Nel presente lavoro sono state identificate le dinamiche delle precipitazioni estreme sub-giornaliere nell'Italia meridionale nel periodo 1970-2020 attraverso un database dei massimi annuali delle precipitazioni orarie (1, 3, 6, 12 e 24 ore).

1. Angelo Avino e Salvatore Manfreda
Dipartimento di Ingegneria Civile, Edile e Ambientale, Università degli Studi di Napoli
Federico II - Via Claudio, 21, 80125 Napoli, Italia.
e-mail: angelo.avino@unina.it and salvatore.manfreda@unina.it
TECNICHE DI RICOSTRUZIONE
SPAZIALE DELLE SERIE DI PIOGGIA
ESTREMA IN ITALIA MERIDIONALE

2. AUMENTO DELLE PRECIPITAZIONI ESTREME A SCALA GLOBALE
“Global and Regional Increase of Precipitation Extremes under Global
Warming” - Simon Papalexiou e Alberto Montanari, WRR, 2019
La frequenza di precipitazioni estreme
è aumentata a livello globale negli ultimi
cinquant'anni, in parallelo con
l’intensificarsi del riscaldamento globale. Il
numero di eventi di pioggia estremi nel
periodo compreso tra il 1964 e il 2013 è
aumentato costantemente in tutte le
aree considerate: Europa, Russia, Cina,
Australia e vaste zone del Nord America.

3. Gargano, settembre 2014 (244mm in 24h)
Palermo, luglio 2020 (134mm in 2h)
Rossano Calabro, agosto 2015 (160mm in 4h)
Matera, novembre 2019 (115mm in 9h)
Vibo Valentia, luglio 2006 (190mm in 2h)
Sarno, maggio 1998 (300mm in 72h)
Messina, ottobre 2009 (500mm in 24h)
Napoli Nord, ottobre 2018 (50mm in <1h)
Catania, ottobre 2021 (603mm in 72h)
EVENTI DI PIOGGIA ECCEZIONALI NEL SUD ITALIA

4. Ø Raccolta e armonizzazione del database dei massimi annuali delle altezze
di pioggia orarie del Sud Italia per il periodo 1970-2020
Ø Tecniche di validazione della procedura di ricostruzione proposta (SC-OK)
Ø Ricostruzione spaziale dei dati di pioggia mancanti mediante il metodo
Spatially-Constrained Ordinary Kriging (SC-OK)
SOMMARIO
Ø Rappresentazione spaziale dei dati di precipitazione osservati e ricostruiti
al fine di rilevare variazioni spaziali e temporali delle piogge estreme nel
periodo di analisi (segnali di cambiamento climatico)

5. Raccolta e armonizzazione del
database dei massimi annuali delle
altezze di pioggia orarie (1, 3, 6, 12
e 24 ore) del Sud Italia (Basilicata,
Calabria, Campania, Molise e
Puglia) per il periodo 1970-2020
RACCOLTA DATI
DI PIOGGIA

6. Raccolta dati Ricostruzione dati Validazione Risultati
Ø Raccolta dati di pioggia oraria nel Sud Italia per il periodo 1970-2020
Ufficio
Numero
stazioni
Centro Funzionale Protezione Civile
Campania
173
Centro Funzionale Protezione Civile
Puglia
9
SIMN - Ufficio Compartimentale Napoli 148
SIMN - Ufficio Compartimentale Pescara 3
Ufficio
Numero
stazioni
SIMN - ARPACAL - Centro Funzionale
Protezione Civile Calabria
199
Ufficio
Numero
stazioni
Centro Funzionale Protezione Civile
Molise
21
SIMN - Ufficio Compartimentale Napoli 11
SIMN - Ufficio Compartimentale Pescara 41
Ufficio
Numero
stazioni
SIMN - Centro Funzionale Protezione
Civile Basilicata
84
Agenzia Lucana Sviluppo e Innovazione
Agricola (ALSIA)
41
Centro Funzionale Protezione Civile
Puglia
12
SIMN - Ufficio Compartimentale Napoli 6
Ufficio
Numero
stazioni
SIMN - Dipartimento di Protezione Civile
Puglia
153
SIMN - Ufficio Compartimentale di
Pescara
6
Regioni
Numero
stazioni
Numero Stazioni
Completezza 70%
% Stazioni
Completezza 70%
Numero
Dati
% Dati
Basilicata 143 12 8% 2274 31%
Calabria 199 10 5% 3163 31%
Campania 333 8 2% 5049 30%
Molise 73 7 10% 1343 36%
Puglia 159 99 62% 5345 66%
Sud Italia 907 136 15% 17174 37%

7. Raccolta dati Ricostruzione dati Validazione Risultati
Ø Raccolta dati di pioggia oraria nel Sud Italia per il periodo 1970-2020

8. RICOSTRUZIONE
DATI DI PIOGGIA
Ricostruzione spaziale e temporale dei dati di
pioggia mancanti mediante tecniche di
ricostruzione geostatistiche e deterministiche:
metodo SPATIALLY-CONSTRAINED ORDINARY
KRIGING (SC-OK) (Avino et al., 2021)
Avino A., Manfreda S., Cimorelli L., & Pianese D., (2021). Trend of annual maximum
rainfall in Campania region (southern Italy). Hydrological Processes, 35(12), e14447
https://doi.org/10.1002/hyp.14447

9. Raccolta dati Ricostruzione dati Validazione Risultati
Ø Procedure di gap-filling per la stima spaziale dei dati di pioggia mancanti
IDW
Semplicità
di calcolo
Bull's-eye
effect
S
p
a
z
i
a
l
m
e
n
t
e
v
i
n
c
o
l
a
t
o
p
e
r
l
a
n
a
t
u
r
a
d
e
i
s
u
o
i
p
a
r
a
m
e
t
r
i
(
R
,
N
)
Presenza di
autocorrelazione
negativa
I
p
e
s
i
d
i
p
e
n
d
o
n
o
u
n
i
c
a
m
e
n
t
e
d
a
l
l
a
d
i
s
t
a
n
z
a
E
u
c
l
i
d
e
a
t
r
a
p
u
n
t
o
m
i
s
u
r
a
t
o
e
p
u
n
t
o
s
t
i
m
a
t
o
Suscettibilità agli
outliers e alla
configurazione di
campionamento
KRIGING
I pesi derivano da
un’analisi statistica
spaziale dei dati
Preserva
la
variabilità
spaziale
E
l
e
v
a
t
o
s
f
o
r
z
o
c
o
m
p
u
t
a
z
i
o
n
a
l
e
Difficoltà selezione
semi-variogramma
Assenza di
vincoli spaziali
Tiene conto degli
effetti di clustering
Miglior stimatore
lineare non
distorto (BLUE)
Anisotropia
Q
u
a
n
t
i
f
i
c
a
g
l
i
e
r
r
o
r
i
d
i
i
n
t
e
r
p
o
l
a
z
i
o
n
e
(
K
r
i
g
i
n
g
v
a
r
i
a
n
c
e
)
Numerose forme di
Kriging disponibili
INVERSE DISTANCE WEIGHTING (IDW)
È un modello di interpolazione in cui i pesi dipendono
unicamente dalla distanza Euclidea tra il punto misurato e il
punto da stimare
È un modello di interpolazione in cui i pesi riflettono la
struttura di autocorrelazione spaziale definita dalla
forma del semi-variogramma
ORDINARY KRIGING (OK)
å
å
=
-
=
-
= k
i
n
i
m
k
i
n
i
m
i
m
d
d
h
h
1
,
1
,
• n esponente di peso
• R raggio di influenza di ciascuna stazione
• N numero minimo di stazioni comprese
nel cerchio di raggio R

10. Raccolta dati Ricostruzione dati Validazione Risultati
Ø Procedure di gap-filling per la stima spaziale dei dati di pioggia mancanti
È una procedura mista: approccio OK accoppiato con gli stessi vincoli spaziali del metodo IDW in modo
tale da ricostruire solo i dati mancanti nelle stesse posizioni selezionate dal metodo IDW tramite i suoi
due parametri spaziali (R, N)
SPATIALLY CONSTRAINED ORDINARY KRIGING (SC-OK) METHOD
Sfrutta tutti i vantaggi del
metodo OK
Preserva la variabilità spaziale
Miglior stimatore lineare non distorto (BLUE)
Quantifica gli errori di interpolazione (Kriging variance)
I pesi derivano da un’analisi statistica spaziale dei dati

11. 1. Stima ottimizzata dei parametri del modello IDW
(n, N, R) con algoritmi genetici
1.1 Fissato ρ, ovvero densità minima di stazioni
Nel cerchio di raggio R:
1.2 Ottimizzazione, minimizzando l’errore RMSE
associato alla ricostruzione del 10% dei dati eliminati per
ricavare n e N e, quindi, R
𝝆 =
𝑵
𝝅𝑹𝟐
2. Selezione dei valori utilizzabili di ρ
2.1 Per ciascun valore di ρ si effettua la ricostruzione con
il metodo IDW utilizzando i parametri ottimi calibrati al
punto 1.
2.2 Si eliminano le configurazioni di ρ per le quali il
numero di dati ricostruiti è minore della soglia pari al
30% del numero di dati iniziali osservati
ρ(*) R N
0.05 43.7 4
0.10 26.76 3
0.15 43.7 12
0.20 37.85 12
0.25 21.85 5
0.30 25.23 8
0.35 21.85 7
0.40 17.27 5
0.45 21.85 9
0.50 18.28 7
0.55 20.83 10
0.60 17.84 8
0.65 13.55 5
0.70 13.06 5
0.75 13.82 6
0.80 9.46 3
0.85 9.18 3
0.90 17.08 11
0.95 10.03 4
1.00 10.93 5
Numero Dati
Osservati
Numero Dati
Ricostruiti
Vincolo
[%]
Numero Dati
Totale
2264 4809 212.41 7073
2264 3846 169.88 6110
2264 3124 137.99 5388
2264 2518 111.22 4782
2264 1994 88.07 4258
2264 1582 69.88 3846
2264 1233 54.46 3497
2264 1019 45.01 3283
2264 693 30.61 2957
2264 622 27.47 2886
2264 354 15.64 2618
2264 345 15.24 2609
2264 366 16.17 2630
2264 259 11.44 2523
2264 188 8.30 2452
2264 358 15.81 2622
2264 325 14.36 2589
2264 30 1.33 2294
2264 157 6.93 2421
2264 65 2.87 2329
ρ(*) R N
Numero Dati
Osservati
Numero Dati
Ricostruiti
Vincolo
[%]
Numero Dati
Totale
0.05 43.7 4 2264 4809 212.41 7073
0.10 26.76 3 2264 3846 169.88 6110
0.15 43.7 12 2264 3124 137.99 5388
0.20 37.85 12 2264 2518 111.22 4782
0.25 21.85 5 2264 1994 88.07 4258
0.30 25.23 8 2264 1582 69.88 3846
0.35 21.85 7 2264 1233 54.46 3497
0.40 17.27 5 2264 1019 45.01 3283
0.45 21.85 9 2264 693 30.61 2957
0.50 18.28 7 2264 622 27.47 2886
0.55 20.83 10 2264 354 15.64 2618
0.60 17.84 8 2264 345 15.24 2609
0.65 13.55 5 2264 366 16.17 2630
0.70 13.06 5 2264 259 11.44 2523
0.75 13.82 6 2264 188 8.30 2452
0.80 9.46 3 2264 358 15.81 2622
0.85 9.18 3 2264 325 14.36 2589
0.90 17.08 11 2264 30 1.33 2294
0.95 10.03 4 2264 157 6.93 2421
1.00 10.93 5 2264 65 2.87 2329
Raccolta dati Ricostruzione dati Validazione Risultati
Ø Implementazione del metodo SC-OK

12. 3. Selezione del valore ottimo di ρ e, quindi, della
configurazione ottimale per la ricostruzione con il
metodo SC-OK
3.1 Per ciascuna configurazione di ρ si calcola l’errore
RMSE associato alla ricostruzione del 10% di dati eliminati
utilizzando la procedura SC-OK
3.2 Il valore ottimo di ρ è quello al quale corrisponde il
minimo valore medio del RMSE (stimato ripetendo 10
volte la procedura)
d [h] R [km] N
1 17.24 7
3 10.09 4
6 12.94 5
12 10.09 4
24 13.68 5
d [h] R [km] N
1 17.84 6
3 33.04 12
6 20.13 7
12 20.13 7
24 25.23 11
d [h] R [km] N
1 26.26 13
3 22.37 11
6 27.25 14
12 27.25 14
24 12.24 4
d [h] R [km] N
1 23.36 6
3 28.61 9
6 30.16 10
12 30.16 10
24 26.97 8
d [h] R [km] N
1 27.25 7
3 28.61 9
6 18.81 5
12 14.57 4
24 37.14 13
Raccolta dati Ricostruzione dati Validazione Risultati
Ø Implementazione del metodo SC-OK

13. d [h] Basilicata Calabria Campania Molise Puglia Sud Italia
1 19 78 71 28 132 328
3 36 42 33 16 129 256
6 20 33 49 27 129 258
12 20 15 33 27 129 224
24 20 55 62 22 134 293
Raccolta dati Ricostruzione dati Validazione Risultati
Ø Caratteristiche della ricostruzione mediante metodo SC-OK

14. VALIDAZIONE DELLA
PROCEDURA DI
RICOSTRUZIONE
La procedura di ricostruzione proposta
(SPATIALLY-CONSTRAINED ORDINARY KRIGING)
è stata validata stimando la significatività
dell’errore di ricostruzione e valutando la sua
influenza sulla stima dei trend delle serie di
pioggia ricostruite (Avino et al., 2022)
Avino A., Manfreda S., Cimorelli L., & Pianese D., (2022). Aggiornamento sulle
precipitazioni estreme in Campania. L’Acqua, Rivista bimestrale dell’Associazione
Idrotecnica Italiana (AII), Ed. 1/2022, pp. 7-15

15. Raccolta dati Ricostruzione dati Validazione Risultati
Per validare la tecnica proposta, si è provveduto a verificare il suo comportamento a scala puntuale su una stazione
campione. Questa è stata rimossa dal database e, quindi, ricostruita utilizzando la procedura SC-OK. L'errore relativo alla
ricostruzione è stato calcolato mediante RMSE, MAE e MAPE. Inoltre, è stato valutato come l’errore di ricostruzione si
ripercuote sull’identificazione dei trend con test grafici e test non-parametrici.
Ø Validazione del metodo SC-OK
durate [h] 1 3 6 12 24
RMSE [mm] 6.19 5.88 9.38 14.70 19.96
MAE [mm] 4.55 4.96 6.79 10.02 12.22
MAPE [%] 9.97 8.92 9.31 10.24 9.84
durate [h] 1 3 6 12 24
Mann-Kendall Test Slope Trend Slope Trend Slope Trend Slope Trend Slope Trend
Dati osservati -0.54 -0.31 -0.60 -0.64 -0.41
Dati ricostruiti -0.50 -0.57 -0.34 -1.04 -0.46

16. ANALISI DEI
RISULTATI
Rappresentazione spaziale dei dati di
precipitazione osservati e ricostruiti
al fine di rilevare variazioni spaziali e
temporali (segnali di cambiamento
climatico) delle piogge estreme sub-
giornaliere nel periodo di analisi

17. Confronto percentuale tra i valori medi dei
massimi annuali dell’altezza di pioggia
relativamente ai periodi 1970-1990 e 1991-
2020 interpolati spazialmente con kringing
ordinario e semi-variogramma sferico
mediante software GIS
Raccolta dati Ricostruzione dati Validazione Risultati
Ø Rappresentazione spaziale dei dati di pioggia estrema (valori medi dei
massimi annuali orari)
!
𝒉&''&()*)* − !
𝒉&'+*(&''*
!
𝒉&'+*(&''*
∗ 100
1h 3h 6h 12h 24h

18. Trend Crescente
Durate
1h 3h 6h 12h 24h
Basilicata 21% 8% 15% 5% 0%
Calabria 51% 31% 24% 20% 24%
Campania 24% 15% 10% 6% 3%
Molise 54% 25% 30% 22% 23%
Puglia 13% 15% 9% 8% 7%
Sud Italia 27% 17% 14% 10% 10%
Raccolta dati Ricostruzione dati Validazione Risultati
Ø Rappresentazione spaziale dei trend rilevati con test at-site Mann-Kendall
1h 3h 6h 12h 24h

19. Raccolta dati Ricostruzione dati Validazione Risultati
Ø Negli ultimi 50 anni, un aumento delle precipitazioni di breve durata (1-3 ore) è stato rilevato
in tutta le regioni del sud Italia. Invece, per durate maggiori (6-12-24 ore), è stata osservata
una diminuzione generalizzata, ad eccezione del Molise, nord della Puglia e la parte più
meridionale della Calabria
Ø Una nuova procedura di gap-filling è stata implementata per la ricostruzione dei dati di
pioggia mancanti: SPATIALLY-CONSTRAINED ORDINARY KRIGING, ovvero un approccio
misto che adotta la tecnica OK accoppiato a un criterio di selezione spaziale basato sui
parametri del metodo IDW
Ø In fase di validazione, è stato dimostrato che l’errore statistico di ricostruzione, oltre ad
essere considerato tollerabile (non superiore al 20% in media), non influisce in modo
significativo sulla fase di analisi statistica dei trend di pioggia estrema

20. Grazie per
l’attenzione
Angelo Avino, Ph.D Student at University of Naples Federico II
e-mail: angelo.avino@unina.it