Il sistema di previsione idrologica in tempo reale nei bacini di galicia costa

IL SISTEMA DI PREVISIONE IDROLOGICA IN TEMPO REALE NEI BACINI DI GALICIA COSTA. IL SISTEMA ARTEMIS

IDROLOGIA E AMBIENTE S.r.l.

Via Stazio n.66 CAP 80122 Napoli (NA) P. IVA 06568441213 Tel. +39 081 640686 Fax +39 081 640686 www.idrologiaeambiente.it

INDICE Il sistema di previsione idrologica in tempo reale nei bacini di Galicia Costa. Il sistema ARTEMIS…………………………...…………...…………………………………………………………………………. 3 Introduzione ..................................................................................................................... 3 Modello di previsione numerica meteorologica .............................................................. 4 Approccio Bayesiano ........................................................................................................ 4 Generazione delle serie sintetiche di pioggia e temperatura ...................................... 5 Separazione di eventi di pioggia ed analisi dei dati...................................................... 6 Determinazione della funzione di probabilità condizionata ........................................ 8 Modellazione idrologica ................................................................................................... 9 Architettura del sistema ................................................................................................. 12 Caratteristiche operative del sistema ............................................................................ 14 Prestazioni del sistema ................................................................................................... 16 Mandeo ...................................................................................................................... 16 Landro......................................................................................................................... 17 Verdugo ...................................................................................................................... 19 Xubia ........................................................................................................................... 20 Conclusioni ................................................................................................................. 20 Bibliografia...................................................................................................................... 21

Il sistema di previsione idrologica in tempo reale nei bacini di Galicia Costa. Il sistema ARTEMIS

Introduzione In questa breve relazione si presenta il Sistema di Supporto Decisionale attualmente operativo nell’ambito territoriale dei bacini di Galizia Costa, gestiti dal dall’organismo Aguas de Galicia della Xunta de Galicia, per la previsione di piena in bacini con rischio di inondazione. Il sistema è denominato ARTEMIS, acronimo di ARchitecture for TEleprediction and Management of Information System.

Il sistema ARTEMIS genera previsioni di portata a breve periodo (12, 24, 48 e 72 ore) in tempo reale accoppiando le previsioni quantitative di precipitazione (QPF), realizzate da MeteoGalicia con il modello WRF, con il modello idrologico distribuito e fisicamente basato TOPKAPI, i cui parametri sono stimati a partire dalle caratteristiche fisiche del bacino (uso del suolo, tipo di suolo, edafologia, DEM). La scala temporale di esecuzione della previsione idrologica, come quella meteorologica, è oraria, il che permette di ottenere portate con la precisione necessaria per la previsione ottima di piena nei bacini della Galizia. La scala spaziale varia tra 90 x 90 e 200 x 200 m in funzione della dimensione del bacino. Attualmente il sistema ARTEMIS è operativo in 17 bacini di Galizia Costa, generando previsioni idrologiche in 55 punti.

Il sistema ARTEMIS funziona in modo continuo, gestendo dati idrometeorologici e analizzando in tempo reale lo stato di umidità del suolo nei bacino dell’ambito territoriale di Galicia Costa. Non sempre, infatti, un’allerta meteorologica si traduce in una allerta idrologica e il sistema ARTEMIS informa automaticamente se la previsione meteorologica è suscettibile di convertirsi in allerta idrologica in uno qualunque dei punti di previsione, generando automaticamente la previsione idrologica tramite la simulazione del modello idrologico TOPKAPI. Questo processo si realizza due volte al giorno in funzione delle previsioni meteorologiche disponibili (00z e 12z). Gli idrogrammi previsti sono confrontati con le portate critiche stabilite precedentemente in funzione della vulnerabilità delle zone adiacenti i punti di previsione. I livelli di allerta vengono definiti dalla relazione Q-V (Portata-Vulnerabilità) e sono stati ottenuti a partire dalle norme di gestione degli invasi e della zonizzazione delle aree inondabili a disposizione dell’organismo Aguas de Galicia per ognuno dei punti di previsione.

Il sistema ARTEMIS attualmente risiede fisicamente in Aguas de Galicia come Sistema di Supporto Decisionale. Il Sistema è aperto per introdurre nuove fonti di dati idrometeorologici come per esempio le immagini del Radar Meteorologico o i prodotti derivati

dal telerilevamento. Allo stesso modo può essere introdotto qualunque modello idraulico, idrologico o di gestione di invasi.

Modello di previsione numerica meteorologica I modelli numerici di previsione meteorologica (NWP) globale forniscono informazioni con una risoluzione dell’ordine di 50 km, a causa del loro alto costo computazionale. Questa risoluzione risulta insufficiente per molte applicazioni, soprattutto per quelle in cui si richiede di valorizzare gli impatti locali e regionale delle variabili meteorologiche. I valori rappresentano le medie su vaste aree e, quindi, gli estremi sono attenuati. Inoltre, la rappresentazione delle specificità regionali, quali topografia, coste, la presenza di laghi, la distribuzione dei diversi tipi di vegetazione, ecc. è troppo grossa per essere utile nel definire la meteorologia di una particolare regione.

Un modo per cercare di superare questi limiti dei modelli globali sono i modelli numerici ad area limitata (LAM). Questi modelli sono annidati all'interno di un modello globale su una superficie di interesse e risolvono nuovamente le equazioni che governano l'atmosfera a un risoluzione superiore. Il modello globale fornisce non solo le condizioni iniziali, ma anche le condizioni al contorno per tutto il periodo simulato. Con questi modelli si può simulare anche a scale di pochi chilometri.

Il modello attualmente utilizzato da MeteoGalicia è il WRF (Weather Research and Forecasting), che è un modello atmosferico ad area limitata sviluppato presso il NCAR (National Center for Atmospheric Research, USA). WRF è un sistema di previsioni meteorologiche numeriche in un'area limitata progettato sia per previsioni operative che per applicazioni di ricerca sulla dinamica atmosferica. Dispone di due moduli dinamici per risolvere le equazioni primitive dell'atmosfera, una grande varietà di parametrizzazioni fisiche e di un modulo di assimilazione variazionale (3DVAR e 4DVAR). Esso incorpora i più recenti progressi nella rappresentazione fisica dell'atmosfera, nell'integrazione e nell'assimilazione di dati numerici. La sua architettura può usufruire di varie forme di parallelismo computazionale.

Inoltre, è progettato per essere un sistema di simulazione atmosferica di ultima generazione, flessibile, portatile ed efficiente. Questo lo rende adatto per una vasta gamma di applicazioni a diverse scale spaziali e temporali.

Approccio Bayesiano L'approccio bayesiano consente di dare un preavviso per ognuno dei punti di interesse dei bacini di Galicia Costa. Data la previsione delle precipitazioni si può stimare con una certa probabilità il superamento di un valore critico di portata al di sopra del quale la sezione di un tratto del fiume si trova in stato di allerta. Con queste curve si generano avvisi di possibili supermanti del valore critico di portata in diversi punti di interesse. Successivamente, analizzando ogni avviso si realizza la simulazione idrologica con il modello distribuito TOPKAPI

per determinare la situazione reale e poter definire l’attivazione di procedure di allerta necessarie a seconda del caso.

La metodologia utilizzata per stabilire le soglie di pioggia accumulata è basata sulla probabilità di superare una certa portata massima in funzione dello stato di umidità antecedente del bacino (Martina et al, 2006). Per prima cosa si generano serie sintetiche di precipitazione e temperatura che serviranno come input a un modello di trasformazione afflussi-deflussi, da cui ottenere le serie sintetiche di portata nei punti di previsione e l’umidità media del bacino. Con questi dati si determina la funzione di densità di probabilità bivariata (pdf) tra il valore cumulato di pioggia per un tempo determinato e le portate di picco corrispondenti dato uno stato iniziale di umidità del suolo. Successivamente si calcola la funzione di probabilità della portata massima condizionata al volume di pioggia accumulata. Impostando una un valore critico di portata (ad esempio, la soglia al di sopra della quale si possono avere dei danni), si calcolano le curve di volume accumulato in funzione del tempo per diverse probabilità di uguagliare o superare la portata massima.

DEFINICIÓN DE UMBRALES DE PRECIPITACIÓN PARA DERIVACIÓN DE ALERTAS HIDROLÓGICAS EN LAS CUENCAS DE GALICIA COSTA Nivel Probabilidad de desbordamiento

Nivel esperado = Previsión y=f(Q) Daños

Precipitación

Alarma

Acumulada

Punto de Previsión en Galicia Costa

Umbral de

No Alarma

Precipitación RIO LANDRO 60.00

0

Previsión de Precipitación

50.00 5

TOPKAPI Aforo Landro 10

Q (m3/s)

Pluviometro Penedo do Galo

Tiempo

30.00 15

Precipitación (mm´)

Observado Aforo Landro 40.00

Precipitación Observada

20.00

20 10.00

0.00 03/01/2008 00:00

05/01/2008 00:00

07/01/2008 00:00

09/01/2008 00:00

11/01/2008 00:00

13/01/2008 00:00

15/01/2008 00:00

25 17/01/2008 00:00

Fecha

Figura 1

Curve che indicano la probabilità che, dato un certo volume accumulato di pioggia e un certo tempo,la portata sia maggiore o uguale alla portata critica

Successivamente queste curve si valutano con dati sintetici e si calcola per ognuna di esse la probabilità dei corretti o falsi allarmi determinando un indice di abilità (probabilità di corretti allarmi – probabilità di falsi allarmi) utilizzandolo per la scelta della curva da usare come soglia di preavviso.

Generazione delle serie sintetiche di pioggia e temperatura Come già detto, il primo importante passo nel generare le curve di preavviso è la generazione di serie sintetiche di precipitazione e temperatura, nel caso della Galizia si generano 100 anni a scala oraria correlando entrambe le variabili meteorologiche.

La generazione di serie sintetiche di precipitazione è stata ottenuta utilizzando il modello modificato di Bartlett-Lewis a impulsi rettangolari a partire dai registri delle stazioni automatiche di MeteoGalicia con dati di dieci minuti. Questo modello appartiene ad una famiglia di modelli stocastici ed i parametri sono stati stimati con il metodo dei momenti.

D’altro canto, la generazione di serie di temperatura è stata organizzata in quattro fasi.

La prima fase, che ha l’obiettivo di garantire una buona riproduzione della stazionarietà annuale, ha previsto il processamento dei dati delle stazioni automatiche di MeteoGalicia, separandoli mese per mese. Nella seconda fase è stato generato un modello a media mobile per disaggregare i dati giornalieri a orari, per far sì che si riproducesse la periodicità giornaliera.

Nella terza fase, con le serie di temperatura media giornaliera, si è calibrato un modello autoregressivo per la generazione di temperature sintetiche. Come quarto ed ultimo passaggio, le serie giornaliere sono state disaggregate a scala oraria ed i diversi mesi sono stati posti in forma consecutiva per ottenere serie annuali (Koutsoyiannis, 1994, 1996).

Una volta generati gli input del modello idrologico, lo si può simulare, ed ottenere serie di portate, umidità del suolo, numero di celle saturate ed evapotraspirazione del bacino.

Separazione di eventi di pioggia ed analisi dei dati A partire dai risultati del modello TOPKAPI si procede alla separazione ed identificazione degli episodi creati nei 100 anni generati. La separazione degli eventi è un passaggio alquanto difficile; infatti non è possibile stabilire un algoritmo univoco per svolgere questa operazione. La difficoltà sorge al momento di definire la data di inizio e fine dell’episodio, ed è necessaria un’analisi dettagliata della serie di portate e la definizione di un parametro che descriva l’accadimento di un evento di piena e non generi distorsioni nella relazione portata massima – volume dell’idrogramma.

Per questo sono state fatte le seguenti considerazioni: -

Durata minima (dmin): 4 ore (durata minima di una precipitazione superiore alla soglia pmin) Pioggia minima (pmin): 1 mm/h (precipitazione minima, che può variare in casi eccezionali, per non unire eventi chiaramente diversi) Portata minima (qmin): 0.1 m3/s (gli eventi con portate inferiori non si considerano Ore di separazione (infin): numero di ore con precipitazione inferiore a pmin che devono passare per considerare due episodi come separati. Si stabilisce considerando che il picco del primo idrogramma non si deve sovrapporre all’inizio del tramo ascendente del secondo idrogramma: Infin = Tc – Tdp, dove:

Tdp: tempo di sfasamento del picco; è il tempo che separa il centro di gravità dello ietogramma netto e il tempo in cui si produce il picco di portata; Tc: tempo di concentrazione, ovvero il tempo necessario a che, con pioggia uniforme, la totalità del bacino contribuisca all’idrogramma. Si è utilizzato la formula di Témez.

infin

Caudal [m3/s]

Tc

Escorrentía superficial

Figura 2

Tdp

Precipitación [mm]

Tdp

Punto de inflexión

Determinazione del tempo minimo per considerare la separazione di due eventi

Con questi parametri si possono identificare tutti gli episodi e per ognuno calcolare la pioggia accumulata su diversi intervalli di tempo Ti, vincolando a questo la portata massima tra l’inizio dell’episodio e l’istante Ti + Tc. Per poter determinare una relazione tra l’umidità del suolo all’inizio di ogni evento e il volume accumulato di pioggia antecedente, si realizza un’analisi di correlazione a scala mensile a partire da serie generate. Seguendo questa considerazione, si costruiscono grafici discretizzati per mesi dove si rappresenta l’umidità del suolo all’inizio dell’evento (AMC – Antecedent Moisture Condition) in funzione del volume cumulato di pioggia nei 30 giorni anteriori all’inizio dell’evento. Gli eventi si separano in funzione dello stato iniziale di umidità del bacino, AMCI (0.8-0.9) e AMCII (0.9-1). Questi gruppi si determinano calcolando le curve di soglia di precipitazione per e diverse umidità possibili ed in intervalli di 0.1, ed in seguito si raggruppano gli stati di umidità le cui curve si approssimano.

1 0.9 0.8 0.7

AMC

0.6 0.5 0.4 0.3 0.2 0.1

Figura 3

o Se pt ie m br e O ct ub re No vie m br e Di ci em br e

Ju lio

Ag os t

Ju ni o

Ab ril

M ay o

M ar zo

Fe br er o

En er o

0

Condizione iniziale di umidità del suolo in funzione del volume di pioggia accumulato nei 30 giorni anteriori, riferita al mese di maggio, e grafico box-plot dell’umidità del bacino

Determinazione della funzione di probabilità condizionata Per il calcolo della distribuzione delle portate condizionate al volume cumulato di pioggia si utilizza la distribuzione Meta Gaussiana (Kelly e Krzysztofowicz, 1997), nella quale, dato un vettore (X, Y) di variabili aleatorie, si definiscono le funzioni di distribuzione marginali F(x) e G(y), che sono arbitrarie, monotone crescenti e continue; le rispettive densità di probabilità sono f e g. La funzione di distribuzione metagaussiana H e la densità h(x, y) sono: H(x, y)  P(X  x, Y  y)  B(Q  1 (F(x)),Q  1 (G(y));γ) , h ( x, y ) 

f ( x) g ( y ) 1  2



e

2 (1 2 )









 



2 2  Q 1 ( F ( x ))  2  Q 1 ( F ( x )) Q 1 ( G ( y ))  Q 1 ( G ( y ))   

Utilizzando l’equazione anteriore, e data una portata critica y, si cerca il volume accumulato x tale che la probabilità condizionata 1-K(y|x) sia uguale a 0.1, 0.2, 0.3, ..., 0.9. In questo modo si calcola per ogni intervallo di tempo il volume di precipitazione che definisce la superazione della portata critica con una certa probabilità assegnata. Si esegue la stessa operazione per ogni AMC, ottenendo un gruppo di curve per ogni stato di umidità.

AMCI - Caldas de Reis 300

0.9

Qmax = 183 m3/s Vacum en la estación Castrove [mm]

250

0.8 200

0.7 0.6

150

0.5 0.4 0.3 0.2

100

0.1 50

0 0

4

8

12

16

20

24

28

32

36

40

44

48

52

56

60

64

68

72

76

80

T [hs.]

Figura 4

Curve di soglia di precipitazione per uno stato di umidità tra 0.7 e 0.9 e probabilità tra 0.1 e 0.9

Modellazione idrologica La previsione idrologica si realizza mediante l’uso di un modello distribuito fisicamente basato, il modello TOPKAPI (TOPographic Kinematic Approximation and Integration, Todini et al, 2005). La scelta di questo modello deriva da un’analisi dello stato dell’informazione sul territorio e della strumentazione implementata sui bacini. In primo luogo, si è scelto un modello fisicamente basato in quanto non si dispone di misure di portata affidabili e continue per poter calibrare un modello. Si è preferito quindi far uso di un modello che si basi su pochi parametri, e che questi parametri possano essere dedotti dalle caratteristiche fisiche del suolo, come i profili pedologici, l’uso del suolo e la topografia del terreno.

La scelta del modello TOPKAPI per realizzare le previsioni di portate nei bacini dell’ambito del’autorità Galizia – Costa mediante l’accoppiamento con previsioni meteorologiche di pioggia (QPF) elaborate da MeteoGalicia si è basata sulla qualità e rigorosità del modello, sulla facilità per ottenere i valori modali dei parametri fisici, sull’interpretazione fisicamente basata e immediata dei parametri, e sull’applicabilità del modello a diverse scale, conservando, all’aumentare la scala, il significato fisico del parametro. Nella seguente tabella si presentano i parametri necessari per stabilire topologicamente il modello idrologico in ogni bacino, indicando in che componente del modello si usa ed il significato fisico dello stesso.

Componente del modello

Suolo

Parametro e significato

Simbolo del parametro

Spessore del suolo

L

Conduttività idraulica satura

Ks

Contenuto d’acqua residuale

θr

Contenuto d’acqua a saturazione

θs

Superficie

Coefficiente di Manning in versante

Ns

Canale

Coefficiente di Manning in canale

Nc

I parametri possono essere stimati a partire da mappe GIS, come il Modello di Elevazione Digitale (DEM), la granulometria, la litologia, la pedologia e l’uso dei suoli.

PROCESO DE CELDA

FLUJO EN LADERA

FLUJO EN CANAL

Evapo-traspiración

Escorrentía superficial

Infiltración

Escorrentía subsuperficial

Percolación

Propagación en canal

Escorrentía subterránea

Figura 5

Schema generale del funzionamento del modello TOPKAPI

Il fatto che il modello sia distribuito garantisce che l’informazione di pioggia e temperatura, sia misurate che previste, si approfitterà al massimo. Tutti i bacini sono stati caratterizzati con maglie quadrate di celle da90x90 m a 200x200 m.

La scelta dei bacini da modellare e dei punti di previsione è stata realizzata rispondendo alle priorità esistenti previste dal Piano Idrologico dell’Autorità di Bacino Galizia – Costa. Nell’attualità esistono 55 punti dove si possono ottenere previsioni di portate. I bacini modellati sono: Umia, Sar, Ulla, Tambre, Anllons, Lerez, Eume, Xubia, Verdugo, Landro, Mero, Mandeo, Ouro, Masma, Xallas, Grande e Covo.

RIO SAR 90

0

80 5

70

Q (m3/s)

10 TOPKAPI Aforo Sar

50

Observado Aforo Sar Pluviometro Santiago

40

15

Precipitaciรณn (mm)

60

30

20

20

10

0 06/01/2008 00:00

08/01/2008 00:00

10/01/2008 00:00

12/01/2008 00:00

14/01/2008 00:00

16/01/2008 00:00

25 18/01/2008 00:00

Fecha

RIO OURO 80

0

70 5

Q (m3/s)

50

TOPKAPI Aforo Ouro Observado Aforo Ouro Pluviometro Fragavella

10

40 15

30

Precipitaciรณn (mm)

60

20 20 10

0 30/12/2007 00:00

01/01/2008 00:00

03/01/2008 00:00

05/01/2008 00:00

07/01/2008 00:00

09/01/2008 00:00

11/01/2008 00:00

13/01/2008 00:00

15/01/2008 00:00

17/01/2008 00:00

25 19/01/2008 00:00

Fecha

Figura 6

Risultati di simulazione in due punti di previsione dei fiumi Sar e Ouro e portate osservate nelle stazioni di misura corrispondenti

Figura 7

Punti di previsione e bacini

Architettura del sistema Per l’implementazione del sistema ARTEMIS si sono utilizzati i seguenti elementi di software: 1) Server Apache/Tomcat 5.5.9. Per poter accedere all’informazione si è optato per un server che alberga tutti i file. Per questo, si usa un server Apache/Tomcat 5.5.9 con le seguenti caratteristiche: a. Sistema operativo Linux (è possibile installare anche Windows) b. Contenitore Servlets con ambiente JSP 2) RDBMS (Relational Database Management System). Il Database al quale si accede per ottenere le informazioni necessarie è di tipo Oracle 10g. Si tratta di un Sistema Gestore di Database Relazionale (RDBMS) che supporta l’accesso via SQL e via linguaggio di programmazione. Possiede anche un linguaggio di programmazione chiamato PL/SQL. I database Oracle possiedono due strutture primarie, la struttura fisica (dati immagazzinati) e la struttura logica (rappresentazione astratta dei dati). Un RDBMS Oracle è composto da tre parti principali: a. Un kernel Oracle, che è il cuore del RDBMS Oracle, e maneggia le funzioni di immagazzinamento e definizione di dati, di somministro e limitazione di accessi ai dati, e la concorrenza di utenti. Permette anche il backup e il recupero di dati, ed interpreta SQL e PL/SQL b. Le istanze del Sistema di Database c. I file relazionati al sistema dei database.

3) Scripts JSP (JavaServlet Pages) e SERVLETS. Nella realizzazione dello studio, si è scelto il linguaggio di programmazione JSP (JavaServlet Pages). Si tratta di un linguaggio con una caratteristica principale, e cioè che permette di generare pagine web in modo dinamico nel server. Le pagine JSP sono composte da codice di tipo HTML/XML, mescolato con etichette speciali per programmare script del server nella sintassi Java.

4) Scripst APPLETs. Si tratta di piccole applicazioni scritte in Java e che si diffondono via internet per essere eseguite nell’ambito della visualizzazione del Client dell’utente; ciò significa che si scaricano ed eseguono nella macchina dell’utente, per evitare così rallentamenti dovuti alla saturazione del modem o della capacità della linea.

Permettono caricare via internet un’applicazione di tipo “portatile”, che si esegue nel browser. L’unico requisito indispensabile è che il browser sia in grado di interpretare Java. In realtà le applets presentano alcune piccole differenze con le applicazioni java classiche: a. Si caricano mediante un browser, e non attraverso il compiler Java b. Sono caricate via internet attraverso pagina HTML e non risiedono nell’hard disk del computer che le esegue c. Si eseguono ogni volta che l’utente ricarica la pagina nella quale si trova l’applet d. Hanno meno privilegi delle applicazioni classiche, per motivi di sicurezza.

Questo sistema consta quindi di diverse parti, ognuna implementata in un linguaggio di script adeguato alla funzionalità di ogni processo. Questo sistema si monta in un server web sufficientemente versatile da ammettere interrelazioni con altri sistemi operativi, Map Servers e linguaggi di programmazione standard.

Figura 8

Architettura e tecnologia utilizzate nel Sistema Artemis

Lo sviluppo dei lavori implica l’implementazione di un sistema di informazione che permetta la gestione dei dati e risultati che si ottengono mediante query ad un database (Oracle in questo caso), la quale deve trovarsi in relazione con i fenomeni fisici che rappresenta, il tutto organizzato in modo spazialmente distribuito. Queste considerazioni portano a realizzare un sistema di informazione geografica; per questo motivo, è necessario realizzare un sistema di informazione geografica orientato alla trasmissione di dati via internet.

Si è deciso quindi di implementare un Map Server a modo di GIS, come si descrive di seguito.

Si utilizza il Map Server UMN MapServer; un Map Server è un software capace di interagire con fonti di dati GIS e presentarli via internet, grazie ad un web server come quello richiesto per l’implementazione del sistema. Questo web server, come si è accennato in precedenza, è un software che abilita il computer in cui risiede alla pubblicazione di contenuti su internet. Una volta abilitato il computer, si può installare un Map server per rappresentare dati geografici, come si mostra nello schema seguente.

Figura 9

Schema generico di un sistema di informazione con Map Server

In questo schema generico, vari computer si connettono via intranet/internet ad un map server, che grazie alla connessione con il computer che contiene il map server, si connette ad una fonte di dati GIS (che può risiedere nello stesso computer, in un server cartografico specifico, o su internet), e ottiene o modifica tali dati, ridando all’utente contenuti che il suo browser può capire e interpretare, cioè documenti HTML, XML, grafici, ecc. In questo modo, l’utente non ha bisogno di nessun software specifico, ma solo del suo browser, e, in certi casi, una macchina virtuale Java. L’amministratore può avere un software GIS installato in un altro computer dal quale può accedere ai dati e modificarli.

L’UMN MapServer è un programma open source per la costruzione di applicazioni web con cartografia, realizzato dall’Università del Minnesota. Il programma dispone di caratteristiche che lo rendono molto attrattivo in progetti di questo tipo, dato che è open source, gratuito, multipiattaforma, con una comunità di utenti enorme ed una quantità considerabile di referenze (http://mapserver.gis.umn.edu). Permette di sviluppare siti web senza la necessità di conoscere alcun linguaggio di programmazione, a parte il semplice HTML. Questo vantaggio permette di costruire siti con cartografia più o meno semplici in un tempo ristretto. Un’altra caratteristica interessante è la scalabilità Può aumentare le sue funzioni mediante l’uso di linguaggi di programmazione web come Javascript, e soprattutto permette l’accesso al programma da parte di script come php, Perl, Python, ecc. Ciò permette un’elevata personalizzazione delle applicazioni prodotte. L’accesso a MapServer tramite script si conosce come mapscript.

Lo sviluppo di questo modello è costante, giacché appaiono nuove versioni ogni poco tempo, in cui si aumentano i formati compatibili e le funzioni. Attualmente UMN MapServer è capace di connettersi con le seguenti fonti di dati: -

Vettoriali: shapefiles di ESRI, ArcSDE, Oracle, PostGreSQL/PostGis, ODBC e qualsiasi formato supportato dalla biblioteca OGR; Raster: ArcINFO, ASCII Grid, Arc/Info Binary Grid (.adf), TIFF/GeoTIFF, ERDAS Imagine, e qualsiasi formato supportato dalla biblioteca GDAL.

Può generare contenuti nei seguenti formati: JPEG/JPEG200, GIF, PNG, SWF o PDF. Permette inoltre di includere etichette con font TrueType, e proiettare al momento dati geografici, grazie alla biblioteca PROJ4.

Come ultima caratteristica, si menziona che si possono produrre dati in formato WMS e WFS, stabiliti dal Open Geospatial Consortium (OGC), che permettono di caricare dati del server su server terzi.

Caratteristiche operative del sistema Il sistema ARTEMIS genera previsioni a breve termine in tempo reali, accoppiando previsioni quantitative di precipitazione del modello numerico di previsione meteorologica WRF (Weather Research and Forecasting), annidato nel GFS (Global Forecasting System), eseguito due volte al giorno (00z e 12z) da MeteoGalizia nel supercomputer Finisterrae del

CESGA (Centro di Supercomputazione di Galizia) al modello idrologico distribuito e fisicamente basato TOPKAPI (TOPographic Kinematic APproximation and Integration, Todini et al. 1995).

Le previsioni quantitative di precipitazione (QPF) realizzate da MeteoGalizia con il modello WRF hanno una risoluzione spaziale di 4x4 km ed una scala temporale oraria, con un orizzonte di previsione di 72 ore. Il modello idrologico integrato nel sistema, TOPKAPI, è un modello idrologico distribuito e fisicamente basato, i cui parametri sono stimati a partire dalle caratteristiche fisiche del bacino (uso del suolo, tipo di suoli, pedologia, modello digitale del terreno). La scala temporale della previsione idrologica, come, quella meteorologica, è oraria; ciò permette di ottenere portate con la precisione necessaria ad un’ottimale previsione di piena nei bacini della Galizia. La scala spaziale è di 90x90 m fino a 200x200 m in funzione delle dimensioni dei vari bacini. Attualmente il sistema ARTEMIS è operativo per 17 bacini e per 55 punti di previsione idrologica.

Il sistema ARTEMIS funziona in continuo, gestendo dati idrometeorologici ed analizzando in tempo reale lo stato di umidità del suolo; quest’operazione si svolge perché ad un’allerta meteorologica non corrisponde sempre un’allerta idrologica, e la variabile che definisce la relazione tra questi due fenomeni è proprio l’umidità del suolo. Per questo motivo si sono stabiliti dei criteri che permettono valutare a priori, a partire dalla previsione meteorologica, se è conveniente lanciare un allarme idrologico. Lo stato di umidità del suolo antecedente all’evento è il parametro fondamentale all’interno delle condizioni iniziali del modello idrologico, e di conseguenza la risposta ad uno stesso evento di pioggia può essere molto distinta. Per questo motivo è stato incorporato al sistema un analisi dello stato iniziale bacino per bacino con un approccio bayesiano, nel quale , in funzione della pioggia antecedente, si ottiene una famiglia di curve di allerta di superamento di una portata critica, relazionando la quantità di pioggia prevista (QPF) e lo stato di umidità del suolo del bacino.

Lo stato di umidità antecedente, nel caso della Galizia, si ottiene a partire della precipitazione cumulata negli ultimo 30 giorni; ciò da la possibilità di selezionare la curva di avviso associata allo stato di umidità del suolo in un preciso istante. Data una previsione meteorologica (QPF), si compara la precipitazione prevista con la curva di allerta corrispondente ad ogni punto di previsione; in questo modo, il sistema ARTEMIS informa automaticamente se la previsione meteorologica può convertirsi in allerta idrologica in un punto qualsiasi dei 55 punti di previsione, eseguendo automaticamente la previsione idrologica mediante una simulazione del modello TOPKAPI. Questo processo si realizza due volte al giorno, seguendo le previsioni meteorologiche disponibili (00z e 12z). Gli idrogrammi previsti sono comparati con le portate critiche stabilite previamente in funzione dei danni attesi nei punti di previsione. I livelli di allerta vengono definiti dalla relazione Q-V (portata – vulnerabilità), e sono stati ottenuti a partire dalle regole di gestione delle dighe presenti e dalla zonificazione delle aree inondabili disponibili nell’organismo Augas de Galicia per ognuno dei punti di previsione.

Il sistema di previsione di piena ARTEMIS Prestazioni del sistema In questo capitolo si presentano alcuni grafici di validazione del modello TOPKAPI nei bacini più rappresentativi del sistema Galizia – Costa (Mandeo, Landro, Verdugo, Xubia). I dati di portate misurate disponibili si limitano ad alcuni mesi del 2006 ed al periodo ottobre 2009 – dicembre 2010.

Si mostreranno i grafici delle prestazioni del modello TOPKAPI utilizzando i dati di pioggia misurata (pluviometri) ed i dati di pioggia prevista (modello WRF), quest’ultima solo per il periodo ottobre – dicembre 2010. Per quanto riguarda la pioggia prevista, si utilizzano le previsioni più vicine nel tempo, usualmente a 12 ore, anche se in alcuni casi sono state utilizzate previsioni a 24 ore.

Mandeo

Figura 1: grafico di validazione

300

Qobs Qsim

Portate (m3/s)

250

200

150

100

50

0

Figura 2: grafico di validazione 180

Qobs

160

Qwrf

Portate (m3/s)

140 120 100 80 60 40 20 0

Figura 3: grafico di validazione (pioggia prevista)

Landro

Figura 4: grafico di validazione 180

Qobs

160

Qsim

Portate (m3/s)

140 120 100 80 60 40 20 0

Figura 5: grafico di validazione (indice di Nash e Sutcliffe = ) 90 80

Qobs Qwrf

Portate (m3/s)

70 60 50 40 30 20 10 0

Figura 6: grafico di validazione

Verdugo 600

Qobs Qsim

Portate (m3/s)

500

400

300

200

100

0

Figura 7: grafico di validazione 250

Qobs Qwrf

Portate (m3/s)

200

150

100

50

0

Figura 8: grafico di validazione (pioggia prevista)

Xubia 60

Qobs Qsim

Portate (m3/s)

50

40

30

20

10

0

Figura 9: grafico di validazione 60

Qobs Qwrf

Portate (m3/s)

50

40

30

20

10

0

Figura 10: grafico di validazione (pioggia prevista)

Conclusioni Come si può osservare dai grafici, la validazione dei modelli da risultati soddisfacenti, soprattutto per quanto riguarda la riproduzione dei picchi. Il modello è leggermente più carente nella riproduzione delle recessioni degli idrogrammi di piena di alcuni bacini, ma, dato che l’obiettivo della modellazione idrologica è l’integrazione del modello in un sistema di previsione di piena, quest’aspetto si può considerare secondario. I pochi errori che si osservano nella riproduzione dei picchi sono dovuti, nella maggior parte dei casi, ad errori di registrazione della precipitazione dei pluviografi Per quanto riguarda il comportamento del modello idrologico quando è alimentato con la precipitazione prevista dal modello meteorologico, è evidente che i risultati sono ottimi ed incoraggianti, dato che, in un sistema accoppiato modello meteorologico-idrologico, il punto debole è solitamente la quantificazione della precipitazione da parte del modello

meteorologico. Si osserva che i picchi di portate sono solitamente ben riprodotti, tranne in alcuni casi, nel quali il modello ha fornito una previsione sottostimata della pioggia.

Bibliografia Kelly K.S. e Krzysztofowicz R., 1997. A bivariate meta-Gaussian density for the use in hydrology. Stochastic Hydrology and Hydraulics 11, 17-31.

Koutsoyiannis, D., 1994. A stochastic disaggregation method for design storm and flood synthesis. Journal of Hydrology 156, 193-225.

Koutsoyiannis, D., e A. Manetas, 1996. Simple disaggregation by accurate adjusting procedures. Water Resources Research 32(7), 2105-2117.

Lui Zhiyu, Martina M.L.V. e Todini E., 2005. Flood forecasting using a fully distributed model: application of the TOPKAPI model to the Upper Xixian Catchment. Hydrology and Earth System Sciences 9(4), 347-364.

Martina M.L.V., Todini E. e Libraron A., 2006. A Bayesian decision approach to rainfall thresholds based flood warning. Hydrology Earth System Sciences 10, 1–14.

RodrĂ­guez-Iturbe, Gupta e Waymire, 1984. Scale considerations in de modelling of temporal rainfall. Water Resources Research 20(11), 1611-1619.