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.
Dato climatico ad alta risoluzione. Questa sezione offre una mappatura completa degli indicatori climatici definiti nell’ambito del Quadro climatico regionale sul periodo di riferimento (1981-2010 e 1991-2020). utilizzando il dataset ad altissima risoluzione (circa 2 km) realizzato dal CMCC (VHR-REA_IT). Le mappe consentono di identificare le tendenze spaziali degli indicatori climatici e di analizzare le variazioni fino alla scala comunale, evidenziando eventuali criticità localizzate.
Filtri
Dati modello
VHR-REA_IT
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: mm
Mappa non disponibile per la combinazione selezionata.
SERIE TEMPORALE DELL'INDICATORE SELEZIONATO
La serie temporale mostra l'andamento delle anomalie dal 1981 al 2024. Le anomalie rappresentano lo scostamento rispetto alla climatologia di base calcolata sul periodo di riferimento (1981-2010 oppure 1991-2020). La linea spessa nera rappresenta il trend calcolato tramite una media mobile di 5 anni.
Serie temporale dell'indicatore selezionato
La serie temporale mostra l'andamento delle anomalie dal 1981 al 2024. Le anomalie rappresentano lo scostamento rispetto alla climatologia di base calcolata sul periodo di riferimento (1981-2010 oppure 1991-2020). La linea spessa nera rappresenta il trend calcolato tramite una media mobile di 5 anni.
Valore
Deviazione standard
828 mm
244 mm
STRIPES DELL'INDICATORE SELEZIONATO
La serie temporale mostra l'andamento delle anomalie dal 1981 al 2024. Le anomalie rappresentano lo scostamento rispetto alla climatologia di base calcolata sul periodo di riferimento (1981-2010 oppure 1991-2020). La linea spessa nera rappresenta il trend calcolato tramite una media mobile di 5 anni.
Stripes dell'indicatore selezionato
La "Climate stripe" mostra l’andamento delle anomalie annuali dell'indicatore selezionato nel corso del tempo, dal 1981 al 2024.
Le anomalie sono calcolate rispetto a un periodo di riferimento standard (1981-2010 oppure 1991-2020).
La variazione cromatica delle strisce (con una scala che va dal blu al rosso) è direttamente collegabile all'intensità dell'anomalia dell'indicatore. Le fasce rappresentano visivamente lo scostamento di ogni anno rispetto alla media trentennale di riferimento.
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 attraverso l'utilizzo del dataset VHR-REA_IT (Very High Resolution Dynamical Downscaling of ERA5 Reanalysis over Italy by COSMO-CLM) ), e disponibili gratuitamente dal DDS del CMCC. Gli utenti di questi contenuti sono incoraggiati a consultare le fonti ufficiali quali paper scientifici (Raffa et al., 2021, https://doi.org/10.3390/data6080088) e CMCC DDS (https://doi.org/10.25424/cmcc/era5-2km_i).
È importante notare che la Fondazione CMCC e gli sviluppatori di Dataclime non si assumono alcuna responsabilità per l'uso, l'interpretazione o le conseguenze dei dati presentati in qualsiasi materiale. Si consiglia agli utenti di esercitare la dovuta diligenza nelle loro applicazioni e interpretazioni dei dati e sono incoraggiati a consultare la documentazione ufficiale fornita da Dataclime e dalla Fondazione CMCC per le linee guida su citazioni e riconoscimenti. L'utente si assume la piena responsabilità, escludendo qualsiasi forma di responsabilità da parte della Fondazione, per qualsiasi decisione presa e per qualsiasi danno diretto o indiretto che possa derivare dall'uso dei dati e delle informazioni contenute in questo sito, e indennizzerà e terrà indenne la Fondazione da qualsiasi richiesta di risarcimento che possa essere avanzata, anche da terzi.