Abstract
Abstract Il Mediterraneo è riconosciuto come uno degli hotspot globali del cambiamento climatico, con evidenze che indicano una progressiva aridificazione legata all’espansione verso i poli della circolazione di Hadley. In questo contesto, le siccità prolungate rappresentano una delle principali minacce per gli ecosistemi, le risorse idriche e le attività socioeconomiche della regione. DROMEDAR analizza l’evoluzione delle siccità mediterranee e i meccanismi atmosferici che ne determinano frequenza, durata e intensità. Il progetto combina simulazioni climatiche di grande ensemble con tecniche avanzate di machine learning per distinguere i segnali del cambiamento climatico dalla variabilità naturale del sistema e identificare i processi dinamici responsabili dell’aridificazione. L’analisi si concentra su regimi meteorologici, eventi di blocco atmosferico, variazioni della corrente a getto e altri cambiamenti della circolazione atmosferica che influenzano il bilancio idrico del Mediterraneo. Attraverso l’utilizzo di grandi ensemble climatici, DROMEDAR quantifica il momento di emergenza dei segnali robusti di aridificazione e valuta come le caratteristiche statistiche delle siccità cambiano in risposta al riscaldamento globale. Il progetto esamina inoltre il ruolo delle strategie di mitigazione, inclusi gli scenari compatibili con il limite di 1,5°C di riscaldamento globale, nel ridurre o ritardare il processo di subtropicalizzazione del Mediterraneo. L’integrazione di competenze in dinamica del clima, eventi estremi, machine learning e impatti ecosistemici consente a DROMEDAR di fornire una visione interdisciplinare dei rischi associati alle future condizioni di siccità. I risultati contribuiscono a migliorare la comprensione dei processi che governano l’aridificazione mediterranea e supportano lo sviluppo di strategie di adattamento e gestione del rischio basate su solide evidenze scientifiche. Risultati ottenuti Nell’ambito del progetto DROMEDAR, l’Unità di Ricerca dell’Università di Bologna ha sviluppato e ottimizzato un modello di machine learning per la ricostruzione e la previsione delle precipitazioni nel bacino del Mediterraneo, con l’obiettivo di migliorare la rappresentazione della variabilità idroclimatica e dei fenomeni estremi. L’attività si è concentrata sull’identificazione delle configurazioni modellistiche in grado di massimizzare la capacità predittiva del sistema, attraverso un’analisi sistematica delle variabili di input e delle tecniche di riduzione della dimensionalità. Tra i principali avanzamenti metodologici, è stato dimostrato che l’utilizzo di un insieme selezionato di predittori atmosferici migliora significativamente le prestazioni del modello rispetto all’impiego dell’intero set di variabili disponibili. Inoltre, l’applicazione della decomposizione tramite Empirical Orthogonal Functions (EOF) sia ai campi di input sia alle precipitazioni target ha consentito di estrarre le principali modalità di variabilità climatica, riducendo il rumore e aumentando la capacità di generalizzazione del modello. Le prestazioni del sistema sono state valutate confrontando le precipitazioni ricostruite con osservazioni (CPC e GPCP), reanalisi ERA5 e simulazioni provenienti dagli archivi di Large Ensembles climatici SMILEv2/MMLEAv2. I risultati mostrano che il prodotto generato dal modello di machine learning riproduce correttamente il valore medio delle precipitazioni, la variabilità interannuale e il ciclo stagionale tipici del clima mediterraneo, mantenendosi all’interno dell’intervallo di variabilità fisicamente plausibile definito dai grandi ensemble climatici. Inoltre, il modello conserva elevate prestazioni anche nei periodi indipendenti di validazione e test, evidenziando una buona capacità di generalizzazione e l’assenza di fenomeni di overfitting. Il risultato più rilevante è che la configurazione basata sulla rappresentazione in spazio ridotto mediante EOF supera le prestazioni ottenute utilizzando direttamente i campi ERA5, fornendo una ricostruzione più accurata e robusta delle precipitazioni mediterranee. Questi risultati rappresentano un passo importante verso lo sviluppo di strumenti innovativi per la comprensione e la previsione dei processi che governano la futura aridificazione del Mediterraneo.
Dettagli del progetto
Responsabile scientifico: Giovanni Liguori
Strutture Unibo coinvolte:
Dipartimento di Scienze Biologiche, Geologiche e Ambientali
Coordinatore:
Università degli Studi di Trento(Italy)
Contributo totale Unibo: Euro (EUR) 36.557,00
Durata del progetto in mesi: 24
Data di inizio
30/11/2023
Data di fine:
29/11/2025
