25 39 7 49 0 67 24 12 AGOSTO 125 31 35 7 04 0 63 30 37 SETTEMBRE 125 48 41 11 24 1 01 46 02 OTTOBRE 125 66 65 17 15 1 53 62 46 NOVEMBRE 125 87 44 21 45 edie 80 61 DICEMBRE 125 77 76 18 96 1 70 73 16 Tabella 6 34 Sinossi delle statistiche descrittive relative ai 12 mesi Mese Minimo Massimo Int Confidenza al 95 GENNAIO 37 79 119 35 62 09 67 40 FEBBRAIO 29 94 9553 53 50 58 08 MARZO 33 4 92 95 53 62 57 88 APRILE 32 28 10172 50 73 56 53 MAGGIO 20 86 2345 38 64 42 45 GIUGNO 9535 59143 30 24 34 00 LUGLIO 8 99 50 55 24 07 26 72 AGOSTO 18 06 50 33 30 11 32 60 SETTEMBRE 30 01 89 83 46 42 50 40 OTTOBRE 36 98 115 28 63 61 69 68 NOVEMBRE 54 41 150 71 83 64 91 24 DICEMBRE 44 53 140 00 74 40 81 11 65 Dall osservazione delle media si ricava la con ferma del tipico andamento stagionale delle piogge mentre i valori assunti dalla varianza e dal coefficiente di variazione indicano una spiccata discontinuit spaziale Nella figura sottostante sono rappresentati gli andamenti sintetici delle piogge nei 12 mesi nelle stazioni della rete di monitoraggio mediante boxplots Figura 6 25 Boxplots rappresentanti gli andamenti delle p
34. di aprile la media dei residui 0 01 C mentre la varianza 0 48 C mentre la rela zione lineare del tipo z regr 18 72 0 006 hslm Il modello di variogramma si conferma essere sferico con nugget 0 04 e sill che si assesta intorno alla varianza Figura 6 4 Sph 0 04 0 48 38000 T Wario h e w e N pet 0 20000 40000 60000 80000 100000 Le stime z kri sono pi vicine a quelle della variabile z rispetto a z regr Tabella 6 8 ax 19 42 18 71 19 53 1 50 dev std 1 79 m1R o E III Nel mese di maggio la media dei residui 0 01 C e la varianza 0 91 C il modello lineare z regr 23 66 0 005 hslm Il variogramm sferico con range di influenza di 45 km ed effetto nugget di sottocampiona mento di 0 04 assestato intorno alla varianza dei residui Figura 6 5 Sph 0 04 0 9 45000 Wario h Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 9 max 24 81 23 68 24 9 1 82 dev std tet 0 9 Nel mese di giugno la media dei residui e 0 01 C e la varianza 1 35 C il modello lineare CD z regr 28 14 0 0048 hslm Il variogramma sferico con range di influen za di 40 km ed effetto nugget di sottocam pionamento di 0 05 assestato intorno alla varianza dei residui Figura 6 6 Sph 0 05 1 3 40000 Vario k
35. e dall altro in vista dell ampia normativa tesa alla attenta gestione e salvaguardia della risorsa Nel caso in studio si sono utilizzati anche per questo parametro i dati provenienti dalla rete di monitoraggio gestita dal Servizio Protezio ne Civile della Regione Puglia Tale rete pu contare su 125 punti di osservazione e misu ra delle altezze pluviometriche posti perlopi all interno dei confini regionali con alcune ec cezioni riferite a punti ricadenti all interno ba cino dell Ofanto in parte esterno alla Puglia corpo idrico sotto la giurisdizione dell Autorit di Bacino della Regione Puglia Nel caso in studio la variabile di interesse la media dei totali mensili della precipitazione tale media e stata effettuata per ciascuna sta zione della rete di monitoraggio sullo stesso intervallo temporale analizzato per le tempe rature 1976 al 2005 Di seguito tab 5 7 riportato l elenco delle stazioni analizzate In entrambe le serie stori che dei valori di temperatura e precipitazioni dati mancanti relativi ad un qualsiasi mese sono stati integrati utilizzando la media dei dati relativi allo stesso mese degli anni pre cedenti Come per i sensori che misurano la tempera tura anche nella misurazione della precipita zione i sensori non sono stati sempre gli stes si Fino al 2002 i pluviografi erano meccanici e registravano i dati relativi alle precipitazioni direttamente su rulli cartacei Dal 2003 l
36. finalizzata al momento decisio nale diventa cio uno strumento per aumen tare o migliorare la soglia di informazione su cui basare decisioni di carattere gestionale In particolare necessario disporre di un me todo di stima capace non soltanto di fornire il valore della variabile considerata in un punto ma anche e soprattutto l incertezza associata a quella stima maggiore sara l incertezza del la stima e maggiore sar conseguentemente il rischio associato alla decisione Il modo consueto e ottimale per visualizzare risultati di elaborazioni di stima spaziale e quello in forma di mappe Infatti pressoche tutti i metodi noti dai pi semplici ai pi ela borati utilizzano come supporto per la stima griglie regolari pi o meno fitte assumendo come punto rappresentativo della maglia il suo baricentro pixel n Le caratteristiche fondamentali dei grid sono la risoluzione spaziale cio la dimensione bi dimensionale della cella nell unit di misura prescelta il numero di celle lungo la prima dimensione nx e quello delle celle nella di rezione ortogonale ny determinati in modo da circoscrivere l area di studio L obiettivo del metodo la stima della variabile di interesse in tutto il grigliato nx ny L origine del grid l elemento in basso a sinistra a cui pu es sere associata una coordinata geografica ad esempio nel sistema di riferimento geografico UTM espresso in m o km che rende georefe renz
37. l identificazione di metodologie e strumenti per la produzione di mappe di primo livel lo ottenibili dalla spazializzazione dei dati storici opportunamente selezionati rilevati dall Ufficio Idrografico e Mareografico del Ser vizio Protezione Le principali conclusioni per ciascuna delle attivit realizzate evidenziano quanto segue L utenza rappresentata principalmente dal le amministrazioni pubbliche sporadicamen te dal singolo cittadino che hanno richiesto in passato mappe di precipitazioni temperature relativamente al territorio di propria pertinen za L idea di offrire tali prodotti pu stimolare una crescente domanda di prodotto mappa Differenti soggetti istituzionali offrono gi pro dotti mappe E quanto mai opportuno che tale offerta possa riguardare anche le strutture re gionali coinvolte nel gruppo di lavoro E indubbio che la produzione di una mappa sia ottenibile da un ampia gamma di tecnolo gie GIS che al loro interno dispongono di fun zionalit basate su metodologie afferenti ai diversi approcci All interno del gruppo di lavoro si condiviso la necessit di utilizzare approcci open in gra do di convogliare e gestire in qualche modo sia i dati che le conoscenze Fra questi la ge ostatistica il contenitore di metodi e tecni che in grado di rispondere convenientemente a questo obiettivo Tale disciplina da un lato permette di costruire le mappe delle variabili meteo climatiche per assumere de
38. meteorologiche sono in rapida transizione tra una configurazione barica tipica del semestre freddo a quella del periodo primaverile ed estivo Nel mese di Maggio la distribuzione delle precipitazioni sul territorio pugliese e note volmente diversa rispetto al periodo inverna 88 le Questa localizzazione e caratterizzata da massimi di accumulo sulle zone piu alte del Gargano media mensile 45 65 mm Subap pennino Dauno media mensile 40 55 mm e zone dell alta Murgia media mensile 40 50 mm minimi di precipitazione si concentra no sul Salento pianura foggiana e zone co stiere 25 35 mm Tale distribuzione dei poli pluviometrici dovuta a un ridotto contributo di piogge prodotte da perturbazioni atlantiche ma invece sono prevalentemente dovute a precipitazioni termoconvettive si intendono le precipitazioni a carattere di rovescio tem poralesco generalmente di breve durata ma alle volte intense concentrate prevalente mente nelle ore pi calde della giornata ed a ridosso dei rilievi Questi fenomeni s innescano principalmente per l intenso riscaldamento del suolo e dei pendii dei rilievi e a causa della presenza di aria fredda e instabile in quota Per tale ragio ne le precipitazioni termoconvettive si con centrano maggiormente sulle aree interne e pi elevate del territorio regionale avendo un peso notevole sugli accumuli medi mensili di precipitazione Da evidenziare dall analisi dei dati del vario gramma Fi
39. si presenta come in fig A4 In esso sono riportati tutti i valori del variogramma sperimentale conte nuti nel foglio precedente e le informazioni relativi ai modelli Nelle posizioni del foglio B4 B5 B6 e B bisogna inserire rispettivamente il valore di nugget il sill il range ed il numero identificativo del tipo di modello secondo la corrispondenza presentata E Microsott Excel dic TEMP MIN xls OSs GAY LBA n c Eer Hi Bam GB E Fle podfa visuakzza peers Formato Srumerti Qei Finestra 2 8x Arial 10 GCS E X 34H H 9 xw 4 0 RR d A Esp 1t 11 01000 ELT MN Varic_1 X farto_fit Krigng eqs coss vd ku rr EE if Pronto NUM Dopo aver inserito i valori in queste posizioni si osserva il modello sovraimposto in rosso al variogramma sperimentale in blu peruna esplorazione visiva Se l adattamento sembra buono vedi fig A5 si pu procedere con la cross validazione di questo modello spostandosi sul foglio successivo cross val altrimenti necessario modificare i parametri o il modello sempre nelle posizioni da B4 a B7 fino a che l adattamento non sia quello atteso Microsott Excel dic TEMP MIN xls D AN GAY MAC vw Etr Hi Bam B Ple Modifica visualizza porii Formato Srumenti Qui Fiestra 2 Arial 0 Gc S E IB Qoco 4 0 HR d A Bolo uaar ho Medel EL Modelh 0 55509 TL X04459 osmozi i 100999 6sFa aa 35509 0 99836
40. una precisazione necessaria in quanto alcuni punti x possono essere equidistanti da 2 o pi punti di S Se S contiene solo due punti a e b allora il luogo geometrico dei punti equidistanti da a e b un iperpiano ovvero un sottospazio affine di codimensione 1 Tale iperpiano sar il confine tra l insieme di tutti punti pi vicini ada che a b e l insieme di tutti i punti pi vicini a b che ad a l asse del segmento ab In generale l insieme dei punti pi vicini ad un punto c in S che ad ogni altro punto di S la parte interna di un politopo eventualmente privo di bordi detto dominio di Dirichlet o cella di Voronoj di c L insieme di tali politopi una tassellatura dell intero spazio e viene detta tassellatura di Voronoj corrispondente all insieme S Se la dimensione dello spazio e solo 2 facile rappresentare graficamente le tassellazioni di Voronoj a questo caso che si riferisce so litamente l accezione Voronoj diagrams dia grammi di Voronoj che trovano applicazione in geofisica e in meteorologia per analizzare dati distribuiti spazialmente come ad esem pio misure delle precipitazioni sono detti po ligoni di Thiessen dal nome del meteorologo americano Alfred H Thiessen La costruzione dei poligoni di Thiessen viene effettuata se condo i seguenti passi Figura 3 8 il dominio di studio suddiviso partizionato utilizzan doitriangoli di Delauney Tali triangoli sono ot tenuti collegando ciascun punt
41. ze termiche tra queste aree che toccano i C circa nel mese di Giugno e di Agosto e i 9 C nel mese di Luglio rispettando cos il valore eleva to del coefficiente di correlazione tra le tem perature e l altezza sul livello medio del mare b ANALISI DELLA PIOVOSITA La stagione estiva Giugno Luglio Agosto caratterizzata dalla scarsa frequenza e limi tati accumuli medi di precipitazione sulla Pu glia con minimi nei mesi di Luglio e Agosto In estate la Puglia interessata prevalentemen te da una fascia anticiclonica ben strutturata al suolo e in quota che determina condizioni di stabilit atmosferica Il flusso perturbato atlantico interessa aree a latitudini pi set tentrionali del territorio pugliese e raramente lo coinvolge Le precipitazioni sono prevalen temente di natura termoconvettiva nelle ore pi calde della giornata con precipitazioni spesso a carattere di rovescio e temporale generalmente di breve durata ma alle volte intense ed a carattere grandinigeno Infatti la distribuzione delle precipitazioni mostra i maggiori accumuli sulle zone pi ele vate del Gargano media mensile 35 50 mm Subappennino e alta Murgia media mensile 25 35 mm evidenziando la maggiore con tinentalit climatica di queste ultime zone meno influenzati dal mare a causa della loro distanza o della loro elevazione Da notare i discreti accumuli di precipitazione nel mese di Giugno su buona parte della pianura fog giana medi
42. 0 0pu0301020 pJON 8v 6 962 00 20T O2 2T02SSr 07 906825 eij3nd 1g end ip esouej e1u020 pns 2v TET9 00 9 00 TE9E2vY 09 2v8202 eij3nd v1 ouezzr QUEZZI 15210 91 92t 00 ET 02 6 SrE9F 02 8T1 625 eij3nd 94 euise1 euis pJON 90 78807 00 0S Ol tvE22vY 02086892 eij3nd 31 22997 2299 pJON TE 2619v 0082 0T 98Svv St 05 652995 eyealiseg zd o1j9 e1 09 pJON S2 vOE6T 00 20T Orel 26rr 0 19v622 eyeaiiseg zd ouelsiay ouene PION 61 65222 00 282 O EST2TSY 02 690295 eyealiseg zd ouelsiay ajosadose PION 08 269 9 00 2T2 02 992vvSt O2 E82SES ejuedwie Av eiuopa2e1 eiuopa2e PION 7162297 00 T6T 08 v9vTVSU 09 T28 v9 el8nd vg einddy ouinug einddy ouuni9 1S8AQ pns 65 80781 00 OrT O1 S8P06rr 02 SS2902 e1 3Nd v1 ei8e33049 aideyo19 IS3 PJON 29998 00 S2 02 06909Sr 0S 0STOV9 eij3nd va ozzeuino19 OZZEUIAOI9 1S9AQ pJON v6 E6T2E 00 22 08 06 8ISY 02 722299 eij3nd va 81102 Jap e1019 9 0 ap e1019 pns r9 S1961 00 222 08 092 6vv 0v 2S28v9 eijdng V1 esoulg esoulg 153 pJON 6S S0S 00 02 02 21892vv 0 758659 eij3nd v1 esourg EU ESOUI9 pJON 8 26 00 T O vOT8EvY OS v2vSS2 eij3nd 31 nodeg yodije9 153 6 vOEST 00 78 02 29T8vY 02190022 eij3nd 31 euneje9g eune eo pJON 8760829 00 ES2 09 60vE2Sr 0T E8vT2S eye3iiiseg zd ezue104 eZU8J04 153 pJON 02 2vEVT 00 S2 08 9S228Sr 02 069495 eij3nd 94 eiuopajjuey SOY a U0Y 3S8AQ PNS 68 20 T 00 28 0 8v006St 02 2ESTS eind 94 e 8804 o
43. 0 48 00 249 00 264 00 214 00 776 00 121 00 84 00 82 00 25 00 753 00 84 00 31 00 20 00 272 00 377 00 DISTANZA DAL MARE m 13325 54702 18 41278 11 79179 40 10845 58 43918 98 69089 23 4568 18 389 69 1891 69 1014 53 1402 82 58702 24 70089 74 1060 24 7414 40 36385 96 13246 64 56499 55 1209 39 10305 98 74987 61 18605 26 16330 25 27746 10 25276 82 13376 88 15467 28 43236 70 17287 15 20796 28 13294 04 8603 59 11692 49 12504 34 11831 80 46192 31 66315 76 6025 89 33788 60 31307 89 1434 20 62809 48 15304 39 9798 505 59 19615 64 32193 94 ESPOSIZIONE Nord Est Ovest Nord Est Nord Nord Ovest Nord Nord Est Nord Sud Est Est Nord Nord Sud Est Sud Est Sud Nord Sud Nord Sud Sud Ovest Sud Sud Nord Sud Sud Est Est Nord Nord Nord Nord Nord Ovest Nord Sud Nord Nord Sud Ovest Nord Est Nord Est Nord Nord Est Sud Nord Ovest 240 mm 371mm 187 mm 210mm 196 mm 196 mm 170 8 mm 232 6 mm 201 mm 186 2 mm 209 mm 174 4 mm 305 mm 240 mm 205 2 mm 266 mm 160 mm 526 mm 290 4 mm 236 4 mm 219 2 mm 215 mm 206 mm 232 mm 217 5 mm 241 6 mm 274mm 265 6 mm 202 8 mm 249 mm 179 mm 300 8 mm 269 mm 205 2 mm 213 mm 313 6 mm 178 6 mm 309 mm 232mm 148 2 mm 159 mm 169 2 mm 18 mm 341 mm 313 mm 254 mm 314 mm 228 mm MASSIMA PRECIPITAZIONE valori medi mensili Dicembre 1983 Aprile 1978 Dicembre 2005 Dicembre 1981
44. 000 20000C 250000 z Z kri 1 Agosto Congruenza varianza di stima 58 33 42 13 11 95 dev std media degli errori standardizzati deviazione standard degli errori standardizzati 1 Statistiche principali degli errori assoluti di stima valori osservati vs valori stimati Figura 6 34 Variogrammi sperimentale e teorico delle Piogge totali di agosto Sph 0 38 0 73 196979 1 40 1 20 1 00 0 80 Vario h 0 40 0 20 4 0 50000 10000 150000 200C00 250200 300000 Settembre Congruenza varianza di stima dev std 11 24 z Z kri 1 ma 89 83 02 15 85 media degli errori standardizzati deviazione standard degli errori standardizzati 1 Statistiche principali degli errori assoluti di stima valori osservati vs valori stimati Figura 6 35 Variogrammi sperimentale e teorico delle Piogge totali di settembre Sph 0 11 0 84 63835 1 20 1 00 0 80 0 60 Vario h 0 40 0 20 20000 30000 60000 80000 100000 120000 Ottobre Congruenza varianza di stima z z kri 1 115 28 107 12 25 43 dev std lS 14 79 media degli errori standardizzati deviazione standard degli errori standardizzati 1 Statistiche principali degli errori assoluti di stima valori osservati vs valori stimati Figura 6 36 Variogrammi sperimentale e teorico delle Piogge totali di ottobre Va
45. 1 A00842 13357 640007 105947 i X00053 2M354 69382 L108312 1 00088 27139 14143 Fue ALAS SENI i E sp 1 11 01000 3 t 35 u 36 u 37 u 38 au 39 dw ae su m i 60000 0000 100000 wife ears Mi Varic_1 tario fit Krigng_egs ass vd Ia NUM Pronto EFFETTUARE LA CROSS VALIDATION il foglio cross val si presenta come in fig A6 Cliccando sul box Effettua la cross validazione il foglio si riempie di statistiche relative al processo di stima di ciascun punto sottratto dal campione che diventa di dimensione N 1 utilizzando proprio questi N 1 valori Le statistiche U e V ci si aspetta che si avvicinino il pi possibile rispettivamente a 0 e 1 Qualora cid non accada necessario ritornare nel foglio Vario fit per variare i parametri del modello di variogramma e rilanciare cosi la procedura Effettua la cross validazione Que sto processo termina quando si ritiene che le statistiche U e V siano soddisfacenti rispetto alle attese METITTITTINE SIE dic TEMP MIN xls Osta SAF MAS 5 amp r 5z sw G QW He podia Visualizza eso Formato Srumerti Qi Finestra 2 0 x Arial 0 GC S IEEE IB oco Bs RE _ D A effettua la ross validazione lt valose buono wicano a lt valose buono wcmo a 1 O0 0 Q QN SRYSLRKKL SRS NUN DN lal messi pE DETTAGLI SUL CALCOLO DEL KRIGING Il foglio Kriging eq
46. 2vS Ov 2 8869 OT 8S9ETS 05 65299S 02 221689 01688879 08 018525 O v2v 99 O 9rv289 06 800209 02 26T16v9 02 6T1v199 09 11068S OT 206 9S Ov 2vrsre Ov 9T9285 0v v88STS 08 002909 02 8vT2S9 0 S89259 02 966259 02 969TEZ 08 9EE2vS 02 v8v809 0S v0082S 01 8660 9 XWIN eij3nd eij3nd eil3nd eyeariseg end eyeaiiseg eiueduue eij3nd eij3nd eij3nd eil3nd eij3nd eyeol iseg eij3nd eij3nd end end end eij3nd eij3nd eij3nd end eij3nd eijnd eij3nd eij3nd eij3nd eij3nd eij3nd eij3nd eij3nd eij3nd eij3nd eil3nd eij3nd eij3nd eij3nd ej3nd elUedwWIEI eij3nd 3N01934 V1 ouezzr 94 euisa1 31 2281 zd eije e1 ug ouene zd oueidiAv Av eruopa2e va einddy ouinig v1 ausenos9 va 21109 Jap e1019 V1 esouig 31 Hodyje9 zd eZuas04 94 213304 94 e 8804 ug cuese4 94 EJ zd eije e1 V1 oueidsu vg 016403 94 ejoudue V1 e1auejjasej vg 811019 euejja3sej 18 eupuy va n ajjap ouesse Vg euisseuese 18 eildng ip esouej 94 oue1eA oueugeg ug isipuug 94 ojaduyjues auo 94 ue 21g 1g enepeg va weg vg neg vg veg V1 euenany 94 oueines io2sy 18 eupuy Av enaspuy vg eunweyy ANNWOI QUEZZI eusa 9229 O 2 ouene ajosadode eiuopa2e ejnddy own19 aleyo 109 9p E1019 eune esoulg Ijodijjeg ezu 104 ouojeAJassQ eiddoJ eueJdy eggo ouese4 0 9e4 eulpuay esi
47. 3 Luglio 113 0 Novembre Omm Luglio 78 80 84 88 Agosto 86 88 89 00 Settembre 80 345mm 197 1193mm 1996 22 5 Giugno 84 0 Novembre Omm Giugno 84 90 93 Luglio 7 8 7 9 88 90 Agosto 87 88 92 00 267mm 1989 1010mm 1996 17 9 Luglio 56 9 Novembre Omm Maggio 82 Luglio 77 78 84 88 Agosto 86 92 00 Ottobre 95 200mm 1977 628mm 2002 21 7 Luglio 68 1 Novembre Omm Marzo94 Luglio 77 84 88 Agosto 89 00 279mm 1989 1097mm 1976 28 9 Luglio 63 4 Novembre Omm Luglio 78 84 88 00 407 mm 2000 893mm 1976 2 Luglio 79 1 Novembre Omm Luglio 84 88 Agosto 00 Settembre 85 370mm 1989 1130mm 1976 19 1 Giugno 85 2 Novembre Omm Maggio 82 Luglio 7 78 79 88 90 93 Agosto 88 89 91 92 350mm 1989 1083mm 1996 15 6 Luglio 59 7 Novembre Omm Marzo 94 Luglio 7 84 88 01 Agosto 86 01 229mm 1977 656mm 1976 17 4 Luglio 111 0 Novembre Omm Luglio 7 78 80 83 87 88 90 93 94 96 03 Agosto 86 88 91 92 93 Settembre 80 370mm 1977 1064mm 2002 9555 Luglio 99 5 Novembre Omm Luglio 78 88 00 492mm 1982 1261mm 1976 24 1 Luglio 78 9 Novembre Omm Luglio 78 84 88 96 Agosto 86 92 437 8 2000 899mm 1976 mm 20 8 Luglio 137 7 Novembre Omm Luglio 78 79 80 88 03 Agosto 86 92 00 Settembre 85 402mm 197 11044 1996 mm 21 1 Luglio 79 2 Novembre Omm Luglio 7 78 84 88 93 96 351mm 1977 801mm 1998 28 8 Luglio 93 9 Novembre Omm Luglio 78 84 97 Agosto 00 Ottobre 95 357mm 197 1053mm 1984 34 4 Luglio 101 3 Novembre Omm Luglio 88 518mm 2000 1089 4 2004 mm 22 3 Lugl
48. 5 1 00 7000 o z 1 NN T 0 8 m 06 0 4 0 2 0 0 20000 40000 60000 80000 100000 h Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 24 max 12 26 10 18 10 95 255 2 69 dev std 1 85 LSE ee 1 04 0 98 Nel mese di maggio la media dei residui 0 0 C e la varianza 0 98 C il modello lineare z regr 14 4 0 005 hsim Il variogramma esponenziale con range di influenza di km che conferma la minore con tinuit gi registrata nel mese di aprile effetto nugget di sottocampionamento di 0 05 4 3 della variazione totale assestato intorno alla varianza dei residui Figura 6 1 Exp 0 05 1 1 7000 Wario h ios w DI N o 0 20000 40000 60000 80000 100000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 25 2 05 max 16 03 1443 15 34 2 1 dev std 1 76 1 45 1 60 1 08 0 99 Nel mese di giugno la media dei residui 0 0 C e la varianza 1 18 C il modello lineare z regr 18 3 0 005 hslm Il variogramma si conferma essere quello esponenziale e si riduce ancora il range di influenza diminuendo di 2 km rispetto ai due mesi precedenti 5 km L effetto nugget di sottocampionamento pari a 0 07 5 5 della variazione totale assestato intorno a
49. 511508 10 4449554 40 4520317 40 4599088 40 4540146 30 4421387 70 4552433 30 4481296 30 4617451 40 4485432 40 4569166 40 4615740 80 4631844 50 4410792 40 4529592 00 4535068 40 4475769 40 4481728 00 4430306 00 4578930 20 4531902 20 4637115 50 4434640 50 102 00 81 00 2 00 110 00 67 00 9 00 533 00 393 00 104 00 454 00 817 00 844 00 747 00 52 00 841 00 80 00 234 00 29 00 920 00 464 00 50 00 105 00 276 00 86 00 572 00 49 00 46 00 97 00 236 00 26 00 875 00 458 00 37 00 27 00 72 00 448 00 260 00 53 00 99 00 15965 70 10273 53 1130 38 5970 15 7081 09 4739 83 58803 54 29512 37 5581 33 32031 29 5161 68 66852 41 64710 73 5187 17 97257 26 25844 7 4 7220 54 541 0 83940 76 42316 10 CEL 6527 72 13563 38 10938 7 1887 1 16 8540 88 14396 39 2327 4 36 8910 87 130 35 89721 92 43157 11 1895 42 226 54 5589 11 53315 06 16468 29 230 67 1704 54 x ESPOSIZIONE GRADI MINIMA MESE ANNO GRADI MASSIMA MESE ANNO 2 2 34 0 Luglio 1988 Agosto 1993 Luglio 1988 Agosto 1992 Est Dicembre 1994 Agosto 2003 Est 2 0 Febbraio 2003 33 6 Agosto 2003 Nord Ovest 0 5 Gennaio 2002 34 7 Agosto 2000 Nord ST Gennaio 1981 34 7 Agosto 2003 Est 1 6 Gennaio 1981 33 4 Agosto 2000 Nord OF Febbraio 2003 34 3 Agosto 1994 Nord 1 Febbraio 1993 B25 Ovest 1 Febbraio 2003 33 3 Luglio 2003 Nord 2 Febbraio 2003 3346 Agosto 2003 Est 0 0 Febbraio 2003 32 9 Agosto 2000 Sud 3 2 Marzo 1987 29 7 Ag
50. 594920 60 783434 00 552758 90 643260 50 791536 80 591064 40 580020 10 521705 70 581182 20 551075 20 758334 20 679095 60 759031 40 507044 60 522318 30 559151 70 512874 10 717709 90 797186 80 533635 50 519940 20 UTM Y 4560690 0 4490485 10 4541464 80 4544766 20 4517153 30 4492174 40 4544586 10 4472343 10 4634539 0 4473631 00 4557012 70 4514012 50 4595502 10 4446165 20 4475261 60 4603865 60 4493776 50 4552848 00 4507503 00 4470730 60 4576721 50 4462979 60 4537739 30 452 900 0 4443493 50 454 652 00 4617529 60 4556971 70 4541993 20 4531871 00 4451346 70 4518205 60 4474191 30 4526282 00 4569916 40 4575168 90 4579999 20 4511508 10 4449554 40 4520317 40 4596998 0 M S L M 25 00 140 00 191 00 717 00 782 00 107 00 328 00 50 00 13 00 63 00 102 00 404 00 226 00 102 00 81 00 2 00 110 00 245 00 467 00 67 00 9 00 50 00 533 00 393 00 104 00 454 00 817 00 844 00 343 00 747 00 52 00 431 00 51 00 841 00 683 00 80 00 854 00 234 00 29 00 920 00 225 00 DISTANZA DAL MARE m 566 62 18408 59 16729 14 63692 80 Cees AS 19304 75 46192 31 10884 06 4763 16 6131 4 29639 48 14422 55 43676 22 15965 70 10273 53 1130 38 5970 15 49763 41 19956 78 7081 09 4739 83 6917 61 58803 54 29512 37 5581 33 32031 29 5161 68 66852 41 41937 96 64710 73 5192717 22833 89 14493
51. 69 1 Novembre Omm Marzo94 Luglio 77 78 88 97 Agosto 86 303mm 1977 742mm 1976 27 4 Luglio 75 4 Novembre Omm Giugno 98 Luglio 84 96 Agosto 93 96 369mm 1992 867mm 1976 25 Luglio 72 1 Novembre Omm Marzo 94 Luglio 84 88 93 96 Agosto 86 92 94 00 01 377mm 1989 829mm 1984 30 6 Luglio 85 0 Novembre Omm Luglio 78 80 88 Agosto 88 00 379mm 1977 944mm 1976 33 2 Luglio 115 0 Dicembre Omm Agosto 86 97 01 502mm 1992 1349mm 2002 Po Luglio 70 9 Novembre Omm Marzo 94 Maggio 82 Luglio 84 88 97 Agosto 86 91 92 93 00 01 Ottobre 95 341mm 1977 825 2 2002 mm 17 24 Giugno 1299 Novembre Omm Giugno 84 Luglio 78 80 84 88 90 93 96 Agosto 86 87 94 00 340mm 1977 12558 1996 mm 32 5 Luglio 86 5 Novembre Omm Marzo 94 Luglio 88 408mm 1988 1021 2 2004 mm 111 APPENDICE C Le mappe climatiche La mappa A rappresenta il valore stimato con il metodo del Kriging della media dei valori minimi di temperatura mensili La mappa B rappresenta il limite superiore di variabilit della temperatura mensile con una probabilit del 95 La mappa C rappresenta il limite inferiore di variabilit della temperatura mensile sempre con una probabilit del 95 Tutte le mappe hanno una cella di 1 km per 1 km REGIONE PUGLIA Arca Politiche per la riqualificazione la tutela e la sicurezza ambientale e per Vattuazione delle opere pubbliche Carne Fienzionale amp egivmmle e Araire ef Manitorageio Mereraina Area Programmazione e Finanza Ufficio
52. 8 43918 98 4568 18 389 69 1891 69 1014 53 1402 82 58702 24 13246 64 1209 39 10305 98 18605 26 16330 25 27746 10 25276 82 13376 88 15467 28 20796 28 12504 34 11831 80 46192 31 66315 76 6025 89 33788 60 31307 89 62809 48 97 38 505 59 32193 94 18408 59 16729 14 63692 80 eSI 19304 5 46192 31 10884 06 4763 16 6131 47 14422 55 43676 22 x ESPOSIZIONE GRADI MINIMA MESE ANNO GRADI MASSIMA MESE ANNO 0 2 33 7 Ovest Nord Est Nord Ovest Nord Nord Est Nord Sud Est Est Est Nord Sud Sud Sud Ovest Sud Sud Nord Sud Est Nord Nord Ovest Nord Sud Nord Nord Sud Ovest Nord Nord Nord Est Nord Ovest Sud Ovest Nord Nord Nord Nord Nord Nord Ovest Sud Nord Est Est Gennaio 1981 Dicembre 1991 Febbraio 2003 Gennaio 1981 Gennaio 1976 Febbraio 1993 Febbraio 2003 Febbraio 1993 Febbraio 1993 Gennaio 1981 Marzo 1987 Marzo 1987 Dicembre 1991 Febbraio 1993 Febbraio 2003 Gennaio 1981 Febbraio 1993 Febbraio 1993 Marzo 1987 Febbraio 1993 Febbraio 2003 Febbraio 2003 Gennaio 1978 Gennaio 1981 Gennaio 1981 Febbraio 2003 Gennaio 1981 Febbraio 2003 Febbraio 2003 Gennaio 1981 Febbraio 1983 Marzo 1987 Febbraio 1983 Febbraio 1993 Febbraio 2003 Gennaio 2000 Gennaio 1981 Gennaio 2000 Gennaio 1981 Gennaio 1981 Febbraio 1993 Gen
53. 88 93 419mm 1982 888mm 1998 23 9 Maggio 92 8 Novembre Omm Giugno 90 Luglio 77 78 8 88 333mm 1989 963mm 1976 21 3 Luglio 68 1 Novembre Omm Giugno 82 Luglio 78 84 88 96 Agosto 86 92 00 01 329mm 1992 851mm 2003 21 3 Luglio 67 4 Novembre Omm Giugno 82 Luglio 78 84 88 96 Agosto 86 92 00 01 Settembre 85 335mm 1989 827mm 2003 21 Luglio 67 4 Novembre Omm Giugno 82 Luglio 78 84 88 96 Agosto 86 92 00 01 340mm 2000 714mm 2003 18 4 Luglio 68 8 Novembre mm Marzo84 Luglio 8 84 88 Agosto 86 92 04 Ottobre 95 269mm 1977 1 mm 2002 33 Luglio 101 3 Novembre Omm Giugno 98 Luglio 88 462mm 197 1049mm 1976 33 Luglio 98 8 Novembre Omm Giugno 98 Luglio 88 Agosto 00 Settembre 93 553mm 1994 11 6mm 1906 23 9 Luglio 77 6 Novembre Omm Luglio 84 Agosto 86 92 00 329mm 1992 717mm 2003 18 5 Agosto 76 6 Novembre Omm Giugno 85 Luglio 78 84 88 93 94 Agosto 86 88 92 94 00 Ottobre 95 318mm 1992 804mm 1976 21 5 Luglio 66 0 Novembre Omm Luglio 77 78 88 Agosto 00 324mm 1994 883mm 1976 50 6 Luglio 47 8 Dicembre Omm Agosto 92 00 560mm 1976 1582mm 1996 9501 Luglio 105 0 Novembre Omm Luglio 88 01 394mm 1977 1125mm 1976 16 4 Giugno 92 2 Novembre Omm Giugno 84 98 Luglio 77 78 84 88 90 93 94 96 Agosto 86 90 91 00 Settembre 85 400mm 1985 927mm 1996 38 6 Luglio 99 0 Novembre Qmm Agosto 93 00 468mm 1992 1022mm 1976 42 6 Giugno 88 1 Novembre Omm Marzo 94 Luglio 88 483mm 2000 981mm _ 1978 19 3 Luglio 70 5 Novembre Omm Luglio 7 78 84 88 Agosto 86 92 01 249m
54. 8871 16 23026 76 14279 07 8540 88 23274 36 9292 05 8910 87 130 35 59403 48 89721 92 37837 50 68958 07 43157 11 1895 42 226 54 5589 11 91092 53982 94 24605 45 53315 06 16468 29 55148 42 5313 61 230 6 1704 54 49624 7 1 ESPOSIZIONE Sud Nord Sud Nord Ovest Est Est Sud Nord Est Sud Nord Nord Nord Nord Nord Sud Sud Est Nord Est Nord Ovest Sud Ovest Nord Nord Est Est Nord Nord Nord Ovest Sud Nord Est 299 mm 225 mm 307 mm 193 mm 221 6 mm 218 mm 309 mm 232 mm 264 mm 302 mm 241 mm 443 mm 253 mm 264 mm 176 mm 276 mm 248 6 mm 373 mm 18 mm 270 mm 195 mm 239 2 mm 201 mm 282 mm 245 mm 452 mm 311mm 221mm 219 mm 224 6 mm 280 mm 229 mm 563 mm 327 8 mm 34 mm 261 8 mm MASSIMA PRECIPITAZIONE valori medi mensili Aprile 1978 Novembre 1976 Novembre 1990 Novembre 1976 Dicembre 2003 Gennaio 2003 Novembre 1976 Luglio 1976 Novembre 1985 Novembre 1976 Novembre 1987 Settembre 1982 Novembre 1976 Novembre 1987 Maggio 1980 Dicembre 1995 Novembre 1998 Novembre 1993 Maggio 1987 Novembre 1976 Dicembre 1984 Gennaio 2003 Dicembre 2003 Ottobre 1985 Novembre 1976 Novembre 1993 Novembre 1976 Aprile 1978 Maggio 1980 Gennaio 2003 Dicembre 1983 Novembre 1976 Dicembre 2002 Dicembre 2002 Novembre 1993 G
55. 91 97257 26 60066 39 25844 74 61145 29 7220 54 541 07 83940 76 43452 97 ESPOSIZIONE Nord Est Sud Ovest Nord Nord Nord Nord Nord Nord Ovest Sud Nord Nord Est Est Est Est Nord Ovest Nord Nord Nord Est Nord Sud Est Nord Ovest Nord Est Sud Ovest Nord Nord Ovest Ovest Nord Nord Ovest Nord Nord Est Nord Nord Sud 202 4mm 23 mm 193 8 mm 222 2 mm 271mm 300 mm 191 mm 326 mm 199 mm 236 mm 155 mm 290 mm 218 8 mm 315 mm 260 mm 185 2 mm 310 6 mm 176mm 271mm 297 4 mm 170 mm 296 8 mm 241 4 mm 246 6 mm 358 mm 20 mm 290 8 mm 284 mm 173 4 mm 300 6 mm 285 6 mm 272 mm 277 2 mm 385 mm 322 6 mm 158 2 mm 358 mm 289 mm 409 6 mm 290 mm 208 6 mm MASSIMA PRECIPITAZIONE valori medi mensili Novembre 1997 Novembre 1976 Novembre 1997 Gennaio 2003 Novembre 1976 Novembre 1976 Novembre 1976 Ottobre 1996 Novembre 1979 Novembre 1976 Dicembre 1983 Novembre 1976 Agosto 2002 Novembre 1976 Novembre 1976 Dicembre 2002 Gennaio 1996 Dicembre 2003 Novembre 1976 Ottobre 1996 Novembre 1979 Dicembre 2002 Gennaio 2003 Ottobre 2005 Novembre 1993 Dicembre 1983 Dicembre 2002 Gennaio 2003 Agosto 1995 Gennaio 2003 Novembre 2004 Ottobre 2005 Ottobre 1996 Novembre 1976 Gennaio 2003 Dicembre 2003 Aprile 1978 Novembre 198 Dicembre 2002 Novembre 19 6 Agosto 2002 MESE PIU PIOVO
56. EM cv c MM Do epuaBba Wy X WY euoiznjosu uoo Jejsei EUO ISIONINE S007 9Z6L 0 U2UULI9 LI ID opolJagd OIEUU 2 Ip asaw jap e1njeJeduie Ip IWISSEW IlO PA 19p LOLA ANS wT VLLITYVA UM ic s Wy X WY SUOIZN OSU uoo Jejsei EID ci oci ES cci vo ESSll z 9 01 MB COo Lol Soe FEEN 9 9 v EJ cv c NM lt 3 NTVA gt epuo62 119 ISIQNIME a VlI3THV8 900c 946 01ueuinJaoju Ip OPOlldd OIEUU2 BSaU jap e1njeJoduioe IP IWISSEW IJO PA lap 1J01J9JUI IMUIIT 09 or 001 96 RS S6 16 S 06 98 cg 18 zx 08 92 _ c I o2 99 C__ g9 i9 09 oc Z cc ic AM oc or NI cr r A 9seul uluJl epuaBba oz OL Wy X WY SUOIZN OS uoo JejseiJ euo ISIGNINE S00C 9Z61 Olu uulij li IP OPOled Olpuu o Ip S ul 9p ejso oid ip LOJA rop ID N VLI3T4V8S Or oz ozi 911 NN si u D oL 901 RR cot o EHI 001 96 56 16 __ 06 98 __ s8g ig 08 92 __ cL J E 04 99 F c9 19 NM 09 oc N cs ic AME os v IA 9seul ulul epuaBba wyp X UM euorznjosu uoo J9 SEI euD G00 9Z6L 0 USUILISJLI ID Opoll9g OIEUUSS Ip asal jap P ISOAOId Ip WOJeA Iop l1014edns nur VlI3THV8 or oz ce io AME os 9 BENI S uU 0z 9 s9 19 oo os sc is os ov Sr Lv I or oc EI cc vc EM eseul ulul epuaba Wy X U euorznjosu uoo Jejsei eUD ISIONINS X VlI3T1HV8
57. G Ostuni BR Otranto LE Pietramontecorvino FG Presicce LE 229 225 245 244 massima precipitazione annua mm 1121 1054 1049 1582 1125 1022 1095 1158 1020 1004 1299 1364 1247 1193 1010 109 1130 1083 1064 1174 4 1053 1089 4 1105 2 1324 1246 1104 1141 1115 2 1251 1977 1989 197 1989 anno 1976 1976 1976 1976 1976 1976 1996 1996 1976 1996 1996 1996 1976 1996 1996 1976 1976 1996 2002 1996 1984 2004 1996 1976 1976 1996 1996 1996 1996 1038 1976 Rocchetta Sant Antonio FG Rocchetta Sant Antonio San Giorgio Jonico San Giorgio Jonico TA 1083 1976 1263 1980 San Marco in Lamis FG San Marco in Lamis Sannicandro Garganico Sannicandro Garganico FG 1133 2004 Vico del Gargano Vico del Gargano FG 1349 2002 Volturino Volturino FG Da questa tabella si evince che le province pi piovose sono Lecce 1996 e Foggia 1976 Le precipitazioni nevose non sono rare e pos sono interessare anche le zone in pianura ed hanno una durata limitata venti sono in ge nere moderati predominano la tramontana e lo scirocco 5 1 Le stazioni per il rilevamento delle temperature La temperatura dell aria con la precipitazio ne la grandezza di piu agevole misurazione ai fini della caratterizzazione climatica di una re gione fattori che influenzano maggiormente la distribuzione della temperatura sono la la titudine la distanza dal mare l esp
58. G S permette di realizzare l analisi strutturale e la cross validation Inoltre offre la possibilit di dise gnare 00 plot e di utilizzare diverse tecniche del Kriging L analisi strutturale consente la divisione del nugget in una parte addebitabile agli errore di misura e in una che rappresenti l effetto del sottocampionamento Le statisti che di cross validation comprendono le sti me dell errore di predizione medio di quello standard medio e il quadrato medio standar dizzato Le tecniche di kriging utilizzabili sono ordinary universal disjunctive indicator probability coKriging E possibile realizzare trasformazioni di variabili da un certo tipo di distribuzione a quella normale e realizzare il declustering dei dati All interno di questo quadro si ritrovano le tec nologie utilizzate dal gruppo di lavoro In parti colare ISATIS IRSA CNR ArcGIS Protezione Civile e Cross Validation Quest ultimo uno strumento sviluppato all interno dell Ufficio Statistico per realizzare la validazione di un modello di variogramma reso pubblico con il codice sorgente all interno del sito istituzio nale www regione puglia it ufficiostatistico In Appendice A si fornisce la documentazione per il suo utilizzo 26 http www esri com software arcgis extensions geostatistical 5 Descrizione area di studio e della rete La Puglia si estende nel Mediterraneo nord orientale in direzione NW SE e costituisce la parte pi orie
59. Orto di Zolfo Ostuni Otranto Pescopagano Pietramonte corvino AQP 108 COMUNE Giovinazzo BA Grottaglie TA Grumo Appula BA Lacedonia AV Avigliano PZ Avigliano PZ Lavello PZ Lecce LE Lesina FG Lizzano TA Canosa di Puglia BT Locorotondo BA Lucera FG Maglie LE Manduria TA Manfredonia FG Massafra TA Candela FG Mottola TA Nard LE Trinitapoli BT Melendugno LE Melfi PZ Cassano delle murge BA Minervino di Lecce LE Minervino Murge BT Monte Sant Angelo FG Monteleone di Puglia F6 Montemilone PZ Rionero in Vulture PZ Nard LE Noci BA Novoli LE Nusco AV Orsara di Puglia FG Ortanova FG Biccari FG Ostuni BR Otranto LE Pescopagano PZ REGIONE Puglia Puglia Puglia Campania Basilicata Basilicata Basilicata Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Basilicata Puglia Puglia Puglia Puglia Puglia Basilicata Basilicata Puglia Puglia Puglia Campania Puglia Puglia Puglia Puglia Puglia Basilicata Pietramontecorvino FG Puglia COORDINATE UTMX 640150 50 706755 70 643821 60 535783 20 562069 20 729461 30 566759 50 768980 70 52991920 707847 60 578906 10 697389 70 528011 50 780678 20 723637 70 573371 00 678460 10 547310 60 680800 9 741269 80
60. SO MINIMA PRECIPITAZIONE Pia dpi valori medi nel valori medi nel n a a a n PESSOA A valori medi mensili valori medi annui valori medi annui 16 8 Luglio 72 9 Novembre 0 mm Marzo 94 Luglio 7 78 84 88 93 Agosto 86 92 00 Ottobre 95 234mm 1992 797mm 1996 25 6 Luglio 67 5 Novembre Omm Luglio 77 78 Agosto 87 89 93 94 00 353mm 2001 949mm 1996 25 4 Luglio 3 0 Novembre Omm Giugno 85 9 Luglio 78 84 88 93 9 Agosto 86 92 97 00 Ottobre 95 367mm 1985 791mm 1995 30 9 Luglio 88 1 Novembre Omm Marzo 94 Luglio 88 00 503mm 1977 1083mm 1976 34 2 Luglio 114 5 Novembre Omm Luglio 78 85 88 704mm 1977 1189 mm 1996 2000 19 Luglio 92 6 Novembre Omm Giugno 84 Luglio 7 78 84 88 90 94 96 Agosto 86 88 92 93 00 Settembre 85 334mm 2000 958mm 1976 28 4 Luglio 76 4 Novembre Omm Luglio 88 Agosto 85 88 357mm 1977 910mm 1976 18 4 Luglio 103 9 Novembre 0mm Giugno 78 84 95 Luglio 77 78 84 88 90 96 03 Agosto 86 87 88 91 92 93 00 331mm 1992 1364mm 1996 S Luglio 84 9 Novembre Omm Luglio 97 Agosto 92 9400 Ottobre 95 385mm 1993 902mm 2004 17 6 Luglio 73 4 Dicembre Omm Giugno 82 84 Luglio 77 78 88 90 96 Agosto 87 88 89 91 00 276mm 1989 825mm 1976 21 8 Luglio 64 8 Novembre Omm Luglio 77 78 88 Agosto 92 302mm 1977 699mm 1976 23 5 Luglio 86 1 Novembre Omm Marzo 94 Luglio 77 84 88 94 96 Agosto 86 92 94 00 01 335mm 1989 1247mm 1976 24 Luglio 63 0 Novembre Omm Marzo 94 Luglio 88 Agosto 93 Settembre 80 284mm 1977 743mm 2002 18
61. a 0 29 La distribuzione spaziale della rete impone un passo di continuit di 9 km lag che porta nei primi tre intervalli un numero di coppie pari rispettivamente a 36 186 276 Si riscontra un andamento continuo di tipo sferico ed una massima distanza di correlazione range di circa 30 km previsto un parametro di nug get pari a 0 08 in quanto si suppone che al di sotto dei 9 km non possa essere esclusa una continuit che la distribuzione spaziale della rete non in grado di cogliere Dai punti speri mentali si pu notare che questi si assestano intorno alla varianza dei residui pertanto non sembra evidenziarsi un trend spaziale sui dati da cui consegue tra l altro la scelta del mo dello di tipo sferico Il kriging ordinario all interno del processo di cross validazione z kri confrontato con la relazione lineare in cui interviene solo l eleva zione z regr Nella tabella seguente le prin cipali caratteristiche statistiche della variabi le temperatura massima di gennaio z sono confrontate con le due stime z kri e z regr Tabella 6 5 max 14 30 12 82 13 14 1 84 1 78 dev std 2 09 22 2 19 0 56 0 54 Si pu notare che la media delle due stime identica entrambi tendono a sottostimare Il kriging si avvicina di pi al valore massimo di Z Sono poco significative le altre differenze Il mese di febbraio si presenta con media di temperature massime pari a 0 003 C ed una varianza di 0 29 C mentr
62. a 25 35 mm imputabile proba bilmente a fenomeni temporaleschi che dalle zone montuose sconfinano sulla pianura Le aree meno piovose nel periodo estivo sono le zone costiere di pianura e la penisola salen tina dove mediamente si ha anche un minor numero di giorni con temporali termoconvet tivi con media mensile dei cumulati di 10 20 mm Dall analisi del Boxplot Fig 6 25 si nota una differenza contenuta tra il 1 e 3 quartile degli istogrammi dei cumulati indicanti una limitata variabilit interannuale degli stessi cosi come d altronde evidenziato dai valori di deviazione standard che risultano i pi bassi dell anno La correlazione spaziale tra i dati di stazione riportati dal grafico del variogramma Fig 6 26 decisamente elevata a sottoline are una situazione omogenea della distribu zione delle precipitazioni le precipitazioni in questa stagione sono principalmente legate ad un gradiente altimetrico con precipitazioni pi consistenti alle quote pi elevate AUTUNNO Mappe di Settembre Ottobre e Novembre a ANALISI DELLE TEMPERATURE L analisi condotta sulle mappe autunnali delle temperature medie massime riporta l attenzione sui valori del coefficiente di corre lazione fra le temperature e l elevazione poco distinguibile nel mese di Settembre ma molto evidente nei mesi successivi le isoterme si dispongono in maniera da seguire grosso modo l andamento delle isoipse La tempe ratura media massim
63. a re gistrazione avviene esclusivamente con ac quisizione elettronica Di seguito sono elencate le caratteristiche dei dati analizzati e altre relative al pluviometro e Tipo variabile meteorologica e Unita di misura mm e Numero di stazioni 125 e Risoluzione temporale della misura regi strazione continua e Risoluzione spaziale della misura prati camente puntuale 1 10 m 400 cm e Risoluzione temporale del dato analizza to mensile e Periodo della serie temporale Da 01 01 1976 al 31 12 2005 e Data Media Foglio Excel e Data Provider Servizio Protezione Civile Struttura di Monitoraggio Meteoclimatico Tipo di variabile si tratta di una variabile continua che varia sia nel tempo sia nello Spazio Informazioni relative allo strumento ed alla sua sensibilit e precisione e Tipo di strumento Pluviografo elettroni CO e Precisione strumentale 0 2 7 e Sensibilit 0 2 mm pJON vE vOS2T 00 6r2 O 0899SSr 01688819 eij3nd va 016105 0360 PION 6t 26911 00 8r 02 91029vv 0T 08v6S2 eij nd 31 ounsadog ounjedo pJON 65 098 00 272 02 1289 St 02106229 eij3nd va ouesi Auo2 OUESIANUO pJON vO v62tT 00 2ET 0T T290tv vt 0S r2T022 eij3nd 31 ossedajjo3 ossed llo3 ISI 82 96202 O0 VET 0 26 89St 08 0T8S2S end 94 eoudue ejoudua 193 ST 2822T 00 982 O r2v20Sv 02 926212 eij3nd Ya estdessay 21399 eaidessay 8 3 pns 02 9E2Ev 00 782 00 S9v22St OT 9986ES eij3nd
64. a registrata nel mese di Settembre assume valori compresi tra 27 C e 28 5 C in Capitanata e Arco Jonico ma la dimi nuzione delle temperature nei mesi successi vi riporta le medie massime del mese di No vembre a valori piu bassi di 10 C localmente anche di 12 C 14 C sull Alta Murgia Gargano e Subappennino Dauno Lo studio delle temperature medie minime dello stesso trimestre mostra un forte legame lineare con l elevazione specie nel mese di Settembre meno evidente nei mesi di Ottobre e Novembre mesi di Settembre e Ottobre hanno una distribuzione dei valori di tempera tura media minima molto simile riscontrando inoltre un area omogenea nei valori medi mi nimi sulla Puglia meridionale b ANALISI DELLA PIOVOSITA La stagione autunnale Settembre Ottobre Novembre caratterizzata dal progressivo abbassamento latitudinale del flusso per turbato che interessa in misura pi diretta la Puglia col trascorrere della stagione Nel mese di Settembre la distribuzione delle precipita zioni legata sostanzialmente ai fenomeni 90 termoconvettivi anche se inizia ad essere in fluenzata dalle prime perturbazioni che giun gono prevalentemente da ovest nordovest maggiori accumuli si riscontrano sul versante settentrionale e zone interne del massiccio garganico Le zone orientali e costiere della regione hanno quantitativi mediamente mag giori rispetto al settore occidentale e a buona parte delle aree interne minimi di
65. accumulo si hanno su arco jonico tarantino e settori del la Murgia sudoccidentale In Ottobre e Novem bre si ha un considerevole incremento delle precipitazioni su tutta la Puglia Gli accumuli mensili pi consistenti 90 120 mm si evi denziano sulla penisola salentina meridiona le e orientale mentre nel mese di Novembre considerevoli sono anche gli accumuli su Gargano e zone pi elevate del Subappennino Dauno con valori variabili tra gli 80 100 mm Le aree che beneficiano ancora una volta dei minori quantitativi di precipitazione sono la pianura foggiana l arco jonico tarantino al cune zone della Murgia occidentale e in pros simit della citt di Bari con quantitativi medi mensili in Ottobre e Novembre compresi tra 50 60 mm Questa localizzazione dei massimi di precipitazione e dovuta alla configurazione barica media e all orografia In questo periodo dell anno presente con una certa frequen za una circolazione di bassa pressione sul Mar Tirreno centro meridionale con i sistemi perturbati che scorrono da ovest sudovest a est nordest Dal punto di vista geomorfologi co il Salento una penisola bagnata su tre lati dal mare che in questo periodo dell anno pi caldo dell atmosfera La colonna d aria sovra stante la superficie marina riceve molta ener gia e per tale ragione le precipitazioni spesso assumono carattere temporalesco alle volte di forte intensit Altre zone della Puglia an che se beneficiano di quantitati
66. ado di appros simazione varianza dei residui Di contro gli svantaggi principali propri di tali metodi sono legati alla difficolt di dare significato fisico a polinomi di ordine superiore a due non for niscono valori attendibili al di fuori dell area coperta dai dati il criterio dei minimi quadrati all interno di una regressione statistica pre suppone la distribuzione normale degli scarti e non rappresenta un criterio di stima robu Sto cio molto sensibile alla presenza nei dati di valori anomali Sul concetto di TSA si soffermato Matheron sottolineando che se Z x la variabile meteoclimatica e P x il polinomio di TSA allora P x l aspettazione a priori Z x si parla in questo caso di deri va o drift metodi di TSA quindi sono ampia mente utilizzati per rimuovere le componenti di tendenza spaziale prima dell applicazione di un interpolatore locale ai residui P x non rappresenta la migliore soluzione possibile nel senso della minima varianza come stima tore infatti non in grado di fornire l ampiezza dell errore fatto dallo stimatore varianza di stima che un concetto diverso della varian za dei residui ottenuta dalla TSA Le serie di Fourier approssimano segnali pe riodici attraverso una serie di funzioni trigono metriche Questi metodi sono molto utili per studiare le componenti periodiche temporali di variabili spazio tempo fornendo diretta 1 The Theory of regionaliz
67. ale La formula che regola il modello gaussiano la seguente yh co c 1 e 3 1 3 Variografia Il processo che parte dallo stimatore per giun gere fino al modello di semivariogramma si chiama variografia Esso concepito in due fasi costruzione del grafico sperimentale sul la base dello stimatore e adattamento di un modello a tale grafico modelling Lo stimatore del semivariogramma 7 h 3 var z x Z x h itE z 4 Z x h F sotto l ipotesi di stazionariet intrinseca e di media Z x zm x costante rappresenta to da N H 2 gt h ms E Z x Z x h 19 che stima all interno di intervalli di ampiezza multipla di una distanza prefissata lag la media delle differenze al quadrato fra tutte le coppie di osservazioni separate dalla distan za h del lag o suoi multipli ove N h rap presenta il numero di coppie all interno dello stesso lag Grafico sperimentale Nell analisi strutturale necessario costruir si pi variogrammi direzionali inizialmente quello globale omnidirezionale compren de tutte le coppie che si possono costruire dal campione di dimensione N e sono pari a N N 1 Le decisioni da assumere in questa fase riguardano ampiezza del lag e il numero complessivo di lag che caratterizzer l anda mento del semivariogramma sperimentale sul grafico Il Jag la misura dell intervallo nella unit prescelta entro la quale le diffe renze quad
68. allo A B mentre l estensione all in tervallo reale di variazione di Z Z Z verr effettuata tramite interpolazione lineare E da osservare che sebbene i valori trasfor mati gaussiani possano essere calcolati senza necessariamente costruirsi il modello di anamorfosi esso risulter necessario in altri approcci come la simulazione stocastica gaussiana in cui si richiede una trasforma Figura 3 9 Esempio di applicazione di trasformata gaussiana xg I E Figura 3 10 Esempio di applicazione dell anamorfosi gaussiana Figura 3 11 Esempio d estensione all intervallo reale di variazione di Z Zmin Zmax da Isatis 2002 Yamax Zamax g O 70 Ypmax Zpmax 60 i BO q 5 N oh 40 E Ls 3 SU gt 10 0 10 1 Je Valori Gaussiani zione inversa dei valori gaussiani simulati in quelli della variabile originaria La normalit univariata in realt una con dizione necessaria ma non sufficiente ad assicurare la normalit bivariata e a maggior ragione quella multivariata di una funzione casuale In realt la trasformazione univaria ta non produce alcun effetto sulle propriet bivariate della funzione casuale 1 Rivoirard Jacques 1994 Introduction to Disjuncti ve Kriging and Non Linear Geostatistics Clarendon Press 182p Deutsch e Journel propongono un modo per controllare la normalit della distribuzione bi variata c
69. anco Dirigente Ufficio Statistico L Istituto di Ricerca sulle Acque del Consiglio Nazionale delle Ricerche IRSA CNR da anni impegnato in attivit di ricerca relative alle conseguenze sui sistemi idrici naturali delle mutazioni climatiche sia in veste del proprio ruolo di consulente istituzionale sia per il suo coinvolgimento in progetti di ricerca nazio nali ed internazionali In tale ambito ed in attuazione all accordo di programma quadro n 591 del 20 giu gno 2006 sottoscritto tra il Dipartimento della Protezione Civile e il Consiglio Nazionale delle Ricerche per lo sviluppo della conoscenza delle metodologie e delle tecnologie utili alla realizzazione presso i Centri Funzionali di sistemi di monitoraggio previsione e sorveglianza nazionali nonch per l attuazione dell or ganizzazione della funzione di supporto tecnico scientifico nell ambito del Servizio Nazionale della Prote zione Civile come stabilito dalla Direttiva del presidente del Consiglio dei Ministri 27 02 2004 Indirizzi operativi perla gestione organizzativa e funzionale del sistema di allerta nazionale e regionale peril rischio idrogeologico e idraulico ai fini di protezione civile ha risposto con entusiasmo all invito a collaborare alle attivit che hanno prodotto questo documento ing Michele Vurro Dirigente di Ricerca IRSA CNR Indice Premessa 4 1 ANALISI DEI BISOGNI 5 2 STATO DELL ARTE DELL OFFERTA PRODOTTI 8 3 STATO DELL ARTE SULLE METODOLOGIE 10 3 1 Geosta
70. aspetti tecnico ambientali che caratterizzano il presente studio silio alle inizia ti al suolo ing Giuseppe Tedeschi Dirigente Servizio Protezione Civile La legge regionale n 34 2001 attuativa del D Lgs n 322 889 ha istituito l Ufficio Statistico della Re gione Puglia attribuendogli funzioni tecnico scientifiche e di coordinamento delle strutture organizzative regionali che svolgono attivit statistica settoriale ai fini dell unicit di indirizzo tecnico e metodologico L Ufficio realizza attivit di studio e ricerca divulgandone i risultati attraverso pubblicazioni ufficiali del la Regione Puglia Il presente lavoro nasce da un analisi dei bisogni statistici dei servizi regionali svolta nel 2009 da cui emersa l esigenza di definire metodologie statistiche che permettano la costruzione di mappe meteo climatiche Di concerto con il Servizio regionale della Protezione civile si proceduto alla costituzione di un gruppo tecnico di lavoro col compito di affrontare il suddetto il tema in un ottica multidi sciplinare e multi istituzionale in considerazione della complessit con cui i fenomeni propriamente fisici si manifestano sul territorio L Ufficio Statistico ha attivamente sostenuto le attivit del gruppo di lavoro nella consapevolezza che contribuire alla esatta conoscenza statistica di fenomeni di varia natura sia il fondamento delle migliori decisioni possibili a beneficio dell intera collettivit dr Massimo Bi
71. atica che trasforma una variabile Y con distribuzione gaussiana in una nuo va variabile Z con qualsiasi tipo di distri buzione Z O Y Per motivi matematici questa funzione scritta sotto forma di uno sviluppo in serie di polinomi Y gt WH Y ove le H Y sono i polinomi di Hermite In pratica questo sviluppo in serie troncato ad un ordine finito e la funzione risulta monotona crescente all interno di un deter minato intervallo mentre al suo esterno mo stra dei massimi e dei minimi Figura 3 10 E necessario pertanto fissare gli estremi A e B di questo intervallo in cui la funzione risulter anche invertibile e quelli Z e Z del campo di variabilit della variabile originaria Il calcolo della funzione di anamorfosi 0 consister quin di nell adattamento dei parametri y alla curva sperimentale ottenuta riportando sull asse orizzontale i valori della variabile normale stan dardizzata e su quelli dell asse verticale i quan tili corrispondenti della variabile originaria Il modello cosi adattato si intendera valido all in terno dell intervallo di estremi A e B L eventua le estrapolazione ai valori minimo e massimo della variabile Z verr effettuata mediante interpolazione lineare Una volta ottenuta la funzione di anamorfosi e facile ricavare la tra sformazione inversa che consente il passaggio dalla variabile gaussiana a quella originaria L inversione sar possibile solo all interno dell interv
72. ato misurato La geostatistica quindi pu essere utilizzata sia come inter polazione che come approssimazione Pu essere applicata localmente tenendo pre sente il trend spaziale Le conoscenze fisiche a priori sui fenomeni permettono spesso di ipotizzare un trend o drift esterno e definirne la forma matematica Il drift pu essere gestito all interno della ge ostatistica attraverso una opportuna tecnica 14 detta kriging universale oppure eliminando lo dai dati e considerando solo i residui Effetti spaziali non spiegati a priori possono essere rilevati dall andamento del variogramma che pu crescere al crescere della distanza dei punti senza assestarsi intorno ad un valore varianza dei dati La geostatistica pu gesti re quindi sia drift esterno che trend spaziale pur operando localmente nella produzione delle stime Pu essere formalmente equivalente alle spli ne di settembre 1980 il contributo di Matheron con il quale stata prodotta la dimostrazione dell equivalenza formale dei due metodi di in terpolazione spline e geostatistico del kriging Pu gestire le periodicit Le periodicit spaziali se presenti sono ri levabili dal variogramma e opportunamente modellizzabili Le periodicit sono rilevabili nella ricostruzione spazio temporale delle va riabili meteo climatiche qualora si scompon ga il variogramma spazio tempo in opportune combinazione di modelli validi separatamen te nello spa
73. bbe aumentare con la distanza fra i punti fino a raggiungere un valore pi o meno costante sill ad una data distanza di separazione range Figura 3 1 Figura 3 1 Semivariogramma teorico Semivariogramma Distanza I sill dovrebbe approssimare la varianza cam pionaria s della variabile campioni separati da una distanza pi grande del range posso no considerarsi spazialmente non correlati in quanto una semivarianza uguale a s implica variazione casuale Non tutti i semivariogram mi sperimentali presentano pero questo an p damento alcuni possono aumentare in ma niera monotona non mostrando range e o sill ben definiti manifestando cosi la presenza di un fenomeno di trend e quindi di mancanza di stazionariet Figura 3 2 Il semivariogramma dovrebbe passare per l origine In molti casi si pu presentare una varianza non nulla quando h tende a zero Fi gura 3 1 questa discontinuit nell origine chiamata effetto nugget e dovuta a variabilit a microscala o comunque ad una scala pi piccola di quella descritta dal campionamen to e o ad errori di misura Figura 3 2 Esempi di variogrammi non limitati superiormente c E E G DO 2 pe c 2 E o ue Le caratteristiche piu importanti di un vario gramma sono di seguito descritte Effetto Nugget Puro Si dir che il semivariogramma presenta un puro effetto nugget quando y h costante per tutti i valori
74. ben appros simato da una retta orizzontale che passa at traverso il punto di nugget che coincide quin di con il sill La variazione quindi avviene a una scala pi piccola di quella rilevata dalla rete di misura La formula che regola il modello nugget la seguente Vh 7 h co Variogramma esponenziale rappresenta to da una curva che cresce al crescere delle distanze raggiungendo tendenzialmente il valore di sill all infinito caratteristico di dati che hanno una limitata area entro cui si ma nifestano le relazioni di influenza oppure che mostrano una elevata distanza di continuit La formula che regola il modello esponenziale la seguente y h cs c 1 e Variogramma lineare rappresentato da una curva che evidenzia una crescita lineare del le differenze quadratiche medie al crescere delle distanze Per definizione quindi non ha n sill n range mentre pu avere un effetto nugget La formula la seguente con w coefficiente angolare della retta y h c ch Variogramma gaussiano rappresentato da una curva che inizialmente cresce lentamen te con la distanza Da una certa distanza in poi il tasso di crescita accelerato assestan dosi sul valore di sill ad un ben definito valore di range Il variogramma gaussiano carat teristico di dati con una elevata presenza di tendenza che si manifesta a piccola scala e nello stesso tempo un alto livello di continu ita region
75. bre 0 95 0 73 Dicembre 0 97 0 82 L altezza sul livello del mare diventa quindi un fattore in grado di spiegare una buona parte della variazione delle temperature massime Un analisi immediata potrebbe limitarsi all ap plicazione della relazione lineare al Digital Ele vation Model DEM al fine di costruirsi la map pa delle temperature massime In questa sede si intende procedere comunque con l analisi geostatistica perch in grado di fornire la varianza di stima L analisi strutturale e la sus seguente interpolazione sar eseguita sui resi dui cio sulla parte di variazione che rimane a fronte del contributo lineare fornito dall eleva zione Questi stessi residui sono interpolati con il kriging ordinario e ai valori interpolati infine aggiunto il contributo lineare dell elevazione Si sottolinea che l interpretazione della varianza di stima come intervallo di confidenza neces sita dell ipotesi di normalit dei residui residui per ciascun mese sono costruiti sot traendo ai valori di temperature massima la relazione lineare con l altezza sul livello del mare Il test di normalit sui residui presen tato per ciascun mese nella tabella 6 3 lad dove si riscontra per tutti i residui la forma nor male a livello di significativit 0 05 del KS test Tabella 6 3 Mese Normalit o e Febbraio 0 09 si Marzo 05 Aprile 0 06 si Maggio 09S Giugno 0 07 si Luglio 009 s Agosto 0 0 si 0 04 si O
76. cisioni in condizioni di incertezza e fornisce come risul tato due grid il primo la stima di tali variabili e il secondo la varianza di stima interpreta bile come intervallo di incertezza della stima Nel caso in cui le variabili siano di tipo norma le la varianza di stima puo essere utilizzata per costruire un intervallo di confidenza della stima ad una certa probabilit D altro canto la costruzione di un variogramma necessi ta di un insieme di decisioni in cui diventa preponderante l esperienza e la conoscenza dell esperto Le decisioni pi importanti riguardano e il valore di un parametro del variogramma nugget Se questo diverso da zero si sta decidendo di costruire una superficie mappa che non passera per i punti stru mentati e il tipo di modello di continuit spaziale Esso avr delle ripercussioni sulla varian Za di stima cio sull intervallo di confiden za della stima Tale intervallo sar tanto pi ampio quanto pi elevate saranno le varia zioni a parit di distanza fra due modelli diversi e il processo di stima Esso sar tanto pi at tendibile quanto pi si riesce ad isolare e spiegare la parte deterministica trend o drift da quella puramente aleatoria Gli strumenti geostatistici utilizzabili sono di versi All interno del gruppo e stato sviluppato un programma per realizzare la validazione incrociata di un modello di variogramma Co struito con una logica free to us
77. declustering poligonale in quanto a differen za di quest ultimo metodo l area di influenza associata ai punti periferici meno sensibile alla posizione del contorno dell area studiata Infatti se il confine si trova lontano dai dati col metodo del declustering poligonale i cam pioni periferici ricevono un peso molto eleva to essendo l area del poligono di influenza altrettanto vasta passi della procedura di declustering a celle la seguente 1 Sovrapposizione di una griglia regolare alla configurazione dei punti di misura 2 Assegnazione di un peso inverso rispetto al numero di punti di misura ricadenti in ogni cella Standardizzazione dei pesi di videndo per il numero di celle contenenti punti di misura 3 Per ogni cella della griglia il peso associato ad ogni campione in essa contenuto cal colato con la seguente formula 1 ni number of cells with data W dove n il numero di campioni che si trovano nella cella in cui ricade il campione j esimo ed n il numero totale di celle contenenti cam pioni Declustering con i pesi del Kriging Un altra tecnica applicata per il calcolo dei pesi del declustering quella eseguire un kriging della zona di interesse e di sommare i pesi applicati ad ogni condizionamento di dati e quindi di standardizzare tali somme Ci analogo ad eseguire il block kriging sull area di interesse Questa tecnica simile al declu stering poligonale in quanto pu ris
78. della non elevata alti tudine Altra area con accumuli pi elevati la zona meridionale del Salento con valori medi mensili oscillanti tra 65 90 mm In questo caso le perturbazioni provenienti da ovest o da sud ovest superato l Appennino meridio nale riescono ad incrementare nuovamente il loro contenuto di vapor acqueo e di energia perso sul settore tirrenico favorendo nuove precipitazioni Gli accumuli piu abbondanti sono localizzati sul settore meridionale del Salento con precipitazioni spesso a carattere di rovescio temporalesco Altra zona con ac cumuli elevati l area adriatica tra sud barese 86 e nord brindisino spesso legate al posiziona mento di perturbazioni a carattere freddo ed alle correnti nordorientali che favoriscono un sollevamento forzato di masse d aria partico larmente umide favorendo precipitazioni lun go il ripido versante sudorientale della Murgia con cumulati medi mensili di 70 90 mm Le mappe mensili confermano che le zone meno piovose sono la capitanata e il nord barese zone riparate dalle correnti umide occidentali dall Appennino mentre per le per turbazioni provenienti da nord sono riparate dal Gargano generalmente i cumulati men sili medi si attestano nel periodo invernale tra i 40 ed i 55 mm Analoga considerazione pu essere fatta per l arco jonico tarantino in quanto parzialmente riparato dalla Murgia dalle correnti umide provenienti da nord e dall Appennino per le correnti perturbate oc
79. di h Cio si verifica quando presente una notevole variazione da punto a punto anche a brevi distanze di separazione e indica assenza di correlazione spaziale al meno alla scala di campionamento usata Pi alto l effetto nugget relativo espresso cio in percentuale del sill totale pi ristretta a zona di correlazione spaziale fra i campio ni Il nugget relativo pu essere interpretato come una misura della mancanza di cono scenza della variabilit su piccola scala Un alto valore di nugget relativo rappresenta l ina deguatezza del campionamento a cogliere la variabilit spaziale della grandezza in esame Range di Influenza Il range interpretato come la distanza alla quale i valori non hanno pi alcuna relazione E evidente che la scala di osservazione del fe nomeno prodotta dalla rete di campionamen to un fattore influente sul range Modelli Anisotropici fenomeni spaziali in realt presentano mol to spesso degli evidenti effetti direzionali Vi sono due tipi di anisotropia quella pi sem plice si verifica quando lo stesso modello di variogramma e lo stesso sill sono comuni a tutte le direzioni mentre cambia unicamente il range Figura 3 3 Figura 3 3 Esempi di variogrammi direzionali nel caso di anisotropia geometrica Semivariogramma In queste situazioni si ha un unico sill che vie ne raggiunto dal semivariogramma a distanze diverse di range In pa
80. diamente valori simili La geostatistica risponde alla prima legge della geografia attraverso una interpretazio ne stocastica della variabile meteo climatica Attraverso le ipotesi intrinseche del primo e del secondo ordine si introduce il concetto di variogramma che modellizza le variazioni in funzione della distanza Tobler fornisce le in dicazioni sulla modalit con la quale devono comportarsi queste variazioni esse devono mostrarsi crescenti cio tanto pi i punti sono vicini fra loro quanto meno essi devono varia re almeno fino ad una certa distanza dopo la quale il fenomeno sottogiacente pu diventa re non correlato questo esattamente il com portamento atteso dal variogramma Pu nello stesso tempo essere una interpola zione o una approssimazione Il tipo di continuit spaziale delle variazioni rappresentate dal variogramma espresso da una funzione monotona strettamente cre scente che nell origine pu o non pu assu mere valore nullo Se lo assume vuol dire che non c variazione quando la distanza e nulla fra due punti cio si localizzati su un solo punto Un modello di variogramma siffatto uti lizzato all interno di una tecnica di ricostruzio ne spaziale geostatistica produce una inter polazione restituendo nei punti strumentati il dato misurato Se al contrario nell origine il variogramma assume un valore non nullo co sidetto nugget effect la stessa tecnica non riproduce il d
81. e reso dispo nibile in questa forma alla comunit che potr utilizzarlo liberamente modificarlo e miglio rarlo anche se per fare ci dovr comunque utilizzare strumenti proprietari ampiamenti diffusi excel e visual basic Questo report rappresenta una delle modalit con le quali possibile diffondere i risultati relativi alle attivit realizzate Altra modalit rappresentata dall utilizzo dei siti istituzionali dei soggetti facenti parte del gruppo di lavo ro che contengono nelle apposite sezioni di download i materiali raccolti durante lo svilup po delle attivit e i risultati prodotti Le mappe saranno disponibili sul sito della Protezione Civile e fruibili in modalit webgis APPENDICE A Istruzioni d uso software free to use Aprire il file excel accertandosi che il livello di protezione sia tale da attivare la macro in essa contenuta e scritta in linguaggio Visual Basic Entrare nel primo foglio denominato Vario 1 che si presenter in questa forma vedi fig A1 Fig A1 EI Microsoft Excel dic TEMP MIN xls E Ple Modifica Visualizza eo Formato Srumerti Qai Finestra 2 8 x Ana 10 GCS ESA IB Voc Rie D S A LA fa 2 B C E F G H ESSE P O x 150 punt classi fino a 10 Min em x y esi C eeii passo per H vario sperimentate Calcolo variogramma 1 Dati a partire da AS BS CS 1 Passo del varioqaamma N ro Classi cel variogi amma
82. e cipitazione temperatura umidit intensit e direzione del vento ecc nonch la pub blicazione di cartografia climatica che sono di interesse delle strutture di pianificazione territoriale pubbliche e private Il tema della produzione di cartografia clima tica impatta sull individuazione delle metodo logie statistiche pi appropriate da impiegare per la stima delle variabili di interesse in ge nerici punti del territorio regionale Il Servizio Protezione Civile ritenendo che la realizza zione di tale attivit potesse essere oggetto di interessanti spunti di approfondimento scien tifico e metodologico ha interessato l Ufficio Statistico regionale ed il CNR IRSA L Ufficio Statistico regionale svolge con leg ge regionale n 34 2001 le funzioni tecnico scientifiche coordinando le rilevazioni del Piano Statistico Nazionale svolgendo attivit statistica al fine dell unicit di indirizzo tecni co e metodologico per le strutture organizza tive regionali I CNR IRSA rappresenta nel panorama tec nico scientifico regionale e nazionale una realt che affronta buona parte delle temati che di ricerca afferenti il settore delle acque e dell ambiente A seguito di incontri tematici sull argomento stata rilevata l esigenza di avviare l elabora zione e la redazione di mappe meteo climati che per rispondere ai bisogni dell utenza da 4 ottenere attraverso l elaborazione e l analisi spaziale e geostatistica de
83. e di settembre la media dei residui 0 01 C e la varianza 0 63 C il modello lineare z regr 26 8 0 006 hslm Il variogramma sferico con range di influen za di 40 km effetto nugget di sottocampiona mento di 0 07 assestato intorno alla varianza dei residui Figura 6 9 Sph 0 07 0 6 40000 0 9 0 8 0 7 0 6 0 5 7 0 3 02 0 1 4 Wario h 0 20000 40000 h 60000 80000 100000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 13 max PE bo NEP T5 1 46 155 dev std 1 74 155 1 62 0 6 0 9 Nel mese di ottobre la media dei residui e 0 004 C e la varianza 0 35 C il modello lineare z regr 22 5 0 006 hslm Il variogramma sferico con range di influen za di 35 km effetto nugget di sottocampiona mento di 0 03 assestato intorno alla varianza dei residui m Figura 6 10 Sph 0 03 0 34 35000 0 20000 40000 h 60000 80000 100000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 14 max 23 58 22 44 22 94 1 57 dev std 1 84 1 74 1274 0 54 0 59 Nel mese di novembre la media dei residui 0 003 C e la varianza 0 29 C il modello lineare z regr 17 3 0 00 hslm Il variogramma sferico con range di influen za di 28 k
84. e in linguaggio Fortran standard 77 90 La versione commer ciale di questi algoritmi WinGSLib La libre ria contiene diversi algoritmi quali a utilities per il declustering dei dati la trasformazione normale e normale bivariata dei dati algo ritmi per la costruzione di strutture spaziali variogrammi semplici incrociati e indicatori madogrammi b tecniche di kriging sem plice semplice con deriva esterna ordinario universale fino a nove monomi indicatore co kriging c tecniche di simulazione stocastica gaussiana sequenziale indicatore boolea 19 JournelA Huijbrechts C 1978 Mining Geostatistics Academic Press London 34 na campo di probabilita annealing ellissoide e simulato La societ Geovariances spin off della scuola francese Centre de Geostatistique di Fontainebleau ha sviluppato il sistema ISATIS che consente la elaborazione di carte e le valutazioni di stime geostatistiche attra verso una pluralit di algoritmi E un sistema geostatistico che contiene una parte di fun zionalit GIS Specifici software shareware sono stati svi luppati dal mondo della ricerca nel corso de gli ultimi anni Pur nelle limitazioni di prodotti non supportati da un assistenza essi hanno rappresentato ottimi strumenti di ausilio alle applicazioni geostatistiche Fra questi i primi e pi diffusi sono stati in ordine temporale Geo As e Geopack in ambiente MS DOS e dai primi anni 90 Va
85. e informazioni spaziali e o dalla loro trasformazione attraverso elaborazione matematica tendente ad ot tenere indicatori bioclimatici n 3 di terzo livello ottenibili dalla spazializza zione delle probabilit di superamento di determinate soglie critiche per le variabili prese in esame e dall analisi della loro di namica evolutiva in grado di evidenziare stati di earling warning Per raggiungere gli obiettivi della prima fase riguardanti le mappe di primo livello si piani ficato lo sviluppo delle seguenti attivit e Analisi dei bisogni delle diverse categorie di utenti e dei relativi prodotti mappe in grado di soddisfarli A seconda del biso gno gi espresso o esprimibile dall utenza amministrazione comunale Ente pub blico singolo cittadino ecc possibile individuare la variabile precipitazione temperature ecc e la scala temporale di interesse media mensile totale giornalie ro ecc e Stato dell arte dell offerta prodotti con l obiettivo dell esplorazione via web e dell individuazione dell offerta delle varie tipologie di mappe da parte di soggetti che in qualche modo possano essere assimila ti al servizio di protezione civile L esplora zione ha compreso istituzioni nazionali ed internazionali La consultazione dei siti di interesse ha prodotto indicazioni utili an che alle scelte metodologiche da adottare e Stato dell arte sulle metodologie per l ot tenimento dei prodotti con l obiettiv
86. e it cartetematiche aspx cartetematiche http Awww arpa piemonte it http www sardegna clima it joomla index php option com content amp view article amp id 469 precipitazioni e temperature medie in sardegna analisi spaziale e modelli amp catid 3 dati climatici amp ltemid 43 http www agrometeorologia it documenti Aiam2001 103 115 carta climatica pdf Spazializzazione delle temperature medie giornaliere attraverso l utilizzo di un esten sione disponibile in ArcGis quale l Ordinay Kriging Studio realizzato dall Universit degli Studi di Napoli Parthenope Dipartimento di Scienze Applicate L ARPA ha realizzato un Atlante Idroclima tico analizzando tutte le variabili meteo climatiche di un periodo di riferimento di 39 anni 1961 2008 risultati pubblicati sono pubblicati sotto forma di mappe Sul sito dell ARPA non c la possibilit di scaricare dei documenti ma solo di consul tarli In particolare tutto il sito web strut turato con link che permettono all utente di visualizzare l analisi meteo climatica richiesta Nell ambito del progetto FORALPS il SMR ha applicato uno schema univariato di In terpolazione Ottimale 01 alle osservazio ni della rete meteorologica regionale L OI un metodo di interpolazione puramente statistico Questa implementazione dello schema di Ol sfrutta una stima 3D della correlazione spaziale tra le diverse misure della rete Sul sito della Protezione Civi
87. e la relazione linea re del tipo temp max 13 34 0 00 hslm La figura seguente mostra per febbraio le stesse caratteristiche strutturali di gennaio descritte da un modello sferico con un sill totale che si assesta intorno alla varianza 0 28 di questa una parte pari a 0 08 as soggettata alla variabilit non nota alla scala di osservazione della rete e con una distanza di influenza pari a 30 km Figura 6 2 Sph 0 08 0 2 30000 0 5 0 45 0 4 0 35 03 025 41 Z lt 02 0 15 0 1 4 0 05 0 20000 40000 60000 80000 100000 Le stime z kri sono pi vicine al massimo e alla deviazione di standard z rispetto alle z regr Tabella 6 6 max 14 30 1332 13 61 289 2 30 dev std 2 09 2 02 2 07 0 52 058 Il mese di marzo ha la media dei residui pari a 0 008 C ed una varianza di 0 32 C mentre la relazione lineare del tipo temp max 15 865 0 006 hslm L andamento del variogramma di tipo sferi co con un assestamento intorno alla varianza ed un nugget pari a 0 04 C Il raggio di influen za di 40 km Figura 6 3 Sph 0 04 0 3 40000 0 20000 40000 h 60000 80000 100000 Le stime del Kriging ordinario z kri sono pi vicine alle caratteristiche del campione z ri spetto alle stime z regr 54 Tabella 6 7 max 1655 15 85 16 30 1 58 LeS dev std 1 85 1 76 122 0 53 0 57 Nel mese
88. e la variabilit spaziale il risultato di molti fattori interagenti su di un continuum spazio temporale quelli che operano su grandi distanze e per lunghi periodi di tempo ad esempio l azione degli agenti atmosferici caratterizzanti il clima ven gono a loro volta modificati da altri processi che agiscono a pi breve distanza spaziale o temporale fattori meteorologici Questa natura tipicamente gerarchizzata ne sted della variabilit naturale fa si che il tipo 8 Perdriftsi indica la forma matematica che esprime una conoscenza fisica nota a priori che lega la variabile in esame con altre grandezze Per trend si indica l effetto spaziale non spiegato a priori che definisce una monotonia sistematica crescente o descrescente in funzione della posizione e le cause di variazione dipendano sensibil mente dalla scala di osservazione La varia zione spaziale di qualunque fenomeno pu essere espressa come somma di una componente deterministica relativa ad un valore medio costante o ad una va riazione graduale a lungo raggio general mente descritta da un polinomio una componente casuale correlata spa zialmente unrumore white noise o errore residuo non correlato spazialmente Se con x indichiamo il vettore posizione allo ra la variabile spaziale Z nel punto x data da L x m x e x ove m x una funzione deterministica che descrive la componente di trend x rappre senta i
89. e metodologie La stima spaziale utilizzata per predire i valori delle variabili meteo climatiche in posi zioni in cui non sono disponibili osservazioni strumentali Da problema prevalentemente speculativo diventa problema a forte impatto applicativo nel momento dell avvento negli anni 80 delle tecnologie GIS Geographic In formation System che si avvalgono di metodi e di tecniche di interpolazione spaziale per la produzione automatica di mappe Le digressioni sugli approcci per la ricostru zione spaziale risentono dell influenza dei GIS che sono in grado di manipolare i dati organiz zati in forma 10 http www meteotriveneto it static clima veneto asp Nella sezione del sito di trovano tra l altro indicazioni relative ai dati medi del trenten nio 1961 1990 raffrontati con i dati rilevati nel quinquennio 1995 1999 dalle stazioni gestite dall ARPAV Centro Meteorologico di Teolo a matriciale detta anche grid o raster o gri glia o reticolo b poligonale detta anche shape o vettoriale Il formato matriciale corrisponde generalmen te ad una griglia rettangolare a maglia quadra ta regolare della quale siano note la posizione di un punto detto origine le dimensioni ed il numero delle celle Il formato poligonale in vece caratterizzato da elementi topologici punti linee polilinee poligoni di cui sia nota la posizione nello spazio Considerati gli obiettivi di questo studio la sti ma spaziale
90. e nello studio rilevamento e analisi dei fenomeni fisici e nella conservazione pubblicazione e divulgazione dei dati e delle informazioni di carattere meteo climatico idrologico e idrau lico interessanti il reticolo idrografico super ficiale e sotterraneo tra il bacino del torrente Candelaro e quello del fiume Lato compreso il bacino interregionale del fiume Ofanto Sin dalla sua istituzione l Ufficio ha provve duto a dare massima diffusione ai dati rilevati nelle stazioni di osservazione attraverso la pubblicazione degli ANNALI IDROLOGICI parte e Il Nell ANNALE Parte I sono pubblicati dati termometrici massime e minime tem perature giornaliere valori medi estremi delle temperature mensili dati pluviometrici totali giornalieri mensili e annuali precipitazioni massime di 1 3 6 12 e 24 ore consecutive massime precipita zioni dell anno per periodi di pi giorni conse cutivi precipitazioni di notevole intensit e breve durata manto nevoso dati meteorologici pressione atmosferica umidit relativa vento al suolo Nell ANNALE Parte IP sono pubblicati i dati idrologici dei corsi d acqua ed i relativi bacini e in particolare afflussi meteorici su alcuni bacini altezze idrometriche giornaliere portate e bilanci idrologici osservazioni freatimetriche trasporto torbido indagini studi idrologici ed eventi di carat tere eccezionale in questo capitolo conclusi
91. e unicamente del vettore di stanza h ovvero C h E Z0 m Z x h m Dalla stazionariet della covarianza segue la stazionariet della varianza campionaria s Infatti ponendo nella precedente relazione h D si ottiene C 0 E Z x m s Una ipotesi del secondo ordine pi debole l ipotesi intrinseca Richiede che per tutti i vettori h la varianza var del residuo Z x Z x h sia finita ed indipendente dal punto di appoggio x ovvero var Z x Z x h E Z x Z x h P 2y h La funzione y h detta semivarianza o semi variogramma o variogramma tout court 3 1 1 Analisi della dipendenza spaziale attraverso il variogramma concetti di variabile regionalizzata e di sta zionariet intrinseca rappresentano i presup posti teorici per l analisi della dipendenza spaziale che avviene attraverso il semivario gramma la semivarianza fra due punti dipen de unicamente dal modulo e dalla direzione 16 del vettore h ma non dalle posizioni geografi che assolute di questi punti Nel caso in cui sia valida una stazionarieta del secondo ordine possibile esprimere la semi varianza y h in termini di covarianza spaziale C h e di varianza spaziale C O di una variabile regionalizzata z x secondo la relazione y h C 0 C h Per ogni direzione prescelta la semivarianza viene generalmente rappresentata mediante un grafico di y h in funzione di h Ci si aspetta che la semivarianza dovre
92. ed variables and its applications Les Cahier du Centre de Morphologie Mathematique de Fointanebleau n 5 191 1971 pp 211 mente informazioni sulla distribuzione delle frequenze La maggior parte delle variabili spaziali non ha andamento periodico a parte quelle che in geologia all interno della lette ratura specifica della geostatistica vengono descritte come hole effect Le spline utilizzano un insieme di funzioni de finite localmente e che sono opportunamente raccordate e smussate secondo criteri che coinvolgono le derivate di vario ordine In pratica si cerca di costruire una funzione a pezzi che mostri comunque un andamento continuo addolcito e non spigoloso nei pun ti di raccordo Nelle applicazioni si utilizzano pi spesso B spline ottenute dalla somma di spline che hanno valore nullo al di fuori del loro intervallo offrendo cosi un grande vantaggio dal punto di vista computazionale B spline di alto ordine non possono model lare punti angolosi Le spline con tensione sono spline per le quali si esercita un control lo sulla curvatura la tensione contrasta la curvatura attraverso le derivate E possibile modellare funzioni anche nelle celle senza valori campionati fondamentale per l estra polazione e il controllo sulle derivate secon de pu in alcuni casi avere significato fisico Tale controllo viene effettuato aggiungendo delle equazioni di pseudo osservazioni con peso opportuno
93. el periodo estivo Que ste caratteristiche per grandi linee si riscon trano anche in altri Paesi che si affacciano sul Mar Mediterraneo e per questo il clima puglie se pu essere definito di tipo mediterraneo La Puglia data la sua posizione latitudinale estesa tra Lat 39 48 N e Lat 41 53 N pu considerarsi compresa nella fascia del le medie latitudini Secondo lo schema della circolazione generale dell atmosfera il bacino del Mediterraneo e quindi la Puglia rientra nel settore delle correnti atmosferiche occidentali provenienti da ovest definite westerlies che influenzano notevolmente il succedersi delle condizioni atmosferiche nel corso dell anno Per grandi linee possiamo dire che la circo lazione media in area mediterranea legata a due principali centri barici la depressione d Islanda e l anticiclone delle Azzorre Nel se mestre freddo autunno invernale la depres sione d Islanda che genera i principali sistemi perturbati i quali veicolati prevalentemente dalle correnti occidentali giungono alle no stre latitudini In molti casi le perturbazioni ar rivate in Mediterraneo essendo quest ultimo pi caldo dell Oceano Atlantico ed a causa del la complessa orografia delle terre emerse che lo delimitano favoriscono delle ciclogenesi 111 formazione di cicloni extratropicali comune mente chiamate depressioni secondarie di origine afro mediterranea con conseguente
94. enti espressio ni E Z x Z x 0 min var Z xo Z xo La condizione di non distorsione dello stima tore lineare produce la seguente relazione 2 Aim xi m xo 0 gt ai 2 Af x f x La precedente equazione deve essere vera per qualsiasi coefficiente incognito q che por ta a k equazioni del tipo seguente D Af xi E f x perogni 0 1 k La condizione di minima varianza dello stima tore lineare produce la seguente relazione var Z Xo Z x gt gt AA PC Yoo laddove Y Yx x y Y xx ey Y x x Il calcolo dei pesi diventa un problema di ottimizzazione della varianza vincolata dalla equazione di non distorsione per la cui nella soluzione intervengono i parametri detti moltiplicatori di Lagrange Il minimo trova to derivando parzialmente n k volte rispetto ai parametri j e jj e ponendo uguale a zero i risultati Ci produce un sistema di n k equa zioni in n k incognite DA Y X Xi Muf xi 1 Xi Xo eee f Xo 3 1 Risolvendo il sistema con un appropriato me todo numerico si ottengono i pesi e u con i quali possibile stimare Z nel punto x e la sua varianza di stima attraverso la seguente espressione et L Nel caso del Kriging Ordinario KO la funzione mx di partenza del tipo m x m a laddove m un valore incognito Le equazio ni risolutive vengono sviluppate nello stesso modo che il KU laddove in luo
95. er utilizzare i con sueti indici statistici durante l analisi dei dati a 66 6 3 2 Variografia Dopo aver sottoposto i dati alle trasformazioni suddette si proceduto con l analisi struttu rale condotta attraverso il software Arcmap ESRI tramite il tool geostatistical wizard contenuto all interno del modulo geostatisti cal analyst modello che si sistematica mente meglio adattato alle 12 variabili studia te lo sferico Il parametro range che uno degli elementi caratterizzanti il modello del variogramma poich indica la distanza oltre la quale la correlazione spaziale dei dati svani sce ha un andamento che si potrebbe defini re di tipo stagionale mostrando una tendenza costante a crescere nei mesi primaverili estivi ed a decrescere in quelli autunnali invernali raggiungendo il minimo a novembre Un tale comportamento del range mostrereb be un andamento delle piogge pi variabile nei mesi freddi e meno variabile in senso spa ziale nei mesi caldi dovuto probabilmente ad una scarsa piovosit generalizzata Figura 6 26 Andamento dei range dei variogrammi delle piogge nei 12 mesi 350 E x o B i 4 Re jS La performance dei modelli di variogramma applicati alla stima sono generalmente otti me generando buoni valori degli indicatori di corrispondenza con il reale comportamen to spaziale dei dati nell ambito della cross validazione In sintesi come mostra la prima gu d lt P
96. erso la procedura di jacknifing detta anche di cross validation Nel caso in cui sia la consistenza numerica del campione permetta di estrarne un sottoinsieme indipendente da utilizzare esclusivamente nella validazione e non nella stima del variogramma si puo procedere con la modalit di bestfitting automatico Nella maggior parte dei casi attraverso la crossva lidation si estrae un elemento del campione alla volta e se ne stima il suo valore con i re stanti utilizzando la tecnica del Kriging ordi nario Tale tecnica prevede l uso del modello teorico di variogramma alla cui determinazio ne ha concorso il punto estratto Ci introduce un fattore di sistematicit nella modalit au tomatica che molti autori non giustificano fra questi Gutjahr suggerendo pi conveniente mente quella semiautomatica l fitting semiautomatico del modello e dei suoi parametri si affida all intervento del va riografo che assume decisioni in merito in modo soggettivo e non arbitrario Esistono delle regole pratiche che potrebbero addirit tura essere codificate Usando un software grafico il nugget costruito prolungando la linea retta che passa tra i primi due valori spe rimentali di fino ad incontrare l asse delle or dinate il valore del nugget il valore di tale in tersezione Nel caso di intersezione negativa il valore del nugget si assume uguale a zero in quanto un valore negativo non ha nessun 9 Gutjahr Allan 1985 Spatial variab
97. fia del territorio pugliese Anche nel Salento si riscontrano tempera ture elevate che risentono essenzialmente dell influenza della latitudine e della vicinan za del mare Le temperature hanno un massi mo estivo e un minimo invernale con escur sioni diurne abbastanza limitate Nel trentennio analizzato le temperature me die mensili massime variano da un valore di 29 3 C registrato nella stazione di Bosco Um bra Vico del Gargano nell Agosto del 1994 ad un valore di 37 C nella stazione di Foggia Ist Agrario anch esso registrato nell Agosto del 1994 36 Nella tabella 5 1 sono state riportate le sta zioni con i parametri della temperatura media mensile massima con i valori pi alti di tutto il trentennio e i relativi mesi in cui sono stati registrati In appendice invece sono riportati tutti i valori medi estremi di tutte le stazioni In 34 stazioni il mese anno in cui sono stati registrati i valori pi alti Agosto del 2003 1 Tabella 5 1 Nome Stazione Comune Canosa di Puglia Cerignola Foggia Grumo Appula Latiano lecce Lizzano Maglie Manfredonia Massafra Masseria Santa Chiara Nard Ortanova Pietramontecorvino Presicce San Giorgio Jonico Spinazzola Taranto Canosa di Puglia BT Cerignola FG Foggia FG Grumo Appula BA Latiano BR Lecce LE Lizzano TA Maglie LE Manfredonia FG Massafra TA Trinitapoli BT Nard LE O
98. g 6 26 rappresenta la correlazio ne spaziale tra i dati pluviometrici delle varie stazioni un aumento del valore della distanza Km nel proseguire della stagione indice di una progressiva uniforme distribuzione dei quantitativi di precipitazione sul territorio re gionale ESTATE Mappe di Giugno Luglio e Agosto a ANALISI DELLE TEMPERATURE L analisi delle mappe estive riferite alle tem perature medie massime evidenzia una di stribuzione termica non dipendente all eleva zione e all esposizione Solamente i valori pi alti del trimestre che si registrano prevalente mente in Capitanata e Arco Jonico danno mag giore credito al legame lineare con l elevazio ne Dal mese di Giugno e per i successivi due mesi a causa di una ventilazione proveniente per la maggior parte dai quadranti settentrio nali i valori medi registrati lungo il litorale adriatico tendono a estendersi verso le aree interne rendendo quasi omogenee le tempe rature medie massime fra la Terra di Bari l Alta Murgia Murgia Orientale e la Penisola Salenti na del versante adriatico L analisi delle mappe estive riferite alle tem perature medie minime dei mesi di Giugno Luglio e Agosto rimarca una distribuzione ter mica dipendente dall elevazione A differenza delle medie massime le temperature medie minime registrano valori pi alti in prossimit della linea di costa e all interno della Capitana ta e valori pi bassi in montagna con differen
99. g oueidsu 03640 ejoudua e3oue a1sej 933019 eue a1se 23UON Jap NSEJ adJny ajjap ouessej ewsseweseg ei dng Ip esoueg OUeJeA oueude Isipuug eJquu o2sog ueg enopeg ouojenassq ueg euaudadu Weg 03eJd0Jp Weg eUeJ 2Ay ouezes I 03SV eupuy exo1puy einuleyv 3NOIZVIS ANON 9 S elloqer 42 PION vS v021 pns 29 0 2 PUN 62 89791 BON 90 STEES PION 71 6855 JS9 Q vS 922 pog 2v S681 ae TT2ST Ep RION 2612268 pns GE OET BIS 28 0168 BION 9 v22 2 ISI PAS 6E 96 v7 PION 88 0rS8 zs 91 12881 15 22 8E601 pns BE E9SET SS 22259 DION SS pns 0T 9TE2F PION 92 076 8 PHON 20 TrS 153 vS 0222 PION be vysse PIEN 92 25226 1S9AQ 2T 281S RION 2 01249 sid 1v 25899 ED 89 I9TS 35 62 TEOZE PION pe reas 1900 2 218562 BION v5 E088S PION 8 6 2v 153 60 1802 PION ST 0265 S9AQ pJON BE OETT 153 5 E220T 153 02 S96ST 153 22 9 9 v ISI PION SS 22phI 3N0IZIS0dS3 ui auvw Iva VZNVISIO 00 66 00 ES 00 092 00 8vv 00 22 00 22 00 2 00 8St 00 S28 00 92 00 9E2 00 26 00 9t 00 6t 00 22Ss 00 98 00 922 00 S0T 00 0S 00 v9v 00 026 00 62 O0 vE 00 08 00178 00 2S 00 2v2 00 7y8 00 218 00 vSt 00 707 OO E6E 00 EES 00 6 00 29 00 0TT 00 2 00 18 00 207 00 922 00 v0t WTSW 0S Ov9vEVU 0S STT2E9T 02 206TESt 02 0 682St 00 90E0Ett 00 822T8vv 0v 692S2vt 0v 890SESt 00 26s62St 0v 2620TvV 0S vv8TEST 08 0v2ST9t 0v 99169St 0vr 2 vS8Vt 0115972197 0
100. go del vettore u si ottiene un solo coefficiente I Nel caso del Kriging Semplice KS si conosce il valore della costante m Dalla eq 3 1 si evince che nel calcolo dei pesi intervengono i variogrammi e che questi in virtu della ipotesi di continuit spaziale privilegeranno le misure pi vicine ad xg Se si considerano i 4 dati disposti sugli spigoli di un quadrato e si intenda stimare il valore nel suo baricentro il Kriging ordinario pesa 0 25 i dati relativi ai quattro vertici il risultato ana logo a quello ottenibile attraverso un qualsiasi altro metodo deterministico Se si assume un modello di variogramma con valore di sill uni tario e nugget assente diventa determinante il range quale fattore di scala del problema la varianza di stima cio l attendibilit da ri porre nella stima aumenta al crescere di tale fattore e in misura tanto pi rilevante quanto meno continuit spaziale esiste Figura 3 6 Infatti fissate le misure del quadrato la stima dell evolversi di un fenomeno al suo interno ha un attendibilit che aumenta se la scala di continuit diventa molto pi grande delle di mensioni del quadrato Comunque maggiore la continuit spaziale e meno influente il range sulla varianza di stima Figura 3 6 Andamento della varianza di stima in funzione del range per tre tipi di variogramma sferico esponenziale gaussiano 04 Serica mB Esponenaale ie LSS
101. i e pluviometrici NOME STAZIONE Altamura Andretta Andria Ascoli Satriano Avetrana Bari Idrografico Bari Ingegneria Bari Ossevatorio Barletta Biccari Bosco Umbra Brindisi Cagnano Varano Canosa di Puglia Casamassima Cassano delle Murge Castel del Monte Castellana Grotte Castellaneta Cerignola Corato Crispiano Diga Rendina Faeto Fasano Foggia Agraria Foggia Osservatorio Forenza Gallipoli Ginosa Marina Gioia del Colle Grottaglie Grumo Appula Lacedonia Lagopesole Latiano Lavello Lecce Lesina Lizzano Locorotondo Lucera 102 COMUNE Altamura BA Andretta AV Andria BT Ascoli Satriano FG Avetrana TA Bari BA Bari BA Bari BA Barletta BT Biccari FG Monte Sant Angelo FG Brindisi BR Cagnano Varano FG Canosa di Puglia BT Casamassima BA Cassano delle Murge BA Andria BT Castellana Grotte BA Castellaneta TA Cerignola FG Corato BA Crispiano TA Lavello PZ Faeto FG Fasano BR Foggia FG Foggia FG Forenza PZ Gallipoli LE Ginosa TA Gioia del Colle BA Grottaglie TA Grumo Appula BA Lacedonia AV Avigliano PZ Latiano BR Lavello PZ Lecce LE Lesina FG Lizzano TA Locorotondo BA Lucera FG REGIONE Puglia Campania Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Basilicata Pug
102. i i valori relativi a tutte le Le seguenti tabelle riportano i valori e l anno di riferimento delle stazioni in cui si sono re gistrati i valori di precipitazione pi bassi tab stazioni Tabella 5 4 ICE SEDE minima precipitazione annua mm anno Canosa di Puglia Canosa di Puglia BT 249 1977 Foggia Osservatorio Foggia FG 233 1977 Fonte Rosa Manfredonia FG 232 2000 Giovinazzo Giovinazzo BA 234 1992 Manfredonia Manfredonia FG 200 1977 39 Masseria Santa Chiara Nardo Santa Maria di Leuca Talsano Tabella 5 5 Stazione Alberona Ascoli Satriano Biccari Bosco Umbra Bovino Cagnano Varano Collepasso Copertino Crispiano Faeto Galatina Lecce Locorotondo Maglie Manduria Massafra Masseria Chiancarello Masseria Monteruga Melendugno Minervino di Lecce Monte Sant Angelo Monteleone di Puglia Novoli Orsara di Puglia Orto di Zolfo Ostuni Otranto Pietramontecorvino Presicce 40 Trinitapoli BT Nard LE Castrignano del Capo LE Talsano TA Comune Alberona FC Ascoli Satriano FG Biccari FG Monte Sant Angelo FG Bovino FG Cagnano Varano FG Collepasso LE Copertino LE Crispiano TA Faeto FG Galatina LE Lecce LE Locorotondo BA Maglie LE Manduria TA Massafra TA Mottola TA Nard LE Melendugno LE Minervino di Lecce LE Monte Sant Angelo FG Monteleone di Puglia FG Novoli LE Orsara di Puglia FG Biccari F
103. i parametri climati ci rilevati e gestiti in modo gi informatizzato dalla Struttura di monitoraggio che dispone di una notevole mole di dati storici Il Sevizio Protezione Civile d intesa con l Uf ficio Statistico con determinazione 026 DIR 2010 92 del 1 03 2010 integrata con determinazione 026 DIR 2010 163 del 17 05 2010 ha istituito un apposito gruppo tecnico di lavoro per la Produzione di carto grafie climatiche territoriali costituito da pro fessionalit delle stesse strutture unitamente a quelle del CNR IRSA Il gruppo si posto l obiettivo di elaborare i dati meteo climatici della Struttura di Moni toraggio del Centro Funzionale Regionale per giungere alla produzione e pubblicazione di mappe tematiche dedicate ai vari livelli di bi sogni mediante l impiego di opportune tecni che statistiche e strumenti informatici Il gruppo ha condiviso un piano di lavoro da svilupparsi in tre fasi Ciascuna fase preve de l analisi l identificazione di metodologie e strumenti per la produzione di tre tipologie differenti di mappe che potranno soddisfa re diverse utenze Queste mappe verranno identificate secondo diversi livelli 1 di primo livello ottenibili dalla spazializza zione dei dati opportunamente seleziona ti della rete del Servizio Protezione Civile 2 di secondo livello ottenibili dalla combina zione delle mappe di primo livello esem pio tramite intersezioni unioni point in polygon con altr
104. ia FG Rionero in Vulture PZ Nard LE Nusco AV Ortanova FG Ostuni BR Otranto LE Pescopagano PZ Pietramontecorvino FG Polignano a mare BA Presicce LE Ruvo di Puglia BA San Giorgio Jonico TA San Giovanni Rotondo FG San Pietro Vernotico BR San Ferdinando di Puglia BT San Severo FG Sannicandro Garganico FG Castrignano del Capo LE Sant Angelo dei Lombardi AV Spinazzola BT Talsano TA Taranto TA Taviano LE Troia FG Turi BA Vieste FG Ortelle LE Puglia Puglia Puglia Puglia Puglia Puglia Basilicata Puglia Puglia Puglia Puglia Puglia Basilicata Puglia Campania Puglia Puglia Puglia Basilicata Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia Campania Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia 780678 20 723637 70 573371 00 678460 10 741269 80 594920 60 552758 90 643260 50 791536 80 591064 40 580020 10 521705 70 551075 20 758334 20 507044 60 559151 70 717709 90 797186 80 533635 50 510754 60 686649 70 779316 60 624555 0 701991 30 558967 00 754417 70 588721 80 531940 80 546701 70 787239 00 514222 70 592315 00 692844 10 690795 70 763750 50 525894 30 670292 90 597511 90 790953 50 4446165 20 4475261 60 4603865 60 4493776 50 4470730 60 4576721 50 4537739 30 4527900 70 4443493 50 4547652 00 4617529 60 4556971 70 4531871 00 4451346 70 4526282 00 4575168 90 4
105. ia mensile 35 45 mm Nel mese di Aprile le precipitazioni medie si distribuiscono in maniera simile ai mesi in vernali anche se nel complesso diminuisco no i quantitativi medi sulla regione massimi assoluti si concentrano ancora sulle zone pi elevate del Subappennino valore medio mensile 70 90 mm esposto alle pi frequen ti perturbazioni provenienti da ovest quan titativi diminuiscono leggermente sul settore centrale e settentrionale del Gargano in quan to si riducono le avvezioni di aria fredda ed instabile da nord nordovest che producono le precipitazioni pi consistenti su quest area media mensile di 60 75 mm Anche sul Sa lento si nota in Aprile una riduzione di precipi tazione con i cumulati medi mensili di 50 60 mm Se nel mese di Aprile il flusso perturbato persiste allora determina una distribuzione delle precipitazioni tipico del periodo inverna le come riscontrabile sulle mappe pluviome triche da Dicembre a Marzo Al contrario nei casi in cui il flusso perturbato tende a migrare verso alte latitudini si ha una riduzione dei quantitativi di pioggia ed una distribuzione delle precipitazioni con gli accumuli pi con sistenti prevalentemente sulle aree interne e non pi costiere tipico del periodo meno piovoso tardo primaverile estivo La notevole variabilit interannuale del mese di Aprile la si comprende dal suo elevato valore di devia zione standard Tab 6 33 che ci sottolinea come le caratteristiche
106. iato tutto il reticolo Le tecnologie GIS di spongono di funzioni ad hoc per la trasforma zione dei grid in poligoni e in formati atti alla visualizzazione 3D Le metodologie per la stima del valore di ogni cella del grid basata su valori noti nei punti di misura in genere consistono nella interpola zione che consente di costruire una superfi cie di stima passante per i punti strumentati e nell approssimazione che invece restituisce una superficie che si avvicina al meglio nel senso dei minimi quadrati ai punti strumen tati La stima spaziale pu essere effettuata con una vista globale oppure locale dei dati di sponibili Attraverso la prima tutti i valori sono usati simultaneamente per costruire le stime del grid nella seconda sono usati solo quelli pi prossimi alla cella da stimare prescelti secondo criteri legati alla loro distanza Sono globali i metodi di Trend Surface Analysis TSA e legati alle serie di Fourier Sono locali metodi che utilizzano superfici spline e pesi con l inversa della distanza IDW metodi TSA applicano la regressione polino miale ai dati Essi sono metodi di approssima zione che usano polinomi di grado n i cui co efficienti sono calcolati secondo il criterio dei minimi quadrati Offrono il vantaggio di model lare bene gli andamenti globali della variabile possono sintetizzare una grande mole di dati attraverso polinomi anche di basso ordi ne forniscono indicazioni sul gr
107. ibuzione do vrebbe essere in caso di bont del modello ben approssimata da una distribuzione nor male standardizzata che permette di indivi duare i dati per i quali il residuo ridotto ecceda un assegnato limite di confidenza In pratica tutti gli outlier che giacciono esternamen te al limite di confidenza del 99 vengono definiti punti non robusti Una indagine pi approfondita sulla posizione ed il valore dei punti non robusti potrebbe portare alla indi p viduazione di anomalie spaziali nei dati che motivatamente escluse o corrette potrebbero migliorare notevolmente le performance del modello La ipotesi di approssimazione della distribuzione dei residui ridotti alla normale standardizzata ci consente di utilizzare il valo re 2 5 che come noto rappresenta l intervallo di confidenza al 99 Il confronto tra la distribuzione dei residui ridotti e la normale standard si pu effet tuare sia qualitativamente e sia attraverso strumenti grafici come i plot P P o di Box amp Whiskers test descritti finora comunque sono semi empirici a causa della difficolt a definire i gradi di libert delle statistiche per cui l ipotesi nulla non pud essere oggettiva mente accettata o rifiutata ad un dato livello di probabilit Un approccio pi rigoroso alla va lutazione della similitudine tra le due distribu zioni consiste nell uso di test non parametrici come il test di Kolmogorov Smirnov Un ulteriore utile verif
108. ica della bont del mo dello pu essere desunta dal confronto tra i valori delle stime ed i corrispondenti residui ridotti Un buon modello di stima spaziale implica necessariamente l indipendenza li neare tra le stime ed i corrispondenti residui ridotti Questo infatti si spiegherebbe con la capacit del modello a catturare l intera struttura del fenomeno spaziale soggiacente ai dati lasciando come residuo unicamente il rumore bianco inevitabilmente presente nelle misure La migliore misura della non correlazione tra stime e residui ridotti ovviamente il coeffi ciente di correlazione tra le due grandezze un buon modello sar caratterizzato da un valore di correlazione molto prossimo a 0 3 1 4 Tecniche di kriging Gridding l operazione di riempimento con valori stimati o simulati di un reticolo che sia idealmente sovrapposto al territorio in esa me Il reticolo caratterizzato da nr x nc punti equamente spaziati in modo rispettivamente orizzontale e verticale tali da caratterizzare rettangoli o maglie Mediante le tecniche di interpolazione stocastica del Kriging possi bile stimare i valori del reticolo nel baricentro di ciascuna maglia Esistono diversi tipi di Kriging tra questi rive stono importanza per gli scopi di questo report il Kriging semplice KS ordinario KO e univer sale KU Tutte sono tecniche di tipo lineare Le prime due si applicano convenientemente nel caso in cui si ipo
109. idui cio sulla parte di variazione che rimane a fronte del contributo lineare fornito dall elevazione Questi stessi residui sono interpolati con il kriging ordina rio e ai valori interpolati infine aggiunto il contributo lineare dell elevazione Per questi residui i risultati del test di KS confortano sul la presenza di normalit utile per trattare la varianza di stima del kriging come intervallo di confidenza vedi tabella 6 19 Tabella 6 19 Mese Normaiit s CT Febbraio 0 08 si Aprile 0 11 si Giugno 0 09 si Agosto 0 0 si Ottobre 0 12 si Dicembre 0 09 si 6 2 2 Variografia L analisi strutturale per i residui della variabile temperature minime avvenuta per ciascun mese attraverso il calcolo del variogramma sperimentale e l adattamento del modello gui dato dalle statistiche U errore di sistematici t e V Congruenza varianza di stima Nella tabella 6 20 si ha una descrizione di queste statistiche per ciascun mese Tabella 6 20 Mese Febbraio 0 05 1 2 Aprile 0 05 11 Giugno 0 04 1 0 Agosto 0 04 0 9 Ottobre 0 05 11 Dicembre 0 05 1 3 La validazione mostra una trascurabile so vrastima del Kriging ordinario in tutti i mesi dell anno tale da configurare una significativa stima priva di errore sistematico Sulla varian za di stima si riscontra un andamento signifi cativo intorno ad 1 La distanza maggiore fra la media dei rapporti fra differenze quadratiche del
110. ility geostatisti cal methods pp9 34 IN D R Nielsen and J Bouma eds Soil Spatial Variability Proceedings of a workshop of the ISSS and the SSSA Las Vegas USA Centre for Agricultural Publishing and Documenta tion Wageningen Netherlands significato fisico La decisione finale se impo stare un nugget spetta al variografo ll range di un variogramma sferico pu essere inizialmente ottenuto usando la regola 2 3 che consiste nel seguente percorso 1 determinazione sull asse delle ordinate del punto cui il variogramma si assesta sill 2 disegno di una linea orizzontale nel punto di sill 3 disegno di una linea inclinata che passa attraverso il secondo e il quarto punto del grafico sperimentale Questa linea deve proseguire fino ad intersecare in un punto la retta del sill l ascissa di tale punto si as sesta intorno ai 2 3 del range Il range per un variogramma esponenziale e gaussiano ottenuto attraverso la regola rispettivamente di 1 3 e 3 seguendo il processo descritto per il variogramma sferi co considerando per che l ascissa in questi casi relativa all intersezione delle due rette rispettivamente 1 3 e 3 del range Queste regole pratiche hanno un fondamen to teorico descritto da Journel e Hujbregts a pag 121 e sono deducibili dal grafico che riporta i tre modelli precedenti nel paragrafo Sg La qualit del modello teorico pu essere va lutata attraverso alcune s
111. imentale e teorico delle Piogge totali di febbraio Sph 0 17 0 91 59277 Vario h 130 1 00 0 80 0 60 0 40 4 0 20 0 00 20000 40000 60000 80000 100000 120000 Marzo Congruenza varianza di stima ma 92 95 508 24 90 dev std 12 02 z Z kri 1 media degli errori standardizzati deviazione standard degli errori standardizzati 1 Statistiche principali degli errori assoluti di stima valori osservati vs valori stimati Figura 6 29 Variogrammi sperimentale e teorico delle Piogge totali di marzo Sph 0 25 0 80 71589 1 40 1 20 4 1 00 4 0 80 4 Vario h 0 60 0 40 4 0 20 4 0 00 20000 40000 60000 80000 100000 120000 140000 160000 h z z kri 1 Aprile Congruenza varianza di stima dev std 16 38 13 49 101 72 91 74 28 09 media degli errori standardizzati deviazione standard degli errori standardizzati 1 Statistiche principali degli errori assoluti di stima valori osservati vs valori stimati Figura 6 30 Variogrammi sperimentale e teorico delle Piogge totali di aprile Sph 0 16 1 15 145513 Vario h 0 60 50000 100000 150000 200000 250000 Congruenza varianza di stima dev std 10 75 z Z kri 1 ma 375 62 70 23 30 media degli errori standardizzati devia
112. io cre scente rispetto al modulo di h Per ciascun lag ci si calcola la media delle differenze quadra tiche e si osserva il loro comportamento sul grafico sperimentale l attesa che questo sia crescente Qualora non si riscontri tale con tinuit spaziale fra le possibili cause si puo ritrovare l inadeguatezza della distribuzione del campione a cogliere la scala entro la quale si realizza la continuit del fenomeno e quin di le possibili azioni da intraprendere sono e aumento dell ampiezza del lag La selezio ne ottimale di un ag si realizza in questa fase Pu essere necessario modificare la misura del ag con l obiettivo di ritrovare la continuit La selezione di un lag troppo corto si riflette sul grafico attraverso un gran numero di fluttuazioni locali o rumore al contrario un lag troppo grande manife sta un grafico altamente addolcito e esame delle differenze quadratiche medie all interno dei primi lag con l obiettivo di esaminare quali coppie a distanze pres soch simili mostrino uno scarto elevato fra i valori da esse misurate outliers e tali da provocare discontinuit spaziale Dopo aver indagato sulle possibili cause si deve decidere se il comportamento degli out liers sia dovuto ad effetti locali e quindi come tali essi sono da escludere Nel caso in cui sul grafico del semivariogram ma sperimentale si intraveda una continui
113. io 71 1 Novembre Omm Luglio 77 78 84 88 Agosto 85 92 00 01 293mm 1977 761mm 1976 35 5 Agosto 109 4 Novembre Omm Luglio 78 80 88 563mm 1977 1274mm 1976 14 8 Luglio 104 0 Novembre Omm Giugno 85 93 Luglio 7 78 80 84 87 88 96 03 Agosto 87 88 91 92 00 01 225mm 1989 968mm 1996 Settembre 90 24 Giugno 76 0 Dicembre Omm Luglio 78 84 88 96 Agosto 86 92 00 01 383 2 2000 899mm 1976 mm 16 Agosto 100 2 Novembre Omm Giugno 84 Luglio 2 8 88 90 93 96 01 03 Agosto 86 87 88 91 92 00 Settembre 384 8 2000 11052 1996 80 mm mm 30 2 Luglio 150 7 Novembre Omm Marzo94 Luglio 80 84 85 06mm 1989 1688mm 1976 35 Luglio 114 4 Novembre 1mm Marzo 94 Luglio 85 Agosto 88 Settembre 80 534mm 1994 1324mm 1976 19 6 Luglio 59 1 Novembre Omm Marzo 94 Luglio 77 84 88 Agosto 92 268mm 1977 689mm 2002 34 9 Agosto 1248 Novembre Omm Luglio 84 492mm 1977 1246mm 1976 22 Luglio 100 1 Novembre Omm Giugno 82 Luglio 7 78 84 88 90 94 96 Agosto 86 92 94 00 Settembre 80 409mm 1981 1104mm 1996 139 Luglio 121 0 Novembre Omm Giugno 84 Luglio 77 78 80 83 88 94 03 Agosto 86 91 92 00 386mm 197 1141mm 1996 37 4 Luglio 142 7 Novembre Omm Giugno 90 Luglio 85 88 Agosto 00 244 2001 1384mm 1976 mm Zar Luglio 67 0 Novembre mm Marzo 94 Luglio 88 Agosto 92 200mm 1977 813 2 2002 mm 109 NOME STAZIONE Pietramonte corvino Polignano a mare Presicce Ripacandida Rocchetta Sant Antonio Scalo Rocchetta Sant Antonio Ruffano Ruvo di Puglia Sa
114. iogge nei 12 mesi Boxplot piogge Puglia 160 140 mm mese 120 100 80 qil A B min 4 mediana i x 40 n max 20 44 L q3 Al contrario della temperatura discussa nei paragrafi precedenti per la precipitazione non possibile descrivere una parte della sua va riabilit attraverso variabili esterne Infatti sono state anche effettuate verifiche su possibili correlazioni con variabili topogra fiche quali le coordinate x y z distanza dal mare ed esposizione da tale analisi emerso che nei mesi di aprile maggio giugno e luglio esiste una forte e significativa correlazione soprattutto con le coordinate che raggiunge il suo massimo nel mese di giugno Il test di KS applicato su tutti mesi dell anno conferma la mancanza di asimmetria della distribuzione dei valori e quindi al fine di ot tenere le varianze di stima come intervalli di confidenza le 12 variabili che compongono il dataset rappresentanti i 12 mesi dell anno solare sono state sottoposte alla trasforma zione normal score transformation tramite la quale i valori di origine sono stati rimappati in una distribuzione gaussiana avente media nulla e varianza unitaria ossia N 0 1 stata altresi applicata ai dati di origine una meto dologia di declustering per attenuare l effetto della struttura preferenziale propria della rete di monitoraggio al fine di pot
115. ipitazioni INVERNO mappe di Dicembre Gennaio e Febbraio a ANALISI DELLE TEMPERATURE L analisi delle tre mappe riferite al periodo invernale delle temperature medie massime evidenzia una distribuzione dei valori pi alti sulle aree pianeggianti del territorio pugliese prossime alla linea di costa nel mese di Di cembre ma con una lieve estensione verso le aree collinari nel mese di Febbraio Da notare come le isoterme seguano l andamento del le isoipse linee che congiungono punti alla stessa quota sul livello medio del mare che rappresentano in maniera indiretta il legame tra distribuzione delle temperature ed eleva zione del territorio L analisi delle temperature medie minime dello stesso trimestre mostra anch essa un forte legame lineare con l elevazione salvo locali prolungamenti delle isoterme con valori termici pi bassi verso quote meno elevate in prossimit della foce dell Ofanto e del Golfo di Manfredonia mesi di Gennaio e Febbraio sono molto simili nella distribuzione dei valori di temperatura media minima riscontrando inoltre un area omogenea nei valori medi sul la Puglia meridionale b ANALISI DELLA PIOVOSITA La distribuzione delle precipitazioni influen zata dalle traiettorie prevalenti seguite dalle perturbazioni i cui effetti sono esaltati dall oro grafia In questo periodo dell anno presente frequentemente tra il Mar Tirreno meridionale e il Mar Jonio settentrionale un area di bassa p
116. istri buzione degli errori standardizzati prossimo a 0 dell indice di congruenza della varianza di stima all errore deviazione standard della distribuzione degli errori standardizzati pros simo ad 1 ed infine un valore del coefficiente di correlazione tra valori osservati e stimati prossimo ad 1 nel caso in cui questo para 68 0 04 0 85 metro 1 le stime ricalcano perfettamente i valori osservati Con riferimento alle tabelle riportate nel se guito per ogni mese contenenti le statistiche principali degli errori assoluti di stima ed in particolare alle righe riportanti l errore mas simo sovrastima e minimo sottostima di stima si evidenzia la presenza di valori parti colarmente discosti rispetto ai corrispondenti valori osservati Approfondendo la questione attraverso l analisi delle peggiori sotto sovra stime derivanti dalle elaborazioni descritte risulta che in alcune stazioni dell intera rete di monitoraggio considerata la stima sistema ticamente affetta da errore elevato In tabella 6 36 sono riportate le frequenze con cui alcu ne stazioni sono affette da tale errore come evidente in tabella 6 36 tali stazioni sono perlopi geograficamente collocate nel sub appennino Dauno e nella parte settentrionale del Gargano L elevata frequenza con cui tali stazioni discostano in modo significativo dal la stima effettuata con il kriging suggerisce una particolarit spaziale caratterizzante le e aree i
117. itoli pre cedenti sono state condotte sulla serie multi temporale dal 1976 al 2005 delle rilevazioni compiute dalle singole stazioni Grazie all uti lizzo di un GIS stato possibile effettuare pro cedure di interpolazione spaziale basate su kriging consentendo di ottenere delle mappe della distribuzione dei parametri di tempera tura e di piovosit che verranno descritte nei dettagli nei paragrafi successivi E opportuno qui definire le caratteristiche co muni a tutte le mappe calcolate prima fra tut te la metodologia secondo la quale esse sono state ottenute Richiamando le fasi dell ana lisi geostatistica precedentemente descritte al par 3 1 i parametri necessari per esegui re l interpolazione spaziale mediante kriging sono quelli del variogramma sperimentale ovvero il suo modello sferico lineare gaus siano ecc range sill e nugget Sia per le mappe di temperatura minima e massima che per la piovosit detti parametri sono stati definiti per ogni mese dell anno risultati del kriging sono costituiti da una prima mappa che rappresenta la stima della variabile in esame e una seconda che ne rap presenta la varianza di stima Le due mappe vengono poi opportunamente rielaborate in maniera differente per le temperature e la piovosit con lo scopo di ottenere una mappa del valore medio della variabile esaminata e due ulteriori mappe che rappresentano i limiti dell intervallo di confidenza al 95 superiore e i
118. iugno 2004 pena MESE PIU PIOVOSO MINIMA PRECIPITAZIONE Pac de AERA valori medi nel valori medi nel 2 T TAE Cee valori medi mensili valori medi annui valori medi annui 29 4 Luglio 105 4 Novembre Omm Luglio 88 01 Agosto 92 471mm 197 1115 2 1996 mm 20 Agosto 81 8 Novembre Omm Luglio 78 84 96 Agosto 86 92 94 00 01 345 8 2000 879 6 200 mm mm 18 3 Giugno 127 9 Novembre Omm Maggio 9 Giugno 78 84 90 98 Luglio 7 78 79 80 82 84 88 93 Agosto 41 mm 197 1251mm 1996 87 88 89 92 30 6 Luglio 73 7 Novembre Omm_ Marzo 94 Luglio 78 80 88 00 Agosto 88 00 405mm 2000 882mm 1976 29 1 Luglio 71 9 Novembre Omm Luglio 78 84 88 00 Agosto 00 366mm 1981 861mm 2003 27 8 Luglio 84 8 Novembre Omm Luglio 84 88 00 449mm 2000 1038mm 1976 1 1 Giugno 1263 Novembre Omm Aprile 86 Giugno 84 85 Luglio 77 78 79 80 84 88 90 93 9 Agosto 362mm 1989 1177mm 1976 87 88 92 93 00 25 2 Agosto 71 6 Novembre Omm Giugno 91 Luglio 77 78 84 93 Agosto 86 92 94 00 344mm 2000 854mm 1976 Som Luglio 120 86 Novembre Omm Luglio 85 88 625mm 2000 1285mm 1996 22 6 Luglio 70 0 Dicembre Omm Giugno 95 Luglio 77 78 82 88 90 Agosto 87 93 00 01 282mm 1989 1083mm 1976 38 3 Luglio 93 4 Dicembre Omm Luglio 88 97 Agosto 93 00 Ottobre 95 496mm 197 1043mm 1976 351 Luglio 112 6 Dicembre Omm Luglio 88 9 Agosto 93 Ottobre 95 522mm 1990 1263mm 1980 OES Giugno 91 8 Novembre Omm_ Giugno 78 82 84 90 Luglio 77 78 88 90 96 Agost
119. l litorale della Capita nata Ofanto e BAT b ANALISI DELLA PIOVOSITA Nei mesi primaverili Marzo Aprile Maggio si evidenzia una progressiva diminuzione dei quantitativi ed una diversa distribuzione delle precipitazioni rispetto al periodo invernale Nel mese di Marzo ancora alta la frequenza delle perturbazioni provenienti dai quadranti settentrionali nord nordovest Le perturba zioni interagendo con l orografia regionale fanno s che le zone pi piovose siano le aree interne e del versante settentrionale del Gar gano media mensile 55 75 mm e le zone pi alte del Subappennino Dauno media 55 70mm Altre zone con concentrazione mag giore di precipitazioni sono il Salento meridio nale e le aree interne della Murgia coincidenti grossomodo con la Valle d Itria Questo polo pluviometrico favorito per la ricorrente for mazione di depressioni tra Tirreno meridiona le e Jonio settentrionale che determinano lo scorrere delle perturbazioni da sud sudovest verso nord nordest interessando pi diretta mente la penisola salentina meridionale e per effetto orografico il settore meridionale della Murgia media mensile 50 75 mm minimi di precipitazione si riscontrano sem pre sulla pianura foggiana e sul settore occi dentale della provincia di Taranto zone che spesso vengono a trovarsi sottovento alle perturbazioni provenienti da ovest o da nord e di conseguenza beneficiano di quantitativi pi limitati med
120. l residuo da m x di natura stocastica variabile localmente e dipendente spazial mente e il termine di errore indipendente spazialmente con media zero e varianza 0 Una variabile regionalizzata z x pu essere considerata una particolare manifestazione o realizzazione di una variabile casuale de finita per ogni fissata posizione x all interno della regione di spazio considerata Se si considerano tutti i possibili valori che la z x pu assumere in tutti i punti dello spazio si ha che essa rappresenta un membro di una serie infinita di variabili casuali a cui si d il nome di funzione casuale Z x Per poter fare inferenza statistica necessa rio che le variabili regionalizzate soddisfino una qualche ipotesi di stazionariet ovvero di omogeneita statistica applicata ai loro mo menti di determinato ordine Esistono diversi tipi di stazionariet Una funzione casuale Z x si dice stazionaria di primo ordine se per ogni punto x si verifica che il valore atteso momento del primo ordine E Z x uguale ad un valore costante m Da ci segue che E Z x Z x h 50 ove h il vettore distanza fra due generiche posizioni spaziali e la differenza fra Z x e Z x h detto residuo Verificata la stazionariet del primo ordine si ha una stazionariet del secondo ordine quando la covarianza spaziale C h di ogni coppia di valori Z x e Z x h indipendente da x ed funzion
121. le sono stati prodotti e resi scaricabili dei documenti relativi alla caratterizzazione climatica del le Marche nel periodo storico 1950 2000 analizzando le variabili di temperatura e precipitazione Sul sito dell ARPA sono riportati alcuni re port climatici Attraverso la rielaborazione dei dati di temperatura e pluviometria dell Ente Idro grafico della Sardegna con uno storico di quasi 70 anni 1922 1991 rivisitato da uno studio dell Universit di Cagliari sono state elaborate alcune mappe tematiche riguardanti i valori medi annuali della tem peratura e della precipitazione La Regione Sicilia Assessorato Agricoltura e Foreste Servizi allo Sviluppo Unit Operativa di Agrometeorologia ha realiz zato la carta climatica della Sicilia prodotto delle elaborazioni climatiche territoriali di dati riferiti al trentennio 1965 1994 e rela tivi a 125 stazioni pluviometriche e 55 ter mopluvometriche del Servizio Idrografico Regionale Veneto La Regione Puglia attraverso il lavoro svolto dall ex Ufficio Idrografico offre la possibilit di scaricare i dati dei parametri meteo clima tici dal sito della Protezione Civile http www protezionecivile puglia it senza alcuna anali si climatologica E anche possibile la visualiz zazione in tempo reale delle variabili meteo climatiche A breve saranno disponibili le elaborazioni meteo climatiche relative all intero territorio regionale 3 Stato dell arte sull
122. lia Puglia Puglia Puglia Puglia Campania Basilicata Puglia Basilicata Puglia Puglia Puglia Puglia Puglia UTM X 630998 10 528004 50 608484 70 547336 80 731696 70 657996 20 657685 30 657148 70 606700 80 515884 40 582616 40 748442 40 563907 10 589011 60 661419 20 649192 0 607008 90 682446 30 663424 30 575810 80 618589 10 689177 20 566759 50 513658 10 698832 40 542989 60 545323 20 571483 10 755424 50 659854 30 662224 20 706755 70 643821 60 535783 20 562069 20 729461 30 566759 50 768980 70 529318 20 707847 60 697389 70 528011 50 UTMY 4520285 10 4530852 30 4564039 90 4561247 30 4469465 70 4553765 00 45522 20 4553462 80 4574331 40 4582293 50 4629940 40 4501765 20 4630768 90 4564170 40 4535422 80 4527821 70 4548253 30 452 85 60 4499356 20 4568397 30 4556680 30 4496646 80 4544586 10 4574523 60 4523454 70 4589191 00 4590048 30 4523409 60 4438104 30 4476812 70 4518390 80 4490485 10 4541464 80 4544766 20 4517153 30 44921 4 40 4544586 10 44 2343 10 4634539 0 44 3631 00 4514012 50 4595502 10 M S L M 482 00 890 00 162 00 437 00 72 00 17 00 23 00 34 00 30 00 470 00 798 00 19 00 181 00 154 00 229 00 351 00 543 00 29 00 236 00 134 00 249 00 264 00 214 00 776 00 121 00 84 00 82 00 753 00 31 00 20 00 377 00 140 00 191 00 717 00 782 00 107 00 328 00 50 00 13 00 63 00 404 00 226 00 DISTANZA DAL MARE M 41278 11 79179 40 10845 5
123. lla va rianza dei residui Figura 6 18 Exp 0 07 1 2 5000 Wario h o o o o 0 20000 40000 60000 80000 100000 h Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 26 max 19 68 1834 19 23 3 01 3 20 1 86 1 51 1 66 1 16 1 08 dev std Nel mese di luglio la media dei residui 0 0 C e la varianza 1 31 C il modello lineare z regr 20 9 0 006 hslm Il variogramma esponenziale con range di influenza di 5 km uguale al valore del mese di giugno effetto nugget di sottocampionamen to che cresce fino a 0 15 10 1 assestato intorno alla varianza dei residui Figura 6 19 Exp 0 15 1 3 5000 Vario k 40000 60000 100000 h 80000 0 20000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 22 max 2250 MeS ZSE S oT S dev std 1 89 ioe 1 64 1 23 115 Nel mese di agosto la media dei residui 0 0 C e la varianza 1 36 C il modello lineare z regr 20 9 0 005 hslm Il variogramma esponenziale con range di influenza che scende a 3 km rispetto al mese precedente riducendo cos di un km la con tinuit spaziale delle temperature minime effetto nugget di sottocampionamento di 0 1 6 sulla variabilit totale assestato intorno alla varianza dei residui m
124. lori medi relativi ai pa p ____ Figura 1 1 Sensori pluviometrici distribuzione 4 fO CPNS KODE SN T r r JONSCOCORE 3333525382 3 Figura 1 2 Sensori termometrici distribuzione rametri temperatura e precipitazione con la finalit di produrre una carta di sintesi che consente di classificare climatologicamente il territorio regionale dati disponibili delle sta zioni di misura sono stati georeferenziati in modo da ottenere una carta finale utilizzando algoritmi di interpolazione LOMBA 3838855833 TITITITD Per caratterizzare climatologicamente il terri torio regionale necessario analizzare alcuni parametri meteorologici quali la temperatura minima e massima e la precipitazione Tali dati climatici sono stati aggregati a livello mensile su un periodo temporale di trent anni 1976 2005 ali dati sono stati elaborati statisticamente ottenendo diversi livelli tematici quali Temperatura media normale mensile Media delle temperature massime mensili Media delle temperature minime mensili e Precipitazioni medie mensili La realizzazione di queste mappe primo li vello ha come obiettivo quello di soddisfare alcuni dei bisogni delle strutture che operano non solo nell ambito della pianificazione Cen tro Funzionale Regionale Enti Locali Autorit di Bacino ARPA ecc ma anche in quello scientifico Universit tecnici e ricercatori
125. lta nel tren tennio 1976 2005 si evidenzia che nel terri torio pugliese si sono verificati scarsi apporti meteorici La media della precipitazione an nua del trentennio 1976 2005 risulta essere pari a 638 mm Nelle zone pi interne della regione si riscon tra una notevole diversit nelle quantit di pioggia si passa da valori prossimi a 1 000 mm annui registrati nella stazione di Bosco Umbra a valori inferiori a 500 mm nelle stazio ni del Tavoliere Gli abitati a piu alta piovosit sono situati sull area garganica sul Subappennino Dauno e nella parte estrema della penisola salentina In quest ultima area la precipitazione abbon dante dovuta all afflusso dei venti umidi oc cidentali che non vengono ostacolati dagli Ap pennini come avviene nel resto della Regione Nell analisi sul trentennio 1976 2005 si rile va che il mese meno piovoso luglio mentre 38 il mese pi piovoso risulta novembre solo in alcune stazioni il mese pi piovoso dicem bre Nel mese meno piovoso sono stati registrati valori che vanno da un minimo di 9 mm sta zione di Taviano ad un massimo di 50 6 mm stazione di Bosco Umbra Le stazioni pluviometriche che registrano valori superiori ai 100 mm di precipitazione media mensile sono nelle province di Foggia Monte Sant Angelo Orsara di Puglia Orto di Zolfo Biccari Pietramontecorvino San Marco in Lamis Sannicandro Garganico e Vico del Gargano Lecce Nard Novoli Ot
126. m effetto nugget di sottocampiona mento di 0 01 assestato intorno alla varianza dei residui Figura 6 11 Sph 0 01 0 28 28000 0 20000 40000 60000 80000 100000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 15 max 1835 17 30 17 70 2 54 2 40 dev std 2 10 2 03 2 09 0 53 0 53 Nel mese di dicembre la media dei residui 0 01 C e la varianza 0 30 C il modello li neare z regr 13 9 0 008 hsim Il variogramma sferico con range di influen za di 25 km effetto nugget di sottocampiona mento di 0 01 assestato intorno alla varianza dei residui Figura 6 12 Sph 0 01 0 29 25000 0 20000 40000 60000 h 80000 100000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione Tabella 6 16 ax 14 81 13 88 1415 2 6 dev std 2 20 6 2 Analisi strutturale temperature minime torno alla media compresa fra 3 5 C e 3 8 C L ipotesi di normalit delle distribuzioni dei dati confermata dal test di Kolmogorv Smirnov KS che superato per tutti i mesi al livello di significativit 0 05 Osservando gli intervalli di confidenza le temperature minime mensili sembrano tutte ben separate ad eccezione dei mesi di gennaio febbraio e luglio agosto 6 2 1 Analisi descrittive Nella tabella 6 17 sono
127. m 1977 731mm 1976 21 7 Agosto 70 0 Novembre Omm Giugno 85 Luglio 78 84 88 93 00 Agosto 86 88 92 00 01 Settembre 80 335mm 1989 800mm 1996 26 3 Luglio 86 7 Novembre Omm Luglio 78 84 88 Agosto 86 88 92 358mm 1992 980mm 1976 24 3 Luglio 77 9 Novembre Omm Luglio 78 84 88 Agosto 86 324mm 1992 861mm 2004 27 2 Giugno 80 6 Novembre Omm Marzo 94 Luglio 78 84 88 96 Agosto 86 92 00 01 369mm 1989 888mm 2002 223 Luglio 70 5 Novembre Omm Luglio 7 84 88 00 01 Agosto 87 307mm 1992 394 mm 1976 29 4 Luglio 65 5 Novembre Omm Marzo94 Luglio 78 88 308mm 1977 878mm 1976 19 8 Luglio 86 6 Dicembre Omm Giugno 82 Luglio 77 78 84 8896 Agosto 86 92 00 374mm 1989 981mm 1996 25 2 Luglio 69 0 Novembre Omm Marzo 94 Giugno 9 Luglio 77 78 84 88 Agosto 92 301mm 1977 760mm _ 1976 14 Luglio 117 0 Novembre Omm Giugno 98 Luglio 77 78 79 84 88 93 97 Agosto 88 91 92 00 01 344mm 1977 1095mm 1996 23 4 Luglio 79 1 Novembre Omm Luglio 78 84 Agosto 86 92 94 00 01 347mm 1990 861mm 1996 17 Giugno 91 3 Novembre Omm Giugno 81 85 90 95 Luglio 77 78 88 90 93 96 Agosto 86 87 88 91 92 93 00 322mm 1989 1158mm 1996 24 0 Luglio 79 3 Novembre Omm Giugno 91 Luglio 78 84 88 Agosto 86 92 00 335mm 1977 863mm 1998 22 6 Giugno 73 2 Novembre Omm Luglio 77 84 88 Agosto 87 89 00 334mm 1989 1020mm 1976 25 Agosto 74 2 Novembre Omm Luglio 78 88 01 Agosto 88 321mm 1977 891mm 19 6 30 4 Luglio 111 2 Novembre 1mm Maggio 82 Luglio 88 Settembre 80 431mm 197 1004mm 1996 19 2 L
128. n Fele San Giorgio Jonico San Giovanni Rotondo San Marco in Lamis San Pancrazio Salentino San Pietro Vernotico San Severo San Vito dei Normanni Sannicandro Garganico Santa Maria di Leuca Sant Agata di Puglia Sant Angelo dei Lombardi Santeramo in Colle Savignano Irpino Spinazzola Talsano Taranto Taviano Teora Tertiveri Torremaggiore Troia Turi Venosa Vico del Gargano Vieste Vignacastrisi Volturino 110 COMUNE Pietramontecorvino FG Polignano a mare BA Presicce LE Ripacandida PZ Rocchetta Sant Antonio F6 Rocchetta Sant Antonio FG Ruffano LE Ruvo di Puglia BA San Fele PZ San Giorgio Jonico TA San Giovanni Rotondo F6 San Marco in Lamis FG San Pancrazio Salentino BR San Pietro Vernotico BR San Severo FG San Vito dei Normanni BR Sannicandro Garganico F6 Castrignano del Capo LE Sant Agata di Puglia FG Sant Angelo dei Lom bardi AV Santeramo in Colle BA Savignano Irpino AV Spinazzola BT Talsano TA Taranto TA Taviano LE Teora AV Biccari FG Torremaggiore FG Troia FG Turi BA Venosa PZ Vico del Gargano FG Vieste FG Ortelle LE Volturino FG REGIONE Puglia Puglia Puglia Basilicata Puglia Puglia Puglia Puglia Basilicata Puglia Puglia Puglia Puglia Puglia Puglia Puglia Puglia
129. n cui le stazioni ricadono dovuta proba stimata siano Bosco Umbra e Vieste che di bilmente ad un effetto combinato di orografia stano in piano pochi chilometri ma che sono ed esposizione Non un caso che la stazione caratterizzate da regimi pluviometrici diame pi spesso significativamente sottostimata e tralmente opposti quella pi spesso significativamente sovra Tabella 6 36 Ricorrenza delle peggiori sovrastime sottostime per stazione Sottostime Sovrastime Stazione Lagopesole 4 58 3 Manfredonia 11 gita San Marco in Lamis 58 3 Atella Congruenza varianza di stima 0 89 max 119 35 92 08 30 41 media degli errori standardizzati dev std 15 00 11 21 10 08 deviazione standard degli errori standardizzati i Me 1 Statistiche principali degli errori assoluti di stima valori osservati vs valori stimati 1 P P 8 Figura 6 27 Variogrammi sperimentale e teorico delle Piogge totali di gennaio Sph 0 14 0 98 65770 1 40 1 00 Vario h 0 60 0 40 0 20 0 00 T T 20000 40000 60000 80000 100000 120000 Febbraio Congruenza varianza di stima media degli errori standardizzati deviazione standard degli errori standardizzati valori osservati vs valori stimati 95 53 83 81 z z kri 1 22 92 dev std 12492 1 Statistiche principali degli errori assoluti di stima Figura 6 28 Variogrammi sper
130. naio 1981 Luglio 1988 Agosto 1993 Luglio 1988 Agosto 1999 Luglio 1983 Agosto 2003 Agosto 1999 2003 Luglio 2004 Agosto 1994 Agosto 2003 Agosto 1992 Agosto 1994 Agosto 2003 Luglio 1998 Agosto 1994 Agosto 1994 Agosto 2003 Luglio 1988 Luglio 198 Agosto 2003 Agosto 2003 Agosto 2003 Agosto 1992 Luglio 1988 Agosto 2000 Agosto 1994 2003 Agosto 1994 Agosto 2003 Agosto 2000 Agosto 2003 Luglio 1988 Luglio 1988 Luglio 1988 Agosto 1994 Agosto 2000 Agosto 2000 Agosto 1994 Agosto 1999 Agosto 2003 Agosto 2003 Agosto 2003 Luglio 1988 Agosto 1999 103 NOME STAZIONE Maglie Manduria Manfredonia Massafra Masseria Monteruga Masseria Santa Chiara Melfi Mercadante Minervino di Lecce Minervino Murge Monte Sant Angelo Monteleone di Puglia Monticchio Nard Nusco Ortanova Ostuni Otranto Pescopagano Pietramontecorvino Polignano a mare Presicce Ruvo di Puglia San Giorgio Jonico San Giovanni Rotondo San Pietro Vernotico San Samuele di Cafiero San Severo Sannicandro Garganico Santa Maria di Leuca Sant Angelo dei Lombardi Spinazzola Talsano Taranto Taviano Troia Turi Vieste Vignacastrisi 104 COMUNE REGIONE UTM X UTM Y M S L M DISTANZA DAL MARE M Maglie LE Manduria TA Manfredonia FG Massafra TA Nard LE Trinitapoli BT Melfi PZ Cassano delle Murge BA Minervino di Lecce LE Minervino Murge BT Monte Sant Angelo FG Monteleone di Pugl
131. nferiore della stima Altra caratteristica comune a tutte le mappe la risoluzione spaziale di 1 km per 1 km di lato delle singole celle Fig 6 39 Workflow interpolazione spaziale mediante kriging VARIOGRAFIA MAPPA STIMATA DEL LIMITE DI CONFIDENZA SUPERIORE MAPPA STIMATA DEL LIMITE DI CONFIDENZA INFERIORE MAPPA DI STIMA KRIGING Stima e Dev St gt MAPPA DELLE VARIANZE DI STIMA Come esplicitato nel precedente Cap 6 2 le temperature massime e minime sono lega te all altitudine secondo una relazione lineare di inversa proporzionalit all aumentare della quota sul livello del mare h s l m la tempe ratura diminuisce L interpolazione mediante kriging stata applicata ai residui ovvero alla variazione delle temperature rimanente sottra endo la relazione lineare dell elevazione il cui coefficiente di correlazione varia in funzione del mese A seguito dell analisi strutturale dei residui mensili si pervenuti alla definizione dei co efficienti che fanno parte della regressione lineare perla stima delle temperature T a b h s l m con h s l m rappresentato spazialmente dal modello digitale dell elevazione DEM Sulla base di essa sono state quindi calcolate le mappe mensili del fattore dovuto all altitudine che contribuir assieme ai residui alla stima delle temperature sia massime che minime In Figura 6 40 si riporta uno schema della procedura
132. ntale della Penisola italiana Essa presenta un elevata discontinuit terri toriale determinata dal notevole sviluppo del la linea di costa dal promontorio del Gargano sino al Capo di Santa Maria di Leuca lungo il mare Adriatico e nel mar Jonio sino al Golfo di Taranto e da una morfologia superficiale for temente articolata Il territorio regionale ha una superficie che si aggira intorno ai 19 350 kmq ed in preva lenza pianeggiante la zona di pianura rap presenta pi della met dell intera superficie 53 2 la restante parte occupata da col lina con il 45 3 e poco pi dell 1 da monta gna e si presenta pertanto topograficamente diversificato Il clima della Puglia quello tipicamente me diterraneo caratterizzato da inverni miti e da estati calde e siccitose L uniformit orografica della regione Fig 5 1 produce a parit di latitudine delle modeste differenze climatiche tra le diverse zone do vute oltre che alle esigue variazioni altime triche anche alla conformazione topografica rilievi appenninici infatti riparano la regio ne dai venti che provengono da Occidente mentre risulta esposta alle correnti da Sud e dall Adriatico Il mese piu caldo luglio mentre agosto il mese in cui si registrano i valori estremi di temperatura piu alti La provincia piu calda quella di Foggia soprattutto nelle aree prossi me agli abitati di Cerignola e San Severo Figura 5 1 Orogra
133. o di realizzare un quadro aggiornato degli approcci e delle relative metodologie in grado di ricostruire i dati nelle locazioni geografiche prive di misurazioni strumen tali Gli approcci sono fondamentalmente due deterministico e stocastico In questo secondo approccio rientrano i metodi e le tecniche geostatistiche in grado di fornire due informazioni stima e varianza di sti ma La scelta del metodo pi appropriato per la costruzione delle mappe di primo livello dipende dagli obiettivi e dai vincoli applicativi e Stato dell arte su strumenti e tecnologie per l ottenimento dei prodotti con l obietti vo di realizzare un quadro aggiornato degli strumenti automatici e delle tecnologie per realizzare le mappe attraverso le metodo logie individuate precedentemente e Produzione delle mappe con l obiettivo di implementare le metodologie prescelte per elaborare le variabili con le tecnologie individuate al fine di ottenere le mappe 1 Analisi dei bisogni L Ufficio Idrografico istituito sin dal 191 come Sezione autonoma del Genio Civile stato trasferito alla Regione Puglia a seguito del D P C M 24 07 2002 e attualmente incor porato nel Servizio Protezione Civile integrato quale Struttura di Monitoraggio Meteoclimati co all interno del Centro Funzionale regionale con le competenze di cui all art 22 e 23 del DPR 24 01 1991 n 85 Le attivit condotte dall Ufficio Idrografico e Mareografico si possono sintetizzar
134. o 88 92 93 00 389mm 2000 1072mm 1996 17 4 Giugno 98 0 Novembre Omm Luglio 77 78 84 88 90 96 03 Agosto 86 87 88 92 00 412mm 197 952mm 1996 24 8 Luglio 66 8 Novembre Omm Luglio 78 88 96 Agosto 84 Settembre 80 307mm 1977 734mm 2002 20 4 Luglio 106 0 Dicembre Omm Luglio 94 96 Agosto 92 00 39986 2000 9222 1996 mm mm 32 Luglio 103 8 Novembre Omm Luglio 97 Agosto 93 00 474mm 1992 1133mm 2004 10 8 Luglio 127 7 Novembre Omm Maggio 88 Giugno 82 85 93 Luglio 77 78 80 84 87 88 93 03 Agosto 245mm 1977 1051mm 1976 87 88 89 92 93 00 PO Luglio 63 5 Novembre Omm Marzo 94 Luglio 84 88 375mm 1977 886mm 1976 31 4 Luglio 115 6 Novembre Omm Marzo 94 Luglio 84 85 88 594mm 2001 1282mm 1976 22 5 Luglio 78 2 Novembre Omm Giugno 85 Luglio 77 84 88 Agosto 92 339mm 1992 958mm 1976 34 1 Luglio 93 4 Novembre Omm Luglio 84 485mm 1977 1005mm 1979 28 8 Luglio 72 1 Dicembre Omm Luglio 7 78 88 96 01 Agosto 85 349mm 2000 888mm 1976 12 4 Luglio 60 7 Novembre Omm Giugno 94 Luglio 77 78 88 Agosto 86 87 88 93 00 01 Settembre 94 244mm 1989 882mm 19 6 16 2 Luglio 65 5 Novembre Omm Giugno 95 Luglio 77 78 82 88 Agosto 86 87 88 89 93 00 Ottobre 95 295 6 2001 965mm 1976 mm 9 Luglio 112 7 Novembre Omm Giugno 82 84 85 99 Luglio 2 78 80 88 93 95 96 97 Agosto 86 88 89 00 01 200mm 1989 985 8 1996 mm 41 6 Agosto 139 7 Novembre Omm Luglio 85 88 706mm 1977 1445mm 1976 25 5 Luglio 76 6 Novembre Omm Luglio 88 400mm 1977 883mm 2003 24 5 Luglio
135. o ai suoi 2 pi vicini La triangolazione p condotta collegan do ciascuna locazione spaziale con le 2 pi vi cine cercando di ottenere triangoli che siano il pi possibile prossimi ad essere equilateri Ciascun triangolo circoscritto da un cerchio i centri dei cerchi cosi costruiti rappresentano vertici dei poligoni di Thiessen Ciascun cer chio deve essere caratterizzato dalle seguenti propriet e nessuna locazione spaziale pu ricadere in alcun cerchio e ciascun cerchio interseca solo 3 locazioni spaziali i vertici dei triangoli Figura 3 8 Procedura di creazione dei poligoni di Thiessen 1 Triangolazioni di Delauney 2 Circocentri 3 Poligoni di Thiessen Tutti i centri dei cerchi cosi costruiti sono col legati l un l altro e il risultato sono i poligoni Ciascun poligono conterr una singola loca zione spaziale Propriet di Delauney Alla fine l area di ciascun poligono calcolata ed il peso assegnato a ciascun dato propor zionale all area del poligono rispetto all area dell intera regione di interesse che corrispon de alla somma delle aree di tutti i poligoni La formula corrispondente la seguente area si gt area j 1 dove n corrisponde al numero dei dati ossia alla dimensione campionaria Wj Declustering per celle La tecnica del declustering per celle il meto do pi comunemente applicato in geostatisti ca Questo approccio pi robusto rispetto al
136. ol tre ad eventuali esigenze del singolo cittadino L analisi dei bisogni varia in funzione dei livelli delle mappe precedentemente descritte Le mappe di secondo livello combinazione di quelle di primo livello con altre informazioni spaziali attraverso operazioni GIS o combina zioni matematiche avranno come utenti fun zionari della Regione e degli Enti Locali tecnici ricercatori soggetti preposti alle attivit di pia nificazione e decisionali e rappresenteranno un utile strumento per ottenere indicatori sulle caratteristiche climatiche del territorio indici di siccit indicatori bioclimatici ecc Infine le mappe di terzo livello visualizzate in sequenze temporali rappresenteranno grafi camente la dinamica dei processi meteorolo gici Attraverso l acquisizione di tali mappe il Centro Funzionale Regionale sar in grado di effettuare analisi multi temporali relativa mente alle diverse variabili meteo climatiche sul territorio pugliese Tali prodotti saranno deputati a supportare le attivit di protezione civile evidenziando l eventuale superamento di determinate soglie critiche per le variabili prese in esame stati di earling warning 2 Stato dell arte dell offerta prodotti In questa sezione viene fornito un elenco delle varie tipologie di mappe prodotte dalle diverse strutture Regionali Nazionali che si occupano dell analisi climatica della propria area regionale e che forniscono in qualche modo
137. on il clik la procedura Osservare i risultati ottenuti in H21 H22 e H23 sono gli intervalli lag iniziali del variogramma che dipendono da come distribuito il campione di dati Le statistiche sulla minima e massima distanza fra queste coppie sono presenti in posizione l8 e 19 Se il variogramma sperimentale in figura mostra un an damento crescente e se i valori contenuti nelle celle H21 H22 e H23 sono maggiori di 20 allora Si pu passare al secondo foglio selezionando col mouse Vario fit Altrimenti si deve aumen tare l ampiezza della singola classe valore contenuto in I e rilanciare la procedura CALCOLA VARIOGRAMMA SPERIMENTALE fig A3 EI Microsott Excel dic TEMP MIN xls DHS GAY BOC o r fizi hg B QW Fle bodia visualizza pesko Formato Srumerti Duti Finestra 2 8x me 10 GC S ESIA oco 4 3 qiie _ D A 0 eve wn 47139 5 435991 544988 020646 6 544088 653996 0 42799 I 7 655986 762964 TO di Combinazioni n ee 029 EVE O 032613 wj 99073 d uma CALCOLA VARIOGRAMMM SPERIMENTALE 9 561559 7 454295390 r 649618 4 25723 se sossa 8 246294 1 15697 3 8 o 4 352535 TE 20396 9 850107 0 93666 334 NN 1020 9E a 32651 0 im 40000 GOOD 80000 100000 whe SELEZIONARE IL MODELLO DI VARIOGRAMMA necessario spostarsi nel foglio Vario fit che
138. onsistente nel confronto della forma del semivariogramma campionario della va riabile indicatrice calcolato per diversi valori soglia con la sua espressione teorica nel caso di funzione normale bivariata Se possibile una verifica sia pure solamente grafica per la distribuzione gaussiana bivariata non esiste 18 Deutsch CV and Andre G Journel 1998 GSLIB Ge ostatistical Software Library and User s Guide 2nd Ed Oxford University Press New York 369p alcun test per provare la multi gaussianita per cui in pratica l adozione di un approccio di tipo gaussiano diventa una scelta soggettiva dettata principalmente da motivazioni legate alla semplicit degli algoritmi 4 Stato dell arte sulle tecnologie Alcuni prodotti GIS sono in grado di gestire le fasi relative all analisi geostatistica e rap presentare i risultati in forma di mappe ge oreferenziate Per i soli aspetti geostatistici esistono diverse altre soluzioni che sono al di fuori delle tecnologie GIS Alcune di queste sono nate prevalentemente in ambito accade mico Una pietra miliare e il testo del 1980 di Journel e Huijbrechts contenente i sorgenti di diversi algoritmi di tecniche geostatistiche Una buona parte di quelle routine sono oggi presenti in GSLiB Geostatistical Software Li brary accanto ad altre sviluppate all interno della Stanford University http www gslib com Esse sono tutte fruibili liberamente attraverso il codice sorgent
139. ordinate e di altrettante costanti f sconosciute che de terminano per l osservazione in x Z x p j 1 Y x 6 T e x dove Y x j 1 p rappresentano i valori delle covariate misurate all i esimo punto nel la griglia e p rappresenta la dimensione del vettore delle coordinate Il termine kriging con deriva esterna KED preferito a quello di KU se la parte determini stica di variazione drift amp definita esterna mente come una funzione lineare di alcune variabili ausiliarie Nel caso di KU o con KED l algoritmo risolutivo lo stesso del kriging ordinario con la compli cazione che la matrice di covarianza dei resi dui completata con i valori delle covarianze delle variabili ausiliarie Tuttavia la deriva e residui possono essere stimati separatamen te e poi sommati Questa procedura e stata 11 Ver Hoef J 1993 Universal kriging for ecological data In Environmental modeling with GIS Good child MF Parks BO Steyaert LT eds Oxford Univer sity Press New York pp 447 453 24 suggerita da Ahmed et al 1987 e Odeh et al 1995 che l hanno battezzata con il nome di kriging con regressione mentre Goo vaerts 1997 ha utilizzato il termine kriging semplice con medie locali variabili L ambito modellistico di riferimento per le tecniche di Kriging quello probabilistico pertanto la conoscenza di un valore nel punto generico xg necessita di uno stimatore Z x della variazione
140. osizione e l orografia del terreno Tutti elementi che sono stati analizzati per definire quantitativamente gli aspetti di variabilit spaziale delle tempe rature medie mensili Sono stati utilizzati 81 punti di osservazione termometrica per usufruire di una completa e uniforme distribuzione spaziale e temporale 1021 2 2004 Nel caso in studio la variabile di interesse la media dei valori mensili minimi e massimi di temperatura tale media stata effettuata per ciascuna stazione della rete di monitoraggio su un intervallo temporale che va dal 1976 al 2005 Nella tabella 5 6 sono riportate le stazioni ter mometriche della rete di monitoraggio del Ser vizio Protezione Civile Le informazioni fornite per ciascuna stazione sono denominazione comune e regione di appartenenza coordi nate geografiche UTM datum wgs84 metri sul livello del mare in cui stata installata la stazione distanza dal mare ed esposizione dati relativi alla distanza dal mare e all espo sizione sono stati calcolati successivamente attraverso l uso di appropriati strumenti di sponibili nel software GIS ARCMap Il DEM Di gital elevation Model utilizzato per calcolare l esposizione ha una cella quadrata di 25m in entrambi i lati pns 2V TET9 00 9 15210 91 E92t 00 T pJON 90 78807 00 0S pJON TE 26T9r 00 82 pJON S2 vO0 6T 00 207 pJON 6165222 00 282 PION 08 269 9 00 272 pJON vl 6229T 00 T61 ys A0 pns 6S 80r81 00 0vT
141. osto 1994 Ovest 1 9 Febbraio 1984 30 0 Agosto 2000 Nord 3 1 Febbraio 1993 311 Luglio 1988 Ovest 2 9 Febbraio 1983 34 7 Agosto 2003 Nord 2 3 Marzo 1987 2919 Agosto 2003 Nord 2 1 Febbraio 2003 35 3 Agosto 2003 Est 32 Marzo 1987 31 8 Agosto 1994 Nord 3 8 Febbraio 2003 30 9 Agosto 1994 Nord 3 2 Febbraio 1993 29 5 Agosto 2003 Sud 0 0 Gennaio 1981 33 9 Agosto 1994 Nord 3 7 Febbraio 1993 343 Agosto 1994 Sud OFS Febbraio 1985 34 3 Agosto 2000 Sud 0 8 Gennaio 1976 335 Agosto 2003 Est 2 6 Febbraio 2003 34 7 Agosto 2003 Sud 0 1 Febbraio 2003 30 8 Agosto 2003 Nord 3 9 Febbraio 2003 33 1 Agosto 2003 Sud Est 0 2 Febbraio 1993 34 2 Nord TZ Febbraio 2003 33 8 Agosto 2003 Sud 2 0 Febbraio 2003 333 Agosto 2003 Sud 4 0 Febbraio 2003 3 15 Agosto 2003 Nord 1 5 Gennaio 1985 30 4 Agosto 1994 Ovest 02 Gennaio 1981 34 6 Agosto 2000 Sud 3 4 Gennaio 1981 932 Agosto 2003 Ovest 3 9 Febbraio 1976 34 6 Agosto 2000 Nord AD Gennaio 1981 34 5 Luglio 1988 Nord 0 9 Febbraio 2003 32 6 Agosto 2000 Nord 1L 2 Febbraio 2003 Sil Agosto 2003 Sud 4 8 Gennaio 1981 31 8 Agosto 2003 Nord 2 4 Febbraio 2003 32 4 Agosto 2003 2003 105 NOME STAZIONE Adelfia Alberona Altamura Andretta Andria Ascoli Satriano Atella Avetrana Bari Idrografico Bari Ingegneria Bari Ossevatorio Barletta Biccari Bisaccia Bisceglie Bitonto Borgo Libert Bosco Umbra Bovino Brindisi Cagnano Varano Calitri Canosa di Puglia Casamassima Cassano delle murge Castel del
142. petto alla terraferma e della propria inerzia termica il calore specifico dell acqua pi elevato del la terra si riscalda pi lentamente condizio nando l andamento delle temperature lungo la linea di costa L analisi delle temperature medie massime del trimestre primaverile registra una sem pre pi bassa correlazione fra le tempera ture massime e l altezza sul livello medio del mare Al graduale aumento termico nel corso del trimestre le isoterme non seguono esclusivamente l andamento delle isoipse ma sono influenzate da flussi nei bassi strati dell atmosfera provenienti sempre con mag giore frequenza dai quadranti settentrionali i quali causano un minore aumento delle tem perature in prossimit della linea di costa del versante adriatico rispetto alla parte restante del territorio pugliese L analisi delle mappe primaverili riferite alle temperature medie minime mostra un valore poco rilevante del coefficiente di correlazio ne fra le temperature minime e l esposizione mentre si registra un forte legame con l eleva zione valori termici nel trimestre in esame sono dipendenti anche dalla configurazione e dalla direzione di costa registrando valori pi alti localmente lungo il litorale della penisola salentina e in prossimit del Golfo di Manfre donia Tale discontinuit da attribuire all ef fetto brezza di terra che muove masse d aria pi fredde da aree collinari e montuose verso valle raggiungendo cosi i
143. precondizione necessaria nel caso in cui si intenda utilizzare la varianza di stima per caratterizzare l intervallo di confidenza della stima In questo caso quindi neces sario applicare un test di gaussianit dei dati Sono disponibili un gran numero di tecniche sia quantitative sia qualitative per testare la rispondenza dei dati alla distribuzione norma le Tra le tecniche qualitative va menzionato il q q plot tale metodo pone a confronto il set di dati con una distribuzione gaussiana teorica avente media e deviazione standard uguale a quelle dei dati stessi L interpretazione di tale rappresentazione grafica immediata i dati teorici sono rappresentati tramite una linea continua che forma un angolo di 45 con gli assi coordinati mentre i dati empirici sono rap presentati con punti se questi si dispongono lungo la linea si pu affermare che seguono la distribuzione teorica Le tecniche quantitative sono basate sull ipotesi nulla che i dati se guano la distribuzione teorica assegnata nel nostro caso quella gaussiana ma il discorso generalizzabile a qualunque distribuzione teorica Esistono in letteratura numerosi test di gaussianit che si differenziano tra loro per 30 la diversa potenza ossia per la probabilit di riconoscere la falsit dell ipotesi nulla quando essa effettivamente falsa Tra i test piu ricor renti in letteratura ci sono lo Shapiro Wilk per piccoli campioni Shapiro Francia per grandi
144. prodotti affini a ci che compete alla Protezione Civile Perla suddetta raccolta dati si effettuata una dettagliata ricognizione di siti web siti delle istituzioni Regionali Nazionali quali agenzie ambientali protezione civile ecc Nella seguente tabella sono riportati i risultati della ricerca Calabria http www crati it dati storici tabelle pdf carte di clima e studio vocazionale della regione calabria pdf Il CRATI un Consorzio per la Ricerca e le Applicazioni di Tecnologie Innovative che ha realizzato delle mappe di Temperature e Precipitazioni medie annue usando una banca dati dell Istituto Mareografico ed Idrografico di Catanzaro L interpolazione del dato stata effettuata attraverso una media pesata Periodo storico 1980 2001 DEM a risoluzione di 225 m m Campania Friuli Venezia Giulia Lombardia Marche Piemonte Sardegna Sicilia http Awww esriitalia it conferenza2009 content cd atti e programma poster 6 Territorio C Parente pdf https servizimoka regione emilia romagna it mokaWeb92 apps ClimaER 145 mapviewer jsf width 1146 amp height 663 http www scribd com doc 3 098200 Atlante idroclimatico dell Emilia Romagna 196 1 2008 http www arpa fvg it index php id 116 http ita arpalombardia it ITA meteo foralps interpolazione asp http www protezionecivile marche it viewdoc asp CO ID 568 amp tree 280 http Awww meteo march
145. ranto Pre sicce Ruffano Santa Maria di Leuca Taviano e Vignacastrisi Ortelle e Brindisi Ostuni e San Vito dei Normanni Nella tabella 5 3 sono riportate le stazioni che hanno registrato valori mensili di precipitazio ne superiori a 300 mm nel trentennio di rife rimento m Tabella 5 3 massima precipitazione mensile Nome Stazione Comune mm mese e anno Alberona Alberona FC 371 Aprile 1978 Bosco Umbra Monte Sant Angelo FG 526 Dicembre 2002 Collepasso Collepasso LE 300 8 Novembre 1998 Crispiano Crispiano TA 3135 Gennaio 1996 Galatina Galatina LE 341 Novembre 1993 Gallipoli Gallipoli LE 313 Novembre 1993 Ginosa Ginosa TA 314 Dicembre 1984 Lecce Lecce LE 326 Ottobre 1996 Maglie Maglie LE 315 Novembre 1976 Massafra Massafra TA 310 6 Gennaio 1996 Orsara di Puglia Orsara di Puglia FG 322 6 Gennaio 2003 Otranto Otranto LE 409 6 Dicembre 2002 Presicce Presicce LE 307 Novembre 1990 Ruffano Ruffano LE 309 Novembre 1976 San Giorgio Jonico San Giorgio Jonico TA 302 Novembre 1976 San Marco in Lamis San Marco in Lamis FG 443 Settembre 1982 Santa Maria di Leuca Castrignano del Capo LE 373 Novembre 1993 Taviano Taviano LE 452 Novembre 1993 Vico del Gargano Vico del Gargano FG 563 Dicembre 2002 Vignacastrisi Ortelle LE 34 Novembre 1993 Vieste Vieste FG 327 8 Dicembre 2002 5 4 e quelli pi elevati tab 5 5 In Appen dice B sono riportat
146. rappresentate le sta tistiche descrittive che riguardano la variabile temperature minime mensili Si nota che tutti i mesi mostrano una simile variabilit in Tabella 6 12 Febbraio 81 4 4 1 9 0 2 4 4 0 8 7 4 4 8 0 08 si Aprile 81 8 6 1 9 0 2 619 44 12 3 8 2 9 0 09 si Giugno 81 16 8 1 9 0 2 1 2 LS 197 16 4 1223 0 1 si Agosto 81 1965 1 8 0 2 198 144 22 6 19 1 19 9 0 11 si Ottobre 81 12 9 179 0 2 1372 8 6 16 8 125 1953 0 08 si Dicembre 81 S 1 0 2 5 8 1 6 10 2 53 6 2 0 07 si Nella tabella 6 18 si rappresenta il valore Tabella 6 18 mensile del coefficiente di correlazione fra le s i Mese HSLM Esposizione temperature minime e l altezza sul livello del mare HSLM e l esposizione Anche in questo Febbraio 0 809 0 11 caso cosi come per le temperature massime si registra il forte legame lineare con l eleva zione al crescere delle seconde diminuisce la temperatura poco significativo li legame lineare con l esposizione che arriva al mas simo al valore di 0 11 mentre nel caso delle temperature massime arrivato al valore di 0 82 nei mesi di gennaio e dicembre 58 Aprile 0 848 0 11 Giugno 0 812 0 08 Agosto 0 7 75 0 08 Ottobre 0 825 0 10 Dicembre 0 836 0 10 DE L altezza sul livello del mare resta quindi un fattore esterno in grado di spiegare una buona parte della variazione delle tempera ture minime Si procede come nel caso delle temperature massime ad effettuare l analisi geostatistica sui res
147. ratiche saranno assimilate per esprimere una misura della relazione media esistente nei dati posti ad una distanza h L ampiezza del lag generalmente dettata dalla distribuzione spaziale del campione quindi dalla scala con cui si sta osservando il fenomeno L istogramma assoluto delle N di stanze prodotte dal campione puo essere uno strumento per valutare il lag Osservando tale istogramma realizzato ad un certo passo si pu conoscere quante coppie concorreranno a caratterizzare la media delle differenze qua dratiche assumendo il passo dell istogram ma come misura del lag Variando il passo si deve far in modo che questo raccolga negli intervalli iniziali un numero statisticamente significativo di distanze la pratica suggerisce almeno 20 Il numero di ag determinato dal numero di intervalli consecutivi dell istogram ma che hanno un numero significativo di di stanze al loro interno 20 Il valore e il numero di ag diventano gli ele menti che caratterizzano l asse delle ascisse del variogramma sperimentale Una generica coppia di valori z x z x geo referenziati produce a una distanza dj rife rita alla loro posizione spaziale x e Xi b una differenza al quadrato riferita ai valori da essa espressi per ciascuna distanza dij va ricerca to il lag che la contiene e va rappresentata la differenza quadratica sull asse delle ordinate Il variogramma sperimentale deve riprodurre continuit spaziale un andamento c
148. ressione mentre un anticiclone di natura termica staziona sull Europa balcanica e ral lenta il movimento delle perturbazioni verso est Le perturbazioni quindi tendono a ruotare intorno alla depressione in senso antiorario 85 Dall analisi delle mappe di precipitazione si evidenzia come questa distribuzione si con servi durante tutti i mesi invernali Complice l orografia della Puglia i massimi nuclei di accumulo si localizzano sul settore nord ed interno del massiccio del Gargano sul Su bappennino Dauno e Salento meridionale Le correnti settentrionali che accompagnano le perturbazioni a carattere freddo o occluso favoriscono un sollevamento forzato di mas sa d aria umida lungo il versante nord del Gargano determinando maggiori e frequenti precipitazioni con media mensile variabile tra 75 110 millimetri mm Sul Subappen nino Dauno accumuli in costante aumento si hanno andando dalla pianura alle quote pi elevate assumendo valori medi mensili di 70 95 mm Questo gradiente pluviometrico do vuto sia al sollevamento forzato della massa d aria umida quando ci sono correnti da nor dest ma anche a perturbazioni provenienti da ovest che apportano precipitazioni sul settore appenninico campano raggiungendo le quote pi alte del Subappennino Dauno L apporto delle precipitazioni nevose sul cumulato in vernale anche sulle zone pi alte del Gargano Subappennino Dauno e Alta Murgia nel com plesso modesto a causa
149. rio h 1 00 0 30 0 80 0 70 0 60 4 0 50 4 O40 4 0 30 0 20 0 10 0 00 Sph 0 10 0 76 72770 20000 40000 60000 80000 100000 120000 140000 160000 180000 200000 h Novembre Congruenza varianza di stima ma 15071 192305 37 80 dev std 21 45 16 95 11 81 z z kri 1 media degli errori standardizzati deviazione standard degli errori standardizzati 1 Statistiche principali degli errori assoluti di stima valori osservati vs valori stimati Figura 6 37 Variogrammi sperimentale e teorico delle Piogge totali di novembre Sph 0 12 0 77 55884 Vario h 0 20000 40000 62000 80000 100000 120000 140000 160000 h Dicembre Congruenza varianza di stima z z kri 1 140 00 118 60 45 10 dev std 18 96 14 31 2123 media degli errori standardizzati ee YY deviazione standard degli errori standardizzati 1 Statistiche principali degli errori assoluti di stima valori osservati vs valori stimati Figura 6 38 Variogrammi sperimentale e teorico delle Piogge totali di dicembre Vario h Sph 0 14 0 92 61635 1 40 120 4 1 00 4 0 80 0 60 0 40 4 0 20 4 0 00 7 T T T 0 20000 40002 60000 80000 100000 120000 6 4 La produzione di mappe climatiche Le procedure di analisi geostatistica dei dati termo pluviometrici descritte nei cap
150. riowin in ambiente Win dows Quest ultimo stato sviluppato nel lin guaggio Borland C e contiene quattro sezio ni Prevar2D Vario2D Model and Grid Display La caratteristica pi importante di Prevar2D la capacit di gestire dataset di coordinate UTM con lo scopo di costruire la matrice delle distanze tra tutte le possibili coppie presenti nel dataset dat memorizzandola in un file pef Il modulo Vario2D usa il file pcf per costruire il variogramma sperimentale in 2D Lo stimatore che viene utilizzato il Kriging 20 http www geovariances com en 21 http cg ensmp fr 22 http www geovariances com en isatis ru324 23 Englund E and Sparks A 1988 GEOEAS Geostati stical Environmental Assessment Software 24 YATES S R amp YATES MV 1990 Geostatistics for Waste Management A User s Manual for the GEOPAK Version 1 0 Geostatistical Software System 25 VARIOWIN Software for Spatial Data Analysis in 2D Pannatier Yvan 1996 Springer Verlag 91p ISBN 0 387 94679 9 p M ordinario E anche possibile disegnare i grafici del madogramma correlogramma e covarian za e considerare le anisotropie geometriche e zonali durante la fase di modellizzazione Le tecnologie GIS non sempre offrono la pos sibilit di gestire le fasi dell analisi geostatisti ca ll prodotto piu interessante e completo in tal senso il modulo Geostatistical Analyst che all interno del prodotto Arc
151. rtanova FG Pietramontecorvino FG Presicce LE San Giorgio Jonico TA Spinazzola BT Taranto TA Temperatura Media mensile Massima C Agosto 2003 Agosto 1994 36 2 9 35 34 5 34 3 34 Agosto 2000 34 34 3 34 6 34 6 34 35 9 34 2 35 0 34 34 34 35 3 34 34 6 Durante il periodo invernale le temperature scendono per pi giorni sotto lo zero in par ticolare nelle Province di Foggia e Bari Nelle aree collinari interne al territorio pugliese sono frequenti valori negativi si raggiungono anche i 9 C Tabella 5 2 Nome Stazione Comune Altamura BA Ascoli Satriano FG Biccari FG Monte Sant Angelo FG Altamura Ascoli Satriano Biccari Bosco Umbra Cassano delle Murge Cassano delle Murge BA Feb 1981 Nella Tabella 5 2 sono riportati i valori estremi delle temperature medie mensili minime rela tive agli anni pi rappresentativi di alcune sta zioni dati di tutte le stazioni sono reperibili nella tabella in Appendice B Temperatura Media mensile Minima C Marzo 198 Feb 1993 Feb 2003 0 2 0 4 oz 2 1 0 6 1 37 Castel del Monte Andria BT 1 2 Ginosa Marina Ginosa TA 0 4 Trinitapoli BT 0 1 Masseria Santa Chiara Monte Sant Angelo Monte Sant Angelo FG 3 2 San Giovanni Rotondo San Giovanni Rotondo FG 0 1 Spinazzola Spinazzola BT 0 2 Dall analisi delle precipitazioni svo
152. rticolare si avr una de terminata direzione in cui il range risulta mas simo r__ mentre in quella ortogonale risulta max minimo r Questo tipo di anisotropia det min ta geometrica e il rapporto fra il range minimo e quello massimo noto come rapporto di anisotropia R r r min max Agli assi principali dell ellisse di anisotropia geometrica si pu dare la seguente interpre tazione la direzione dell asse maggiore cor risponde a quella lungo la quale il processo spaziale appare pi continuo e quindi pi for temente correlato l opposto vale per la dire zione ortogonale Il pi delle volte comunque non si sa nulla circa l esistenza di possibili anisotropie In tali circostanze ammesso di disporre di un numero adeguato di dati 4 6 direzioni sono generalmente sufficienti a ri velare differenze anisotropiche e quindi ad individuare le direzioni di massima e minima continuit spaziale Figura 3 4 Esempi di variogrammi direzionali nel caso di anisotropia zonale Ww ZUM Semivariogramma z 18 Nell anisotropia zonale invece pu cambiare lungo le direzioni sia il tipo di struttura spazia le che il sill In questo caso non pi possibile trasformare il semivariogramma originario in un altro equivalente isotropico ma si usa un modello nested Figura 3 4 cio un modello che diventa la somma di variogrammi ciascu no dei quali validi all interno del suo range di influenza
153. s un foglio di lavoro che realizza il kriging ordinario fig A7 utile solo se l utente vuole maggiori dettagli su tale elaborazione Viene utilizzato senza che l utente ne ab bia riscontro dalla procedura di cross validation L utente pu se vuole utilizzarlo per il calcolo del Kriging ordinario per una determinata coordinata x0 y0 di interesse sufficiente inserire in posizione A4 B4 del foglio di fig A le due coordinate e cliccare sul box EFFETTUA KRIGING II risultato immediatamente presentato in posizione C3 stima e D3 varianza di stima L intor no di x0 UO considerato arriva fino a massimo 14 dati Il dettaglio sulla matrice A del Kriging da invertire e sul vettore dei termini noti presentato nelle righe da 15 a 30 A partire dalla riga 32 si trova l inversa di A Altre informazioni di dettaglio sul calcolo sono visibili in fig A Fig A Home dmseritci Layout A paqa formute Dati Rewsione Vimalizza Swupoo ij JO um S d S Sra nam 22 meneti le coordinate del punto x0 y0 e clicha su Effettua il K igingT ou 2a Qn n 4a amp gt K iSS5SSSSSKIKEGSGSS SUS ARESE I Gees e T 2 ighin del M apo di Antwgruma Wn fera Digha infarmusorns di pagina parionalzzate WARO en men MO Fasci Fara fart de etii td2gSEtRREL lt i APPENDICE B Statistiche descrittive dati termometric
154. schema della procedu ra seguita per realizzare le mappe di precipita zione Una prima valutazione della disposizio ne dei punti di misura nello spazio ha mostrato una tendenza al raggruppamento di tali punti in determinate aree Questa caratteristica pu produrre una distorsione nelle stime se non opportunamente corretta A tal fine i dati sono stati sottoposti ad un trattamento preliminare di de clusterizzazione cfr par 3 2 Fig 6 41 Workflow di produzione delle mappe mensili di piovosit DATI DI PRECIPITAZIONE DECLUSTERING Assegnazione pesi al dati ANAMORFOS Di GAUSSIANA VARIOGRAFIA m ERIGING Stima e Varianza MAPPE Precipitazione e DEGAUSS Lirriti di Confidenza Inoltre a differenza delle temperature i dati di pioggia durante l analisi statistica prelimi nare hanno mostrato un trascurabile livello di correlazione con le variabili geografiche ma una forte asimmetria destra delle distribuzio ni empiriche Queste evidenze hanno portato ad effettuare le stime con il metodo del kri ging ordinario a valle di una pre elaborazione dei dati mirante a rendere le distribuzioni gaussiane anamorfosi gaussiana cfr par 3 2 Gli strumenti GIS utilizzati per la stima hanno consentito di effettuare l intera fase di pre elaborazione dei dati de clusterizzazio ne e anamorfosi gaussiana e quella di post processamento dei risultati necessario per riportare il set delle stime alla distrib
155. seguita per realizzare le mappe di temperatura In particolare i dati di tem peratura e le quote del terreno nei punti di misura concorrono a definire un modello re gressivo in grado di spiegare la temperatura in termini della variabile altimetrica kriging con regressione cfr par 3 1 3 In tal modo secondo la teoria del kriging con regressione si pu separare la stima del drift operata per mezzo della regressione e quella dei residui mediante il kriging ordinario Quest ultimo metodo consente anche di calcolare le devia zioni standard relative ad ogni valore stimato Eseguendo con strumenti GIS la somma dei valori determinati con i due metodi si pervie ne alla mappa finale delle stime dei valori di temperatura Infine sommando e sottraendo opportunamente la mappa delle deviazioni standard da quella delle stime si ottengono le mappe dei limiti di confidenza della stima che consentono di effettuare valutazioni relative all incertezza della stima stessa Fig 6 40 Workflow di produzione delle mappe mensili di temperatura DAT DI TEMPERATURA MAPPA STIMATA DI I E REGRESSIONE RESIDUI VARIOGRAFIA 3 2 MAPPE Temperature e DIGITAL ELEVATION MODEL L REGRESSIONE 4 KRIGING Stima e Dev St Limiti di Confidenza Per ogni mese sono state dunque prodotte un totale di 6 mappe 1 Limiti superiori dei valori minimi di tempe ratura 2 Limiti inferiori dei valori minimi di tempe ratura 3
156. soglie critiche la fase successiva Un grosso rischio nell uso della geostatistica la sua applicazione come black box possibile farlo perdendo cosi tutti i vantaggi che sono quelli di orientare gli stru menti della geostatistica verso le conoscen ze a priori sulla variabile A supporto della scelta dell approccio geosta tistico nella ricostruzione spaziale delle varia bili meteo climatiche si mettono in evidenza le considerazioni di seguito descritte Fornisce elementi aggiuntivi alla stima La geostatistica in grado di fornire una ri sposta immediata alla necessit di costruire le mappe delle variabili meteo climatiche per assumere decisioni in condizioni di incertez za Essa fornisce come risultato due grid il primo la stima di tali variabili e il secondo la varianza di stima interpretabile come inter vallo di incertezza della stima Nel caso in cui le variabili siano di tipo normale la varianza di stima pu essere utilizzata per costruire un intervallo di confidenza della stima ad una prefissata probabilit 95 99 L attuale sviluppo tecnologico supporta con venientemente i tempi di elaborazione L evoluzione tecnologica delle piattaforme rende attualmente ininfluente il vantaggio dei tempi di calcolo nella produzione delle stime del grigliato da parte di alcuni metodi rispetto a quelli pi onerosi della geostatistica Esprime attraverso il variogramma il concet to che punti vicini hanno me
157. suo utilizzo Regione Puglia Area Politiche per la riqualificazione la tutela e la sicurezza ambientale Area Programmazione e Finanza e per l attuazione delle opere pubbliche Ufficio Statistico Servizio Protezione Civile Centro Funzionale Regionale e Struttura di Monitoraggio Meteoclimatico Mappe Climatiche in Puglia metodologie strumenti e risultati Anno 2010 Ufficio Idrografico della Presidenza del Consiglio bagli artt 22 e 23 del D PR 24 01 1991 n 85 e i cui alla Direttiva del P C M 27 02 2004 ifici parametri climatici nonch la ire informazioni quantitative dei Ministri g fornisce supporto con assicurando la costante e meto elaborazione e la pubblicazione di cartog sullo stato dell ambiente Tali attivit forniscono un supporto operativo alla tute tive volte a preservare l ambiente dalle criticit ovvero a mitigare I di eventi climatologici particolarmente avversi Il Servizio Protezione Civile ha ritenuto la realizzazione delle mappe climatiche p tante sull individuazione delle metodologie statistiche e delle tecnologie pi appropriate da i la stima di alcune variabili ambientali in generiche localit del territorio regionale Allo scopo ha promosso e costituito un gruppo di lavoro interdisciplinare e interistituzionale a garan zia che le attivit svolte e le soluzioni individuate e applicate rappresentino la logica sintesi condivisa di esperienze e di competenze consolidate sui vari
158. t che non si assesti intorno ad un valore di sill pu essere messa in discussione l assunzio ne che la Z x sia rappresentata da una funzione m x di valore costante Infatti se cosi non fosse allo stimatore formulato pre cedentemente deve essere aggiunta la se guente parte 1 N H 2 uin 2 m x h m x Se ad esempio m x fosse una funzione li neare il grafico sperimentale del semivario gramma mostrerebbe una andamento di tipo parabolico L andamento crescente di tipo lineare del gra fico caratteristico di dati in cui non stata separata la componente locale da quella a grande scala Generalmente tale comporta mento il risultato di una variabile altamente continua che cresce o decresce di una fissata quantit per unit di distanza Le azioni da at tivare in questo caso prevedono una TSA per eliminare tale componente dai dati e ripropor re la variografia sui residui Modelling Il secondo passo della variografia la de terminazione del tipo di modello e dei suoi parametri nugget range sill per il grafico sperimentale dello stimatore Pu avvenire automaticamente attraverso tecniche di best fitting non lineare o in modo semiautomatico attraverso l ispezione visiva del grafico e luti lizzo di un opportuno software che permetta di visualizzare il modello impostato dal vario grafo sui punti sperimentali In entrambe le modalit la verifica della bont di adattamento avviene attrav
159. tatistiche che riguar dano i risultati della cross validation La differenza fra la stima e il valore speri mentale rappresenta l errore sperimentale o residuo Un criterio generalmente usato per 10 JournelA Huijbrechts C 1978 Mining Geostatisti cs Academic Press London pp 258 22 valutare la bonta del modello consiste nel cal colare la media U di tale residuo e aspettarsi che sia il pi vicino possibile a zero evitando di introdurre cosi effetti sistematici di sovra stima o sottostima N N zl z 0 La varianza del residuo dovrebbe inoltre es sere quanto pi vicina possibile alla varianza della stima del Kriging var Kri i per cui il rapporto fra i due tipi di varianze V dovreb be approssimare l unit iyE Ur zi z OT varKri i Come ulteriore indice di qualit del modello pu essere usato il coefficiente di correlazio ne relativo alla regressione lineare fra i valori misurati e le stime Rappresenta la proporzio ne di varianza campionaria spiegata dalle sti me di Kriging per cui puo essere interpretata anche come una misura approssimata dell ef ficienza del modello a riprodurre la popolazio ne campionata La cross validation di ausilio nella deter minazione di eventuali anomalie nei dati del campione In pratica dividendo ogni residuo per la corrispondente deviazione standard della stima del kriging si ottengono i cosid detti residui ridotti la cui distr
160. tistica 15 3 1 1 Analisi della dipendenza spaziale attraverso il variogramma 16 3 1 2 Modelli di variogramma 18 3 1 3 Variografia 19 3 1 4 Tecniche di kriging 23 3 2 Fasi dell analisi geostatistica 2 4 STATO DELLARTE SULLE TECNOLOGIE 34 DESCRIZIONE AREA DI STUDIO E DELLA RETE 35 5 1 Le stazioni per il rilevamento delle temperature 41 5 2 Le stazioni per il rilevamento delle precipitazioni 45 ELABORAZIONE DEI DATI 51 6 1 Analisi strutturale temperature massime 51 Mappe Climatiche in Puglia metodologie strumenti e risultati 6 1 1 Analisi descrittive 51 6 1 2 Variografia 52 6 2 Analisi strutturale temperature minime 58 6 2 1 Analisi descrittive 58 6 2 2 Variografia 59 6 3 Analisi strutturale totali precipitazioni 65 6 3 1 Statistiche descrittive 65 6 3 2 Variografia 6 6 4 La produzione di mappe climatiche 81 ANALISI DELLE MAPPE 84 7 1 Caratterizzazione meteorologica stagionale 85 8 CONCLUSIONI 91 APPENDICE A Istruzioni d uso software free to use 93 APPENDICE B Statistiche descrittive dati termometrici e pluviometrici 101 APPENDICE C Le mappe climatiche 113 Premessa La Struttura di Monitoraggio Meteoclimatico gi Ufficio Idrografico e Mareografico in tegrato nel Centro Funzionale regionale del Servizio Protezione Civile svolge le attivit istituzionali di cui agli art 22 e 23 del D PR 24 01 1991 n 85 e in particolare cura l acqui sizione e la diffusione dei dati climatici pr
161. tizzi una variabile stazionaria del prim ordine che presenti media costante incognita ordinario o nota a priori semplice Il Kriging universale KU riguarda variabili non stazionarie di cui si ipotizzi un trend In questo caso la condizione di stazionariet pu essere ristabilita attraverso l introduzione di una fun zione deterministica che descriva tale trend La scelta di quale tecnica usare una decisio ne che pu essere presa a sulla base delle conoscenze a priori dei fenomeni sottogia centi oppure b pu essere una conseguenza dell analisi strutturale nel caso in cui l ana lista dovesse optare per un modello senza sill La scelta pu essere condizionata anche dalle prestazioni del modello valutate in base alla sua capacit di adattarsi ad un set di vali dazione e dalla complessit del modello stes so in termini di capacit di interpretazione e facilit di ottenere stime modelli di kriging ordinario e semplice pos sono essere cosi definiti Z x m e x dove Z x un processo stazionario intrinse co mentre m una tendenza costante non conosciuta localmente Una pi ampia tipologia di modelli viene ot tenuta quando l osservazione risulta stimata dalla somma della tendenza m x spazial mente non costante con un errore intrinse camente stazionario In particolare nel kriging universale KU questo tipo di tendenza pu essere calcolato come una funzione lineare delle co
162. tto alla regressione Tabella 6 32 max 10 18 col 99 2 00 3 20 dev std 1 90 IS 6 1 08 1 04 pp O S 64 6 3 Analisi strutturale totali precipitazioni 6 3 1 Statistiche descrittive La pioggia e fenomeno dalla dinamica assai complessa stante l influenza di numerosi fat tori quali l orografia la distanza dal mare la direzione e l intensit dei venti la presenza assenza di vaste aree boschive che possono essere elementi coadiuvanti o inibitori del fenomeno stesso senza contare il fatto che la pioggia pu essere originata da cause fisi che molto differenti convezione o raffredda mento orografico la risultante di ci una variabile che spesso nel breve periodo pre senta una forte discontinuit spaziale mani festando macroscopicamente un andamento assimilabile alla casualit Ciononostante la precipitazione nel suo andamento medio di totali annuali all interno di un intervallo tem porale di fatto una variabile regionalizzata nel senso definito da Matheron dunque si presta ad essere analizzata con i metodi della geostatistica Tale media stata effettuata per ciascuna stazione della rete di monitoraggio sulla stessa coverage temporale che va dal 1976 al 2005 che ha riguardato le temperatu re paragrafo 6 2 e 6 3 Nel seguito e riporta ta la tabella contenente i valori delle principali statistiche descrittive delle variabili in studio Tabella 6 33 Sinossi delle statistiche
163. ttobre Dicembre 0 07 si 52 6 1 2 Variografia L analisi strutturale periresidui della variabile temperature massime avvenuta per ciascun mese attraverso il calcolo del variogramma sperimentale e l adattamento del modello gui dato dalle statistiche U errore di sistematici t e V congruenza varianza di stima Nella tabella 6 4 si ha una descrizione di queste statistiche per ciascun mese Tabella 6 4 Febbraio 0 0 8 Aprile 0 03 S Giugno 0 06 CA Agosto 0 05 1 8 Ottobre 0 01 1 2 Dicembre 0 02 1 8 La validazione mostra una trascurabile sotto stima del Kriging ordinario nei mesi di gennaio e dicembre e sovrastima nei restanti mesi tale da configurare una significativa stima priva di errore sistematico Sulla varianza di stima si riscontra un andamento significativo intorno ad 1 La distanza maggiore fra la media dei rapporti fra differenze quadratiche del valore noto e incognito e varianza di stima del kriging nel mese di giugno 2 4 In figura 6 1 si rappresenta il variogramma dei residui del mese di gennaio ottenuti sottraen do ai valori di temperature massima la relazio ne lineare temp max 12 83 0 01 hslm pp Figura 6 1 Sph 0 08 0 2 30000 0 5 0 45 eo A 0 35 03 L 0 25 P a T_T 02 WA 0 15 014 0 05 0 0 20000 40000 60000 80000 100000 h Tali residui hanno media 0 01 e varianz
164. tutte le caratteristi che delle grandezze misurate analizzate e le relative caratteristiche tecniche dei sensori utilizzati per la misurazione e Tipo variabile meteorologica e Unita di misura C e Numero di stazioni 81 e Risoluzione temporale della misura ora ria e Risoluzione spaziale della misura pun tuale e Risoluzione temporale del dato analizza to mensile e Periodo della serie temporale Da 01 01 1976 al 31 12 2005 e Data Media Foglio Excel e Data Provider Servizio Protezione Civile Struttura di Monitoraggio Meteoclimatico e Tipo di variabile si tratta di una variabile continua che varia sia nel tempo sia nello spazio Informazioni relative allo strumento ed alla sua sensibilit e precisione e Tipo di strumento Termometro a massi ma e minima termografo e sensore elet tronico e Estensione scala campo di misura da 35 C a 45 C termografo da 30 C a 60 C sensore elettronico e Precisione strumentale 1 C termogra fo 0 3 C sensore elettronico 44 Figura 5 2 termometro massima e minima TERMOMETRO A MASSIMA TEMPERATURA TEMPERATURA wc jeune Figura 5 3 termografo massima e minima Jjps 5 2 Le stazioni per il rilevamento delle precipitazioni Lo studio e l analisi del fenomeno della preci pitazione ha assunto un interesse strategico da un lato per la criticit della risorsa idrica in numerosi ambiti produttivi
165. ues va erlang ip oany 31 92315244 Vg aew e oueudijog 94 oulMosayuoWeNald zd ouededodsaq 31 Queno ug rumso 94 e oueug Av 09snN 31 open zd aunyjn u o18uory 94 eildng IP auoajayuop 94 ojaduyjues ayuop 19 adunyw oulAJ3ulW 31 99927 Ip oulauly va ding ajjap ouesse zd HAN 18 yodewuny 31 QpJeN V1 egessew 94 eluopajuey V1 eunpuew 31 anen 94 e189 vg 0puo101020 ANNNWOI ISUySe2eugiA S A uni BIO Ouel e QUEI ouesje ejozzeulds IPIEQUIO lap ojasuy jues BONI Ip euep eyues odjuedieg OpuediuUeS 013435 UPS 01 lJe3 IP ajanuies ues 0200UJ9A 01 Id UES Opuo OY IUUEAOIS UES o3iuof 0181019 ues el 3nd IP oAny 922IS9Jd 9JeuJ e oueudi og OUIAJOI9 UOW alg ouegdedoosag 0jueng iumsQ BAOUE O 02SnN QpJeN 01u220U0 4 ei dng IP uo uoNW o aduy ues uoN BINW OUIM UIW 39997 Ip OUIM UIW ajuepediay IEW eJelu eyues euassey esnia uoj euassey eJJessew eiuopajjUeyw eunpuey arse eJ92n 0pU0301020 3NOIZVIS ANON 43 primi sensori termometrici installati intorno agli anni 30 erano costituiti da termometri massima e minima e da termografi allocati all interno di capannine meteorologiche Suc cessivamente 1980 per sperimentazione sono stati implementati i sensori elettronici PT100 Dal 2003 il sensore utilizzato sta to esclusivamente quello elettronico PT100 Di seguito sono elencate
166. uglio 86 9 Novembre Omm Luglio 84 88 96 Agosto 86 88 92 00 01 364mm 1989 914mm 1996 15 5 Luglio 544 Novembre Omm Luglio 84 Agosto 93 302mm 1994 638mm 2002 199 Luglio 60 9 Novembre Omm Maro 94 Luglio 78 84 96 233mm 1977 688mm 2002 17 1 Luglio 56 9 Novembre Omm Luglio 7 78 84 88 Agosto 04 232mm 2000 636mm 1995 22 Luglio 73 1 Novembre Omm Marzo 94 Luglio 78 80 88 00 464mm 1992 934mm _ 1976 10 0 Luglio 120 4 Novembre Omm Maggio 99 Giugno 85 Luglio 7 78 80 88 90 96 9 Agosto 88 91 92 93 00 401mm 1989 1299mm 1996 9 4 Giugno 98 2 Novembre Omm Maggio 88 Giugno 82 84 85 95 Luglio 77 78 79 80 84 87 88 93 96 Agosto 252mm 1989 788mm 1996 87 88 92 00 10 Luglio 75 9 Novembre Omm Luglio 7 78 80 84 88 Agosto 85 86 87 00 Agosto 85 290mm 1999 906mm 1984 23 1 Luglio 73 0 Novembre Omm Luglio 80 82 88 Agosto 85 87 268mm 1999 941mm 1984 24 0 Luglio 0 Dicembre Omm Luglio 78 84 88 Agosto 00 01 Settembre 85 461mm 1999 962mm 1976 107 NOME STAZIONE Giovinazzo Grottaglie Grumo Appula Lacedonia Lagopesole Latiano Lavello Lecce Lesina Lizzano Loconia Locorotondo Lucera Maglie Manduria Manfredonia Massafra Masseria Brela Il Pod 115 Masseria Chiancarello Masseria Monteruga Masseria Santa Chiara Melendugno Melfi Mercadante Minervino di Lecce Minervino Murge Monte Sant Angelo Monteleone di Puglia Montemilone Monticchio Nard Noci Novoli Nusco Orsara di Puglia Ortanova
167. ultare di storto dai dati posti vicino ai confini dell area di interesse Inoltre questo metodo sensibi le ai parametri di ricerca Esso ha il vantaggio di poter integrare anche informazioni sulla continuit territoriale della popolazione attra verso il variogramma pesi del kriging sono determinati nel seguente modo 1 si sovrappone una griglia regolare all area di interesse 2 sistima il valore della variabile di interes se ad ogni nodo della griglia 3 ad ogni valore del set di campioni si at tribuisce un peso calcolato nel seguente modo si somma tutta la successione di pesi che volta per volta sono stati attri buiti al campione per stimare in succes sione i nodi della griglia 4 tale somma viene opportunamente me diata o normalizzata Poich il declustering con i pesi del kriging e un metodo di approssimazione discretizzata l approssimazione migliora se si migliora la ri soluzione della griglia Purtroppo il metodo ha un ovvio svantaggio in teoria la declusterizza zione dovrebbe essere fatta a monte dell in terpolazione mentre in questo caso avviene a valle di essa e necessita quindi un rifacimen to di tutto il processo che va dall analisi strut turale variografia fino al ricalcolo delle stime con i valori pesati Test di gaussianit L utilizzo delle metodologie geostatistiche di interpolazione non richiede l ipotesi che la popolazione di riferimento sia di tipo norma le Tale
168. uojeAJessQ el8804 pioN 09 882 00 78 00 T6168St 09 6862vS end 94 218304 eueJdy e13Z04 pJON 68 5209 00 72T 02 vSvE2SV 0v 2 8869 eij3nd ug cuese4 ouese4 pns 92 STE99 00922 09 2Sv2St OT 8S9ETS eij3nd 94 0394 0 3e4 pJON T 2619v 00 7T2 0T 98StyST 05 652995 eyealiseg zd 0112 87 euipuay egi 1S8AQ pJON 08 TE8TT 00 v92 08 97996vt 02221689 eij3nd v1 oueidsu ouerdsug 3NOIZISOdS3 vi avi va WISH a dimk ANO193Y ANNWOI 3NOIZVIS IWON VZNVISIO 3LVNICHOOI pJON 880758 00 6t Ov 2EVS8VV 02 2TvvS2 eij3nd ug o9nou18 01 lq ues 031 0U134 OBI ues PION 20 622vT 00 79 02 58082tt 0S 9 60t2 eij3nd ug ounuajes oizeued ues ounu les oIze12ueq ues pJON 92 920 2 0079s 08 S622T9v 05 02625S eij3nd 94 SIWE ur ose ues SILE U ODIE ues pns 9112881 00 228 Ov TSv2T9v 00 29685S eij3nd 94 opuo1oy IuueA019 ues opuojoy luueAoIS ues 153 22 8 60T 00 98 0 96218tt O T66T072 eij3nd v1 o31uor 0181019 ues ouor 0181019 ues p10N S SE282 00 206 06 28881Sr 0sS T9SSrS eyeaiiseg zd 918 ues aaj ues pns BE EISET 00 922 O EEv2SSt 02 SSSv29 eij3nd va el3nd ip o ny el 8ng IP OANY 153 2ET2SET 00 0tT 02 9280 vt 06882222 eij3nd 31 oueyny ouegny 193 68 VE9vS 00 022 02 6r92vSt O 6 ET9vS el8nd 94 oiruojuvaues enau250y OIUO UY JUES eyau 50y 15210 1298228 00629 00 6TS0SSt 02 8806 5 eij3nd 94 o1uo3uyaues e184220y oJeos oiuojuy ues e3au220y pJON eS E2219 00 859 02 0262Sv 0 196198S eyeaiiseg zd epipuesediy epipuesediy
169. uzione originaria dei dati back transformation Il set di dati cosi predisposto stato utilizza to per le stime con il metodo del kriging ordi nario che ha prodotto analogamente al caso delle temperature una mappa di stima ed una delle deviazioni standard relative ad ogni va lore stimato Infine sommando e sottraendo opportunamente la mappa delle deviazioni standard da quella delle stime si ottengono anche in questo caso le mappe dei limiti di confidenza della stima che consentono di effettuare valutazioni relative all incertezza della stima stessa Per ogni mese sono state dunque prodotte un totale di 3 mappe 1 Limiti superiori dei valori di piovosit 2 Limiti inferiori dei valori di piovosit 3 Media dei valori di piovosit AI fine di rendere confrontabili le mappe mese per mese i valori di piovosit sono stati clas sificati con livelli cromatici di 5 mm 84 ANALISI DELLE MAPPE Il clima della Puglia definito dalla media delle varie condizioni meteorologiche che in teressano la regione nel corso delle stagioni Le condizioni meteorologiche sono legate alla posizione in latitudine distanza dall Equato re e dalle caratteristiche geografiche della Puglia Nel complesso il clima pugliese nella classificazione pi comune definito meso termico cio senza eccessi termici nelle varie stagioni con cumulati di precipitazione pi consistenti nel periodo autunno inverno e con periodi siccitosi n
170. vSt Ov 790T6S eij3nd 18 aduny ourauiy BIN 0uIAJ UIN pJON EE T8SS 00 707 OS E6vEvvY 08968162 eij3nd 31 82281 Ip oulA1 UINW 2298 Ip OUIAJ8UIJA 1S8AQ 2 21862 00 E6E 02 00622Sr 0S 092Er9 eij3nd vg adinw ajjap cuesseg luepe31 NW pJON vS E088S 00 EES 0 6E22 St 06882288 eyeaiiseg zd JI W UJI N ysa pns T9 T69 00 0S 09 62629vt 00 7 7E82 eij3nd 31 ousnpuajay oudnpuaJ ay pJON 8 6 2v 00 6 0S T2292St 09 026165 eij3nd 18 odeyun EJEIYI eUes evassey 193 601802 00 29 09 0 202vt 08 692Tv2 eij3nd 31 QpveN edniajuojN euassej 3NOIZISOdS3 vi 38vW Iva WISH dit E 3N0I93U ANNWOI 3NOIZVIS IWON VZNVISIO 3LVNICHOOI PION vS vO2T 00 66 OS Ov9vEv 0S ES6062 eijBnd 31 21180 IS1 SEDEUZIA ES 2902 05 DSG ObTISMS i C a ASM 15210 TIETES 00 0St 08 EvT8E9v 09 961625 ej3nd 94 ouedie9 jap 031A ouegje9 ap 031A 00 PN gwOrsS G u I wg ges esum pJON 62 89v91 00 092 02 206T St 06262029 el 8ng va uni un P SOSIES DOO oz og6gesy 0688 eem a 153 Sp S09v2 00 787 0S 7EEST9Y 05 70 725 el dnd 94 e10188ewau0 arolsdewa0 IS webs AE 08928989 QU 0ziS mang vem aL PION 22 26016 00289 00 SE9T2St 0S Stt702S eiueduie Av e1031 e103 P TGS ooe ogogo og oseese aBa C ou 00 ow 15910 156922 00 22 00 822 18v 02 562069 eijBnd v1 ouezer o ueJe w OSE Oves SZv 868 wjowsm esito 15210 TT 2STEV 00 8St 07 890SESv 00 STE26S el dnd 18 elozzeuids ejozzeuids PFN 20056080 08 4
171. valor medio di contro il mese di agosto quello con minore deviazione standard 1 6 L ipotesi di normalit delle distribuzioni dei dati verificata attraverso il test di Kolmo gorv Smirnov KS In 5 casi i dati superano il test di normalit Osservando gli intervalli di confidenza le temperature massime mensili sembrano tutte ben separate ad eccezione dei mesi di gennaio febbraio e luglio agosto Media DevStd Mediana Int LOLLI LE al 95 Febbraio 81 11 3 2 1 Die 12 Aprile 91 17 1 1 8 0 2 POS 12 6 19 4 16 7 S 0 18 no Maggio 01 223 17 02 226 178 248 219 222 O sio Giugno 81 26 8 158 0 2 eot Z 28S 26 4 222 0 12 si luglio 81 2986 17 02 298 252 327 292 30 On s Agosto BI eU 1 6 0 2 29 6 25 4 32 3 29 2 29 9 0 12 si Settembre 81 252 17 02 256 205 283 248 256 015 m Ottobre 81 2057 1 8 0 2 21 4 16 23 6 20 3 21 1 0 18 no Novembre 8t 153 24 0 2 16t 184 101 148 158 016 no Dicembre 81 11 8 2 2 0 2 125 62 14 8 113 103 0 15 si Nella tabella 6 2 si rappresenta il valore men Tabella 6 2 sile del coefficiente di correlazione fra le tem perature massime e l altezza sul livello del mare HSLM e l esposizione Come ben noto si registra il forte legame lineare fra le tempe rature e l elevazione al crescere delle secon de diminuisce la temperatura Meno evidente il legame con l esposizione HSLM Febbraio 0 97 0 79 Esposizione Aprile 0 92 0 7 0 Giugno 0 75 0 47 Agosto 0 73 0 44 Otto
172. valore noto e incognito e varianza di stima del kriging nel mese di dicembre 1 3 Nel mese di gennaio la media dei residui 0 0 e la varianza 1 07 il modello lineare z regr 5 6 0 006 hslm Il variogramma adattato di tipo esponen ziale con range di influenza di 1 km effetto nugget di sottocampionamento di 0 1 8 3 della variazione totale assestato intorno alla varianza dei residui Rispetto al modello sferico individuato per le temperature massi me dello stesso mese si registra una minore continuit spaziale rappresentata dal modello esponenziale che a parit di distanza mostra una maggiore variabilit Exp 0 1 1 1 11000 m o Zi PP EN a N Wario k SS Oo w e A 0 2 1 0 20000 40000 60000 80000 100000 Le statistiche sulle stime confermano la mag giore vicinanza del Kriging ordinario rispetto alla regressione con l altezza sul livello del mare Tabella 6 21 max 8 76 5 3 10 1 03 198 6 63 2 81 dev std 1 87 1 56 Te 1 08 Nel mese di febbraio la media dei residui 0 0 C e la varianza 1 24 C il modello lineare z regr 5 9 0 006 hslm Il variogramma esponenziale con range di influenza di 10 km effetto nugget di sotto campionamento di 0 05 3 7 della varia zione totale assestato intorno alla varianza dei residui Rispetto a gennaio diminuisce la distanza massima di continuit che passa da 11a10km
173. vi medi men IE sili tra i pi alti dell anno non raggiungono va lori particolarmente elevati La distribuzione dei cumulati sul territorio pugliese nei mesi autunnali pi irregolare rispetto al periodo tardo primaverile estivo Gli istogrammi ripor tati nei boxplots Fig 6 25 relativi ai mesi au tunnali indicano un ampiezza notevole tra 1 e 3 quartile nel mese di Ottobre e Novembre tra i pi alti dell anno Novembre o 221 45 indicando un accentuata variabilit interan nuale Dai valori di deviazione standard eleva ti quindi si pu desumere una certa frequen za nel succedersi di autunni particolarmente piovosi e autunni piuttosto asciutti Essendo la stagione autunnale la pi piovosa si pu dedurre come i cumulati misurati durante la stagione autunnale avranno un peso notevole nel definire il tumulato annuo In definitiva un autunno particolarmente piovoso o secco po tr con molta probabilit influenzare il cumu lato annuo definendo l anno particolarmente o scarsamente piovoso rispetto alla norma 8 CONCLUSIONI All interno del gruppo di lavoro costituito dal personale dell Ufficio Statistico e della Prote zione Civile della Regione Puglia e dei ricerca tori del CNR Istituto di Ricerche Sulle Acque IRSA si affrontato il tema della costruzione delle mappe climatiche in Puglia E stata sviluppata la prima fase delle attivit che riguarda analisi dei bisogni prodotti e
174. vicini pu essere espresso in due modi a attra verso delle relazioni i cui parametri hanno un significato fisico definito a priori il caso dei modelli deterministici b attraverso gli stru menti statistici che possono indicare il grado di somiglianza tra le caratteristiche di un og getto in un punto con quelle degli oggetti vici ni il legame fisico va interpretato a posteriori La geostatistica avoca la seconda modalit La geostatistica richiede conoscenze a priori sulle variabili oggetto di studio e sui loro feno meni sottogiacenti per poter tarare al meglio il variogramma e ottenere la migliore presta zione possibile dall interpolatore E necessa rio riflettere preliminarmente su molti aspetti ad esempio quanto la grandezza nella scala temporale di integrazione vari in funzione della distanza quanto la grandezza possa es sere correlata ad altre caratteristiche fisiche es altimetria con la pioggia temperatura con la vicinanza del mare quanto ciclicit o pe riodicit temporale possano essere di ausilio nella stima spaziale L analisi della struttura spaziale o spazio temporale della variabile la fase che permette di costruire il vario 6 Tobler W 1979 Cellular Geography In Philoso phy in Geography Gale S Olsson G eds D Reidel Publishing Co Dordrecht Holland pp 379 386 gramma L applicazione di una metodologia di gridding interpolazione simulazione pro babilit di superamento di
175. zio e nel tempo Pu dimensionare opportunamente la fine stra di selezione locale La modalit con cui effettuare la stima locale nella ricostruzione del grid dettata da para metri del variogramma la distanza di massi ma influenza fra punti dopo la quale il feno meno sottogiacente diventa non correlato pu diventare la misura della finestra dell in torno del punto da stimare Spline set Krigeage leur equivalence formelle Fontainebleau CGMM n 667 1980 p 26 e Pu gestire le anisotropie nella produzione delle stime L anisotropia una decisione che l approc cio geostatistico pu gestire e tenerne conto all interno dei metodi di ricostruzione del grid Il dettaglio presentato nel successivo para grafo 3 1 1 3 1 Geostatistica La variazione spaziale di una grandezza me teo climatica pu contenere componenti sia sistematiche o deterministiche che casuali La variabilit sistematica consiste in un cam biamento graduale e ben definito detto drift o trend che pu essere interpretato in termini di fattori o processi agenti ad una data scala piu grande di quella di osservazione del fenomeno Oltre a questa componente della variazione vi sono anche delle differenze che non possono essere attribuite a cause note ricadenti cioe sotto il diretto controllo dello sperimentatore questa parte dell eterogeneit globale che sfugge all interpretazione che viene chiamata casuale Ne segue pertanto ch
176. zione standard degli errori standardizzati 1 Statistiche principali degli errori assoluti di stima valori osservati vs valori stimati Figura 6 31 Variogrammi sperimentale e teorico delle Piogge totali di maggio Sph 0 08 1 40 286600 1 40 1 00 4 0 80 Vario h 0 60 4 0 40 4 0 20 4 50000 100000 150000 200000 250000 z Z kri 1 Congruenza varianza di stima 98 73 48 82 14 97 media degli errori standardizzati deviazione standard degli errori standardizzati dev std 10 64 1 Statistiche principali degli errori assoluti di stima valori osservati vs valori stimati Figura 6 32 Variogrammi sperimentale e teorico delle Piogge totali di giugno Vario h Sph 0 04 1 42 286600 1 40 1 00 0 80 0 40 0 20 0 00 r r r 50000 100000 150000 200000 250000 Luglio Congruenza varianza di stima dev std z Z kri 1 50 55 Sees 10 53 media degli errori standardizzati deviazione standard degli errori standardizzati 1 Statistiche principali degli errori assoluti di stima valori osservati vs valori stimati Figura 6 33 Variogrammi sperimentale e teorico delle Piogge totali di luglio Sph 0 30 1 06 286600 1 40 1 20 1 00 0 80 Vario h 0 60 0 40 4 020 41 ooo qu O 50000 100000 150

Mappe Climatiche in Puglia - Consiglio Nazionale delle Ricerche

Contents

Download Pdf Manuals

Related Search

Related Contents