Fondazione CIMA è partner del progetto MAGDA, che vuole mettere a punto un sistema che fornisca previsioni e avvisi in caso di eventi avversi per chi opera nel campo agricolo. Il nostro gruppo di ricerca ha quindi sviluppato un sistema di previsioni che assimila i dati osservativi, ottimizzato a seconda del tipo di applicazione
Poco meno di un anno fa, abbiamo dedicato un articolo al lavoro svolto dal nostro ambito Meteorologia e Clima per il progetto europeo MAGDA. L’obiettivo è mettere a punto una suite di strumenti per applicazioni meteorologiche e idrologiche che diano supporto in ambito agricolo fornendo previsioni e avvisi in caso di eventi avversi, attraverso una dashboard di Farm Management System.
All’epoca, Fondazione CIMA stava conducendo le run preliminari del modello previsionale meteorologico. In pratica, simulazioni che permettono di ottenere, su base statistica, una stima degli errori del modello e di ottimizzare l’assimilazione dei dati osservativi – una procedura che permette di rendere più precise e affidabili le previsioni, integrando le osservazioni raccolte in tempo reale con i parametri e le variabili che rappresentano le condizioni di partenza.
E adesso? Come sta procedendo l’attività e cosa è previsto per i prossimi mesi?
Mettere a punto il sistema previsionale
Uno degli aspetti di complessità del progetto MAGDA è che prevede l’assimilazione di dati osservativi provenienti da fonti diverse (stazioni di rilevamento a terra, comprese quelle installate nell’ambito del progetto, radar meteorologici, meteodroni e GNSS, il sistema satellitare globale di navigazione), che devono essere integrati nel modello previsionale WRF. «Ciascuna di queste categorie di dati ha caratteristiche diverse, ed è quindi necessaria un’elaborazione perché possano essere assimilati in WRF», spiega Martina Lagasio, ricercatrice di Fondazione CIMA.
Per esempio, i GNSS misurano la quantità colonnare di vapore (la quantità di vapore nella colonna d’aria sopra la stazione di rilevamento) attraverso il ritardo che agisce su un segnale (tra satellite e stazione); il radar dà invece una stima della pioggia. Sono di fatto un set di osservazioni diverse che servono per avere un’immagine più completa possibile dello stato dell’atmosfera al momento dell’assimilazione, ma che vanno integrate insieme all’interno del modello.
Il team di ricerca ha quindi innanzitutto dovuto elaborare ciascuna di queste categorie di dati per renderli compatibili con il modello previsionale e consentirne l’assimilazione in modo coerente ed efficace.
Prima ancora, il modello stesso è stato configurato in modo da poter coprire in modo adeguato i campi di studio, localizzati in Italia, Francia e Romania. La scelta dei tre siti non è certo casuale. Ciascuno di essi, infatti, permette di rappresentare necessità differenti del mondo dell’agricoltura, perché si tratta di aree caratterizzate da coltivazioni differenti (frutteti in Italia, vigneti in Francia e coltivazioni estive come mais e girasole in Romania), ciascuna con le sue esigenze.
«Nel mettere a punto il sistema previsionale, abbiamo tenuto conto delle specifiche esigenze. Così, per scopi idrologici e di irrigazione, le simulazioni saranno una previsione a 120 ore e integreranno le osservazioni durante l’inizializzazione per migliorarne la precisione», spiega Lagasio. «Invece, per i temporali abbiamo adottato un approccio diverso. Facciamo, cioè, girare più frequentemente il modello, assimilando i dati osservativi man mano che si arriva in prossimità dell’evento: in questo modo, riusciamo ad aumentare l‘accuratezza della previsione durante l’arco della giornata. È un elemento particolarmente importante, soprattutto in estate, quando ci sono maggiori differenze di temperatura tra l’aria al suolo e quella in quota che, se associate a nubi ricche di acqua che si sviluppano in verticale (cumolonembi), possono dare origine a fenomeni molto localizzati e intensi con grandinate».
Verso la valutazione
Per garantirne affidabilità e accuratezza, le prestazioni del sistema di previsioni messo a punto dovranno essere sottoposte a un’attenta analisi. «I risultati completi saranno presentati solo a fine progetto, ma stiamo già conducendo le prime validazioni», spiega Lagasio. «E, per ora, stanno confermando l’affidabilità del sistema in diversi scenari, evidenziando come l’assimilazione dei dati osservativi migliori la previsione meteorologica».
In particolare, spiega la ricercatrice, i risultati dei casi di studio iniziali, utilizzati per impostare il sistema di previsione, hanno mostrato che «Dal punto di vista operativo, la soluzione è girare il modello frequentemente durante la giornata, così da avere informazioni sempre aggiornate. Questo ci dice anche che l’approccio che abbiamo scelto, nel quale previsioni e assimilazioni hanno tempi differenti a seconda di ciò che vogliamo vedere (la quantità d’acqua necessaria per l’irrigazione, un fenomeno di vento intenso o una grandinata, o anche solo una previsione più precisa della pioggia che possa aiutare a gestire meglio le tempistiche dei trattamenti alle piante), è adeguato agli scopi».
Come avevamo scritto in precedenza, questo sistema sarà qualcosa di più di un test di servizio per il settore agricolo: l’intento è andare oltre la riduzione delle perdite economiche fornendo previsioni per la protezione delle colture e ottimizzando le irrigazioni. Infatti, tutti questi fenomeni, così come la disponibilità d’acqua, sono fortemente influenzati dalla crisi climatica: rispondervi in modo efficace e tempestivo significa mettere in campo strategie di adattamento, adeguate a seconda del contesto. Il lavoro nell’ambito del progetto MAGDA, dunque, va proprio in questa direzione, cercando di limitare le perdite alimentari e lo spreco d’acqua.
«Al momento siamo a metà progetto: i risultati sull’assimilazione dei dati nei casi di test sono buoni e abbiamo presentato il sistema previsionale adattato alle diverse esigenze, che ha superato la revisione della Commissione europea», conclude Lagasio. «Da ora inizia una fase cosiddetta dimostratore in cui proveremo, qualora si verifichi un evento di interesse per l’agricoltura, a condurre le simulazioni (assimilando anche i sensori GNSS e i meteodroni installati ad hoc nelle coltivazioni) e fare delle prove di comunicazione rivolte agli agricoltori con il sistema realizzato e attraverso una dashboard che permetta una facile visualizzazione e interpretazione delle informazioni».