Analisi Approfondita delle Prospettive di Intensità dell’Oscillazione El Niño-Southern (ENSO): Strategie di Previsione e Valutazione Comparativa

Analisi Approfondita delle Prospettive di Intensità dell’Oscillazione El Niño-Southern (ENSO): Strategie di Previsione e Valutazione Comparativa
MICHELLE L. L’HEUREUX,
a MICHAEL K. TIPPETT,
b KEN TAKAHASHI,
c ANTHONY G. BARNSTON,
d
EMILY J. BECKER,
a,e GERALD D. BELL,
a TOM E. DI LIBERTO,
f,g JON GOTTSCHALCK,
a
MICHAEL S. HALPERT,
a ZENG-ZHEN HU,
a NATHANIEL C. JOHNSON,
h,i YAN XUE,
a E WANQIU WANG
a
a NOAA/NWS/NCEP/Climate Prediction Center, College Park, Maryland
b Dipartimento di Fisica Applicata e Matematica Applicata, Columbia University, New York, New York
c Servizio Nazionale di Meteorologia e Idrologia del Perù, Istituto Geofisico del Perù, Lima, Perù
d International Research Institute for Climate and Society, Columbia University, New York, New York
e Innovim, College Park, Maryland
f NOAA/Climate Program Office, Silver Spring, Maryland
g CollabraLink Technologies, Silver Spring, Maryland
h NOAA/Geophysical Fluid Dynamics Laboratory, Princeton, New Jersey
i Programma di Scienze Atmosferiche e Oceaniche, Princeton University, Princeton, New Jersey
(Manoscritto ricevuto il 27 luglio 2018, accettato in forma definitiva il 7 novembre 2018)

RIASSUNTO ESTESO
L’Oscillazione El Niño-Southern (ENSO) rappresenta uno dei fenomeni climatici più influenti a livello globale, con impatti significativi su modelli meteorologici, ecosistemi e attività socio-economiche. La previsione accurata delle sue fasi – El Niño, La Niña o condizioni neutre – e della loro intensità è quindi una priorità per la comunità scientifica e operativa. In questo studio, vengono messe a confronto tre metodologie distinte per la formulazione di prospettive previsionali probabilistiche relative all’ENSO, con l’obiettivo di valutare la loro efficacia in termini di affidabilità e capacità predittiva.

La prima metodologia esaminata è di natura soggettiva e si basa sull’approccio attualmente adottato dal NOAA/Climate Prediction Center (CPC) per generare le prospettive ufficiali sull’ENSO. Questo processo si avvale dell’esperienza e del giudizio umano dei previsori, i quali integrano dati osservativi, modelli numerici e conoscenze pregresse per stimare le probabilità delle diverse categorie ENSO. Sebbene questo metodo permetta una certa flessibilità interpretativa, la sua dipendenza da valutazioni qualitative può introdurre variabilità e potenziali bias, riducendo talvolta la coerenza delle previsioni.

La seconda strategia è invece completamente oggettiva e si fonda sull’utilizzo dell’Ensemble Multimodello Nordamericano (NMME), un sistema avanzato che integra le simulazioni di molteplici modelli climatici per produrre previsioni statistiche. L’approccio NMME offre il vantaggio di una standardizzazione e di una maggiore ripetibilità, eliminando l’influenza soggettiva. Tuttavia, tale metodologia non è esente da criticità: in alcune circostanze, si sono verificati errori previsionali significativi (“forecast busts”), attribuibili a limitazioni intrinseche dei modelli o a una rappresentazione inadeguata delle incertezze associate alle dinamiche dell’ENSO.

In risposta a queste sfide, viene proposta una terza strategia innovativa, che mira a combinare i punti di forza delle due precedenti. In questo approccio ibrido, il ruolo del previsore umano si limita alla stima del valore atteso dell’indice Niño-3.4 – un indicatore chiave delle condizioni dell’ENSO basato sulle anomalie della temperatura superficiale del mare nella regione equatoriale del Pacifico centrale. Successivamente, le probabilità categoriali vengono calcolate in modo oggettivo, sfruttando un’analisi retrospettiva delle performance previsionali passate (skill). Questo metodo consente di mantenere il valore aggiunto dell’intuizione umana nella determinazione della tendenza centrale, delegando però alla componente algoritmica la quantificazione dell’incertezza, che viene così rappresentata in modo più sistematico e affidabile.

I risultati dell’analisi comparativa evidenziano che la nuova strategia proposta supera entrambe le alternative in termini di prestazioni. Rispetto all’approccio soggettivo del CPC, il metodo ibrido genera probabilità più definite e sicure, evitando l’eccessiva cautela che spesso caratterizza le stime umane. Confrontato con l’approccio NMME, invece, il nuovo sistema riduce l’incidenza di errori macroscopici, grazie alla capacità dei previsori di cogliere sfumature che i modelli numerici potrebbero non rappresentare adeguatamente. I punteggi di verifica (verification scores) ottenuti con la terza strategia risultano sistematicamente più elevati, un risultato attribuibile alla sinergia tra la competenza umana nella stima della media e una rappresentazione più accurata dell’incertezza, che i previsori tendono a sottostimare rispetto a quanto effettivamente giustificato dai dati storici.

Un ulteriore vantaggio della nuova metodologia risiede nella sua capacità di produrre previsioni probabilistiche ad alta risoluzione, includendo informazioni dettagliate sull’intensità dell’ENSO (ad esempio, distinguendo tra eventi deboli, moderati o forti). Questa caratteristica è particolarmente rilevante per gli utenti finali, come decisori politici o gestori di risorse, che necessitano di stime precise sugli scenari estremi. Per dimostrarne l’efficacia, è stato sviluppato e testato un outlook ENSO a nove categorie, che si è rivelato skillful, ossia in grado di superare le prestazioni di una previsione casuale o climatologica. Tale livello di granularità è difficilmente ottenibile con l’approccio soggettivo tradizionale, a causa dei limiti cognitivi e pratici dei previsori, ed è altrettanto problematico per l’approccio NMME, che tende a privilegiare categorie più ampie.

In conclusione, la strategia proposta non solo migliora l’accuratezza e l’utilità delle prospettive ENSO, ma si configura come un framework potenzialmente applicabile ad altri contesti previsionali in cui sia richiesta una combinazione di dettaglio probabilistico e robustezza statistica. Questo approccio rappresenta un passo avanti verso una climatologia operativa più raffinata, capace di rispondere alle crescenti esigenze di informazioni climatiche precise e affidabili, soprattutto in scenari caratterizzati da elevata variabilità o estremi climatici.

1. Introduzione
L’Oscillazione El Niño-Southern (ENSO) si configura come uno dei principali motori della variabilità climatica globale su scale temporali che vanno dal livello substagionale a quello stagionale, rappresentando, al di là degli effetti del cambiamento climatico antropogenico, la fonte predominante di capacità predittiva (skill) per le prospettive climatiche a lungo termine, fino a un anno (Barnston et al. 2010; Peng et al. 2012). Questo fenomeno, che si manifesta attraverso fasi distinte – calda (El Niño), neutra e fredda (La Niña) – influisce profondamente sui regimi meteorologici, sugli ecosistemi terrestri e marini e sulle attività umane, rendendo la sua previsione un elemento cruciale per la pianificazione e la gestione delle risorse. Di conseguenza, numerosi servizi climatici, sia a livello nazionale che internazionale, elaborano e diffondono regolarmente prospettive previsionali per l’ENSO, strutturate in tre categorie fondamentali: El Niño, condizioni neutre e La Niña. Sebbene gli indici specifici e le soglie utilizzate per definire queste fasi possano differire tra i vari enti, le prospettive sono generalmente formulate in termini probabilistici, con percentuali assegnate a ciascuna categoria per i mesi o le stagioni successive.

Presso il Climate Prediction Center (CPC) della NOAA, un gruppo di esperti previsori – alcuni dei quali figurano come coautori di questo studio – si riunisce mensilmente per analizzare le più recenti proiezioni dell’indice Niño-3.4, che misura l’anomalia della temperatura superficiale del mare (SST) mediata sull’area del Pacifico equatoriale centrale compresa tra 120°-170° Ovest e 5° Sud-5° Nord. Basandosi su tali dati, il team emette stime probabilistiche per stagioni sovrapposte che coprono un arco temporale di 9 mesi. Le informazioni di supporto per queste previsioni derivano da un’ampia gamma di strumenti: i modelli numerici possono fornire output deterministici, come traiettorie specifiche dell’indice Niño-3.4 (Barnston et al. 2012, 2017), oppure probabilistici, con distribuzioni di probabilità associate (Unger et al. 2009). Sebbene sia possibile generare probabilità a partire da singoli modelli, i previsori tendono a privilegiare approcci basati su combinazioni multimodello, che integrano i risultati di diversi sistemi di simulazione climatica (Tippett et al. 2012; Barnston et al. 2015; Becker e van den Dool 2016). Le stime probabilistiche elaborate individualmente da ciascun previsore vengono successivamente raccolte, mediate e consolidate per costituire la prospettiva probabilistica ufficiale sull’ENSO del NOAA/CPC, un prodotto ampiamente utilizzato da stakeholder pubblici e privati.

L’interesse per una caratterizzazione più dettagliata delle dinamiche dell’ENSO è emerso con particolare evidenza durante le fasi iniziali del notevole evento El Niño del 2015-16 (L’Heureux et al. 2017). In quel contesto, gli utenti finali hanno manifestato la necessità di una “prospettiva di intensità” che non si limitasse a indicare la probabilità di occorrenza di El Niño, ma che fornisse anche informazioni quantitative sulla probabilità che l’evento superasse soglie predefinite di intensità. Questa richiesta riflette l’esigenza di distinguere tra eventi di magnitudine moderata e fenomeni estremi, i cui impatti socio-economici e ambientali possono differire drasticamente. Gli strumenti di previsione attualmente disponibili sono tecnicamente in grado di fornire indicazioni sull’intensità dell’ENSO, e in alcuni casi gli aggiornamenti ufficiali del CPC hanno incluso valutazioni qualitative della forza prevista. Tuttavia, l’espansione del numero di categorie considerate nelle prospettive probabilistiche presenta sfide significative, sia dal punto di vista metodologico che operativo.

Un ostacolo fondamentale è legato alla difficoltà intrinseca che i previsori umani incontrano nell’ampliare il numero di categorie da prevedere. Anche lavorando con il sistema a tre categorie tradizionale, i previsori spesso trovano arduo elaborare una distribuzione di probabilità che sia statisticamente coerente con le loro aspettative sul comportamento futuro dell’ENSO. Ad esempio, a partire da una previsione probabilistica a tre categorie, è possibile calcolare il valore atteso dell’indice Niño-3.4 assumendo che la distribuzione sottostante segua una funzione di probabilità gaussiana (PDF; si veda l’appendice per una descrizione dettagliata del metodo di conversione). Tuttavia, questa procedura diventa problematica quando la probabilità di una specifica categoria – come El Niño o La Niña – si avvicina al 100%, come avvenne durante il picco del forte El Niño del 2015-16. In tali circostanze, la PDF gaussiana risulta estremamente sensibile alle variazioni anche minime delle probabilità assegnate alle tre categorie. Ad esempio, una differenza tra una probabilità di El Niño del 99,9% e del 99,99% può alterare in modo significativo sia la media che la varianza della distribuzione implicita, con implicazioni rilevanti per l’interpretazione del forecast. Questa sensibilità rappresenta una sfida per i previsori, poiché anche i professionisti più esperti possono non percepire pienamente le conseguenze delle loro scelte probabilistiche su tali scale estreme.

Per illustrare questa complessità, la Figura 1 presenta due distribuzioni ipotetiche, entrambe caratterizzate da una probabilità prossima al 100% per El Niño, calcolata secondo la soglia standard della NOAA di 0,58°C. In questo esempio, la probabilità che l’indice Niño-3.4 superi i 2,08°C – un valore effettivamente osservato durante l’evento del 2015-16 – varia notevolmente: dall’86% (area sotto la curva blu) al 97% (area sotto la curva verde). Parallelamente, il valore medio atteso della distribuzione può oscillare tra 2,98°C e 3,88°C, a seconda delle probabilità specifiche assegnate. Questi risultati dimostrano come una variazione apparentemente trascurabile, nell’ordine del decimo o centesimo di punto percentuale nel 99° percentile, possa avere un impatto profondo sia sulla probabilità di eventi estremi sia sulla stima del valore centrale atteso. Tale dinamica sottolinea la necessità di approcci più robusti e strutturati per rappresentare l’incertezza e l’intensità nelle previsioni ENSO, superando i limiti dell’intuizione umana in contesti di alta complessità statistica.La difficoltà intrinseca che i previsori incontrano nel fornire stime probabilistiche affidabili per gli estremi dell’Oscillazione El Niño-Southern (ENSO) suggerisce la possibilità di affidarsi esclusivamente a strumenti di guida modellistica oggettiva per elaborare le probabilità associate alle prospettive di intensità dell’ENSO. Questo approccio potrebbe, in teoria, semplificare il processo previsionale eliminando la componente soggettiva umana, notoriamente suscettibile a bias e limitata nella capacità di quantificare con precisione l’incertezza in scenari estremi. Tuttavia, l’adozione di una strategia puramente oggettiva solleva immediatamente interrogativi complessi e controversi: quale modello, o combinazione di modelli, dovrebbe essere considerato sufficientemente affidabile per fungere da base per tali previsioni? La scelta non è scontata, poiché i modelli climatici differiscono per struttura, parametrizzazioni e capacità di rappresentare accuratamente le dinamiche dell’ENSO. Inoltre, anche una volta selezionato un modello o un ensemble di modelli, la definizione di un metodo robusto per tradurre i loro output in probabilità categoriali rimane una questione non banale, che richiede decisioni su come gestire la dispersione degli ensemble, la calibrazione delle distribuzioni e la rappresentazione delle incertezze residue.

Postponendo temporaneamente questa problematica tecnica, emerge la necessità di un’analisi comparativa rigorosa per determinare se le previsioni oggettive meritino di essere privilegiate rispetto a quelle soggettive. Tale valutazione non può limitarsi a un confronto superficiale delle prestazioni medie, poiché l’abilità previsionale media (average skill) non cattura appieno l’esperienza degli utenti finali dei prodotti previsionali. In particolare, è fondamentale considerare l’impatto dei cosiddetti “forecast busts” – errori previsionali di grande entità che possono compromettere la fiducia nei sistemi di previsione e avere conseguenze significative per i decisori. La letteratura esistente ha raramente esplorato questi aspetti in modo sistematico, limitandosi spesso a metriche aggregate di abilità che trascurano la variabilità e gli eventi anomali. In questo studio, intendiamo superare tali limitazioni, proponendo un’analisi più completa che integri sia le prestazioni medie sia la resilienza dei metodi previsionali di fronte a situazioni critiche.

Per affrontare queste sfide e rispondere alle esigenze di una previsione più raffinata, introduciamo un nuovo schema per la formulazione di prospettive probabilistiche dell’ENSO, progettato per bilanciare il contributo umano con un approccio statistico strutturato. Diversamente dagli approcci tradizionali, che richiedono ai previsori di definire direttamente le probabilità per ciascuna categoria ENSO (El Niño, neutrale, La Niña), la nostra metodologia limita il ruolo del previsore alla stima del valore medio atteso dell’indice Niño-3.4 – un indicatore standard basato sulle anomalie della temperatura superficiale del mare nel Pacifico equatoriale centrale. Le probabilità categoriali vengono successivamente derivate in modo oggettivo, sfruttando le statistiche storiche della variabile di interesse (l’indice Niño-3.4) e le stime dell’abilità previsionale (forecast skill) calcolate a partire da dati passati. Questo approccio ibrido presenta diversi vantaggi: da un lato, conserva il valore aggiunto dell’intuizione e dell’esperienza umana nella previsione della tendenza centrale, un aspetto che i previsori possono determinare con relativa facilità interpretando le medie degli ensemble modellistici; dall’altro, delega alla componente algoritmica la quantificazione dell’incertezza, un compito notoriamente complesso per la mente umana, soprattutto quando si tratta di rappresentare scenari estremi.

L’applicazione di questo schema alle previsioni ENSO non si limita a migliorare la metodologia specifica per questo fenomeno, ma funge anche da prova di concetto per un’ampia gamma di prospettive probabilistiche che dipendono da input previsionali umani. In contesti diversi dall’ENSO, ad esempio, i previsori potrebbero essere chiamati a stimare non solo la media, ma anche la mediana o il valore più probabile (moda), con le probabilità derivate di conseguenza attraverso un processo statistico analogo. Questo approccio risulta intuitivo per i previsori, poiché la maggior parte degli strumenti di guida modellistica – come gli ensemble multimodello – presenta i risultati sotto forma di medie, riducendo così la pressione di dover caratterizzare manualmente la dispersione o la forma della distribuzione di probabilità. Inoltre, per quanto riguarda le prospettive di intensità dell’ENSO, il metodo proposto offre un beneficio significativo: la capacità di generare probabilità di superamento (exceedance probabilities) per qualsiasi soglia specificata, inclusi gli estremi, senza richiedere al previsore di affrontare direttamente la complessità di tali stime.

Per validare questa strategia, abbiamo applicato il nostro schema a un set di dati di lunghezza limitata, comprendente 41 previsioni, coprendo un intervallo temporale che include diversi eventi ENSO di varia intensità. I risultati preliminari indicano una notevole coerenza della metodologia proposta across multiple events, suggerendo che essa possa rappresentare una base solida per estendere le attuali prospettive ENSO oltre il tradizionale sistema a tre categorie. Ad esempio, il metodo consente di sviluppare prospettive più granulari, includendo categorie di intensità (es. El Niño debole, moderato, forte), soddisfacendo così le richieste degli utenti per informazioni più dettagliate e specifiche. Sebbene la dimensione del campione analizzato sia relativamente ridotta, i risultati positivi ottenuti forniscono un’indicazione promettente della fattibilità e dell’efficacia del nostro approccio, aprendo la strada a ulteriori perfezionamenti e applicazioni operative.

La struttura del presente studio è organizzata come segue: nella sezione 2 vengono descritti in dettaglio i dati utilizzati e i metodi sviluppati per implementare il nuovo schema previsionale; la sezione 3 presenta i risultati delle verifiche previsionali, confrontando le prestazioni del nostro approccio con quelle dei metodi tradizionali; infine, la sezione 4 offre una discussione approfondita dei risultati, evidenziando i punti di forza e le limitazioni della metodologia proposta, insieme a suggerimenti per futuri sviluppi, come l’integrazione di dataset più ampi o l’adattamento del framework ad altri fenomeni climatici.

La Figura 1 presenta una rappresentazione grafica di due funzioni di distribuzione di probabilità gaussiane (PDF, dall’inglese Probability Density Functions), progettate per illustrare la sensibilità delle stime probabilistiche relative all’intensità dell’Oscillazione El Niño-Southern (ENSO) in risposta a variazioni minime nelle probabilità di occorrenza di un evento El Niño. Questo diagramma riveste un’importanza cruciale nel contesto delle previsioni climatiche, poiché mette in luce le sfide metodologiche e operative associate alla quantificazione dell’incertezza, in particolare per gli scenari estremi. Analizziamo i componenti della figura e le loro implicazioni scientifiche con un approccio sistematico e dettagliato.

Struttura e Componenti della Figura

La figura è organizzata su un sistema di coordinate cartesiane, in cui l’asse orizzontale (asse x) rappresenta i valori dell’indice Niño-3.4, espresso in gradi Celsius (°C), un parametro fondamentale utilizzato per monitorare le anomalie della temperatura superficiale del mare (SST) nella regione del Pacifico equatoriale centrale (120°-170° Ovest, 5° Sud-5° Nord). L’asse verticale (asse y) indica la densità di probabilità, che riflette la frequenza relativa dei diversi valori dell’indice all’interno della distribuzione gaussiana. La figura include due curve sovrapposte: una curva blu e una curva verde, ciascuna associata a una specifica probabilità di occorrenza di un evento El Niño, definito convenzionalmente come un valore dell’indice Niño-3.4 maggiore o uguale a 0,5°C, in linea con le soglie adottate dalla NOAA. Inoltre, una regione ombreggiata in rosso sotto le curve evidenzia una sotto-distribuzione probabilistica di particolare interesse scientifico.

Caratteristiche delle Curve Gaussiane

• Curva Blu: Questa distribuzione gaussiana è costruita assumendo una probabilità del 99,9% che si verifichi un evento El Niño. La forma della curva riflette una concentrazione della massa probabilistica appena sopra la soglia critica di 0,5°C, con una coda che si estende verso valori più elevati. La media e la varianza di questa distribuzione sono determinate dalla probabilità assegnata e dalle proprietà statistiche implicite della gaussiana, che si adatta ai dati previsionali disponibili. Tuttavia, la coda verso gli estremi è relativamente moderata, indicando una probabilità inferiore di eventi di intensità eccezionale.
• Curva Verde: Questa seconda distribuzione gaussiana si basa su una probabilità del 99,99% di El Niño, rappresentando un incremento minimo ma significativo rispetto alla curva blu (0,09% in più). Di conseguenza, la curva verde è leggermente spostata verso valori più alti dell’indice Niño-3.4 e presenta una varianza maggiore, con una coda più pronunciata verso gli estremi. Questa variazione riflette l’impatto di una fiducia ancora più marcata nell’occorrenza di El Niño, che influenza la forma e la distribuzione della probabilità.

Regione Ombreggiata Rossa e Interpretazione degli Estremi

La regione ombreggiata in rosso sotto entrambe le curve delimita l’area corrispondente alla probabilità che l’indice Niño-3.4 superi la soglia di 2,0°C, un valore associato a un evento El Niño di intensità maggiore, comunemente definito come “major El Niño”. Questa soglia è di particolare rilevanza, poiché eventi di tale magnitudine, come quello osservato durante l’El Niño del 2015-16, sono stati caratterizzati da impatti climatici e socio-economici significativi, inclusi fenomeni meteorologici estremi come siccità, inondazioni e perturbazioni degli ecosistemi marini.

• Per la curva blu (99,9%), l’area rossa sottostante corrisponde a una probabilità stimata di circa l’86% che l’indice superi i 2,0°C, riflettendo una distribuzione con una coda meno estesa.
• Per la curva verde (99,99%), l’area rossa si espande, indicando una probabilità più alta, vicina al 97%, di superare la stessa soglia. Questo incremento è il risultato di una media spostata verso valori più elevati e di una varianza aumentata, che amplifica la probabilità di eventi estremi.

Analisi della Sensibilità e Implicazioni Metodologiche

La Figura 1 evidenzia con chiarezza la notevole sensibilità delle distribuzioni gaussiane a variazioni minime nelle probabilità di base, specialmente quando queste si avvicinano al limite del 100%. Tale sensibilità emerge dalla natura matematica della distribuzione gaussiana, che dipende criticamente dalla media e dalla deviazione standard, entrambi influenzati dalla probabilità iniziale assegnata. Ad esempio, un incremento da 99,9% a 99,99% nella probabilità di El Niño comporta una redistribuzione della massa probabilistica che può alterare il valore atteso dell’indice Niño-3.4 di diversi decimi di grado Celsius e modificare significativamente la probabilità di superare soglie critiche come 2,0°C. Questo fenomeno è particolarmente rilevante in contesti previsionali reali, dove anche piccole discrepanze nelle stime possono tradursi in differenze sostanziali nelle decisioni operative, ad esempio nella pianificazione agricola, nella gestione delle risorse idriche o nella preparazione a disastri naturali.

Questa sensibilità rappresenta una sfida significativa per i previsori umani, i quali devono tradurre intuizioni qualitative in stime quantitative precise. Durante eventi estremi, come l’El Niño del 2015-16, quando l’indice Niño-3.4 raggiunse picchi superiori a 2,0°C, la difficoltà di assegnare probabilità coerenti diventa evidente. Anche previsori esperti possono sottostimare o sovrastimare le implicazioni di variazioni decimali nelle probabilità, un problema aggravato dalla complessità di rappresentare distribuzioni gaussiane in presenza di dati limitati o incerti. La Figura 1, quindi, funge da strumento didattico per illustrare questa limitazione intrinseca, sottolineando la necessità di integrare approcci soggettivi con metodi oggettivi basati su statistiche storiche e modelli numerici.

Contesto Scientifico e Applicazioni Future

Nel contesto più ampio delle prospettive climatiche, la Figura 1 supporta l’argomentazione a favore di un approccio ibrido, come quello proposto nel testo, in cui i previsori forniscono solo il valore medio atteso, lasciando che le probabilità siano derivate oggettivamente dalle statistiche dell’indice Niño-3.4 e dall’abilità previsionale passata. Questo metodo non solo riduce il carico cognitivo sui previsori, ma consente anche di generare stime probabilistiche ad alta risoluzione, incluse le probabilità di superamento per soglie estreme. La validità di tale approccio è ulteriormente rafforzata dalla capacità di applicare il concetto a un intervallo di eventi ENSO storici, come dimostrato dall’analisi di 41 previsioni, che ha mostrato coerenza tra diversi scenari climatici.

In conclusione, la Figura 1 non è solo una rappresentazione visiva, ma un contributo concettuale alla metodologia previsionale. Essa evidenzia la complessità della modellazione probabilistica degli estremi climatici e sottolinea l’importanza di sviluppare strumenti statistici avanzati per migliorare la precisione e l’affidabilità delle prospettive ENSO. Ulteriori studi potrebbero esplorare l’integrazione di distribuzioni non gaussiane o l’uso di ensemble multimodello per affinare ulteriormente queste stime, aprendo nuove prospettive per la climatologia operativa.

2. Dati e Metodi
a. Strategia di Previsione

I dati osservati relativi ai valori mensili dell’indice Niño-3.4, un indicatore fondamentale per il monitoraggio delle anomalie della temperatura superficiale del mare nella regione del Pacifico equatoriale centrale, mostrano una distribuzione che si avvicina a una forma gaussiana. Questa caratteristica è stata validata attraverso l’applicazione del test statistico di Kolmogorov-Smirnov, condotto al livello di significatività del 5%, un risultato che trova ulteriore supporto nella Figura S1 disponibile nel materiale supplementare online. La distribuzione gaussiana, ampiamente utilizzata in climatologia per modellare variabili naturali, richiede la definizione di due parametri principali: il valore medio, che rappresenta la tendenza centrale della variabile, e la varianza, che misura la dispersione dei dati attorno a tale media. Nell’ambito della strategia previsionale proposta in questo studio, il ruolo dei previsori è stato delimitato alla fornitura del valore medio atteso dell’indice Niño-3.4 per ciascun orizzonte temporale di previsione. Questa stima viene elaborata sulla base di un’analisi integrata delle proiezioni derivanti da modelli dinamici, che simulano le interazioni fisico-atmosferiche, e da modelli statistici, che si basano su correlazioni storiche. Tale approccio consente di sfruttare l’esperienza umana per sintetizzare le informazioni disponibili, pur spostando la complessità della quantificazione dell’incertezza su un processo oggettivo.

La deviazione standard della previsione, un indicatore chiave dell’ampiezza dell’incertezza associata alla stima, è determinata attraverso un metodo che combina la deviazione standard climatologica osservata con una misura della correlazione tra le previsioni e le osservazioni corrispondenti. Studi precedenti, come quelli di Kumar e Hu (2014), hanno evidenziato che le variazioni nell’incertezza previsionale sono principalmente influenzate dalla durata dell’orizzonte temporale e dal mese di partenza della previsione, piuttosto che da fluttuazioni annuali. Questa osservazione supporta l’ipotesi che le coppie di previsioni e osservazioni, relative a un dato periodo target e a un specifico lead time, possano essere rappresentate da una distribuzione congiunta di tipo gaussiano. In questo contesto, la capacità predittiva, valutata tramite un indice di correlazione tra le previsioni e i dati osservati, viene impiegata per adattare la deviazione standard climatologica, rendendola rappresentativa dell’incertezza specifica della previsione. Tale adattamento riflette il principio che l’incertezza tende ad aumentare con l’allungarsi dell’orizzonte temporale, un fenomeno ben documentato nella letteratura climatologica. Inoltre, riconosce l’esistenza di periodi stagionali particolarmente sfidanti per la previsione dell’indice Niño-3.4, come la barriera di prevedibilità primaverile, un intervallo temporale in cui le dinamiche oceanico-atmosferiche complicate riducono l’affidabilità delle proiezioni.

Per implementare questa metodologia, la deviazione standard climatologica dell’indice Niño-3.4, che varia in base alla stagionalità, è stata calcolata utilizzando un dataset osservativo che copre il periodo dal 1982 al 2010, un intervallo temporale ritenuto rappresentativo delle condizioni climatiche recenti. Successivamente, la deviazione standard è stata ajustata in modo specifico per ogni mese di partenza e per i diversi orizzonti temporali di previsione considerati. Questo processo di regolazione ha l’effetto di restringere la distribuzione di probabilità in proporzione alla capacità predittiva associata a ciascun scenario, riflettendo un livello di fiducia più alto quando le previsioni sono più affidabili. Nei casi in cui la capacità predittiva risulta molto bassa o prossima a zero, la distribuzione previsionale tende ad allinearsi con la distribuzione climatologica, che rappresenta una baseline basata sui dati storici. Sebbene non si sia riscontrato in questa analisi, in situazioni ipotetiche in cui la capacità predittiva risultasse negativa – indicando una previsione peggiore di un’ipotesi casuale – la distribuzione verrebbe ripristinata ai valori climatologici come misura di sicurezza. La capacità predittiva è stata stimata utilizzando le previsioni retrospettive (hindcasts) dell’indice Niño-3.4 realizzate tra il 1982 e il 2010 nell’ambito dell’Ensemble Multimodello Nordamericano (NMME), un sistema che integra i risultati di diversi modelli climatici per migliorare la robustezza delle proiezioni (ulteriori dettagli sull’NMME sono forniti più avanti). Grazie a questa strategia, basandosi esclusivamente sul valore medio fornito dal previsore, è possibile derivare probabilità per un numero qualsiasi di categorie o per il superamento di soglie specifiche, offrendo una flessibilità significativa rispetto ai metodi tradizionali. All’interno di questo lavoro, questa strategia di previsione è denominata CPCcalib, un acronimo che riflette la calibrazione proposta dal Climate Prediction Center.

Un aspetto comune nella calibrazione delle previsioni modellistiche consiste nell’aggiustare anche il valore medio della distribuzione, ad esempio confrontando la media dell’ensemble previsionale con i dati osservati attraverso una tecnica di regressione. In teoria, le previsioni con una capacità predittiva vicina allo zero dovrebbero presentare un segnale medio altrettanto vicino a zero, evitando di introdurre bias sistematici. In questo studio, sono state utilizzate le anomalie della media dell’ensemble NMME (come discusso in seguito), ma non è stata applicata una correzione regressiva al valore medio, al fine di favorire un confronto diretto tra la calibrazione della dispersione applicata al valore medio del previsore e quella applicata all’NMME. Questa scelta di semplificazione è supportata da evidenze precedenti, come quelle presentate da Barnston et al. (2017) nella loro Figura 11, che dimostrano come l’NMME sia generalmente privo di bias significativi nell’ampiezza delle anomalie. Di conseguenza, un aggiustamento tramite regressione apporterebbe probabilmente solo modifiche marginali, giustificando l’approccio adottato per mantenere la purezza del confronto metodologico.

2. Dati e Metodi
b. Dati Modellistici e Osservativi

L’Ensemble Multimodello Nordamericano (North American Multimodel Ensemble, NMME) rappresenta un sistema avanzato di previsione climatica che integra i risultati di otto modelli accoppiati oceano-atmosfera, progettati per simulare le interazioni complesse tra gli oceani e l’atmosfera a scala globale. I modelli inclusi sono: GFDL-CM2p1-aer04, NASA-GMAO-062012, COLA-RSMAS-CCSM4, GFDL-CM2p5-FLOR-A06, GFDL-CM2p5-FLOR-B01, CMC1-CanCM3, CMC2-CanCM4 e NCEP CFSv2, come descritto in dettaglio da Kirtman et al. (2014). Questi modelli sono stati sviluppati da diverse istituzioni scientifiche nordamericane e si distinguono per le loro diverse configurazioni e approcci numerici, contribuendo a una maggiore robustezza delle proiezioni attraverso la diversità delle simulazioni. La maggior parte di questi modelli viene inizializzata verso la fine di ogni mese o all’inizio del mese successivo, utilizzando le condizioni osservate più recenti come punto di partenza, e viene eseguita per un periodo previsivo che si estende fino a 12 mesi, coprendo così un intervallo stagionale significativo. Un’eccezione significativa è rappresentata dal modello CFSv2, le cui previsioni retrospettive (hindcast) sono caratterizzate da un’inizializzazione di quattro membri ogni 5 giorni, generando un totale di 24 previsioni distinte nell’arco di un mese. Tale frequenza consente una rappresentazione più dettagliata della variabilità intra-mensile. D’altro canto, le esecuzioni in tempo reale del CFSv2, effettuate dopo il 2011, sono standardizzate con un’inizializzazione all’interno della prima settimana di ogni mese, garantendo una coerenza con i dati osservativi più recenti. Nel contesto di questo studio, il termine “previsione con lead time zero” si riferisce alla prima stagione che segue l’inizializzazione del modello; ad esempio, per le simulazioni avviate all’inizio di gennaio, il lead time zero corrisponde alla media dei valori osservati e previsti per il trimestre gennaio-marzo, offrendo una baseline immediata per la valutazione delle prestazioni.

I dati osservativi dell’indice Niño-3.4, che costituiscono il riferimento per la validazione delle proiezioni modellistiche, sono stati estratti dalla versione 5 del dataset NOAA Extended Reconstructed Sea Surface Temperature (ERSST), un archivio climatologico di alta qualità sviluppato da Huang et al. (2017). Questo dataset fornisce una ricostruzione storica delle temperature superficiali del mare, corretta per bias e lacune nei dati, ed è alla base dell’indice ufficiale ENSO della NOAA, noto come indice oceanico Niño. Quest’ultimo è calcolato come la media mobile su tre mesi dei valori dell’indice Niño-3.4, una metodologia che consente di attenuare la variabilità a breve termine e di evidenziare le tendenze stagionali, come descritto da Kousky e Higgins (2007). È importante notare che l’indice Niño-3.4 presenta tendenze a lungo termine, probabilmente legate a cambiamenti climatici o a variazioni nei regimi oceanici, come evidenziato da L’Heureux et al. (2013). Per tenere conto di queste tendenze, le deviazioni rispetto ai valori attesi sono state calcolate utilizzando medie mensili mobili su periodi di 30 anni, aggiornate ogni 5 anni. Questo approccio dinamico garantisce che le anomalie siano contestualizzate rispetto a un clima di riferimento che evolve nel tempo, migliorando la rilevanza delle analisi.

La valutazione della capacità predittiva del sistema NMME è stata condotta calcolando il coefficiente di correlazione tra l’indice Niño-3.4 osservato e quello previsto, utilizzando la media dell’ensemble delle previsioni retrospettive (hindcast) realizzate tra il 1982 e il 2010. Questo ensemble comprende circa 100 membri, tutti equiponderati per evitare che un singolo modello domini il risultato complessivo. La Figura 2, inclusa nel testo, illustra come la capacità predittiva vari in funzione del lead time (l’orizzonte temporale della previsione) e del mese di partenza, evidenziando una dipendenza stagionale e temporale nella qualità delle proiezioni. Per la maggior parte dei modelli, il ciclo stagionale e i bias medi sono stati eliminati sottraendo la climatologia mensile dipendente dal lead time, calcolata sul periodo 1982-2010. Questa procedura standardizza i dati, rimuovendo gli effetti sistematici legati alle variazioni stagionali o alle differenze nei valori medi. Tuttavia, a causa di una discontinuità nelle condizioni iniziali dell’oceano intorno al 1999, documentata da Xue et al. (2011), i modelli CFSv2 e CCSM4 adottano un periodo di base alternativo che va dal 1999 al 2010, come suggerito da Tippett et al. (2017) e Barnston et al. (2017). Tale aggiustamento riflette la necessità di adattare le analisi a cambiamenti nei dati di ingresso, garantendo una maggiore coerenza. Sia i dati modellistici che quelli osservativi sono stati aggregati su stagioni di tre mesi sovrapposte, come gennaio-marzo, febbraio-aprile, marzo-maggio, e così via, un metodo che facilita il confronto diretto tra previsioni e osservazioni su scale temporali rilevanti per l’ENSO.Questa struttura dati e metodologica fornisce una base solida per l’analisi delle prestazioni del NMME, consentendo di esplorare le variazioni nella capacità predittiva in risposta a diversi scenari climatici e orizzonti temporali. L’integrazione di molteplici modelli e la standardizzazione dei dati osservativi offrono un quadro completo per valutare l’affidabilità delle proiezioni ENSO, aprendo la strada a ulteriori indagini sulla dinamica degli eventi estremi e sulle strategie di calibrazione.

2. Dati e Metodi
c. Verifica delle Previsioni

La valutazione della qualità delle previsioni climatiche richiede l’impiego di strumenti statistici rigorosi capaci di quantificare l’accuratezza e l’affidabilità delle proiezioni, specialmente nel contesto dell’Oscillazione El Niño-Southern (ENSO). In questo studio, sono state adottate due misure di verifica probabilistica per analizzare le prestazioni delle strategie previsionali: il punteggio di abilità della probabilità classificata (Ranked Probability Skill Score, RPSS) e il punteggio di abilità logaritmico (Logarithmic Skill Score, LSS). Il RPSS rappresenta un indicatore globale che misura l’errore quadratico medio delle probabilità cumulative previste rispetto a quelle osservate, consentendo di valutare l’intera distribuzione di probabilità attraverso tutte le categorie considerate (ad esempio, El Niño, condizioni neutre e La Niña). Questa metrica offre una panoramica completa della coerenza della previsione, penalizzando le discrepanze tra le probabilità assegnate e i risultati effettivi. Al contrario, il LSS si configura come una misura locale, focalizzandosi esclusivamente sulla probabilità assegnata alla categoria che si verifica, espressa in termini logaritmici. Questa caratteristica rende il LSS particolarmente sensibile alla precisione della previsione per l’evento specifico osservato, ignorando l’impatto delle probabilità attribuite ad altre categorie, il che lo distingue per la sua natura mirata.

Entrambi i punteggi, RPSS e LSS, sono calcolati in relazione a una previsione di riferimento, che in questo caso è rappresentata dalle probabilità climatologiche derivate dai dati storici dell’indice Niño-3.4 nel periodo compreso tra il 1982 e il 2017. Questa baseline climatologica funge da standard di confronto, riflettendo le statistiche medie di occorrenza delle diverse fasi ENSO in assenza di informazioni previsionali specifiche. L’interpretazione dei punteggi segue un criterio chiaro: valori positivi indicano un’abilità previsionale superiore rispetto a quella ottenibile con una semplice previsione climatologica, suggerendo che il modello o il metodo utilizzato aggiunge valore informativo; punteggi pari a zero equivalgono alla performance della climatologia, indicando un’assenza di miglioramento significativo; mentre punteggi negativi evidenziano una performance inferiore, suggerendo che la previsione potrebbe essere meno affidabile della media storica. I punteggi più alti sono raggiunti quando il previsore assegna probabilità elevate alla categoria che si verifica effettivamente, un risultato particolarmente significativo nei casi in cui la probabilità climatologica di quell’evento è naturalmente bassa, come durante la transizione a fasi estreme dell’ENSO. Entrambe le metriche, RPSS e LSS, sono definite come “strettamente proprie” secondo la terminologia introdotta da Murphy e Winkler (1971), un attributo che garantisce che i previsori ottengano il massimo beneficio dai loro punteggi solo quando le previsioni riflettono con onestà le loro reali convinzioni, scoraggiando strategie di manipolazione o ottimizzazione artificiosa del sistema.

Un aspetto distintivo del LSS risiede nella sua capacità di fungere da indicatore dell’informazione fornita dalla previsione, con un incremento del punteggio proporzionale al numero di categorie previste con successo. Questo aspetto è particolarmente rilevante nel contesto delle proiezioni di intensità dell’ENSO, come sottolineato da Tippett et al. (2017), dove la previsione di un numero maggiore di categorie (ad esempio, nove livelli di intensità invece delle tradizionali tre) può portare a punteggi LSS più elevati, purché la capacità predittiva rimanga elevata. Ciò riflette la maggiore ricchezza informativa associata a una granularità più fine, che consente di distinguere tra eventi deboli, moderati e forti con maggiore precisione. Il RPSS, d’altro canto, si basa su una media ponderata dei punteggi di abilità di Brier applicati alle probabilità cumulative, come descritto da Bradley e Schwartz (2011). Questa struttura implica che, anche aumentando il numero di categorie previste, il valore del RPSS rimane relativamente stabile, poiché l’attenzione è distribuita uniformemente sull’intera distribuzione cumulativa, rendendolo una metrica robusta ma meno sensibile alle variazioni nella risoluzione categoriale.

Presso il Climate Prediction Center (CPC) della NOAA, i previsori hanno iniziato a fornire probabilità per tre categorie di ENSO (El Niño, neutrale e La Niña) a partire da gennaio 2012, stabilendo una pratica operativa consolidata per le comunicazioni ufficiali. Per scopi interni e sperimentali, a partire da luglio 2015, il team ha esteso le sue attività includendo la stima dei valori medi dell’indice Niño-3.4 espressi in gradi Celsius, un’informazione aggiuntiva che ha permesso di testare approcci alternativi alla formulazione delle probabilità. Per effettuare un confronto diretto tra queste due metodologie e, parallelamente, con le proiezioni generate dall’Ensemble Multimodello Nordamericano (NMME), l’analisi si è concentrata su un intervallo temporale specifico, compreso tra giugno 2015 e settembre 2018, corrispondente a un totale di 41 previsioni. Questa finestra temporale è stata selezionata per allineare i dati disponibili e garantire una base comune di confronto. Le figure presenti nel materiale supplementare online offrono un’analisi più estesa, coprendo l’intero periodo dal gennaio 2012 fino al presente, e includono un confronto dettagliato tra i diversi metodi valutati, fornendo una prospettiva longitudinale sulla loro evoluzione e prestazioni.

La Figura 2 si configura come un diagramma a matrice di colori (heatmap) che offre una rappresentazione visiva dettagliata della correlazione tra le previsioni stagionali medie generate dall’Ensemble Multimodello Nordamericano (North American Multimodel Ensemble, NMME) e i valori osservati dell’indice Niño-3.4, un parametro cruciale per il monitoraggio delle dinamiche dell’Oscillazione El Niño-Southern (ENSO). Le previsioni analizzate si basano su un insieme di simulazioni retrospettive (hindcast) condotte nel periodo compreso tra il 1982 e il 2010, mentre i dati osservativi provengono dalla versione 5 del dataset NOAA Extended Reconstructed Sea Surface Temperature (ERSSTv5). Questo grafico rappresenta uno strumento fondamentale per valutare la capacità predittiva del sistema NMME, evidenziando come tale abilità vari in funzione del mese di inizializzazione delle previsioni e dell’orizzonte temporale di previsione (lead time). Di seguito, analizziamo i componenti della figura e le loro implicazioni scientifiche con un approccio sistematico e approfondito.

Struttura e Organizzazione della Figura

La figura è strutturata su un sistema di coordinate bidimensionali, in cui l’asse orizzontale (asse x) rappresenta i dodici mesi dell’anno, identificati dalle loro iniziali (da “J” per gennaio a “D” per dicembre), che corrispondono ai mesi in cui le simulazioni modellistiche vengono avviate utilizzando le condizioni iniziali osservate. L’asse verticale (asse y) quantifica il lead time, espresso in mesi e che varia da -1 a 7, indicando l’intervallo temporale tra l’inizializzazione e il periodo previsto, con riferimento a stagioni sovrapposte (ad esempio, gennaio-marzo, febbraio-aprile). La scala cromatica, riportata sulla destra della figura, utilizza una gradazione che va dal giallo, associato a correlazioni più basse (circa 0,5), al rosso scuro, che indica correlazioni elevate (fino a 1,0), fornendo una rappresentazione intuitiva del grado di concordanza tra le previsioni NMME e i dati osservativi dell’indice Niño-3.4. Tale indice, calcolato come l’anomalia media della temperatura superficiale del mare nella regione del Pacifico equatoriale centrale (120°-170° Ovest, 5° Sud-5° Nord), è un indicatore standard per la classificazione delle fasi ENSO.

Analisi dei Dati e Interpretazione delle Correlazioni

Il coefficiente di correlazione rappresentato nella figura misura la forza e la direzione della relazione lineare tra le medie delle previsioni stagionali dell’ensemble NMME e i valori osservati dell’indice Niño-3.4. Valori prossimi a 1 indicano un’elevata corrispondenza tra le proiezioni modellistiche e la realtà osservata, suggerendo una capacità predittiva robusta, mentre valori vicini a 0,5 riflettono una scarsa affidabilità, con previsioni che si discostano significativamente dai dati reali. La figura consente di esplorare questa relazione in un contesto temporale dinamico:

• Lead Time Negativo (-1): Per un’inizializzazione effettuata a gennaio, un lead time di -1 corrisponde alla media della stagione novembre-gennaio. In questo caso, i mesi di novembre e dicembre sono basati su dati osservativi consolidati, mentre gennaio include una componente previsionale derivata dal modello. La forte presenza di dati osservativi in questa fase iniziale contribuisce a correlazioni generalmente elevate, rappresentate da tonalità rosse o arancioni, indicando una buona capacità predittiva a breve termine.
• Lead Time Zero (0): Per una inizializzazione a gennaio, il lead time zero si riferisce alla media della stagione gennaio-marzo, interamente basata su previsioni modellistiche senza contributi osservativi diretti. In questo intervallo, la correlazione rimane generalmente buona, con colori che variano tra l’arancione e il rosso, sebbene possa iniziare a mostrare una lieve diminuzione rispetto ai lead negativi, riflettendo l’introduzione di incertezze intrinseche ai modelli.
• Lead Time Positivo (1-7): Con l’aumentare dell’orizzonte temporale, che può estendersi fino a 7 mesi (ad esempio, agosto-ottobre per un’inizializzazione a gennaio), la previsione copre periodi sempre più lontani dall’inizializzazione. In questa regione, la correlazione tende a decrescere, con colori che sfumano verso il giallo, a indicare una maggiore incertezza e una minore affidabilità delle proiezioni, un fenomeno atteso a causa della complessità crescente delle dinamiche climatiche a lungo termine.

Dipendenze Stagionali e Barriere di Prevedibilità

Un’analisi approfondita della figura rivela una marcata dipendenza stagionale nella capacità predittiva del NMME, un aspetto critico per la pianificazione delle strategie previsionali. In particolare, si osserva una riduzione della correlazione durante i mesi primaverili (marzo-maggio), dove le tonalità si schiariscono verso il giallo. Questo fenomeno è attribuito alla barriera di prevedibilità primaverile, un limite ben documentato in climatologia, che si verifica quando le transizioni tra le fasi ENSO (da El Niño a La Niña o viceversa) diventano meno prevedibili a causa delle interazioni non lineari tra oceano e atmosfera. Al contrario, le inizializzazioni effettuate nei mesi autunnali e invernali (settembre-gennaio) mostrano correlazioni più alte, con predominanza di colori rossi, suggerendo che le condizioni iniziali in questi periodi offrono una base più stabile per le proiezioni, probabilmente grazie a una maggiore coerenza delle dinamiche climatiche osservate.

Implicazioni Scientifiche e Operative

La Figura 2 fornisce un’analisi spaziale e temporale della performance predittiva del NMME, offrendo spunti preziosi per il miglioramento delle metodologie climatiche. La forte correlazione osservata a lead time brevi, come zero o negativi, sottolinea l’efficacia dei modelli nel catturare le variazioni immediate dell’indice Niño-3.4, dove i dati osservativi recenti possono essere integrati con successo. Tuttavia, la graduale diminuzione della correlazione con lead time più lunghi evidenzia i limiti intrinseci dei modelli attuali nel prevedere la variabilità a lungo termine, un aspetto che potrebbe essere affrontato attraverso l’ottimizzazione delle inizializzazioni, l’inclusione di dati osservativi aggiuntivi o lo sviluppo di tecniche di calibrazione avanzate. La barriera primaverile, in particolare, rappresenta una sfida significativa, che richiede lo studio di approcci specifici, come l’integrazione di modelli statistici o l’uso di ensemble più diversificati, per superare questa limitazione stagionale.

Inoltre, la figura supporta l’importanza di un approccio ibrido nella previsione ENSO, come quello proposto nel testo, che combina l’intuizione umana nella stima dei valori medi con la forza statistica dei modelli. I pattern di correlazione osservati possono guidare i previsori nel modulare la fiducia nelle proiezioni in base al mese di inizializzazione e all’orizzonte temporale, migliorando la comunicazione dei risultati agli stakeholder. In definitiva, la Figura 2 non solo valuta le prestazioni del NMME, ma apre anche la strada a ulteriori ricerche sulla dinamica degli eventi estremi e sull’affinamento delle strategie previsionali, contribuendo alla progressione della climatologia operativa.

3. Risultati
a. Prospettive a Tre Categorie

La valutazione delle prestazioni delle diverse strategie previsionali per l’Oscillazione El Niño-Southern (ENSO) richiede un’analisi comparativa rigorosa delle probabilità generate dai vari approcci. In questo studio, le probabilità elaborate manualmente dai previsori del Climate Prediction Center (CPC), indicate con il termine CPCoff, sono state messe a confronto con la strategia previsionale proposta, denominata CPCcalib. Questa ultima metodologia si basa su una calibrazione statistica delle previsioni, utilizzando come soglie di riferimento i valori di 0,5°C e 1,0°C per l’indice Niño-3.4, un indicatore chiave delle anomalie della temperatura superficiale del mare nella regione del Pacifico equatoriale centrale (si veda lo schema dettagliato nella Figura 3). Inoltre, è stata inclusa nel confronto una versione calibrata dell’Ensemble Multimodello Nordamericano (NMME), denominata NMMEcalib, che adotta lo stesso processo di calibrazione del CPCcalib, ma sostituisce la media fornita dal previsore con la media dell’ensemble multimodello. Questa triplice prospettiva consente di esplorare le differenze tra un approccio soggettivo basato sull’esperienza umana, un metodo ibrido che integra input umani con calibrazione oggettiva, e una strategia interamente modellistica calibrata.

La Figura 4 presenta un’analisi dettagliata delle probabilità associate alle tre categorie tradizionali dell’ENSO – La Niña (indice Niño-3.4 ≤ -0,5°C), condizioni neutre (-0,5°C < indice Niño-3.4 < 1,0°C) ed El Niño (indice Niño-3.4 ≥ 1,0°C) – calcolate per quattro diversi orizzonti temporali di previsione: lead time di -2, 0, 3 e 7 mesi. Questi lead time coprono un intervallo che va da stagioni parzialmente osservate (lead -2) a previsioni a lungo termine (lead 7), offrendo una visione completa della stabilità delle diverse strategie nel tempo. In tutti gli scenari considerati, le probabilità generate da CPCoff, rappresentate dalla linea verde, mostrano una varianza generalmente inferiore rispetto a quelle derivate da NMMEcalib (linea arancione) e CPCcalib (linea nera). Questa minore variabilità suggerisce un approccio più cauto da parte dei previsori umani, che tendono a evitare oscillazioni estreme nelle stime probabilistiche. Al contrario, sia NMMEcalib che CPCcalib esibiscono probabilità più marcate, che si discostano significativamente dalle frequenze climatologiche di base, indicando una maggiore propensione a enfatizzare scenari estremi. In particolare, le probabilità di NMMEcalib e CPCcalib mostrano deviazioni più pronunciate rispetto alle medie storiche, mentre quelle di CPCoff appaiono più attenuate, riflettendo una tendenza conservativa che privilegia la prudenza rispetto al rischio di sovrastimare o sottostimare gli eventi. Tuttavia, si osservano occasionalmente episodi in cui CPCoff adotta probabilità più decise, vicine allo 0% o al 100%, ma tali situazioni sembrano verificarsi esclusivamente quando anche una o entrambe le altre strategie presentano analoghe tendenze estreme, suggerendo una convergenza nei momenti di alta incertezza o di eventi climatici eccezionali.

Per valutare quantitativamente la qualità delle previsioni, le Figure 5 e 6 riportano i risultati delle verifiche basate sui punteggi RPSS (nei pannelli di sinistra) e LSS (nei pannelli di destra) per le prospettive a tre categorie, considerando il periodo da giugno 2015 a settembre 2018. Questo intervallo temporale include una serie di eventi climatici significativi, fornendo un banco di prova rappresentativo. Durante il periodo da giugno 2015 a giugno 2016, la presenza di un forte evento El Niño ha creato condizioni favorevoli per previsioni altamente abili tra tutte e tre le strategie (Figura 5). In questo contesto, le probabilità assegnate si sono avvicinate al 100% (Figura 4), riflettendo un consenso tra i modelli e i previsori sulla natura dominante dell’evento. Con il declino dell’El Niño e il ritorno a condizioni ENSO-neutre durante l’estate del 2016, i punteggi di abilità di tutte e tre le strategie sono diventati negativi su tutti gli orizzonti temporali, indicando una difficoltà nel prevedere la transizione. Tuttavia, l’approccio NMMEcalib ha evidenziato una performance particolarmente deludente, registrando i punteggi di abilità più negativi rispetto agli altri metodi (Figura 5). Questa scarsa efficacia è attribuibile, in larga misura, all’assegnazione da parte di NMMEcalib di elevate probabilità per un rapido insorgere di La Niña durante l’estate 2016, anche per lead time brevi (come mostrato nei pannelli 0-lead e 3-lead della Figura 4). Le metriche RPSS e LSS, note per la loro severità, penalizzano fortemente le previsioni che attribuiscono alte probabilità a categorie errate, contribuendo a una distorsione negativa dei punteggi in questi casi.

Un ulteriore deterioramento della performance di NMMEcalib si è verificato nella tarda primavera e nell’estate del 2017, con punteggi di abilità significativamente negativi (Figura 5). In questo periodo, NMMEcalib ha favorito probabilità più alte rispetto agli altri approcci per un evento El Niño a metà del 2017, nonostante l’ENSO sia rimasto in condizioni neutre. Errori previsionali si sono manifestati in tutte e tre le strategie, ma sono stati particolarmente pronunciati per NMMEcalib nelle previsioni a lungo termine, effettuate per i target dell’ultimo trimestre del 2017, quando La Niña è tornata senza che le probabilità per questa fase fossero adeguatamente rappresentate (come visibile nei pannelli 3-lead e 7-lead della Figura 4). Questi errori sistematici hanno avuto un impatto rilevante sui punteggi complessivi.

A causa di questi valori fortemente negativi di LSS e RPSS, i punteggi medi di NMMEcalib risultano prevalentemente negativi e generalmente inferiori a quelli di CPCcalib e CPCoff, come illustrato in base al lead time nella riga superiore della Figura 6. Tuttavia, un’analisi più approfondita rivela che NMMEcalib supera frequentemente CPCoff, ottenendo RPSS e LSS più positivi, in parte grazie alla maggiore sicurezza complessiva delle sue probabilità. Questa caratteristica diventa più evidente quando si considera il punteggio mediano anziché la media (seconda riga della Figura 6), suggerendo che la tendenza di NMMEcalib a emettere previsioni più decise può tradursi in risultati migliori in condizioni favorevoli. Al contrario, CPCoff tende a mostrare punteggi mediani più bassi, un fenomeno attribuibile alla natura conservativa delle probabilità assegnate dai previsori, che privilegiano la stabilità rispetto al rischio. Tuttavia, la maggiore audacia di NMMEcalib si rivela un doppio taglio: quando le sue probabilità elevate sono associate a una categoria errata, si traducono in valori minimi di RPSS e LSS significativamente più bassi (terza riga della Figura 6), evidenziando la vulnerabilità di questo approccio in situazioni di errore.

In analogia con il rapporto di Sharpe, un indicatore finanziario introdotto da Sharpe (1994) per valutare il rendimento adjusted per il rischio nei mercati azionari e nei fondi comuni di investimento, l’ultima riga della Figura 6 presenta un rapporto calcolato come il quoziente tra il punteggio medio di abilità e la deviazione standard associata. Il rapporto di Sharpe, noto anche come rapporto rendimento-variabilità, è un metro di giudizio consolidato in ambito economico, utilizzato per confrontare la performance di portafogli con livelli simili di rendimento finanziario, penalizzando quelli caratterizzati da una volatilità più elevata con un valore proporzionalmente inferiore. In tale contesto, un portafoglio ad alta variabilità richiede un tasso di rendimento significativamente più alto per compensare il rischio aggiuntivo e mantenere un rapporto competitivo. Trasponendo questo concetto al dominio della meteorologia e della climatologia, dove le previsioni dell’Oscillazione El Niño-Southern (ENSO) sono soggette a incertezze intrinseche, un utente potrebbe aspirare a ottenere punteggi di abilità complessivamente più elevati. Tuttavia, se tale incremento nell’abilità è accompagnato da un rischio maggiore di errori significativi, come previsioni errate di eventi estremi, la strategia potrebbe rivelarsi meno vantaggiosa per applicazioni pratiche, ad esempio nella gestione delle risorse idriche o nella pianificazione agricola. Dato l’elevato grado di variabilità osservato nei punteggi di Logarithmic Skill Score (LSS) e Ranked Probability Skill Score (RPSS) per l’approccio NMMEcalib, come documentato nella Figura 5, il rapporto corrispondente per NMMEcalib risulta generalmente inferiore rispetto a quello di CPCcalib e CPCoff attraverso quasi tutti gli orizzonti temporali di previsione considerati (con l’eccezione del lead time -2), riflettendo una trade-off tra ambizione predittiva e stabilità.

In un’ottica più ampia, l’approccio CPCcalib si distingue per una serie di attributi attraenti che integrano i punti di forza delle altre due strategie previsionali analizzate. Questo metodo ibrido consente ai previsori di evitare gli errori previsionali di grande entità, comunemente associati a NMMEcalib, che possono compromettere la credibilità del sistema, pur mantenendo un livello di abilità complessiva superiore rispetto a CPCoff, basato esclusivamente sull’intuizione umana. In particolare, CPCcalib offre ai previsori la flessibilità di adottare un atteggiamento più deciso, assegnando probabilità più elevate in contesti in cui tali stime sono supportate da evidenze solide, come durante la fase di consolidamento di un evento El Niño ben definito. Allo stesso tempo, protegge da decisioni avventate, evitando l’attribuzione di probabilità eccessivamente ottimistiche in scenari caratterizzati da maggiore incertezza, dove una cautela aggiuntiva è giustificata. Questa dualità si traduce in un rapporto più favorevole, caratterizzato da una riduzione dei punteggi negativi di RPSS e LSS, che penalizzano severamente gli errori, oltre a medie e mediane più elevate che competono efficacemente con le prestazioni dei metodi più abili. Un ulteriore vantaggio di CPCcalib risiede nella sua capacità di alleviare il carico cognitivo imposto ai previsori, liberandoli dall’onere di stimare manualmente l’incertezza associata alle previsioni. Tale compito è particolarmente complesso quando si devono considerare molteplici modelli e combinazioni di modelli, ciascuno dotato di livelli di abilità differenti e caratteristiche distintive, come la sensibilità alle condizioni iniziali o la risposta a forzanti climatiche variabili.

Per confermare la robustezza di questi risultati, è stata condotta un’analisi estesa su un periodo più lungo, che si estende da gennaio 2012 fino al presente, sebbene l’approccio CPCcalib sia disponibile solo a partire da giugno 2015 a causa della sua introduzione sperimentale in tale data. Le Figure S2 e S3, incluse nel materiale supplementare online, riproducono in larga misura le caratteristiche di abilità osservate nel periodo più ristretto, confermando la coerenza della metodologia proposta. Tuttavia, un’eccezione significativa emerge per gli orizzonti temporali di previsione pari o superiori a 4 mesi, dove i valori mediani di RPSS e LSS per CPCoff superano quelli di NMMEcalib. Questo risultato suggerisce che, in contesti a lungo termine, l’approccio conservativo dei previsori umani può occasionalmente superare la strategia modellistica, probabilmente grazie a un’adeguata ponderazione dell’incertezza basata sull’esperienza, anche se tale vantaggio si attenua nei lead time più brevi dove i modelli dominano.

In sintesi, questa analisi evidenzia come CPCcalib rappresenti un’evoluzione significativa nelle strategie previsionali ENSO, combinando la prudenza umana con la potenza predittiva dei modelli calibrati. La sua capacità di bilanciare rischio e rendimento, analogamente al rapporto di Sharpe in finanza, lo rende un approccio promettente per future applicazioni, con potenziali miglioramenti derivanti dall’espansione del dataset e dall’integrazione di tecniche avanzate di calibrazione.

La Figura 3 si presenta come uno schema concettuale (schematic) che offre una rappresentazione strutturata e visiva delle due principali strategie previsionali adottate dal Climate Prediction Center (CPC) per la formulazione delle probabilità associate all’Oscillazione El Niño-Southern (ENSO): la strategia tradizionale denominata CPCoff e la metodologia innovativa proposta, denominata CPCcalib. Questo diagramma a flusso, organizzato in due colonne verticali parallele, illustra in modo sequenziale i passaggi fondamentali di ciascun approccio, evidenziando il ruolo dei previsori umani, le tecniche di elaborazione dei dati e le modalità di emissione delle probabilità finali. L’analisi di questa figura fornisce un quadro esaustivo delle differenze metodologiche e delle implicazioni scientifiche, offrendo una base per comprendere l’evoluzione delle pratiche previsionali nel contesto della climatologia operativa. Procediamo con un’esame dettagliato di ciascun processo, integrando il contesto teorico e pratico.

Struttura e Organizzazione dello Schema

La figura è suddivisa in due percorsi distinti, ciascuno rappresentato da una colonna verticale che descrive un metodo specifico:

• Colonna Sinistra (Strategia CPCoff): Delinea il processo tradizionale basato sull’input diretto dei previsori, con un’enfasi sull’esperienza umana.
• Colonna Destra (Strategia CPCcalib): Illustra un approccio ibrido che combina l’intuizione umana con un’elaborazione statistica oggettiva. Entrambe le colonne sono organizzate attraverso frecce direzionali che indicano la progressione del flusso di lavoro, partendo dall’input iniziale fornito dai previsori fino all’output finale rappresentato dalle probabilità emesse. Questa struttura consente una comparazione diretta e facilita l’identificazione dei punti di forza e delle limitazioni di ciascuna strategia.

Descrizione Dettagliata della Strategia CPCoff

La colonna sinistra, dedicata alla strategia CPCoff, riflette un metodo consolidato che si basa sulla competenza soggettiva dei previsori del CPC:

1. Contributo dei Previsori: Il processo inizia con i previsori che forniscono direttamente le probabilità associate a tre categorie distinte dell’ENSO. Queste categorie sono definite in base a soglie prestabilite dell’indice Niño-3.4, un indicatore standard che misura le anomalie della temperatura superficiale del mare nella regione del Pacifico equatoriale centrale (120°-170° Ovest, 5° Sud-5° Nord). Le categorie tipiche includono La Niña (valori ≤ -0,5°C), condizioni neutre (-0,5°C a 0,5°C) ed El Niño (valori ≥ 0,5°C), sebbene le soglie possano variare leggermente a seconda dei contesti operativi.
2. Aggregazione delle Probabilità: Le stime probabilistiche fornite dai singoli previsori vengono raccolte e sottoposte a un processo di mediazione, che genera un valore medio rappresentativo. Questo passaggio mira a sintetizzare le diverse prospettive individuali, riducendo la variabilità intrinseca alla soggettività e producendo un consenso operativo che riflette il giudizio collettivo del team.
3. Emissione delle Probabilità: Le probabilità risultanti vengono emesse come output ufficiale, limitate alle tre categorie iniziali. Questo approccio si basa interamente sull’intuizione e sull’esperienza dei previsori, supportata da un’analisi qualitativa di modelli dinamici e statistici, ma non include un’elaborazione statistica formale per quantificare l’incertezza o estendere la risoluzione categoriale.

Descrizione Dettagliata della Strategia CPCcalib

La colonna destra descrive la strategia CPCcalib, un metodo innovativo che integra l’input umano con una calibrazione statistica avanzata:

1. Contributo dei Previsori: In questa fase, i previsori forniscono stime dei valori attesi dell’indice Niño-3.4, anziché probabilità dirette. Questi valori rappresentano la loro valutazione del comportamento futuro dell’indice, derivata dall’interpretazione di una pluralità di modelli climatici, inclusi quelli dinamici (basati su equazioni fisico-matematiche) e statistici (basati su correlazioni storiche).
2. Costruzione della Funzione di Distribuzione di Probabilità Gaussiana: I valori forniti dai previsori vengono utilizzati per costruire una funzione di distribuzione di probabilità gaussiana (Gaussian PDF), un modello matematico ampiamente impiegato in statistica per rappresentare variabili climatiche. Questa distribuzione è definita da due parametri principali:
   • Media (μ): Calcolata come la media aritmetica dei valori dell’indice Niño-3.4 stimati dai previsori, che funge da punto centrale della distribuzione.
   • Deviazione Standard (σ): Determinata ajustando la deviazione standard climatologica osservata (σ_climo) in base alla capacità predittiva, misurata attraverso la correlazione (r) tra previsioni passate e osservazioni corrispondenti. Questo aggiustamento riflette l’incertezza previsionale, che aumenta con l’orizzonte temporale e varia in base alle condizioni stagionali, come la barriera di prevedibilità primaverile. Questo processo trasforma l’input qualitativo dei previsori in una distribuzione probabilistica oggettiva, superando i limiti della stima manuale e introducendo una base statistica solida.
3. Emissione delle Probabilità: Le probabilità derivate dalla distribuzione gaussiana vengono emesse come output finale. A differenza del metodo CPCoff, questa strategia non è vincolata alle tre categorie tradizionali, ma consente di calcolare probabilità per un numero qualsiasi di categorie o per il superamento di soglie specifiche (ad esempio, intensità estreme dell’ENSO). Questa flessibilità amplia significativamente le applicazioni pratiche, rispondendo alle esigenze di utenti che richiedono dettagli più granulari.

Confronto Metodologico e Implicazioni Scientifiche

Il confronto tra CPCoff e CPCcalib evidenzia una transizione da un approccio qualitativo a uno quantitativo nella previsione climatica. La strategia CPCoff, pur affidabile e radicata nell’esperienza umana, presenta limitazioni intrinseche: la dipendenza dalla soggettività dei previsori può introdurre bias, e la restrizione a tre categorie riduce la capacità di catturare la variabilità degli eventi estremi. Al contrario, CPCcalib rappresenta un’evoluzione metodologica, integrando l’intuizione umana con un quadro statistico rigoroso. La costruzione della distribuzione gaussiana, basata su parametri calibrati, consente una quantificazione più accurata dell’incertezza e offre una risoluzione più alta, permettendo di esplorare scenari complessi come la previsione di intensità diverse dell’ENSO. Inoltre, CPCcalib solleva i previsori dall’onere di stimare direttamente l’incertezza, un compito arduo che richiede la valutazione di molteplici modelli con caratteristiche eterogenee.

Contesto Operativo e Futuri Sviluppi

La Figura 3 non è solo una rappresentazione statica, ma un contributo concettuale alla climatologia operativa. CPCoff riflette un approccio tradizionale, adeguato per comunicazioni standardizzate, ma limitato dalla rigidità categoriale. CPCcalib, invece, apre nuove prospettive, supportando la personalizzazione delle previsioni in base alle esigenze specifiche degli stakeholder, come la gestione dei rischi climatici o la pianificazione a lungo termine. Ulteriori ricerche potrebbero esplorare l’ottimizzazione dei parametri della distribuzione gaussiana, l’integrazione di ensemble multimodello più ampi o l’adattamento del metodo a fenomeni climatici diversi dall’ENSO, consolidando il ruolo di CPCcalib come standard emergente.

In conclusione, la Figura 3 fornisce una mappa concettuale delle strategie CPCoff e CPCcalib, evidenziando un passaggio paradigmatico verso metodi più integrati e adattabili. Questo schema non solo chiarisce i processi sottostanti, ma sottolinea l’importanza di combinare l’esperienza umana con strumenti statistici avanzati per migliorare la precisione e l’utilità delle previsioni climatiche.

La Figura 4 si configura come un insieme di grafici a linee multi-pannello che offrono una rappresentazione visiva dettagliata e comparativa delle probabilità previste per le tre categorie tradizionali dell’Oscillazione El Niño-Southern (ENSO), elaborate attraverso tre distinte strategie previsionali: NMMEcalib, CPCcalib e CPCoff. Questi grafici, che coprono un periodo significativo di 39 mesi dal giugno 2015 al settembre 2018, costituiscono un’analisi fondamentale per valutare la robustezza, la variabilità e l’accuratezza delle proiezioni climatiche relative all’indice Niño-3.4, un indicatore chiave basato sulle anomalie della temperatura superficiale del mare nella regione del Pacifico equatoriale centrale (120°-170° Ovest, 5° Sud-5° Nord). La figura è strutturata per esplorare l’evoluzione delle probabilità in funzione di diversi orizzonti temporali di previsione (lead time), fornendo un quadro dinamico delle prestazioni delle strategie in risposta a eventi climatici reali, tra cui un forte El Niño, una fase di neutralità e il ritorno di La Niña. Procediamo con un’analisi sistematica dei componenti della figura, integrando il contesto scientifico e le implicazioni operative.

Struttura e Organizzazione della Figura

La figura è organizzata in una griglia composta da dodici pannelli, disposti su quattro righe e tre colonne, con una colonna aggiuntiva per il lead time 7, creando una struttura asimmetrica ma funzionale:

• Dimensioni Verticali (Righe): Ogni riga è dedicata a una delle tre categorie dell’ENSO, definite in base a soglie specifiche dell’indice Niño-3.4:
  • Riga Superiore: Probabilità di La Niña, corrispondente a valori dell’indice ≤ -0,5°C, una fase caratterizzata da raffreddamento delle acque superficiali nel Pacifico equatoriale.
  • Riga Centrale: Probabilità di condizioni neutre, associate a valori dell’indice compresi tra -0,5°C e 1,0°C, indicative di uno stato intermedio senza dominanza di El Niño o La Niña.
  • Riga Inferiore: Probabilità di El Niño, relativa a valori ≥ 1,0°C, che segnalano un riscaldamento significativo delle acque superficiali.
• Dimensioni Orizzontali (Colonne): Ogni colonna rappresenta un diverso lead time, che misura l’intervallo temporale tra l’inizializzazione della previsione e la stagione target:
  • Colonna Sinistra (Prima Colonna): Previsioni con lead time -2, che includono stagioni parzialmente basate su dati osservativi (ad esempio, novembre-gennaio per un’inizializzazione a gennaio).
  • Colonna Centrale (Seconda Colonna): Previsioni con lead time 0, interamente basate su dati modellistici per la stagione successiva (ad esempio, gennaio-marzo).
  • Colonna Destra (Terza Colonna): Previsioni con lead time 3, che si estendono a tre mesi dall’inizializzazione.
  • Colonna Estrema Destra (Quarta Colonna): Previsioni con lead time 7, che coprono un orizzonte temporale di sette mesi.
• Asse Orizzontale (Asse x): Indica il periodo delle stagioni target, identificato dal mese centrale (ad esempio, “AMJ” per aprile-maggio-giugno), coprendo un intervallo continuo da giugno 2015 a settembre 2018, un periodo che include una varietà di condizioni ENSO.
• Asse Verticale (Asse y): Rappresenta le probabilità espresse in percentuale (da 0% a 100%), quantificando la likelihood attribuita a ciascuna categoria da ciascuna strategia previsionale.

Descrizione delle Strategie Previsionali

Ogni pannello contiene tre linee, ciascuna associata a una strategia distinta:

• NMMEcalib (Linea Arancione): Questa strategia deriva le probabilità da una versione calibrata dell’Ensemble Multimodello Nordamericano (NMME), calcolando la media dell’ensemble multimodello e ajustandola con una distribuzione gaussiana basata sulla capacità predittiva.
• CPCcalib (Linea Nera): Rappresenta un approccio ibrido in cui i valori dell’indice Niño-3.4 forniti dai previsori vengono calibrati statisticamente per generare probabilità attraverso una funzione di distribuzione gaussiana, offrendo una sintesi tra intuizione umana e analisi oggettiva.
• CPCoff (Linea Verde): Riflette il metodo tradizionale, dove i previsori assegnano direttamente le probabilità per le tre categorie, mediate per ottenere un consenso, senza ulteriori elaborazioni statistiche.

Analisi Dettagliata per Lead Time

1. Lead Time -2 (Prima Colonna):
   • Questo orizzonte temporale include stagioni in cui i dati osservativi dominano (ad esempio, novembre e dicembre per un’inizializzazione a gennaio), con gennaio previsto. Le linee mostrano fluttuazioni moderate, con NMMEcalib e CPCcalib che tendono a emettere probabilità più estreme (vicino a 0% o 100%), riflettendo una maggiore fiducia in scenari definiti. Durante il forte El Niño del 2015-2016 (target AMJ 2016), tutte e tre le strategie convergono verso probabilità vicine al 100% per El Niño, indicando un consenso sulla magnitudine dell’evento.
2. Lead Time 0 (Seconda Colonna):
   • Qui le previsioni si basano interamente su dati modellistici per la stagione successiva (ad esempio, gennaio-marzo). La variabilità aumenta, con NMMEcalib che mostra picchi più pronunciati, specialmente durante la transizione a condizioni neutre nell’estate 2016 (target JAS 2016), dove assegna erroneamente alte probabilità a La Niña. CPCoff rimane più stabile, mentre CPCcalib bilancia le due tendenze, suggerendo una maggiore robustezza.
3. Lead Time 3 (Terza Colonna):
   • Con un orizzonte di tre mesi, l’incertezza cresce. NMMEcalib e CPCcalib mostrano deviazioni più marcate, con oscillazioni che riflettono la difficoltà di prevedere transizioni stagionali. Ad esempio, nel 2017 (target JJA 2017), NMMEcalib sovrastima El Niño, mentre CPCoff e CPCcalib adottano un approccio più cauto, evidenziando una migliore capacità di adattamento a incertezze intermedie.
4. Lead Time 7 (Quarta Colonna):
   • A sette mesi, l’incertezza raggiunge il massimo. Le linee convergono verso valori più moderati, ma NMMEcalib continua a presentare fluttuazioni estreme, come la sottostima di La Niña nel quarto trimestre 2017 (target OND 2017). CPCcalib e CPCoff mostrano una maggiore coerenza, suggerendo una migliore gestione dell’incertezza a lungo termine.

Tendenze Osservate e Interpretazione

• Variabilità delle Probabilità: NMMEcalib e CPCcalib exibiscono una varianza superiore rispetto a CPCoff, indicando una propensione a emettere probabilità più audaci. Questa caratteristica è vantaggiosa durante eventi ben definiti (come l’El Niño del 2015-2016), ma può portare a errori significativi in fasi di transizione (come l’estate 2016), dove NMMEcalib sovrastima La Niña.
• Prestazioni Temporali: Durante eventi estremi, tutte e tre le strategie mostrano una convergenza verso probabilità elevate (vicino al 100%), riflettendo un’alta affidabilità. Tuttavia, in periodi di transizione o neutralità (2016-2017), NMMEcalib evidenzia vulnerabilità, mentre CPCcalib emerge come un compromesso efficace, combinando precisione e stabilità.
• Contesto Climatico: Il periodo analizzato (giugno 2015-settembre 2018) include un El Niño forte, una fase neutra prolungata e il ritorno di La Niña, offrendo un test rappresentativo delle strategie in diverse condizioni climatiche.

Implicazioni Scientifiche e Operative

La Figura 4 fornisce un’analisi longitudinale e comparativa delle probabilità previste, evidenziando una trade-off fondamentale tra audacia e cautela nelle strategie previsionali. NMMEcalib, pur potente grazie alla sua base multimodello, è suscettibile a errori rilevanti a causa della sua tendenza a emettere probabilità estreme in contesti incerti, come dimostrato dagli errori nel 2016 e 2017. CPCoff, al contrario, adotta un approccio conservativo che limita la variabilità ma può sottostimare eventi significativi. CPCcalib si posiziona come una soluzione intermedia, integrando l’intuizione umana con la calibrazione statistica per migliorare la precisione, specialmente a lead time più lunghi, dove l’incertezza è maggiore. Questi risultati supportano l’ipotesi che un approccio ibrido possa ottimizzare le previsioni ENSO, suggerendo ulteriori sviluppi nella calibrazione dei modelli e nell’integrazione di dati osservativi per ridurre la vulnerabilità a errori sistematici.

In conclusione, la Figura 4 rappresenta un contributo essenziale alla valutazione delle strategie previsionali, offrendo una visualizzazione temporale e categoriale delle probabilità che illumina le dinamiche di performance di NMMEcalib, CPCcalib e CPCoff. Questo strumento non solo valida l’efficacia di CPCcalib come metodo innovativo, ma apre la strada a ricerche future sull’ottimizzazione delle tecniche previsionali in risposta alle complessità climatiche stagionali e a lungo termine.

La Figura 5 rappresenta un insieme di grafici a linee multi-pannello che forniscono una valutazione quantitativa e temporale della qualità delle previsioni probabilistiche a tre categorie dell’Oscillazione El Niño-Southern (ENSO), attraverso l’analisi di due metriche chiave: il Ranked Probability Skill Score (RPSS) e il Logarithmic Skill Score (LSS). Questi punteggi sono stati calcolati per valutare le prestazioni di tre strategie previsionali distinte—NMMEcalib, CPCcalib e CPCoff—nel contesto di un periodo osservazionale che si estende da giugno 2015 a settembre 2018, coprendo un totale di 39 mesi. Questa finestra temporale include una varietà di condizioni climatiche, tra cui un forte evento El Niño, una fase di neutralità prolungata e il ritorno di La Niña, offrendo un banco di prova rappresentativo per testare la robustezza e l’adattabilità delle metodologie. La figura è strutturata per esplorare l’andamento dei punteggi in relazione alle stagioni target e agli orizzonti temporali di previsione (lead time), fornendo insight critici sulla capacità predittiva e sulle vulnerabilità di ciascun approccio. Procediamo con un’analisi sistematica dei componenti della figura, integrando il contesto scientifico e le implicazioni operative.

Struttura e Organizzazione della Figura

La figura è organizzata in una griglia composta da sei pannelli, disposti su due colonne e tre righe, che consentono una comparazione diretta tra le due metriche di verifica:

• Colonne:
  • Colonna Sinistra: Dedicata ai punteggi RPSS, una metrica globale che quantifica l’errore quadratico medio delle probabilità cumulative rispetto a una baseline climatologica calcolata sul periodo 1982-2017. Questo punteggio valuta l’accuratezza dell’intera distribuzione di probabilità, considerando tutte e tre le categorie (La Niña, neutro, El Niño).
  • Colonna Destra: Dedicata ai punteggi LSS, una metrica locale che si basa sul logaritmo della probabilità assegnata alla categoria che si verifica effettivamente. Questa misura è particolarmente sensibile alla precisione della previsione per l’evento osservato, ignorando l’impatto delle probabilità attribuite ad altre categorie.
• Righe:
  • Riga Superiore: Copre i lead time da -2 a 1, che includono scenari a breve termine con una componente osservativa parziale (ad esempio, lead -2 per un’inizializzazione a gennaio copre novembre-gennaio).
  • Riga Centrale: Copre i lead time da 2 a 4, che rappresentano un intervallo intermedio di previsione, interamente basato su dati modellistici.
  • Riga Inferiore: Copre i lead time da 5 a 7, che si estendono a orizzonti temporali più lunghi, dove l’incertezza previsionale è significativamente maggiore.
• Asse Orizzontale (Asse x): Indica le stagioni target, identificate dal mese centrale (ad esempio, “AMJ” per aprile-maggio-giugno), che coprono il periodo da giugno 2015 a settembre 2018, un intervallo che include transizioni climatiche rilevanti.
• Asse Verticale (Asse y): Rappresenta i valori dei punteggi RPSS e LSS, espressi su una scala che può variare da valori positivi (indicativi di un’abilità superiore alla climatologia), a zero (equivalente alla climatologia), fino a valori negativi (inferiore alla climatologia). I valori massimi osservati raggiungono circa 5 per RPSS e 4 per LSS, mentre i minimi possono scendere a -10 e -6 rispettivamente.

Descrizione delle Strategie Previsionali

Ogni pannello include tre linee, ciascuna associata a una strategia previsionale distinta:

• NMMEcalib (Linea Arancione): Questa strategia si basa su una calibrazione statistica dell’Ensemble Multimodello Nordamericano (NMME), che integra i risultati di molteplici modelli accoppiati oceano-atmosfera, utilizzando la media dell’ensemble ajustata con una distribuzione gaussiana.
• CPCcalib (Linea Nera): Rappresenta un approccio ibrido in cui i valori dell’indice Niño-3.4 forniti dai previsori vengono elaborati attraverso una funzione di distribuzione gaussiana calibrata, combinando l’intuizione umana con un’analisi oggettiva.
• CPCoff (Linea Verde): Riflette il metodo tradizionale, in cui i previsori assegnano direttamente le probabilità per le tre categorie (La Niña, neutro, El Niño), successivamente mediate per ottenere un consenso, senza ulteriori aggiustamenti statistici.

Analisi Dettagliata per Intervalli di Lead Time

1. Lead Time da -2 a 1 (Riga Superiore):
   • RPSS (Pannello Sinistro): I punteggi mostrano una tendenza generalmente positiva o prossima a zero, con picchi significativi durante il forte El Niño del 2015-2016 (target AMJ 2016), dove tutte e tre le strategie raggiungono valori vicini a 5. Questo riflette un’alta capacità predittiva, supportata dalla convergenza delle probabilità verso il 100% per El Niño. Tuttavia, NMMEcalib presenta fluttuazioni più marcate, con cali negativi durante la transizione a condizioni neutre nell’estate 2016 (target JAS 2016), indicando una vulnerabilità alle fasi di cambiamento.
   • LSS (Pannello Destro): Similmente al RPSS, i punteggi raggiungono valori positivi durante eventi ben definiti, con picchi intorno a 4. Tuttavia, NMMEcalib mostra cali più pronunciati (fino a -4) in periodi di transizione, come l’estate 2016, dove assegna erroneamente alte probabilità a La Niña, penalizzata dalla natura severa di questa metrica.
2. Lead Time da 2 a 4 (Riga Centrale):
   • RPSS (Pannello Sinistro): La variabilità aumenta con l’orizzonte temporale, e NMMEcalib registra punteggi negativi più evidenti, specialmente nell’estate 2016 e nella primavera-estate 2017, quando sovrastima rispettivamente La Niña ed El Niño. CPCcalib e CPCoff mantengono una maggiore stabilità, con CPCcalib che offre un profilo intermedio, evitando i cali estremi di NMMEcalib (fino a -5).
   • LSS (Pannello Destro): I punteggi negativi di NMMEcalib sono ancora più marcati (fino a -6), riflettendo la penalità per probabilità errate. CPCcalib mostra una performance intermedia, mentre CPCoff, con la sua natura conservativa, evita i picchi negativi più profondi, mantenendosi vicino a zero.
3. Lead Time da 5 a 7 (Riga Inferiore):
   • RPSS (Pannello Sinistro): A lead time più lunghi, l’incertezza previsionale domina, con NMMEcalib che raggiunge i punteggi più negativi (fino a -10), specialmente nel 2017, quando sottostima il ritorno di La Niña. CPCcalib e CPCoff mostrano una leggera ripresa, con valori che si stabilizzano intorno allo zero, indicando una maggiore resilienza.
   • LSS (Pannello Destro): Similmente al RPSS, NMMEcalib subisce le penalità più severe (fino a -6), mentre CPCcalib e CPCoff offrono una maggiore coerenza, sebbene con un’abilità limitata, suggerendo una migliore gestione dell’incertezza a lungo termine.

Tendenze Osservate e Interpretazione

• Prestazioni Temporali: Durante l’El Niño del 2015-2016, tutte e tre le strategie esibiscono un’abilità positiva, con picchi che raggiungono 5 per RPSS e 4 per LSS, grazie alla previsione accurata di un evento ben definito. Nelle transizioni climatiche del 2016 e 2017, tuttavia, NMMEcalib mostra una performance deteriorata, con punteggi negativi significativi dovuti a errori nella stima di La Niña ed El Niño, mentre CPCcalib e CPCoff mantengono una maggiore stabilità.
• Variabilità: NMMEcalib presenta la maggiore variabilità, con oscillazioni estreme che riflettono una fiducia eccessiva, mentre CPCoff adotta un approccio più cauto con minore variabilità. CPCcalib bilancia queste due tendenze, offrendo una soluzione intermedia che combina audacia e prudenza.
• Contesto Climatico: Il periodo analizzato include un El Niño forte, una fase neutra prolungata e il ritorno di La Niña, fornendo un test completo delle strategie in diverse condizioni, e rivelando la vulnerabilità di NMMEcalib agli errori a lungo termine.

Implicazioni Scientifiche e Operative

La Figura 5 offre una valutazione critica delle prestazioni delle strategie previsionali, evidenziando una trade-off fondamentale tra ambizione predittiva e accuratezza. NMMEcalib, pur efficace a breve termine grazie alla sua base multimodello, è penalizzato da errori significativi a lead time più lunghi, a causa della sua tendenza a emettere probabilità estreme in contesti incerti, come documentato durante le transizioni del 2016 e 2017. CPCoff, pur stabile, manca di flessibilità e non sfrutta appieno il potenziale dei modelli, mentre CPCcalib si distingue come un compromesso ottimale, integrando l’intuizione umana con la calibrazione statistica per ridurre gli errori e migliorare la resilienza. Questi risultati suggeriscono che CPCcalib potrebbe essere ulteriormente affinato, ad esempio ajustando i parametri di calibrazione in base alle variazioni stagionali o integrando dati osservativi aggiuntivi, per affrontare sfide come la barriera di prevedibilità primaverile e potenziare le previsioni a lungo termine.

In conclusione, la Figura 5 rappresenta un contributo essenziale alla climatologia operativa, fornendo un’analisi temporale e categoriale dei punteggi RPSS e LSS che illumina le dinamiche di performance di NMMEcalib, CPCcalib e CPCoff. Questo strumento non solo valida l’efficacia di CPCcalib come approccio innovativo, ma apre anche la strada a ricerche future sull’ottimizzazione delle tecniche previsionali, con implicazioni significative per la gestione dei rischi climatici e la pianificazione strategica.

b. Prospettive a Nove Categorie

L’analisi delle prestazioni delle strategie previsionali per l’Oscillazione El Niño-Southern (ENSO) si estende in questa sezione alla valutazione di una risoluzione più fine, attraverso la verifica delle previsioni suddivise in nove categorie, come illustrato nelle Figure 7 e 8. Questo approccio mira a determinare se i metodi di previsione mantengano la loro capacità predittiva quando si opera con una granularità maggiore rispetto alle tradizionali tre categorie (La Niña, neutro, El Niño). Le nove categorie sono definite utilizzando incrementi di 0,5°C dell’indice Niño-3.4, coprendo un intervallo che va da -2,0°C a +2,0°C (±2,0°C, ±1,5°C, ±1,0°C, ±0,5°C, e il range intermedio), corrispondenti a soglie informali di intensità dell’ENSO, che consentono di distinguere tra eventi deboli, moderati, forti ed estremi. Questo livello di dettaglio è particolarmente rilevante per applicazioni operative, come la gestione dei rischi climatici, dove la capacità di prevedere l’intensità degli eventi ENSO può avere un impatto significativo. Poiché i previsori del Climate Prediction Center (CPC) non elaborano probabilità dirette a una risoluzione così fine, l’analisi si concentra esclusivamente sul confronto tra le strategie NMMEcalib e CPCcalib, che si basano entrambe su metodi statistici calibrati per generare distribuzioni probabilistiche.

I risultati delle verifiche, espressi attraverso le metriche RPSS (Ranked Probability Skill Score) e LSS (Logarithmic Skill Score), rivelano dinamiche interessanti. Per quanto riguarda il RPSS, i valori mediani per entrambe le strategie si mantengono pressoché invariati rispetto alle prospettive a tre categorie, indicando che l’aumento del numero di categorie non influisce significativamente sulla mediana dell’abilità predittiva complessiva. Questa stabilità suggerisce che entrambe le strategie sono in grado di gestire una maggiore complessità categoriale senza un impatto evidente sulla performance media. Tuttavia, un’analisi più approfondita evidenzia una variazione rilevante nel comportamento di NMMEcalib: il passaggio da tre a nove categorie comporta una riduzione sia dei valori medi che dei valori minimi del RPSS, come mostrato nelle Figure 5 e 6. Questo declino, sebbene lieve, è coerente con le aspettative teoriche delineate dal modello congiunto gaussiano di Tippett et al. (2017), che prevede una leggera diminuzione del RPSS all’aumentare del numero di categorie, anche per previsioni con la stessa abilità intrinseca, a causa della maggiore frammentazione della distribuzione di probabilità. Al contrario, CPCcalib mostra una notevole resilienza, con valori di RPSS che rimangono praticamente invariati rispetto ai risultati delle tre categorie, suggerendo che questa strategia è meno sensibile all’aumento della risoluzione categoriale e più robusta nel mantenere la propria performance.

Un quadro più promettente emerge dall’analisi dell’LSS, che evidenzia un miglioramento delle prestazioni con l’aggiunta di categorie più fini, un risultato particolarmente evidente per i lead time più brevi (ad esempio, da -2 a 1). I valori medi, mediani e massimi di LSS per entrambe le strategie, CPCcalib e NMMEcalib, mostrano un incremento rispetto ai risultati ottenuti con le tre categorie, indicando che la risoluzione più alta consente di catturare meglio l’informazione previsionale, soprattutto quando si prevedono intensità specifiche dell’ENSO. Questo aumento riflette la capacità dell’LSS di valorizzare le previsioni che distinguono con successo tra categorie più ristrette, come sottolineato da Tippett et al. (2017), che hanno dimostrato che l’LSS beneficia di una maggiore granularità, in particolare per le categorie estreme (ad esempio, El Niño o La Niña molto forti). Tuttavia, un’eccezione significativa si osserva nella previsione CPCcalib con lead time -2 per il target agosto-ottobre 2015, effettuata all’inizio di ottobre 2015. In questo caso, l’indice Niño-3.4 ha superato i 2,0°C, indicando un evento El Niño estremo, che non era stato adeguatamente anticipato, portando a un errore rilevante e a un punteggio LSS negativo per quella specifica stagione.

In generale, i risultati confermano le osservazioni di Tippett et al. (2017), basate sull’analisi dell’NMME, secondo cui la misura LSS evidenzia una maggiore abilità delle previsioni ENSO per categorie più ristrette, specialmente quando includono gli estremi, rispetto a categorie più ampie. Questo vantaggio è particolarmente pronunciato per alcuni lead time e target, come quelli a breve termine, dove l’incertezza previsionale è minore e i modelli possono sfruttare condizioni iniziali più accurate. L’aumento dell’LSS con l’aggiunta di categorie più fini suggerisce che entrambi gli approcci, CPCcalib e NMMEcalib, sono in grado di fornire informazioni più dettagliate e utili in contesti operativi, dove la distinzione tra eventi di diversa intensità può influenzare decisioni strategiche, ad esempio nella pianificazione agricola o nella gestione delle risorse idriche.

Questi risultati hanno implicazioni significative per lo sviluppo futuro delle strategie previsionali. La stabilità del RPSS per CPCcalib indica che questa strategia può essere adattata a contesti che richiedono una maggiore risoluzione senza sacrificare l’abilità complessiva, mentre il miglioramento dell’LSS sottolinea il valore aggiunto di una previsione più dettagliata, specialmente per eventi estremi. Tuttavia, l’errore osservato nel 2015 per CPCcalib evidenzia la necessità di ulteriori affinamenti, come l’integrazione di dati osservativi in tempo reale o l’ajustamento dinamico delle soglie di calibrazione, per migliorare la capacità di prevedere eventi anomali. In conclusione, l’analisi a nove categorie rafforza il potenziale di approcci calibrati come CPCcalib e NMMEcalib, aprendo la strada a ulteriori ricerche sull’ottimizzazione delle previsioni ENSO a risoluzioni più fini.

4. Discussione

La comparazione tra le tre strategie previsionali—NMMEcalib, CPCcalib e CPCoff—è stata condotta su un intervallo temporale relativamente ristretto, che tuttavia racchiude una serie di eventi climatici significativi, tra cui il notevole evento El Niño del 2015-16, caratterizzato da anomalie termiche marcate nell’indice Niño-3.4, seguito da due episodi distinti di La Niña nei periodi 2016-17 e 2017-18, e intervallati da fasi di condizioni ENSO neutre. Questo arco temporale, che si estende per 39 mesi da giugno 2015 a settembre 2018, offre un campione rappresentativo delle dinamiche climatiche recenti e delle relative sfide previsionali. Sebbene il periodo analizzato sia limitato, si ipotizza che possa riflettere adeguatamente le tendenze generali dei previsori su un record più esteso, fornendo un’indicazione preliminare delle loro preferenze e approcci. Per consolidare la fiducia nei risultati ottenuti e valutarne la generalizzabilità, è prevista una continuazione del monitoraggio di queste strategie su un periodo più lungo, con l’intento di rivedere e affinare le conclusioni attuali alla luce di ulteriori dati. Nonostante la breve durata dello studio, risulta particolarmente incoraggiante che la strategia proposta, CPCcalib, stia già dimostrando di apportare benefici tangibili, suggerendo un potenziale immediato per migliorare la qualità delle previsioni climatiche.

Un aspetto distintivo e vantaggioso di CPCcalib risiede nella sua versatilità, che consente di generare previsioni probabilistiche non solo per l’indice Niño-3.4, ma anche per qualsiasi altra variabile climatica o meteorologica, adattandosi a soglie specifiche o eventi estremi di interesse operativo. Questa flessibilità è particolarmente preziosa in contesti dove la previsione di fenomeni intensi, come precipitazioni eccezionali o anomalie termiche estreme, è cruciale per la pianificazione e la mitigazione dei rischi. Per variabili che non seguono una distribuzione gaussiana—ad esempio, l’indice Niño-1+2, che riflette condizioni locali nel Pacifico orientale, o le precipitazioni, caratterizzate da asimmetrie distributive—è possibile implementare distribuzioni alternative (come distribuzioni gamma o esponenziali) o applicare trasformazioni matematiche (come la trasformazione logaritmica) per modellare adeguatamente le probabilità. Inoltre, possono essere esplorate altre metodologie per derivare le probabilità dagli input dei previsori, tra cui l’applicazione del teorema di Bayes, che consente di aggiornare le probabilità in base a nuove evidenze. Nel caso specifico di una distribuzione gaussiana, come quella che descrive l’indice Niño-3.4, l’utilizzo del teorema di Bayes si traduce in un’equivalenza con la regressione lineare, un approccio che è stato implicitamente incorporato nella calibrazione statistica adottata in questo studio, garantendo una coerenza metodologica.

Dall’analisi complessiva emerge un quadro interessante riguardo al ruolo dei previsori umani nel processo previsionale. Quando i previsori sono incaricati di sviluppare probabilità a partire dagli output dei modelli (strategia CPCoff), tendono a adottare un atteggiamento conservativo, assegnando probabilità più moderate e meno sicure. Questa tendenza non è necessariamente svantaggiosa, poiché contribuisce a ridurre la frequenza di errori rilevanti, un aspetto critico in applicazioni dove la sovrastima di un evento può portare a decisioni operative errate. Tuttavia, questa cautela si riflette in punteggi di abilità mediani inferiori per le metriche RPSS e LSS, suggerendo un compromesso tra stabilità e precisione predittiva. In particolare, le probabilità meno confidenti risultano adeguate in situazioni caratterizzate da elevata incertezza, come le previsioni a lungo termine effettuate all’inizio dell’anno, quando le dinamiche oceanico-atmosferiche sono meno prevedibili a causa della barriera primaverile. Tuttavia, questa strategia conservativa si traduce spesso in valori più bassi di RPSS e LSS, riflettendo una minore capacità di sfruttare pienamente il segnale predittivo. Tale comportamento potrebbe essere influenzato da bias psicologici, come l’“avversione alla perdita” descritta da Kahneman e Tversky (1979), un principio della teoria delle prospettive secondo cui gli individui tendono a privilegiare l’evitamento di perdite rispetto all’acquisizione di guadagni equivalenti, un fattore che potrebbe indurre i previsori a preferire stime prudenti per minimizzare i rischi.

Dall’altro lato, l’analisi rivela un comportamento opposto nella strategia NMMEcalib, che non dipende da aggiustamenti manuali da parte dei previsori e si basa interamente sui modelli calibrati. Questa metodologia tende a produrre probabilità eccessivamente elevate, anche in contesti in cui una riduzione prudente sarebbe più appropriata, come durante le fasi di transizione tra eventi ENSO. Curiosamente, questa sovrastima non deriva da una sottovalutazione dell’incertezza, ma piuttosto da una sovrastima del segnale predittivo, manifestata come spostamenti eccessivi della media della distribuzione. Nonostante questa tendenza, i risultati a tre categorie indicano che NMMEcalib ottiene punteggi mediani complessivi superiori a quelli di CPCoff, sebbene non superi quest’ultima nei valori medi. Questa discrepanza suggerisce che la maggiore audacia di NMMEcalib può tradursi in vantaggi in alcune condizioni, ma espone il metodo a rischi significativi quando le previsioni non si verificano, come osservato nei cali di RPSS e LSS durante le transizioni del 2016 e 2017.

In sintesi, la discussione evidenzia la complessità delle scelte metodologiche nelle previsioni climatiche. CPCcalib si posiziona come un approccio promettente, capace di bilanciare i limiti del conservatorismo di CPCoff e gli eccessi di NMMEcalib, aprendo la strada a ulteriori indagini sull’ottimizzazione delle tecniche previsionali. La continuazione del monitoraggio a lungo termine e l’esplorazione di distribuzioni alternative o dell’applicazione del teorema di Bayes potranno raffinare questi metodi, contribuendo a migliorare la precisione e l’adattabilità delle previsioni ENSO in contesti operativi futuri.

È evidente che una componente significativa del successo osservato derivi dalla più frequente attribuzione di probabilità elevate alla categoria che si verifica effettivamente, un comportamento che si riflette in incrementi marcati dei valori di Ranked Probability Skill Score (RPSS) e Logarithmic Skill Score (LSS). Questa tendenza, tipica della strategia NMMEcalib, potrebbe rappresentare una qualità desiderabile per determinati utenti, ad esempio decision-maker operativi che necessitano di segnali previsionali chiari e decisi per pianificare interventi in risposta a eventi estremi dell’Oscillazione El Niño-Southern (ENSO). Tuttavia, tale approccio è accompagnato da una maggiore volatilità nei punteggi di abilità, come evidenziato dalla variabilità osservata nei dati, che si traduce in un rapporto più basso tra la media e la deviazione standard. Questa caratteristica potrebbe destare preoccupazioni in altri utenti, come gestori delle risorse idriche o pianificatori agricoli, che potrebbero preferire una maggiore stabilità predittiva per minimizzare i rischi associati a errori significativi. Di conseguenza, si può ipotizzare che una strategia previsionale ottimale dovrebbe combinare la capacità di prevenire errori previsionali rilevanti—un punto di forza della strategia CPCoff, che adotta un approccio prudente—con l’audacia di assegnare probabilità più elevate, come fa NMMEcalib, soprattutto in contesti in cui i previsori possono giustificare un maggiore grado di confidenza sulla base di evidenze solide, come durante la fase di consolidamento di un evento El Niño ben definito. I risultati di questo studio indicano che la strategia CPCcalib rappresenta un passo significativo verso questo ideale, integrando elementi di entrambe le metodologie per bilanciare precisione e affidabilità.

La ragione sottostante questa performance è oggetto di speculazione, considerando la natura intrinsecamente soggettiva del contributo umano nel processo previsionale. È plausibile che le indicazioni modellistiche presentate ai previsori siano formulate principalmente come medie degli ensemble, un approccio standard che sintetizza i risultati di molteplici simulazioni climatiche. Anche quando i singoli membri dell’ensemble sono resi disponibili, la loro combinazione ottimale per derivare probabilità previsionali non risulta intuitiva, richiedendo un’analisi complessa che va oltre le capacità immediate dei previsori. Inoltre, ogni mese vengono considerate diverse serie di indicazioni probabilistiche, derivanti da fonti eterogenee come modelli dinamici e statistici, ma la sintesi efficace di tali informazioni in un quadro coerente rappresenta una sfida significativa, data la mancanza di un protocollo standardizzato per l’integrazione. Nonostante queste difficoltà, i previsori dimostrano una notevole capacità di assimilare volumi consistenti di dati previsionali, elaborando stime accurate della media dell’indice Niño-3.4 o di altre variabili climatiche. Tuttavia, il loro principale limite emerge nella rappresentazione dell’incertezza associata, un aspetto critico che influenza la qualità complessiva delle probabilità emesse.

Le implicazioni di questo studio suggeriscono che i previsori siano abili nel fornire segnali previsionali sicuri, basati sulla loro interpretazione dei modelli, ma non dovrebbero essere considerati come la fonte primaria per stimare l’ampiezza della distribuzione o per calcolare direttamente le probabilità associate. L’osservazione che CPCcalib registra valori mediani e medi di LSS e RPSS superiori a quelli di CPCoff indica che i previsori tendono a sovrastimare l’incertezza, immaginando una distribuzione più ampia di quanto non sia supportato dai dati osservativi. L’adozione della strategia CPCcalib solleva i previsori dall’onere di conformarsi rigorosamente a una distribuzione di probabilità predefinita, eliminando la necessità di generare probabilità per soglie specifiche o per un numero fisso di categorie. Tale compito diventa particolarmente arduo quando si consideri la possibilità di prevedere nove categorie di intensità ENSO, un livello di dettaglio che richiederebbe una precisione e una coerenza difficilmente raggiungibili senza supporto statistico. È pertanto incoraggiante che l’approccio CPCcalib dimostri di essere in grado di fornire informazioni sull’intensità degli eventi con un’abilità significativa, aprendo nuove prospettive per applicazioni operative che richiedono una risoluzione più fine.

Infine, è doveroso riconoscere il supporto istituzionale che ha reso possibile questo studio. ML, EB, TD e NJ esprimono profonda gratitudine al NOAA Climate Programs Office (CPO)/Climate.gov per il sostegno finanziario e logistico fornito nell’ambito del blog ENSO, una piattaforma chiave per la diffusione delle conoscenze climatiche. Allo stesso modo, KT riconosce il contributo dei Cooperative Programs for the Advancement of Earth System Science (CPAESS) dell’UCAR e del NOAA/National Centers for Environmental Prediction (NCEP) Short-term Research Collaboration Program, che hanno supportato le attività di ricerca, facilitando l’analisi e la validazione dei dati presentati. Questo supporto interdisciplinare sottolinea l’importanza della collaborazione tra enti scientifici per promuovere progressi nella previsione climatica.

In sintesi, questa analisi evidenzia il potenziale di CPCcalib come strategia previsionale avanzata, capace di superare i limiti del conservatorismo di CPCoff e della sovrastima di NMMEcalib. La continua esplorazione di metodi statistici e l’espansione del periodo di osservazione potranno ulteriormente affinare questi approcci, contribuendo a migliorare la resilienza e l’accuratezza delle previsioni climatiche in contesti operativi futuri.

La Figura 6 si configura come un insieme di grafici a linee multi-pannello che forniscono una rappresentazione analitica e quantitativa dei punteggi di verifica probabilistica, specificamente il Ranked Probability Skill Score (RPSS) e il Logarithmic Skill Score (LSS), relativi alle prospettive a tre categorie dell’Oscillazione El Niño-Southern (ENSO). A differenza della Figura 5, che organizza i dati in base alle stagioni target, questa figura adotta un approccio orientato all’orizzonte temporale di previsione (lead time), coprendo un intervallo che va da -2 a 7 mesi. L’analisi si basa su un periodo osservazionale di 39 mesi, da giugno 2015 a settembre 2018, un arco temporale che include un evento El Niño significativo, due episodi di La Niña e fasi di neutralità, offrendo un contesto rappresentativo per valutare le prestazioni delle tre strategie previsionali: NMMEcalib, CPCcalib e CPCoff. La figura è strutturata per esplorare diverse statistiche descrittive dei punteggi—media, mediana, massimo e minimo, e il rapporto tra media e deviazione standard—al variare del lead time, consentendo un’analisi dettagliata della stabilità, della variabilità e dell’abilità predittiva di ciascuna strategia. Procediamo con un esame sistematico dei componenti della figura, integrando il contesto teorico e le implicazioni scientifiche.

Struttura e Organizzazione della Figura

La figura è composta da sei pannelli, disposti in una griglia di due colonne e tre righe, progettata per una comparazione diretta tra le due metriche di verifica:

• Colonne:
  • Colonna Sinistra: Dedicata ai punteggi RPSS, una metrica globale che quantifica la differenza tra l’errore quadratico medio delle probabilità cumulative previste e quelle di una baseline climatologica, calcolata su un periodo di riferimento (ad esempio, 1982-2017). Questo punteggio valuta l’accuratezza complessiva della distribuzione di probabilità su tutte e tre le categorie (La Niña, neutro, El Niño).
  • Colonna Destra: Dedicata ai punteggi LSS, una metrica locale che si basa sul logaritmo della probabilità assegnata alla categoria che si verifica effettivamente, offrendo una misura sensibile alla precisione della previsione per l’evento osservato, con una penalità severa per errori nella categoria corretta.
• Righe:
  • Riga Superiore: Presenta la media aritmetica dei punteggi di abilità, che riflette il livello medio di performance su tutte le previsioni effettuate.
  • Seconda Riga: Presenta la mediana dei punteggi, una statistica robusta che riduce l’impatto degli outlier e rappresenta il valore centrale della distribuzione dei punteggi.
  • Terza Riga: Mostra i valori massimi (linee continue) e minimi (linee tratteggiate) dei punteggi, fornendo un’indicazione dell’intervallo di variabilità e delle prestazioni estreme.
  • Riga Inferiore: Illustra il rapporto tra la media dei punteggi e la deviazione standard, una misura analoga al rapporto di Sharpe in finanza, che valuta il rendimento adjusted per il rischio o, in questo caso, l’abilità adjusted per la volatilità.
• Asse Orizzontale (Asse x): Rappresenta il lead time, che varia da -2 a 7 mesi, dove lead -2 include stagioni parzialmente basate su dati osservativi (ad esempio, novembre-gennaio per un’inizializzazione a gennaio), mentre lead 7 si estende a previsioni a lungo termine (ad esempio, agosto-ottobre).
• Asse Verticale (Asse y): Mostra i valori dei punteggi RPSS e LSS, con scale che variano da positivi (indicativi di un’abilità superiore alla climatologia), a zero (equivalente alla climatologia), fino a negativi (inferiore alla climatologia). Le scale differiscono tra le statistiche, con intervalli che si estendono da circa -2 a 1 per la media e la mediana, e da -10 a 2 per massimo/minimo e rapporto.

Descrizione delle Strategie Previsionali

Ogni pannello include tre linee, ciascuna associata a una strategia previsionale distinta:

• NMMEcalib (Linea Arancione): Una metodologia basata sulla calibrazione statistica dell’Ensemble Multimodello Nordamericano (NMME), che integra i risultati di molteplici modelli climatici accoppiati, ajustando la media dell’ensemble con una distribuzione gaussiana.
• CPCcalib (Linea Nera): Un approccio ibrido che combina i valori dell’indice Niño-3.4 forniti dai previsori con una calibrazione statistica basata su una distribuzione gaussiana, bilanciando intuizione umana e analisi oggettiva.
• CPCoff (Linea Verde): Un metodo tradizionale in cui i previsori assegnano direttamente le probabilità per le tre categorie, successivamente mediate per ottenere un consenso, senza interventi statistici aggiuntivi.

Analisi Dettagliata per Statistiche

1. Media dei Punteggi (Riga Superiore):
   • RPSS (Pannello Sinistro): La media dei punteggi RPSS mostra un declino graduale con l’aumentare del lead time. NMMEcalib parte con un valore positivo di circa 0,5 a lead -2, riflettendo un’abilità iniziale solida, ma scende rapidamente sotto zero a lead 0, indicando una perdita di performance a partire da orizzonti temporali intermedi. CPCcalib e CPCoff seguono un trend simile, ma con una diminuzione più contenuta, mantenendosi vicine a zero a lead 7, suggerendo una maggiore resilienza.
   • LSS (Pannello Destro): La media dei punteggi LSS segue un pattern analogo, con NMMEcalib che inizia a circa 1 a lead -2, ma declina a valori negativi oltre lead 0. CPCcalib e CPCoff mostrano una stabilità relativa, con un calo meno pronunciato, indicando una capacità di mantenere un’abilità moderata anche a lungo termine.
2. Mediana dei Punteggi (Seconda Riga):
   • RPSS (Pannello Sinistro): La mediana di NMMEcalib parte da un valore di circa 0,5 a lead -2 e decresce più lentamente rispetto alla media, mantenendo un vantaggio su CPCoff nei lead intermedi (2-4), con valori che si avvicinano a zero a lead 7. CPCcalib si posiziona tra le due, con una performance intermedia.
   • LSS (Pannello Destro): La mediana di NMMEcalib è superiore (circa 1 a lead -2) e rimane più alta di CPCoff fino a lead 5, mentre CPCcalib offre un profilo intermedio, con un declino graduale che riflette una bilanciata gestione dell’incertezza.
3. Massimo e Minimo dei Punteggi (Terza Riga):
   • RPSS (Pannello Sinistro): I massimi di NMMEcalib raggiungono circa 1 a lead -2, indicando un potenziale di picchi di abilità, ma i minimi (tratteggiati) scendono a -2, evidenziando una variabilità significativa. CPCcalib e CPCoff mostrano massimi e minimi più contenuti, con minimi stabili intorno a -1, suggerendo una minore esposizione a errori estremi.
   • LSS (Pannello Destro): I massimi di NMMEcalib arrivano a 2, ma i minimi cadono a -4, riflettendo una vulnerabilità a errori rilevanti. CPCcalib e CPCoff presentano una variabilità ridotta, con minimi intorno a -2, indicando una maggiore consistenza.
4. Rapporto Media/Deviazione Standard (Riga Inferiore):
   • RPSS (Pannello Sinistro): Il rapporto diminuisce con l’aumentare del lead time per tutte le strategie, ma NMMEcalib mostra il calo più rapido (da 0,5 a -0,5), indicando una volatilità elevata che compromette la stabilità predittiva. CPCcalib e CPCoff mantengono valori più alti (vicini a 0) a lead 7, suggerendo una migliore gestione del rischio.
   • LSS (Pannello Destro): Similmente al RPSS, NMMEcalib declina da 1 a -1, riflettendo una perdita di efficienza adjusted per la variabilità, mentre CPCcalib e CPCoff si stabilizzano intorno a 0, indicando una performance più equilibrata.

Tendenze Osservate e Interpretazione

• Declino con il Lead Time: Tutte le statistiche mostrano un declino progressivo con l’aumentare del lead time, un fenomeno atteso a causa dell’accumulo di incertezze nelle dinamiche oceanico-atmosferiche. NMMEcalib evidenzia il calo più rapido, specialmente nei minimi e nel rapporto, riflettendo una maggiore esposizione al rischio.
• Prestazioni Relative: NMMEcalib eccelle a breve termine (lead -2 a 0) grazie alla sua audacia nel generare probabilità elevate, ma perde competitività a lungo termine a causa della volatilità. CPCcalib bilancia stabilità e abilità, offrendo un compromesso efficace, mentre CPCoff si distingue per la sua prudenza, pur sacrificando parte della precisione.
• Volatilità e Stabilità: Il rapporto media/deviazione standard sottolinea la maggiore instabilità di NMMEcalib, suggerendo un trade-off tra potenziale predittivo e vulnerabilità a errori, mentre CPCcalib e CPCoff dimostrano una maggiore coerenza, particolarmente rilevante per applicazioni operative.

Implicazioni Scientifiche e Operative

La Figura 6 offre un’analisi critica delle dinamiche temporali delle prestazioni previsionali, evidenziando una trade-off fondamentale tra audacia e stabilità. NMMEcalib, pur vantaggiosa a breve termine grazie alla sua capacità di sfruttare segnali forti, è penalizzata da una volatilità significativa a lead time più lunghi, come osservato nei minimi negativi e nel calo del rapporto media/deviazione standard. CPCoff, d’altro canto, adotta una strategia conservativa che minimizza i rischi di errori rilevanti, ma limita l’abilità complessiva, come indicato dai punteggi mediani inferiori. CPCcalib si posiziona come una soluzione intermedia, integrando l’intuizione umana con la calibrazione statistica per ottimizzare sia la precisione che la stabilità, un aspetto cruciale per le previsioni a lungo termine dove l’incertezza è dominante. Questi risultati suggeriscono che CPCcalib potrebbe essere ulteriormente migliorata attraverso l’aggiustamento dinamico dei parametri di calibrazione o l’integrazione di ensemble più diversificati, per affrontare sfide come la barriera di prevedibilità primaverile e ridurre la variabilità a lead time estesi.

In conclusione, la Figura 6 rappresenta un contributo essenziale alla climatologia operativa, fornendo una visualizzazione dettagliata dell’evoluzione dei punteggi RPSS e LSS in funzione del lead time. Questo strumento illumina le caratteristiche di performance di NMMEcalib, CPCcalib e CPCoff, offrendo una base per lo sviluppo di strategie previsionali più robuste e adattabili, con implicazioni significative per la gestione dei rischi climatici e la pianificazione strategica a lungo termine.

La Figura 7 si configura come un insieme di grafici a linee multi-pannello che presentano un’analisi dettagliata dei punteggi di verifica probabilistica, specificamente il Ranked Probability Skill Score (RPSS) e il Logarithmic Skill Score (LSS), per le prospettive a nove categorie dell’Oscillazione El Niño-Southern (ENSO). Rispetto alla Figura 5, che si concentra su una suddivisione a tre categorie (La Niña, neutro, El Niño), questa figura esplora una risoluzione categoriale più fine, definita con incrementi di 0,5°C dell’indice Niño-3.4 (±2,0°C, ±1,5°C, ±1,0°C, ±0,5°C), per un totale di nove categorie, che consentono di distinguere tra eventi deboli, moderati, forti ed estremi. L’analisi si limita alle strategie previsionali NMMEcalib e CPCcalib, escludendo CPCoff, poiché i previsori non hanno elaborato probabilità dirette a tale livello di dettaglio, data la complessità di un’assegnazione manuale per un numero così elevato di categorie. I dati coprono un periodo di 39 mesi, da giugno 2015 a settembre 2018, includendo un forte El Niño, due episodi di La Niña e fasi di neutralità, e sono organizzati in funzione delle stagioni target, con un’attenzione particolare agli intervalli di lead time. Procediamo con un’analisi sistematica dei componenti della figura, integrando il contesto teorico e le implicazioni scientifiche.

Struttura e Organizzazione della Figura

La figura è composta da sei pannelli, disposti in una griglia di due colonne e tre righe, progettata per una comparazione diretta tra le due metriche di verifica:

• Colonne:
  • Colonna Sinistra: Dedicata ai punteggi RPSS, una metrica globale che quantifica l’errore quadratico medio delle probabilità cumulative previste rispetto a una baseline climatologica calcolata su un periodo di riferimento (ad esempio, 1982-2017). Questo punteggio valuta l’accuratezza complessiva della distribuzione di probabilità su tutte le nove categorie, penalizzando errori sistematici nella previsione.
  • Colonna Destra: Dedicata ai punteggi LSS, una metrica locale che si basa sul logaritmo della probabilità assegnata alla categoria che si verifica effettivamente, offrendo una misura sensibile alla precisione della previsione per l’evento osservato, con una penalità severa per errori nella categoria corretta.
• Righe:
  • Riga Superiore: Copre i lead time da -2 a 1, che includono stagioni parzialmente basate su dati osservativi (ad esempio, lead -2 per un’inizializzazione a gennaio copre novembre-gennaio).
  • Riga Centrale: Copre i lead time da 2 a 4, un intervallo intermedio di previsione interamente basato su dati modellistici.
  • Riga Inferiore: Copre i lead time da 5 a 7, che si estendono a orizzonti temporali più lunghi, dove l’incertezza previsionale è significativamente maggiore.
• Asse Orizzontale (Asse x): Indica le stagioni target, identificate dal mese centrale (ad esempio, “AMJ” per aprile-maggio-giugno), coprendo il periodo da giugno 2015 a settembre 2018, un intervallo che include transizioni climatiche rilevanti.
• Asse Verticale (Asse y): Rappresenta i valori dei punteggi RPSS e LSS, espressi su una scala che varia da valori positivi (indicativi di un’abilità superiore alla climatologia), a zero (equivalente alla climatologia), fino a valori negativi (inferiore alla climatologia). I valori massimi osservati raggiungono circa 5 per RPSS e 4 per LSS, mentre i minimi possono scendere a -10 e -6 rispettivamente.

Descrizione delle Strategie Previsionali

Ogni pannello include due linee, ciascuna associata a una strategia previsionale:

• NMMEcalib (Linea Arancione): Una metodologia basata sulla calibrazione statistica dell’Ensemble Multimodello Nordamericano (NMME), che integra i risultati di molteplici modelli climatici accoppiati, ajustando la media dell’ensemble con una distribuzione gaussiana per generare probabilità per le nove categorie.
• CPCcalib (Linea Nera): Un approccio ibrido in cui i valori dell’indice Niño-3.4 forniti dai previsori vengono elaborati attraverso una funzione di distribuzione gaussiana calibrata, adattandosi a una risoluzione più fine e consentendo una rappresentazione dettagliata delle intensità dell’ENSO.

Analisi Dettagliata per Intervalli di Lead Time

1. Lead Time da -2 a 1 (Riga Superiore):
   • RPSS (Pannello Sinistro): I punteggi RPSS sono generalmente positivi o prossimi a zero a lead -2, con picchi significativi intorno a 2 durante il forte El Niño del 2015-2016 (target AMJ 2016), riflettendo un’alta capacità predittiva per entrambe le strategie in condizioni di evento ben definito. NMMEcalib mostra fluttuazioni più marcate, con cali a -5 durante le transizioni incerte dell’estate 2016 (target JAS 2016), dove sovrastima La Niña. CPCcalib mantiene una maggiore stabilità, con valori che oscillano tra -2 e 2, indicando una migliore gestione delle transizioni.
   • LSS (Pannello Destro): I punteggi LSS seguono un pattern simile, con massimi di circa 2 per NMMEcalib a lead -2, ma con un calo significativo a -4 nell’agosto-ottobre 2015, quando l’indice Niño-3.4 supera i 2,0°C, un evento estremo non previsto. CPCcalib mostra una performance più uniforme, con valori generalmente intorno a 1, suggerendo una maggiore resilienza agli errori.
2. Lead Time da 2 a 4 (Riga Centrale):
   • RPSS (Pannello Sinistro): La variabilità aumenta con l’orizzonte temporale, e NMMEcalib registra cali drammatici, scendendo fino a -10 nell’estate 2016 e nella primavera-estate 2017, riflettendo errori sistematici nella previsione di La Niña ed El Niño rispettivamente. CPCcalib, pur mostrando fluttuazioni, mantiene valori più stabili, oscillando tra -2 e 1, evidenziando una capacità di adattamento superiore.
   • LSS (Pannello Destro): NMMEcalib presenta cali significativi a -6, specialmente nel 2017, quando sottostima il ritorno di La Niña. CPCcalib si mantiene più consistente, con valori che variano tra -2 e 2, indicando una performance più affidabile in contesti di incertezza intermedia.
3. Lead Time da 5 a 7 (Riga Inferiore):
   • RPSS (Pannello Sinistro): A lead time più lunghi, l’incertezza previsionale domina, con NMMEcalib che raggiunge minimi di -10, evidenziando una perdita di abilità significativa. CPCcalib si stabilizza intorno a -2, suggerendo una migliore gestione dell’incertezza a lungo termine rispetto a NMMEcalib.
   • LSS (Pannello Destro): NMMEcalib registra minimi di -6, mentre CPCcalib si mantiene tra -2 e 1, dimostrando una performance più affidabile anche a lead time estesi, dove la prevedibilità è intrinsecamente limitata.

Tendenze Osservate e Interpretazione

• Prestazioni Temporali: Durante l’El Niño del 2015-2016, entrambe le strategie mostrano un’abilità positiva, con NMMEcalib che eccelle a breve termine grazie alla sua audacia nel prevedere eventi estremi, ma declina rapidamente durante le transizioni climatiche del 2016 e 2017, dove sovrastima La Niña ed El Niño. CPCcalib offre una performance più costante, evitando i cali estremi di NMMEcalib e mantenendo un’abilità accettabile anche in condizioni di incertezza.
• Variabilità e Stabilità: NMMEcalib è caratterizzata da una maggiore volatilità, con oscillazioni estreme che riflettono una sovrastima del segnale predittivo, mentre CPCcalib dimostra una stabilità superiore, suggerendo che la calibrazione statistica possa mitigare gli errori associati a una risoluzione più fine.
• Effetto della Risoluzione Fine: Il passaggio a nove categorie amplifica gli errori di NMMEcalib, come evidenziato dai minimi più profondi rispetto alle tre categorie, mentre CPCcalib mantiene un’abilità comparabile, con un lieve miglioramento dell’LSS a breve termine, come previsto da Tippett et al. (2017).

Implicazioni Scientifiche e Operative

La Figura 7 evidenzia le sfide e le opportunità legate all’adozione di una risoluzione categoriale più fine nelle previsioni ENSO. NMMEcalib, pur potente a breve termine, soffre di una maggiore variabilità e di errori sistematici a lungo termine, specialmente in transizioni climatiche, come dimostrato dai cali significativi di RPSS e LSS. CPCcalib, invece, si dimostra più adattabile, mantenendo una performance stabile anche a una risoluzione di nove categorie, e mostrando un miglioramento nell’LSS a breve termine, che riflette una maggiore capacità di catturare dettagli sulle intensità dell’ENSO. Questi risultati supportano l’ipotesi che un approccio calibrato statisticamente, come CPCcalib, sia più adatto per previsioni a risoluzione fine, con potenziali applicazioni operative in settori come la gestione delle risorse idriche o la pianificazione agricola, dove distinguere tra eventi deboli, moderati ed estremi può fare la differenza. Ulteriori affinamenti, come l’ottimizzazione della distribuzione gaussiana o l’integrazione di dati osservativi in tempo reale, potrebbero migliorare ulteriormente la precisione di CPCcalib, specialmente per eventi anomali come quello del 2015.

In conclusione, la Figura 7 rappresenta un contributo essenziale alla climatologia operativa, offrendo un’analisi temporale e categoriale delle prestazioni di NMMEcalib e CPCcalib a una risoluzione di nove categorie. Questo strumento non solo evidenzia la superiorità di CPCcalib in termini di stabilità e applicabilità, ma apre anche la strada a future ricerche sull’ottimizzazione delle tecniche previsionali per affrontare la complessità degli eventi ENSO a diverse scale di intensità.

Appendice

Conversione di una Previsione di Probabilità a Tre Categorie in una Distribuzione Gaussiana

La presente appendice descrive un metodo metodologico per trasformare una previsione di probabilità espressa in termini di tre categorie distinte in una rappresentazione continua basata su una distribuzione gaussiana, un approccio che consente di estendere la granularità e la flessibilità delle analisi previsionali nell’ambito dell’Oscillazione El Niño-Southern (ENSO) e di altre variabili climatiche. Questo processo è particolarmente rilevante quando si desidera passare da una classificazione discreta, come quella che distingue tra condizioni di La Niña, neutralità ed El Niño, a una modellazione probabilistica continua che rifletta l’intera gamma di possibili stati climatici. Ogni previsione di probabilità a tre categorie può essere associata a una distribuzione gaussiana, una forma di distribuzione a campana ampiamente utilizzata in statistica, i cui parametri—media e varianza—possono essere determinati in modo tale da replicare fedelmente le probabilità previste per le categorie definite.

Per effettuare questa conversione, si considerano due elementi chiave della previsione: la probabilità stimata di trovarsi al di sotto di una soglia inferiore, che delimita la categoria inferiore (ad esempio, La Niña), e la probabilità stimata di superare una soglia superiore, che definisce la categoria superiore (ad esempio, El Niño). La distribuzione gaussiana risultante è caratterizzata da una media, che rappresenta il valore centrale atteso dell’indice Niño-3.4 o di un’altra variabile considerata, e da una varianza, che misura la dispersione o l’incertezza intorno a tale valore centrale. L’obiettivo è calibrare questi parametri in modo che le probabilità cumulative della distribuzione gaussiana, calcolate fino alla soglia inferiore e oltre la soglia superiore, corrispondano esattamente alle probabilità previste dalla classificazione a tre categorie. Questo processo implica un’integrazione della funzione di distribuzione cumulativa della gaussiana standard (con media zero e varianza unitaria), che funge da base per la trasformazione.

Per tradurre questa corrispondenza in un sistema operativo, si parte da un’analisi comparativa tra le probabilità previste e i valori attesi della distribuzione gaussiana. La probabilità di essere al di sotto della soglia inferiore può essere espressa come una funzione della differenza tra la soglia e la media, normalizzata rispetto alla deviazione standard della distribuzione. Analogamente, la probabilità di superare la soglia superiore può essere definita come la complementare della probabilità cumulativa fino a tale soglia. Queste relazioni possono essere riformulate come un sistema di due equazioni lineari, in cui le incognite sono la media e la varianza della distribuzione gaussiana. La risoluzione di tale sistema consente di derivare i valori dei parametri necessari.

La soluzione per la media della distribuzione gaussiana viene ottenuta combinando le soglie inferiori e superiori con le probabilità inverse associate alle due categorie estreme, pesandole in base alla loro differenza relativa. Questo approccio garantisce che la media rifletta un compromesso tra le stime estreme, allineandosi con il consenso probabilistico della previsione. Per quanto riguarda la varianza, questa è determinata dalla differenza tra le soglie inferiori e superiori, ajustata in funzione della differenza tra le probabilità inverse, offrendo una misura della dispersione che è proporzionale all’ampiezza del range categoriale e inversamente proporzionale alla precisione della separazione tra le categorie. Tale metodo permette di costruire una distribuzione gaussiana continua che conserva l’informazione probabilistica della previsione a tre categorie, facilitando analisi più dettagliate e la stima di probabilità per soglie intermedie non esplicitamente definite nella classificazione originale.

Questa tecnica di conversione presenta implicazioni significative per la climatologia operativa, poiché consente di superare i limiti di una rappresentazione discreta, aprendo la strada a previsioni più raffinate e adattabili a esigenze specifiche, come la valutazione di eventi estremi o la pianificazione basata su intensità variabili dell’ENSO. La flessibilità della distribuzione gaussiana, una volta calibrata, supporta l’integrazione con modelli statistici avanzati e l’esplorazione di scenari alternativi, migliorando la robustezza delle proiezioni climatiche. Ulteriori sviluppi potrebbero includere l’adattamento del metodo a distribuzioni non gaussiane, utilizzando trasformazioni o modelli alternativi, per affrontare variabili climatiche con caratteristiche asimmetriche, come le precipitazioni, ampliando così l’applicabilità di questa metodologia in contesti diversificati.

In sintesi, il processo descritto rappresenta un ponte concettuale tra la semplicità delle previsioni a tre categorie e la complessità delle distribuzioni continue, offrendo uno strumento matematico potente per migliorare la precisione e la versatilità delle analisi previsionali nell’ambito delle scienze climatiche. La determinazione dei parametri della distribuzione gaussiana attraverso questo metodo non solo preserva l’integrità delle probabilità iniziali, ma arricchisce l’interpretazione dei dati, contribuendo a un progresso metodologico nella modellazione delle dinamiche climatiche.

La Figura 8 si configura come un insieme di grafici a linee multi-pannello che offrono un’analisi quantitativa e sistematica dei punteggi di verifica probabilistica, specificamente il Ranked Probability Skill Score (RPSS) e il Logarithmic Skill Score (LSS), per le prospettive a nove categorie dell’Oscillazione El Niño-Southern (ENSO). Rispetto alla Figura 6, che analizza le prestazioni a tre categorie, questa figura adotta una risoluzione categoriale più fine, definita con incrementi di 0,5°C dell’indice Niño-3.4 (±2,0°C, ±1,5°C, ±1,0°C, ±0,5°C), per un totale di nove categorie, che consentono di distinguere tra eventi deboli, moderati, forti ed estremi. L’analisi si concentra sulle strategie previsionali NMMEcalib e CPCcalib, escludendo CPCoff, poiché i previsori non hanno elaborato probabilità dirette a tale livello di dettaglio, data la complessità di un’assegnazione manuale per un numero così elevato di categorie. I dati coprono un periodo di 39 mesi, da giugno 2015 a settembre 2018, includendo un forte El Niño, due episodi di La Niña e fasi di neutralità, e sono organizzati in funzione dell’orizzonte temporale di previsione (lead time), che varia da -2 a 7 mesi. La figura esplora diverse statistiche descrittive dei punteggi, offrendo un quadro dettagliato della stabilità, della variabilità e dell’abilità predittiva di ciascuna strategia. Procediamo con un’analisi sistematica dei componenti della figura, integrando il contesto teorico e le implicazioni scientifiche.

Struttura e Organizzazione della Figura

La figura è composta da sei pannelli, disposti in una griglia di due colonne e tre righe, progettata per una comparazione diretta tra le due metriche di verifica:

• Colonne:
  • Colonna Sinistra: Dedicata ai punteggi RPSS, una metrica globale che quantifica l’errore quadratico medio delle probabilità cumulative previste rispetto a una baseline climatologica calcolata su un periodo di riferimento (ad esempio, 1982-2017). Questo punteggio valuta l’accuratezza complessiva della distribuzione di probabilità su tutte le nove categorie, penalizzando errori sistematici nella previsione.
  • Colonna Destra: Dedicata ai punteggi LSS, una metrica locale che si basa sul logaritmo della probabilità assegnata alla categoria che si verifica effettivamente, offrendo una misura sensibile alla precisione della previsione per l’evento osservato, con una penalità severa per errori nella categoria corretta.
• Righe:
  • Riga Superiore: Presenta la media aritmetica dei punteggi di abilità, che riflette il livello medio di performance su tutte le previsioni effettuate.
  • Seconda Riga: Presenta la mediana dei punteggi, una statistica robusta che riduce l’impatto degli outlier e rappresenta il valore centrale della distribuzione dei punteggi.
  • Terza Riga: Mostra i valori massimi (linee continue) e minimi (linee tratteggiate) dei punteggi, fornendo un’indicazione dell’intervallo di variabilità e delle prestazioni estreme.
  • Riga Inferiore: Illustra il rapporto tra la media dei punteggi e la deviazione standard, una misura analoga al rapporto di Sharpe in finanza, che valuta l’abilità adjusted per la volatilità.
• Asse Orizzontale (Asse x): Rappresenta il lead time, che varia da -2 a 7 mesi, dove lead -2 include stagioni parzialmente basate su dati osservativi (ad esempio, novembre-gennaio per un’inizializzazione a gennaio), mentre lead 7 si estende a previsioni a lungo termine (ad esempio, agosto-ottobre).
• Asse Verticale (Asse y): Mostra i valori dei punteggi RPSS e LSS, con scale che variano da circa -1 a 1 per la media e la mediana, da -5 a 5 per massimo/minimo, e da -2 a 2 per il rapporto, indicando rispettivamente un’abilità superiore, equivalente o inferiore alla climatologia.

Descrizione delle Strategie Previsionali

Ogni pannello include due linee, ciascuna associata a una strategia previsionale:

• NMMEcalib (Linea Arancione): Una metodologia basata sulla calibrazione statistica dell’Ensemble Multimodello Nordamericano (NMME), che integra i risultati di molteplici modelli climatici accoppiati, ajustando la media dell’ensemble con una distribuzione gaussiana per generare probabilità per le nove categorie.
• CPCcalib (Linea Nera): Un approccio ibrido in cui i valori dell’indice Niño-3.4 forniti dai previsori vengono elaborati attraverso una funzione di distribuzione gaussiana calibrata, adattandosi a una risoluzione più fine e consentendo una rappresentazione dettagliata delle intensità dell’ENSO.

Analisi Dettagliata per Statistiche

1. Media dei Punteggi (Riga Superiore):
   • RPSS (Pannello Sinistro): La media dei punteggi RPSS parte da circa 0,5 a lead -2 per entrambe le strategie, riflettendo un’abilità iniziale solida durante l’El Niño del 2015-2016, quando le condizioni erano ben definite. Tuttavia, il valore declina gradualmente a zero a lead 0 e diventa leggermente negativo (circa -0,5) a lead 7, con NMMEcalib che mostra un calo più pronunciato rispetto a CPCcalib, suggerendo una maggiore vulnerabilità all’aumentare dell’incertezza.
   • LSS (Pannello Destro): La media dei punteggi LSS inizia a circa 1 a lead -2, con un declino a zero a lead 0 e a valori negativi (-0,5) a lead 7. NMMEcalib e CPCcalib seguono un trend simile, con una leggera divergenza a lungo termine, dove CPCcalib mantiene una performance leggermente più stabile.
2. Mediana dei Punteggi (Seconda Riga):
   • RPSS (Pannello Sinistro): La mediana di NMMEcalib parte da circa 0,5 a lead -2 e decresce a zero a lead 7, mantenendo un vantaggio lieve su CPCcalib, che segue un declino più graduale, partendo da 0,4 e scendendo a -0,1. Questo indica che NMMEcalib tende a sovrastimare le probabilità a breve termine, mentre CPCcalib offre una performance più bilanciata.
   • LSS (Pannello Destro): La mediana di NMMEcalib inizia a 1,5 a lead -2 e scende a 0,5 a lead 7, mentre CPCcalib declina da 1 a 0, indicando una performance intermedia che riflette una migliore gestione dell’incertezza rispetto a NMMEcalib.
3. Massimo e Minimo dei Punteggi (Terza Riga):
   • RPSS (Pannello Sinistro): I massimi di NMMEcalib raggiungono circa 1 a lead -2, indicando un potenziale di picchi di abilità, ma i minimi (tratteggiati) scendono a -5, riflettendo una variabilità significativa, specialmente a lead 0 e 1, dove gli errori sono più pronunciati. CPCcalib mostra massimi intorno a 0,5 e minimi a -3, suggerendo una stabilità superiore e una minore esposizione a errori estremi.
   • LSS (Pannello Destro): I massimi di NMMEcalib sono circa 2, con minimi a -5, mentre CPCcalib ha massimi di 1,5 e minimi a -3, indicando una variabilità ridotta e una maggiore consistenza, particolarmente rilevante per applicazioni operative.
4. Rapporto Media/Deviazione Standard (Riga Inferiore):
   • RPSS (Pannello Sinistro): Il rapporto parte da 1 a lead -2 per entrambe le strategie, declinando a 0 a lead 7. NMMEcalib mostra un calo più rapido, suggerendo una maggiore volatilità che compromette la stabilità predittiva, mentre CPCcalib mantiene un profilo più stabile.
   • LSS (Pannello Destro): Il rapporto segue un trend simile, con NMMEcalib che scende da 2 a 0 e CPCcalib da 1,5 a 0, indicando una perdita di stabilità adjusted per la variabilità, ma con CPCcalib che dimostra una performance più equilibrata.

Tendenze Osservate e Interpretazione

• Declino con il Lead Time: Tutte le statistiche mostrano un declino progressivo con l’aumentare del lead time, un fenomeno atteso a causa dell’accumulo di incertezze nelle dinamiche oceanico-atmosferiche. NMMEcalib evidenzia una maggiore volatilità, con minimi più profondi, specialmente a lead 0 e 1, dove gli errori sono amplificati dalla risoluzione a nove categorie.
• Prestazioni Relative: NMMEcalib eccelle a breve termine (lead -2 a 0) grazie alla sua audacia nel generare probabilità elevate, ma perde competitività a lungo termine a causa della variabilità. CPCcalib offre una performance più stabile, mantenendo un’abilità accettabile anche a lead time estesi.
• Effetto della Risoluzione Fine: La maggiore granularità delle nove categorie amplifica la variabilità di NMMEcalib, come evidenziato dai minimi più profondi rispetto alle tre categorie, mentre CPCcalib mantiene un’abilità comparabile, con un lieve miglioramento dell’LSS a breve termine, come previsto da Tippett et al. (2017).

Implicazioni Scientifiche e Operative

La Figura 8 offre un’analisi critica delle dinamiche temporali delle prestazioni previsionali a una risoluzione di nove categorie, evidenziando una trade-off fondamentale tra audacia e stabilità. NMMEcalib, pur vantaggiosa a breve termine grazie alla sua capacità di sfruttare segnali forti, è penalizzata da una volatilità significativa a lead time più lunghi, come osservato nei minimi negativi e nel calo del rapporto media/deviazione standard. CPCcalib, d’altro canto, si distingue per la sua capacità di mantenere una performance stabile, anche con una risoluzione più fine, suggerendo che la calibrazione statistica sia efficace nel gestire dettagli aggiuntivi. Questi risultati supportano l’adozione di CPCcalib per applicazioni operative che richiedono una distinzione dettagliata delle intensità dell’ENSO, come la gestione delle risorse idriche o la pianificazione agricola. Ulteriori sviluppi potrebbero includere l’aggiustamento dinamico dei parametri di calibrazione o l’integrazione di ensemble più diversificati, per affrontare sfide come la barriera di prevedibilità primaverile e ridurre la variabilità a lead time estesi.

In conclusione, la Figura 8 rappresenta un contributo essenziale alla climatologia operativa, fornendo una visualizzazione dettagliata dell’evoluzione dei punteggi RPSS e LSS in funzione del lead time per una risoluzione di nove categorie. Questo strumento illumina le caratteristiche di performance di NMMEcalib e CPCcalib, offrendo una base per lo sviluppo di strategie previsionali più robuste e adattabili, con implicazioni significative per la gestione dei rischi climatici e la pianificazione strategica a lungo termine.

https://journals.ametsoc.org/view/journals/wefo/34/1/waf-d-18-0126_1.xml