Il Campania Climate Hub è il servizio climatico su Dataclime sviluppato per la Regione Campania per esplorare in modo interattivo il quadro climatico regionale e supportare la pianificazione di politiche e interventi di adattamento ai cambiamenti climatici. Il servizio raccoglie un set di indicatori climatici selezionati in co-design con gli uffici regionali, in coerenza con gli indirizzi nazionali per l’adattamento.
Obiettivi
Capire come sta cambiando il clima in Campania.
Valutare l’evoluzione degli eventi estremi rilevanti per territori e settori.
Supportare analisi e documenti tecnici con mappe e dati scaricabili.
Il servizio permette di esplorare mappe dinamiche a scala regionale, consultare risultati a scala provinciale e comunale (basi ISTAT), selezionare indicatori, periodi e livelli amministrativi e scaricare output in CSV/PNG.
Tutti i dati utilizzati in questo prodotto provengono da fonti pubbliche e a libero accesso. In ogni sezione specifica è possibile consultare i termini d’uso delle diverse fonti di dati utilizzati.
Percentile
All’interno di un campione statistico formato da realizzazioni di una variabile casuale, il percentile corrispondente a un livello di probabilità pari a X% è il valore al di sotto del quale si trova il X% degli elementi del campione (compreso il valore stesso). Il percentile è spesso utilizzato per stimare gli estremi della distribuzione. Ad esempio, il 90-simo (10-mo) percentile può essere utilizzato come riferimento per la soglia dei valori più alti (bassi).
Periodo di riferimento
L’arco temporale descrittivo del clima corrente rispetto al quale si vogliono analizzare gli eventuali cambiamenti nelle caratteristiche climatiche di un orizzonte temporale futuro. Per la sua selezione, bisogna considerare almeno due esigenze: da un lato, la sua ampiezza deve essere sufficientemente, ma non eccessivamente, estesa, in modo da ritenere, all’interno del periodo, il clima omogeneo e valutabile in modo robusto; dall’altro, si deve trattare di un arco temporale all’interno del quale siano disponibili dati sufficienti (in termini di copertura e risoluzione spaziale e temporale) per le variabili fisiche che si intende analizzare, come ad esempio precipitazione e temperatura.
Downscaling
Un metodo che ricava informazioni a scala locale o regionale da modelli o analisi di dati a più ampia scala. Esistono due metodi principali: il downscaling dinamico e il downscaling empirico/statistico. Il metodo dinamico utilizza l'output di modelli climatici regionali, modelli globali con risoluzione spaziale variabile o modelli globali ad alta risoluzione. I metodi empirici/statistici si basano su osservazioni e sviluppano relazioni statistiche che collegano le variabili atmosferiche a larga scala con le variabili climatiche locali/regionali. In tutti i casi, la qualità del modello di riferimento rimane un'importante limitazione alla qualità delle informazioni prodotte dal downscaling. I due metodi possono essere combinati, ad esempio, applicando il downscaling empirico/statistico all'output di un modello climatico regionale, costituito da un downscaling dinamico di un modello climatico globale.
SSP
I Percorsi Socioeconomici Condivisi – Shared Socioeconomic Pathways (SSP) sono una raccolta di scenari climatici, introdotti per la prima volta nel sesto Rapporto di Valutazione dell’IPCC sul cambiamento climatico (AR6, IPCC 2021). Gli scienziati hanno esaminato cinque diverse “narrazioni” che corrispondono ad altrettanti possibili futuri socioeconomici. Gli scenari così definiti coprono alternative che vanno da “emissioni molto basse” (SSP1 – 1.9) a “emissioni molto alte” (SSP3 – 8.5), passando, tra i vari scenari, per “emissioni basse” (SSP1 – 2.6), “intermedie” (SSP2 – 4.5) e “alte” (SSP3 – 7.0).
Deep Learning
Il deep learning è una sotto-categoria del machine learning che utilizza reti neurali profonde, composte da molti strati di elaborazione, per modellare e apprendere rappresentazioni complesse dei dati. È particolarmente efficace in compiti come il riconoscimento di immagini, il processamento del linguaggio naturale e altre applicazioni che richiedono l'estrazione di caratteristiche complesse.
cGAN
Il cGAN è un tipo di rete neurale generativa avversaria in cui il generatore e il discriminatore sono condizionati da un input aggiuntivo, permettendo di generare dati realistici che rispettano determinate condizioni o caratteristiche specifiche. È utilizzato in applicazioni come la generazione di immagini realistiche, la modifica di immagini e il miglioramento della risoluzione.
Anomalia
La deviazione di una variabile dal suo valore medio calcolato su un periodo di riferimento.
Indicatori climatici
Misure del sistema climatico che includono variabili su larga scala e proxy climatici.
Questa sezione illustra le variazioni climatiche per la regione Campania di al 2050,
elaborate utilizzando i dati climatici ad alta risoluzione disponibili nel programma
EURO-CORDEX attraverso il Copernicus Climate Change Service (C3S). Le proiezioni
descrivono come potrebbe evolvere il clima futuro attraverso l’analisi di indicatori
climatici, sulla base di diversi scenari che riflettono i possibili percorsi globali in
termini di impegno nella lotta ai cambiamenti climatici. Questi scenari, noti come
Percorsi Rappresentativi di Concentrazione (Representative Concentration
Pathways, RCP) descrivono futuri possibili in termini di concentrazione di gas serra.
Vengono considerati tre scenari specifici dell’IPCC: RCP8.5 "ad elevate
emissioni", RCP4.5 "Forte mitigazione", e RCP2.6 "Mitigazione aggressiva".
Le mappe mostrano le variazioni climatiche attese, calcolate come differenza tra i
valori medi dell'indicatore selezionato nel periodo futuro (2036-2065) e quello di
riferimento (1981-2010), tenendo conto dello scenario IPCC selezionato.
Filtri
Dati modello
CORDEX EUR-11
Scarica il file Zip della mappa selezionata.
Precipitazione cumulata nei giorni piovosi(PRCPTOT)
Cumulata (somma) della precipitazione giornaliera per i giorni con precipitazione maggiore/uguale a 1 mm.
Stagione: Annuale
Unità di misura: %
Mappa non disponibile per la combinazione selezionata.
Informazione di sintesi dell'indicatore selezionato
Questa tabella riporta le variazioni climatiche (ensemble mean) dell’indicatore selezionato nel periodo 2036–2065 (anni 2050) rispetto al periodo di riferimento 1981–2010, per i tre scenari RCP2.6, RCP4.5 e RCP8.5.
La tabella è suddivisa in due parti:
Valore medio (Ensemble mean): mostra la stima media del cambiamento atteso per ciascuno scenario.
Incertezza (Deviazione standard): riporta la standard deviation dell’ensemble, come misura della dispersione tra le simulazioni.
Nel complesso, questi valori consentono di valutare sia l’entità del cambiamento previsto sia il livello di incertezza associato alle proiezioni per ciascuno scenario.
Ensemble mean
Deviazione standard
RCP 2.6
RCP 4.5
RCP 8.5
RCP 2.6
RCP 4.5
RCP 8.5
1 %
-4 %
-4 %
5 %
5 %
5 %
Descrizione trend
Anomalie annuali ottenute a partire dai modelli EURO-CORDEX, considerando il
periodo storico (in grigio) e gli scenari RCP8.5 (in rosso), RCP4.5 (in blu) e RCP2.6
(in verde). Le anomalie annuali sono calcolate rispetto al valore medio del periodo di
riferimento 1976-2005. La linea spessa scura indica la proiezione climatica media
(ensemble mean), calcolata mediando i valori annuali di tutte le simulazioni
considerate per ogni scenario di concentrazione; le aree ombreggiate rappresentano
il range ottenuto sommando e sottraendo all’ensemble mean la deviazione standard
dei valori simulati dai modelli e forniscono una misurazione dell'incertezza delle
proiezioni. Per valutare la significatività statistica del trend è stato utilizzato il test di
Mann-Kendall (Kendall,1975) con un livello di confidenza del 95%. Qualora il valore
associato al trend sia accompagnato da un asterisco (*) il trend risulta
statisticamente significativo.
Trend dell'indicatore selezionato
Anomalie annuali ottenute a partire dai modelli EURO-CORDEX, considerando il
periodo storico (in grigio) e gli scenari RCP8.5 (in rosso), RCP4.5 (in blu) e RCP2.6
(in verde). Le anomalie annuali sono calcolate rispetto al valore medio del periodo di
riferimento 1976-2005.
Trend regionale
Ensemble mean
Deviazione standard
RCP 2.6
RCP 4.5
RCP 8.5
RCP 2.6
RCP 4.5
RCP 8.5
1 %
-4 %
-4 %
5 %
5 %
5 %
Variazione mobile dell'indicatore selezionato
Questo grafico mostra l'evoluzione della variazione climatica mobile dell'indicatore
rispetto al periodo di riferimento 1981-2010. Ogni punto rappresenta la variazione
calcolata su un trentennio centrato sull'anno corrispondente. Le linee colorate
indicano le proiezioni climatiche future ottenute a partire dai modelli EURO-CORDEX
per i tre scenari: RCP8.5 (in rosso), RCP4.5 (in blu) e RCP2.6 (in verde). Le aree
ombreggiate rappresentano la deviazione standard associata a ciascuno scenario. Il
grafico permette di visualizzare le proiezioni future fino al 2070, evidenziando come
l'indicatore climatico selezionato si discosti dal valore di riferimento nel corso del
tempo.
RCP 2.6
RCP 4.5
RCP 8.5
Data
Valore
Std
Valore
Std
Valore
Std
2035 2021-2050
0%
4
-1
4
-2
6
2040 2026-2055
1%
5
-1
4
-2
6
2045 2031-2060
1%
5
-2
4
-4
4
2050 2036-2065
1%
5
-4
4
-4
4
Scarica il file Zip della mappa selezionata.
Come citare Dataclime
Si richiede gentilmente agli utenti di menzionare l'utilizzo di Dataclime, citare il sito web www.dataclime.com, la Fondazione CMCC e i riferimenti elencati di seguito in qualsiasi pubblicazione o presentazione risultante dall'uso di questi dati.
Le informazioni fornite in questa pagina sono state generate con il supporto del Copernicus Climate Change Service (C3S), gestito dall'European Centre for Medium-Range Weather Forecasts (ECMWF), e dell'iniziativa EURO-Cordex. Gli autori esprimono sincera gratitudine a C3S e EURO-Cordex per il loro prezioso sostegno nella fornitura di risorse e dati per questa pagina. Tuttavia, è importante sottolineare che i contenuti di questa pagina sono di esclusiva responsabilità degli autori e non riflettono necessariamente le opinioni di C3S, ECMWF o EURO-Cordex. Gli utenti di queste informazioni sono incoraggiati a consultare la documentazione ufficiale di C3S e EURO-Cordex per linee guida dettagliate sull'uso, la citazione e il riconoscimento dei dati.
È importante notare che la Fondazione CMCC e gli sviluppatori di Dataclime non assumono alcuna responsabilità per l'uso, l'interpretazione o le conseguenze dei dati presentati in qualsiasi materiale. Gli utenti sono invitati a esercitare la dovuta diligenza nelle applicazioni e interpretazioni dei dati, e sono incoraggiati a consultare la documentazione ufficiale fornita da Dataclime e dalla Fondazione CMCC per linee guida sulla citazione e il riconoscimento. L’Utente, escludendo sin d'ora qualsiasi forma di responsabilità della Fondazione, si assume pienamente la responsabilità di ogni decisione e di ogni danno, diretto e indiretto, che possa derivare dall’utilizzo dei dati e delle informazioni di cui alla presente pagina, manlevando la Fondazione da ogni e qualsivoglia richiesta risarcitoria possa essere avanzata a riguardo, anche da terzi.