Gli indici
Il sistema di monitoraggio è sviluppato integrando lo stato dell’arte scientifico e l’innovazione tecnologica, e selezionando un set combinato di indici basati su parametri meteo-climatici e sulla vegetazione derivati da satellite, congiuntamente ad altri indici legati a suolo, e fattori socio-economici, seguendo il concetto di “convergence of evidence“.
Gli indici selezionati prendono in considerazione le seguenti problematiche
tipo di siccità
disponibilità dei dati
consistenza dei dati
caratteristiche geografiche
variabilità spaziale e temporale
utenti finali
Indici basati su dati climatici
La precipitazione, come primo e principale parametro che indica il verificarsi di una siccità, è usata in molti indici, fra cui il più diffuso è lo Standardized Precipitation Index (SPI). Questo indice è considerato migliore di altri in quanto fornisce informazioni sull’occorrenza di episodi siccitosi a più livelli temporali, rilevando la loro variazione e durata.
Indici basati sullo stato della vegetazione
Questi indici sono incentrati sul monitoraggio dello stato di salute della vegetazione legato a stress termici e idrici stimati attraverso la combinazione di indici/parametri quali NDVI e LST. Tali indici rappresentano un’indiretta ma efficace via per analizzare il fenomeno e sono largamente utilizzati per le loro caratteristiche spazio-temporali di copertura globale e osservazioni quasi in continuo.
Il set di indici selezionato
Informazioni sugli indici
Lo Standardized Precipitation Index (SPI), considerato a livello globale un indice solido ed affidabile, permette di tracciare periodi secchi/umidi a diverse scale temporali (generalmente 1, 3, 6, 12, 24 mesi), individuare variazioni e durata di episodi siccitosi e garantisce la possibilità di confrontare zone climatologicamente e geograficamente differenti grazie alla sua standardizzazione.
A partire da Aprile 2022 il dataset globale CHIRPS è sostituito dal dataset globale MSWEP (Multi-Source Weighted-Ensemble Precipitation) vista la sua maggiore accuratezza rispetto ad altri dataset, incorporando dati da stazioni a terra, da satellite e da rianalisi.
McKee T.B., Doesken N. J., Kliest J. (1993). The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference of Applied Climatology, 17-22 January, Anaheim, CA. American Meteorological Society, Boston, MA. 179-184.
Guttman, N. B. (1999). Accepting the Standardized Precipitation Index: a calculation algorithm. J. Amer. Water Resour. Assoc., 35 (2), 311-322.
Svoboda M., Hayes M., & Wood D. (2012). Standardized precipitation index user guide. World Meteorological Organization Geneva, Switzerland.
_____
Beck, H. E., Wood, E. F., Pan, M., Fisher, C. K., Miralles, D. M., van Dijk, A. I. J. M., McVicar, T. R., and Adler, R. F. MSWEP V2 global 3-hourly 0.1° precipitation: methodology and quantitative assessment. Bulletin of the American Meteorological Society 100(3), 473–500, 2019.
_____
Funk C.C., Peterson P.J., Landsfeld M.F., Pedreros D.H., Verdin J.P., Rowland J.D., Romero B.E., Husak G.J., Michaelsen J.C., and Verdin A.P. (2014). A quasi-global precipitation time series for drought monitoring. U.S. Geological Survey Data Series 832, 4 p.
Funk C., Peterson P., Landsfeld M., Pedreros D., Verdin J., Shukla S., Husak G., Rowland J., Harrison L., Hoell A. & Michaelsen J. (2015). The climate hazards infrared precipitation with stations – A new environmental record for monitoring extremes. Scientific Data 2, 150066. doi:10.1038/sdata.2015.66.
La Land Surface Temperature – LST indica la temperatura della porzione superiore di una qualsiasi superficie, dai tetti degli edifici, all’asfalto, alla parte superiore della chioma degli alberi, ad un prato.
Si distingue dalla temperatura “classicamente” misurata, perchè quest’ultima generalmente misura la temperatura dell’aria ad un’altezza di 2m dal suolo.
Le anomalie di LST per un determinato periodo (settimana, mese, anno, ecc.) vengono calcolate rispetto alla media climatica dell’ultimo trentennio disponibile (attualmente il 1991-2020) per lo stesso periodo.
Per il calcolo delle anomalie viene utilizzato il dataset ERA5 Land Copernicus che fornisce la LST in quasi real time, con un ritardo temporale di circa 5-6 giorni e una risoluzione spaziale di 0.1° (ca. 9 km).
Il VPD – Vapor Pressure Deficit è una misura di quanto è secca (alto VPD) o umida (basso VPD) l’aria. Il protrarsi nel tempo di alti valori di VPD o anomalie positive rispetto ai valori medi, soprattutto nei mesi più caldi, possono essere un indice di siccità e possono influire sull’evapotraspirazione e sulla richiesta idrica delle piante e quindi sulla produzione agricola, nonché sulla evaporazione dalle acque libere come laghi, bacini e fiumi.
L’equazione utilizzata per ottenere il VPD è ripresa dal metodo FAO Penman–Monteith:
Le anomalie di VPD vengono calcolate come media di 5 giorni rispetto alla media climatica dell’ultimo trentennio disponibile (attualmente il 1991-2020) per lo stesso periodo.
Per il calcolo delle anomalie vengono utilizzati i dataset di ERA5-Land Copernicus che fornisce la LST e il Dew point (punto di rugiada) in quasi real time, con un ritardo temporale di circa 5-6 giorni e una risoluzione spaziale di 0.1° (ca. 9 km).
Richard G. Allen; Luis S. Pereira; Dirk Raes; Martin Smith (1998). Crop Evapotranspiration – Guidelines for Computing Crop Water Requirements. FAO Irrigation and drainage paper 56. Rome, Italy: Food and Agriculture Organization of the United Nations. ISBN 978-92-5-104219-9.
L’indice ESI (Evaporative Stress Index) quantifica anomalie temporali standardizzate del rapporto fra evapotraspirazione reale e potenziale e fornisce indicazioni “proxy” circa la rapida evoluzione dell’umidità superficiale del suolo e delle condizioni di stress delle colture.
I valori dell’indice, calcolato con aggregazioni di brevi periodi (es. 4 settimane), forniscono indicazioni circa cambiamenti rapidi, mentre aggregazioni più lunghe, che integrano dati su periodi di tempo maggiori (es. 12 settimane), sono rappresentative di cambiamenti più lenti.
Anderson, M. C., J. M. Norman, J. R. Mecikalski, J. P. Otkin, and W. P. Kustas, 2007a: A climatological study of evapotranspiration and moisture stress across the continental U.S. based on thermal remote sensing: I. Model formulation. J. Geophys. Res., 112, D10117, doi:10110.11029/12006JD007506.
Anderson, M. C., J. M. Norman, J. R. Mecikalski, J. P. Otkin, and W. P. Kustas, 2007b: A climatological study of evapotranspiration and moisture stress across the continental U.S. based on thermal remote sensing: II. Surface moisture climatology. J. Geophys. Res., 112, D11112, doi:11110.11029/12006JD007507.
Vegetation Condition Index
dove NDVIi, NDVImin, e NDVImax sono rispettivamente l’ultima immagine NDVI disponibile ed i valori minimo e massimo assoluti lungo la serie temporale, riferiti allo stesso periodo.
Nonostante l’NDVI sia calcolato per tutto l’anno, durante il periodo autunno-invernale le immagini satellitari sono più influenzate dalla maggiore copertura nuvolosa che contraddistingue questi mesi più freddi.
Il dataset degli indici di vegetazione utilizzato per il calcolo del VCI proviene dall’elaborazione delle immagini dello strumento MODIS (Moderate Resolution Imaging Spectroradiometer) del satellite Aqua (EOS PM).
Kogan, F. N. (1995). Application of vegetation index and brightness temperature for drought detection. Advances in Space Research. 15, 91-100.
Temperature Condition Index
dove LSTi, LSTmin, e LSTmax sono rispettivamente l’ultima immagine LST disponibile e i valori minimo e massimo assoluti lungo la serie temporale, relativi allo stesso periodo. In accordo con lo studio di Sun and Kafatos, per il calcolo del TCI invece della temperatura di brillanza viene utilizzata la LST.
Nonostante l’LST sia calcolato per tutto l’anno, durante il periodo autunno-invernale le immagini satellitari sono più influenzate dalla maggiore copertura nuvolosa che contraddistingue questi mesi più freddi.
Il dataset di LST utilizzato per il calcolo dei TCI proveniva dall’elaborazione delle immagini dello strumento MODIS (Moderate Resolution Imaging Spectroradiometer) del satellite Terra (EOS AM-1).
Attualmente il computo dell’indice è sospeso.
Kogan, F. N. (1995). Application of vegetation index and brightness temperature for drought detection. Advances in Space Research. 15, 91-100.
Sun D., Kafatos M. (2007). Note on the NDVI-LST relationship and the use of temperature-related drought indices over North America. Geophysical Research Letters, 34.
Vegetation Health Index
dove a, e b sono coefficienti che quantificano rispettivamente il contributo del VCI e del TCI nella risposta della vegetazione.
Data la complessità del nostro ambiente e visto quanto esso sia caratterizzato da diversi tipi di vegetazione (dalle conifere e latifoglie sempreverdi Mediterranee alle conifere e latifoglie decidue temperate) che rispondono in maniera differente alla temperatura ed alla disponibilità idrica, ai coefficienti è stato assegnato lo stesso peso (0.5) per semplificare il calcolo dell’indice.
Kogan, F. N. (1995). Application of vegetation index and brightness temperature for drought detection. Advances in Space Research. 15, 91-100.
Kogan F.N. (2001). Operational space technology for global vegetation assessment. Bulletin of the American Meteorological Society. 82 (9), 1949-1964.
L’indice EDI (Effective Drought Index), calcolato con uno step temporale giornaliero, è più sensibile alle singole piogge e mostra un’influenza maggiore delle precipitazioni nel recupero di un deficit accumulato nel tempo.
- EP è la pioggia efficace;
- Pm è la pioggia degli m giorni precedenti;
- i è il numero di giorni (generalmente uguale a 365) durante i quali la pioggia è sommata per calcolare l’intensità della siccità;
- MEP è la media climatologica della pioggia efficace (calcolata su un periodo di 30 anni);
- DEP è la deviazione della pioggia efficace dalla MEP, indicante un deficit/surplus idrico per uno specifico giorno.
EDI è il valore standardizzato della DEP, dove ST(DEP) è la deviazione standard di ogni DEP giornaliero.
Inoltre, essendo l’EDI efficace nel riconoscere a livello spaziale l’inizio di un evento siccitoso, può essere usato a livello puntuale per fornire ulteriori informazioni specifiche.
Morid, S.; Smakhtin, V.; Moghaddasi, M. Comparison of seven meteorological indices for drought monitoring in Iran. International journal of climatology 2006, 26, 971–985.
Byun, H.R.; Wilhite, D.A. (1999). Objective quantification of drought severity and duration. Journal of Climate. 12, 2747–2756.
