Cause Meteorologiche della Polvere di Harmattan in Africa Occidentale

Abstract In questo studio, abbiamo esplorato le dinamiche temporali relative all’ingresso di polvere nella Depressione di Bodélé, nel Sahara Centrale, per approfondire la variabilità intra-annuale delle emissioni di aerosol dalla principale fonte di polvere al mondo. Le interazioni tra l’entrata di polvere e i fattori meteorologici su vasta scala sono state analizzate correlando variabili meteorologiche del Mediterraneo e dell’Africa settentrionale con le concentrazioni di aerosol nella Depressione di Bodélé, considerando separatamente i periodi invernale ed estivo. Le tecniche metodologiche adottate includono l’utilizzo dei dati di rianalisi NCEP/NCAR e dell’indice di aerosol del Total Ozone Mapping Spectrometer (TOMS-AI), che coprono un arco temporale di 15 anni dal 1978 al 1993. I risultati indicano che la mobilitazione della polvere durante la stagione dell’Harmattan è fortemente influenzata dalle variazioni della pressione atmosferica nella regione mediterranea. Una pressione elevata a nord della Depressione di Bodélé intensifica i venti commerciali nord-orientali, incrementando significativamente l’entrata di polvere nella regione. Durante l’estate, invece, la mobilitazione della polvere non sembra essere influenzata dalle condizioni meteorologiche su larga scala, sottolineando l’importanza dei sistemi di vento locali e regionali associati alla posizione più settentrionale della zona di convergenza intertropicale (ITCZ) in quel periodo.

© 2007 Elsevier B.V. Tutti i diritti riservati.

1. Introduzione

Il ruolo della polvere minerale è fondamentale nel sistema climatico terrestre, influenzando la dinamica dei nutrienti e i cicli biogeochimici degli ecosistemi sia terrestri che marini (Péwé, 1981; Arimoto, 2001; Middleton e Goudie, 2001; Griffin et al., 2004; Engelstaedter et al., 2006). Questa polvere, sollevata da sedimenti o suoli, può viaggiare attraverso il vento per migliaia di chilometri. La Depressione di Bodélé, situata nella Repubblica del Ciad, è riconosciuta come la maggiore fonte mondiale di polvere minerale (Herrmann et al., 1999; Brooks e Legrand, 2000; Goudie e Middleton, 2001; Prospero et al., 2002; Giles, 2005; Washington et al., 2003). Le particelle di polvere da questa regione vengono trasportate a distanze estreme, raggiungendo aree come il Mar dei Caraibi, il bacino dell’Amazzonia, gli Stati Uniti e l’Europa (Schütz et al., 1981; Prospero, 1999; Dunion e Velden, 2004; Koren et al., 2006).

Nell’Africa saheliana e sahariana, il trasporto di polvere avviene attraverso vari sistemi di vento (Jäkel, 2004; Engelstaedter et al., 2006). L’Harmattan è uno dei principali, una corrente di aria secca e fredda che fa parte degli alisei continentali africani e si estende ben a sud dalla direzione costante nord-est durante l’inverno boreale (Hastenrath, 1988). In questi mesi, l’Harmattan sposta periodicamente grandi quantità di polvere minerale dalla regione del Ciad verso il Sahel e la costa della Guinea, alterando visibilità, umidità relativa e temperature (Kalu, 1979; McTainsh e Walker, 1982; Adedokun et al., 1989; Stahr et al., 1996; Breuning-Madsen e Awadzi, 2005). Questo aumento di aerosol può irritare le vie respiratorie e ridurre significativamente la visibilità, complicando i trasporti terrestri e aerei e causando problemi seri durante gli episodi di tempesta di polvere (Middleton, 1997). Un incidente aereo avvenuto in Costa d’Avorio nel febbraio 2000, ad esempio, fu causato dall’impatto del pulviscolo sui motori (http://www.nrlmry.navy.mil/aerosol/Case_studies/20000130_ivorycoast/, 20.09.2006).

Per mitigare gli impatti negativi degli aerosoli minerali sulle popolazioni delle zone desertiche e limitrofe, è essenziale comprendere i processi geomorfologici che regolano la dinamica della polvere atmosferica (Goudie e Middleton, 2001). Lo studio dei sistemi eolici, quindi, si concentra sulla produzione del materiale fine, i meccanismi di mobilizzazione, trasporto e deposizione, e gli effetti della polvere portata dal vento sull’evoluzione del paesaggio. La comprensione approfondita di questi processi richiede un’analisi dettagliata a diverse scale spaziali e temporali, e poiché questi fenomeni sono intrinsecamente legati ai processi meteorologici, è necessario un approccio interdisciplinare per esaminarli.

Il presente studio si posiziona all’incrocio tra geomorfologia e meteorologia, esaminando le variazioni a breve termine delle emissioni di polvere dalla Depressione di Bodélé e cercando di correlarle ai dati meteorologici su larga scala. L’ipotesi di base è che le fluttuazioni a breve termine e a piccola scala nella mobilizzazione della polvere siano influenzate principalmente dalla velocità del vento e dalla rugosità del suolo (Gillette e Chen, 1999). Mentre i fenomeni meteorologici su piccola scala dipendono dalle condizioni atmosferiche regionali e su vasta scala, che possono essere documentate dai dataset disponibili e previste. Data la variazione stagionale dei sistemi di pressione e vento, ci si attende che gli impatti varino significativamente tra estate e inverno. Di conseguenza, abbiamo analizzato come le condizioni meteorologiche stagionali influenzino le emissioni di polvere nella Depressione di Bodélé, fornendo dati utili per prevedere eventi meteorologici pericolosi causati dalla polvere atmosferica.

Recentemente, Washington e Todd (2005) e Washington et al. (2006) hanno dimostrato che il getto a basso livello (LLJ) è un fattore determinante per le emissioni di polvere nella Depressione di Bodélé. Questo lavoro fornisce ulteriori prove che la variabilità giornaliera delle emissioni di polvere in questa regione può essere spiegata dal LLJ, utilizzando un ampio set di dati che caratterizzano i fattori meteorologici su larga scala, definiti come lo stato delle condizioni atmosferiche che perdurano da uno a diversi giorni.

Figura 1: Analisi delle Concentrazioni di Polvere Minerale Atmosferica

La Figura 1 illustra le medie annuali delle concentrazioni di polvere minerale nella atmosfera, misurate tramite l’indice aerosolico del Total Ozone Mapping Spectrometer (TOMS) e i vettori del vento orizzontale forniti dai dati NCEP/NCAR a 925 hPa. I dati coprono i periodi invernali (dicembre a febbraio) ed estivi (giugno ad agosto) degli anni 1978-1993. La posizione della Depressione di Bodélé è evidenziata con un quadrato nero.

Dettaglio dei Pannelli:

• Pannello (a) – Inverno: Mostra l’intensità e la distribuzione della polvere durante i mesi invernali. L’indice aerosolico varia da 0 a 4,5, con aree più scure che indicano una maggiore presenza di polvere. I vettori del vento indicano una prevalente direzione da nord-est a sud-ovest, facilitando il trasporto di polvere verso queste direzioni.
• Pannello (b) – Estate: In estate, le concentrazioni di polvere sono leggermente ridotte rispetto all’inverno. I vettori del vento mostrano una dispersione maggiore, suggerendo variazioni nelle direzioni del vento che possono influenzare il trasporto di polvere in modi diversi rispetto all’inverno.

Osservazioni Chiave:

• Stagionalità: I dati evidenziano chiaramente una differenza stagionale nelle concentrazioni di polvere e nei modelli di vento, sottolineando come i cambiamenti stagionali influenzino il comportamento del vento e la conseguente mobilitazione della polvere nella Depressione di Bodélé.
• Intensità della Polvere: L’uso dell’indice TOMS permette di visualizzare l’intensità della polvere minerale nell’aria, fornendo una misura diretta dell’entità degli aerosoli atmosferici.
• Implicazioni Meteorologiche: I pattern dei vettori del vento mostrano come i venti stagionali possono modificare il percorso e l’area di diffusione della polvere, influenzando così vari aspetti ambientali e climatici nelle regioni colpite.

Questa rappresentazione grafica fornisce quindi una visione complessiva del ruolo significativo che i fattori meteorologici giocano nel modellare le dinamiche della polvere atmosferica nell’area del Sahel, specialmente in relazione alle variazioni stagionali che caratterizzano la regione di Bodélé.

Figura 2: Contesto Regionale della Depressione di Bodélé

La Figura 2 offre una mappa dettagliata del contesto geografico e topografico attorno alla Depressione di Bodélé, basata sui dati altimetrici del GTOPO30 e arricchita da studi storici. Questa mappa visualizza in modo efficace l’interazione tra le caratteristiche fisiche e i fenomeni meteorologici della regione.

Dettagli della Mappa:

• Gradiente di Elevazione: L’altitudine del terreno è rappresentata mediante una gamma di toni di grigio, che variano dal chiaro per le zone più basse al scuro per quelle più elevate. Le fasce di altitudine sono segmentate in cinque categorie principali, da meno di 300 m a oltre 1000 m sul livello del mare.
• Formazioni Duneali: Diverse tipologie di dune sono indicate sulla mappa, ognuna caratterizzata da specifici modelli di formazione e distribuzione, che includono dune longitudinali, transversali e barcanoidi. Questi dettagli offrono insight sulle dinamiche eoliche e sulla deposizione di sedimenti nella regione.
• Flussi di Harmattan: Le frecce grigie indicano la direzione dei venti Harmattan, noti per il loro ruolo nel trasporto di polvere e sabbia dal Sahara verso aree meridionali durante i mesi più secchi.
• Corpi Idrici e Livelli Storici: Il Lago Ciad è evidenziato, insieme ai livelli paleoacqua che riflettono le variazioni storiche nel clima e nell’ambiente locale.
• Punti di Riferimento Geografici:
  • Depressione di Bodélé: Mostrata al centro, è significativa per la sua funzione di principale fonte di polvere desertica.
  • Montagne di Serir Tibesti e Tibesti: Queste aree montuose, situate a nord, sono indicate come le più elevate.
  • Ténéré e Grand Erg de Bilma: Queste estese aree desertiche sono rinomate per le loro vaste formazioni duneali.

Significato e Implicazioni della Mappa: Questa mappa è cruciale per analizzare come le caratteristiche geografiche e topografiche della Depressione di Bodélé influenzano i meccanismi di sollevamento e dispersione della polvere. La rappresentazione dei venti Harmattan evidenzia i principali percorsi del trasporto di polvere, mostrando l’importanza di questi fenomeni meteorologici nel modellare l’ambiente non solo regionale ma anche globale. La comprensione di questi processi è essenziale per gli studi sull’impatto della polvere sul clima e sugli ecosistemi.

In sintesi, la Figura 2 dimostra l’importanza dell’integrazione tra dati geografici e meteorologici per comprendere le dinamiche ambientali e climatiche associate alla Depressione di Bodélé.

2. Contesto Geografico della Depressione di Bodélé

La Depressione di Bodélé è situata nella parte centrale del Sahara, precisamente tra i 17°N e i 18°E, a nord-est del Lago Ciad. Quest’area, che raggiunge la sua quota minima di 153 metri sopra il livello del mare, costituisce il punto più basso del Bacino del Ciad (vedi Figura 2). È delimitata a nord dai Monti Tibesti, a ovest dall’Erg de Bilma e a sud dall’Erg du Djourab. Con meno di 10 mm di precipitazioni annuali, il clima nella Depressione di Bodélé è estremamente arido, definibile come iperarido (Washington e Todd, 2005).

L’importanza attuale della Depressione di Bodélé come fonte significativa di polvere deriva dalla sua storia geologica. Il suo sviluppo è intrinsecamente legato alle trasformazioni del Lago Ciad, che ha subito ampie fluttuazioni del livello dell’acqua durante il Pleistocene e l’Olocene, a causa delle variazioni del monsone (vedi Figura 2) (Drake e Bristow, 2006). Le fasi alterne di clima umido e secco degli ultimi cinquantamila anni sono ben documentate (Busche, 1998; vari studiosi citati in Pachur e Altmann, 2006). In periodi caratterizzati dalla predominanza di acque dolci, si è verificata la sedimentazione di diatomite, che oggi si trova esposta in superficie o parzialmente sepolta sotto strati di sabbia depositatisi durante l’ultima fase eolica. Queste sabbie sono parte di un corso di sabbia eolica che segue la direzione prevalente dei venti alisei di superficie da nord-est a sud-ovest, come descritto nel Sistema Globale di Azione del Vento Saharo-Saheliano di Mainguet (1996), collegando così le zone di erosione e deposito all’interno del Sahara.

3. Metodologie

Per esplorare l’effetto dei fattori meteorologici su larga scala sul fenomeno della mobilizzazione della polvere, abbiamo eseguito un’analisi di correlazione tra due insiemi di dati relativi al periodo 1978-1993. L’aerosol atmosferico è stato quantificato attraverso l’indice aerosol di livello-3 (versione 8) dello Spettrometro per la Mappatura dell’Ozono Totale (TOMS-AI), montato sul satellite Nimbus. Il TOMS-AI misura la variazione della dipendenza dalla lunghezza d’onda della radiazione UV retrodiffusa da un’atmosfera aerosolica rispetto a quella di una pura atmosfera Rayleigh (Herman et al., 1997; McPeters et al., 1998; Chiapello et al., 1999). Data la diversa assorbenza alle lunghezze d’onda UV, attribuibile a differenze nelle dimensioni e forma delle particelle, il TOMS-AI è in grado di differenziare tra polvere minerale e fumo, sia sopra le superfici terrestri che marine. I valori negativi dell’indice indicano la presenza di aerosol non assorbenti come gli aerosol solfatici (Chiapello e Moulin, 2002), mentre valori positivi del’indice rappresentano concentrazioni di polvere minerale atmosferica. Un valore dell’indice pari a zero indica l’assenza di aerosol. Questo spettrometro effettua rilevazioni quasi giornaliere su gran parte del globo con un passaggio all’equatore quasi a mezzogiorno. I dati di livello-3 hanno una risoluzione spaziale di un grado di latitudine e 1,25 gradi di longitudine per cella, con una precisione decimale. I dati relativi al periodo da novembre 1978 a maggio 1993 sono archiviati dalla NASA e disponibili al download sul sito http://toms.gsfc.nasa.gov. Per minimizzare l’impatto degli aerosol non assorbenti sulle statistiche utilizzate in questo studio, i valori negativi di TOMS-AI sono stati azzerati. Abbiamo inoltre studiato il comportamento temporale delle emissioni di polvere dalla Depressione del Bodélé, estrapolando una serie temporale dal centro della cella con il valore medio massimo di TOMS-AI, a 16.5°N, 16.875°E, su un periodo di 5301 giorni con 139 valori mancanti. Questa localizzazione evidenzia l’importanza della Depressione del Bodélé come principale fonte di polvere a livello globale. L’analisi iniziale nel dominio temporale ci ha permesso di comprendere meglio il comportamento e la dipendenza dei dati nel tempo, utilizzando analisi dell’autocorrelazione e aggregazioni mensili dei valori giornalieri di TOMS-AI. I risultati hanno mostrato una complessità notevole del comportamento della serie temporale di TOMS-AI, tanto a breve quanto a lungo termine, come discusso nella sezione Risultati. Quest’analisi è stata poi approfondita attraverso lo studio nel dominio delle onde.L’indagine sulla serie temporale è stata estesa al dominio delle wavelet. La trasformata wavelet (WT) è un metodo innovativo per analizzare fenomeni multiscala e non stazionari che si verificano in periodi temporali limitati. Questo approccio scompone una serie temporale nello spazio tempo-frequenza, a differenza della trasformata di Fourier che si basa su funzioni sinusoidali e cosinusoidali con estensione infinita e uniformità globale nel tempo. La WT, invece, utilizza funzioni di base locali e adattabili, chiamate wavelet, che possono essere modificate in frequenza e tempo per adattarsi meglio ai dati analizzati (Lau e Weng, 1995; Torrence e Compo, 1997).

Nell’analisi WT, si distinguono principalmente due tipi di funzioni wavelet: le wavelet continue e quelle ortogonali. Nel nostro studio, abbiamo optato per la wavelet continua di Morlet come funzione di base principale. Questa scelta è dovuta al vantaggio che la natura complessa della wavelet di Morlet offre nella rilevazione delle variazioni di ampiezza e fase relative a diverse frequenze. L’applicazione di questa tecnica è stata focalizzata sugli anni dal 1980 al 1992, dato che gli altri anni presentavano dati incompleti o un eccesso di valori mancanti. I valori mancanti nelle serie rimanenti sono stati integrati attraverso un’interpolazione lineare prima dell’applicazione della WT. Il parametro regolabile della wavelet di Morlet è stato impostato per ottenere la migliore risoluzione possibile sia in termini di tempo che di frequenza. La finestra temporale più estesa usata è stata quella che copre l’intera lunghezza della serie temporale analizzata, consistente in 4749 osservazioni.

Parallelamente, lo stato dell’atmosfera è stato valutato attraverso il dataset giornaliero 2.5° × 2.5° del Progetto di Rianalisi del National Centers for Environmental Prediction/National Center for Atmospheric Research (NCEP/NCAR), che copre un’area estesa dal 50°N al 10°S e dal 30°W al 50°E. Questo set di dati è stato selezionato perché abbraccia i modelli di circolazione atmosferica su larga scala, includendo le dinamiche occidentali nel nord e la zona di convezione intertropicale a sud. I dati utilizzati provengono dalla rianalisi delle osservazioni della rete meteorologica globale mediante un modello di previsione avanzato.

Infine, l’interazione tra la mobilizzazione della polvere nella Depressione del Bodélé e le condizioni meteorologiche su vasta scala è stata esplorata tramite un’approfondita analisi di correlazione. Questa analisi ha impiegato il coefficiente di correlazione di Pearson per quantificare la forza dell’associazione tra la serie temporale di TOMS-AI e le serie temporali delle variabili meteorologiche di ciascuna cella della griglia NCEP/NCAR, specificando le coordinate e la variabile meteorologica di ciascuna cella.L’applicazione di metodi statistici base alle serie temporali presenta sfide a causa della dipendenza seriale, o autocorrelazione, tra le osservazioni di ogni variabile. Tale dipendenza seriale, conosciuta come persistenza, è determinata dalla capacità di “memoria” e dall’inerzia del sistema in esame e può portare a stime distorte e quindi inaffidabili degli intervalli di confidenza per parametri statistici quali media e varianza (Mudelsee, 2002, 2003; Politis, 2003). In questo contesto, abbiamo adottato un metodo proposto da Mudelsee (2003), che introduce il bootstrap non parametrico stazionario delle serie temporali, ispirato alla procedura di bootstrap a blocchi sviluppata da Politis e Romano (1994). Il bootstrap, introdotto da Efron (1979), è un metodo che stima i parametri statistici di un campione ricampionando con sostituzione dal campione originale, senza presupporre una distribuzione teorica del campione, risultando efficace specialmente in campioni di piccole dimensioni. Tuttavia, questo metodo presuppone che i dati siano indipendenti e distribuiti in modo identico (i.i.d.) (Politis, 2003).

Il metodo di Mudelsee (2003) estende il bootstrap ai dati non i.i.d., sostituendo il sottocampionamento di singole osservazioni con il sottocampionamento di blocchi di osservazioni successive, per stimare il coefficiente di correlazione di Pearson di una serie bivariata. Il metodo è efficace tanto per serie temporali con intervalli di campionamento disuguali quanto per quelle equidistanti. Entrambe le serie temporali sono ricampionate a blocchi con sostituzione fino a raggiungere il numero di osservazioni della serie originale. A partire dalle serie ricampionate si calcola il coefficiente di correlazione, ripetendo il processo per diverse repliche bootstrap. La lunghezza del blocco è proporzionale alla massima durata di persistenza delle due serie temporali.

Abbiamo realizzato fino a 2000 repliche di bootstrap, che hanno dimostrato di ridurre efficacemente il “rumore di bootstrap” (Efron e Tibshirani, 1993; Mudelsee, 2003). Utilizzando la distribuzione dei coefficienti di correlazione generata, abbiamo costruito intervalli di confidenza equicodali, calcolando i percentili al 2.5, 50 e 97.5 per ottenere gli intervalli di confidenza bootstrap al 95% e la mediana. Questa mediana funge da stima del vero coefficiente di correlazione. I risultati delle analisi mostrano significatività solo quando l’intervallo di confidenza inferiore supera il valore di 0,2 o quello superiore scende sotto -0,2.

Il metodo richiede che le serie temporali siano almeno debolmente stazionarie. L’analisi del comportamento temporale della serie TOMS-AI nella Depressione del Bodélé ha rivelato una complessità stagionale che infrange le assunzioni di stazionarietà. Per eliminare le componenti stagionali e di tendenza dalle serie TOMS-AI e meteorologiche, abbiamo applicato un filtro passa-basso temporale avanti e indietro con un kernel gaussiano di 21 giorni a tutti i dati prima dell’analisi di correlazione. Successivamente, la serie originale è stata sottratta dalla sequenza filtrata e trasformata in z, garantendo serie temporali detrendizzate con media stazionaria attorno allo zero, rappresentative delle fluttuazioni a breve termine delle emissioni di polvere e della variabilità atmosferica, definite come fattori meteorologici su larga scala.

Abbiamo applicato questo metodo ad ogni cella della griglia di dati di rianalisi NCEP/NCAR per due periodi dell’anno. Il primo periodo, da dicembre a marzo, corrisponde alla stagione invernale caratterizzata da alta attività eoliana, durante la quale la polvere dell’Harmattan viene trasportata dalla Depressione del Bodélé verso le coste saheliane e guineane. Il secondo periodo, da giugno ad agosto, è stato esaminato perché i livelli di TOMS-AI nella Depressione del Bodélé sono generalmente più bassi rispetto al resto dell’anno.

La Tabella 1 elenca i dati utilizzati dall’analisi NCEP/NCAR come riportato nello studio di Kalnay e collaboratori del 1996. Per ogni variabile meteorologica importante, la tabella fornisce unità di misura, livelli atmosferici specifici ai quali i dati sono stati raccolti, e le abbreviazioni usate per riferirsi a queste variabili nelle Figure dal 6 al 9 del documento.

Ecco una spiegazione dettagliata per ciascuna variabile presente nella tabella:

1. Pressione al livello del mare (SLP): Indica la pressione atmosferica misurata al livello del mare, espressa in ettopascal (hPa). Questa variabile è fondamentale per analizzare le condizioni meteorologiche generali e non è associata a specifici livelli di altezza atmosferica.
2. Componente del vento zonale e meridionale (WS): Misura la velocità del vento nelle direzioni est-ovest (zonale) e nord-sud (meridionale). I dati sono raccolti a tre diversi livelli di pressione: 925, 850 e 500 hPa, utili per analizzare come i venti variano con l’altezza nell’atmosfera.
3. Altezza geopotenziale (GPH): Rappresenta l’altezza a cui si trova un particolare livello di pressione atmosferica e viene misurata in geopotential meters (gpm). Le misurazioni sono state effettuate a quattro livelli di pressione: 925, 850, 500, e 200 hPa, che aiutano a comprendere la struttura verticale dell’atmosfera.
4. Temperatura (T): Questa variabile indica la temperatura dell’aria misurata in Kelvin (K) e raccolta ai livelli di 925, 850 e 500 hPa. Le misure di temperatura a diversi livelli sono essenziali per valutare le dinamiche termiche dell’atmosfera.
5. Umidità specifica (SH): Misura il rapporto di massa tra il vapore acqueo presente e l’aria umida totale, espressa in kg/kg. Questi dati sono stati raccolti ai livelli di 925, 850 e 500 hPa e sono importanti per studiare il contenuto di umidità dell’aria e le sue variazioni con l’altezza.

In sintesi, la Tabella 1 offre un quadro delle principali variabili atmosferiche analizzate nel documento, indicando le unità di misura e i livelli di pressione specifici per cui sono disponibili i dati. Queste informazioni sono cruciali per comprendere e modellare i fenomeni meteorologici trattati nello studio.

La Figura 3 mostra un istogramma dei risultati ottenuti da un’analisi bootstrap del coefficiente di correlazione tra l’indice TOMS-AI nella Depressione del Bodélé e la pressione al livello del mare (SLP) registrata a 25°N, 20°E. L’istogramma visualizza la distribuzione delle stime del coefficiente di correlazione generate attraverso il metodo di bootstrap, una tecnica statistica utilizzata per stimare la varianza e costruire intervalli di confidenza attraverso il ricampionamento ripetuto del dataset originale.

Dettagli dell’Istogramma:

• Asse Orizzontale (Coefficiente di correlazione r): Questo asse rappresenta i valori del coefficiente di correlazione, che variano da circa 0.35 a 0.55. Questi valori quantificano la forza e la direzione della correlazione tra l’indice TOMS-AI e la SLP, dove valori più vicini a 1 o -1 indicano una correlazione più forte.
• Asse Verticale (Frequenza): L’asse verticale mostra quante volte ciascun valore del coefficiente di correlazione è apparso durante le simulazioni di bootstrap, fornendo una misura della probabilità di ciascun risultato.

Indicatori chiave sull’Istogramma:

• Linea del 2.5 Percentile: Questa linea verticale indica il valore al di sotto del quale si trovano il 2.5% di tutti i risultati del bootstrap. Serve per delineare il limite inferiore dell’intervallo di confidenza al 95%, suggerendo che i valori al di sotto di questa soglia sono meno probabili.
• Linea della Mediana: Posizionata al centro della distribuzione, questa linea rappresenta il valore mediano dei risultati del bootstrap, considerato una stima robusta del vero coefficiente di correlazione.
• Linea del 97.5 Percentile: Simmetrica alla linea del 2.5 percentile, questa linea segna il limite superiore dell’intervallo di confidenza al 95%, indicando che valori al di sopra di questo punto sono anch’essi improbabili.

In sintesi, la Figura 3 utilizza l’istogramma per illustrare come i valori del coefficiente di correlazione si distribuiscano attorno alla mediana, evidenziando la consistenza delle stime e la variabilità intrinseca dei dati. Le linee dei percentili forniscono un quadro chiaro della variabilità del coefficiente di correlazione, enfatizzando i valori estremi come meno probabili all’interno del contesto dell’analisi.

La Figura 4 illustra un’analisi dettagliata della serie temporale dell’indice TOMS-AI (Total Ozone Mapping Spectrometer – Aerosol Index) nella Depressione del Bodélé, suddivisa in tre pannelli distinti che esaminano vari aspetti delle variazioni temporali di questo indice.

Pannello (a) – Grafico della serie temporale di TOMS-AI:

• Linea Grigia: Questa linea rappresenta la serie temporale originale del TOMS-AI, mostrando le fluttuazioni giornaliere dell’indice dal 1978 al 1993.
• Linea Nera: Indica la serie filtrata attraverso un filtro passa-basso utilizzando un kernel gaussiano di 21 giorni. Questo processo smorza le variazioni giornaliere e breve termine, evidenziando le tendenze sottostanti a lungo termine nella serie.
• Croci Nere: Segnalano la presenza di valori mancanti nella serie temporale, che sono stati esclusi o non registrati durante la raccolta dei dati.

Pannello (b) – Coefficienti di autocorrelazione della serie temporale:

• Questo grafico visualizza come i valori dell’indice TOMS-AI sono correlati con se stessi a intervalli di tempo successivi (lag), fino a 25 giorni. L’autocorrelazione aiuta a capire se esistono pattern regolari o cicli nella serie di dati.
• La linea continua rappresenta i valori reali di autocorrelazione, mentre le linee tratteggiate indicano i limiti entro cui i valori di autocorrelazione sono considerati statisticamente significativi. Valori al di fuori di queste soglie indicano correlazioni che non sono dovute al caso.

Pannello (c) – Medie mensili di TOMS-AI e intervalli di confidenza:

• Mostra le medie mensili dell’indice TOMS-AI, evidenziando come l’indice varia nei diversi mesi dell’anno.
• Le barre verticali rappresentano gli intervalli di confidenza al 95% per ogni media mensile, fornendo una misura dell’incertezza associata a queste medie. Questo è utile per valutare la variabilità stagionale e la robustezza delle medie mensili.

In generale, la Figura 4 offre una panoramica completa delle fluttuazioni e delle caratteristiche temporali dell’indice TOMS-AI nella Depressione del Bodélé, combinando analisi di tendenze a lungo termine con la valutazione di ciclicità e variazioni stagionali.

4. Risultati
5. 4.1. Fluttuazioni a breve termine e stagionali del TOMS-AI nella depressione del Bodélé

L’analisi dei grafici temporali offre spunti significativi sul comportamento delle serie temporali. La Figura 4a illustra sia le serie temporali originali che quelle filtrate con metodo passa-basso relative alla concentrazione di polvere atmosferica nella depressione del Bodélé, misurate tramite TOMS-AI. Non si evidenzia alcuna tendenza di fondo significativa nella serie, che tuttavia mostra notevoli fluttuazioni a breve termine con un’intensificazione nel tempo. Regolarmente, quasi ogni anno, si osserva un marcato incremento del TOMS-AI da dicembre a maggio, come mostrato dalla serie filtrata passa-basso e dai valori medi mensili in Figura 4c. Questo aumento è tipicamente seguito da una rapida riduzione nei mesi di giugno ad agosto, con luglio che registra la concentrazione media di polvere mensile più bassa misurata dal TOMS-AI. Dopo, i valori di TOMS-AI tendono a salire nuovamente, raggiungendo un picco in ottobre e diminuendo di nuovo a dicembre.

L’autocorrelazione, rappresentata nella Figura 4b, mostra un coefficiente di autocorrelazione di 0,5 per un ritardo di un giorno, indicando una forte dipendenza temporale nella serie temporale del TOMS-AI relativa alla depressione del Bodélé. Con l’aumentare del ritardo, si osserva un ciclo periodico di aumento e diminuzione dei coefficienti di autocorrelazione con un intervallo di circa 6 giorni, suggerendo una periodicità a breve termine nel segnale di TOMS-AI. I coefficienti di autocorrelazione, seppur modesti, restano significativi fino a 60 giorni di ritardo.

La sovrapposizione di frequenze diverse nella serie temporale, evidenziata dall’aggregazione mensile e dall’autocorrelazione dei valori TOMS-AI, suggerisce la presenza di periodicità sia stagionali che a breve termine. Questi aspetti sono stati ulteriormente analizzati attraverso l’uso di un wavelet trasform di Morlet (Fig. 5) e l’interpretazione qualitativa del grafico delle ampiezze. L’asse orizzontale rappresenta la scala temporale, mentre l’asse verticale indica le frequenze osservate; la scala di grigi riflette l’intensità delle frequenze rilevate. Il trasform di wavelet rivela le ampiezze più elevate per periodi circa annuale per l’intero periodo di studio, evidenziando un ciclo annuale intrinseco. Le ampiezze più alte si verificano tra il 1990 e il 1992, periodo in cui il ciclo stagionale è particolarmente evidente. Inoltre, si notano frequenze più alte che indicano comportamenti periodici del segnale con periodi di circa 100-200 giorni durante alcune fasi dello studio. Un ciclo semestrale marcato si manifesta particolarmente tra il 1985 e il 1986, con cicli annuali meno evidenti ma con picchi accentuati in maggio e ottobre. Durante il periodo di studio si registrano anche periodicità da 20 a 100 giorni e fluttuazioni a breve termine superiori ai cinque giorni, con un picco di ampiezza evidente per periodi di 6 giorni, come precedentemente indicato dall’analisi di autocorrelazione (Fig. 4b). Queste periodicità emergono prevalentemente nei primi sei mesi di ogni anno e si osservano in diversi anni anche nella tarda estate e autunno, con magnitudini localmente moderate a frequenze intorno a 1/10 a 1/20.

La figura numero 5 mostra un’analisi della trasformazione wavelet di Morlet (WT) effettuata sulla serie temporale TOMS-AI, relativa alla depressione del Bodélé dal 1980 al 1992. Ecco una spiegazione dettagliata dei suoi componenti e significati:

1. Asse Orizzontale – Tempo: Questo asse copre il periodo che va dal 1980 al 1992, permettendo di visualizzare le variazioni temporali delle frequenze nel segnale studiato. Ogni punto sull’asse rappresenta un anno specifico, facilitando l’osservazione delle dinamiche annuali e pluriennali.
2. Asse Verticale – Frequenza: L’asse verticale mostra le frequenze delle oscillazioni nel segnale, disposte su una scala logaritmica. Le frequenze più alte (periodi più brevi) sono visualizzate nella parte superiore, mentre quelle più basse (periodi più lunghi) sono collocate verso il basso. Le etichette, come 5 giorni, 20 giorni, 1/2 anno, e 1 anno, indicano specifiche lunghezze d’onda, aiutando a identificare la prevalenza di cicli temporali variabili all’interno dei dati.
3. Scala di Grigi – Magnitudine delle Frequenze: La scala di grigi nel grafico codifica la magnitudine o intensità delle frequenze riscontrate. Le tonalità più chiare indicano una maggiore intensità, segnalando un’influenza più forte di quella frequenza specifica nel periodo considerato. Al contrario, le tonalità più scure indicano una minore intensità.
4. Interpretazione delle Bande di Frequenza:
   • Cicli Annuali: Una banda orizzontale larga e continua vicino alla linea corrispondente all’intervallo di un anno evidenzia un ciclo annuale forte e persistente. Questo pattern suggerisce che esiste una componente ciclica predominante ogni anno, molto probabilmente correlata a fattori stagionali o cicli ambientali nella depressione del Bodélé.
   • Cicli Semiannuali e Trimestrali: Le bande visibili attorno alle lunghezze d’onda di 1/2 anno e 20 giorni suggeriscono la presenza di cicli più brevi rispetto al ciclo annuale. Questi potrebbero corrispondere a variazioni ambientali minori o ad altri fattori influenzanti, come variazioni meteorologiche stagionali che incidono sulla concentrazione di polvere.
   • Fluttuazioni a Breve Termine: La presenza di intensità elevate nelle frequenze corrispondenti a periodi molto brevi, come i 5 giorni, indica fluttuazioni rapide nella serie temporale. Questo dimostra l’esistenza di processi dinamici che influenzano la concentrazione di polvere su scale temporali ridotte.

In sintesi, la figura 5 utilizza la trasformazione wavelet per decomporre la serie temporale in componenti frequenziali, offrendo una visione complessiva delle dinamiche temporali che influenzano la deposizione di polvere nella depressione del Bodélé. Attraverso questa analisi, è possibile discernere le varie scale temporali di variazione e la loro importanza, fornendo spunti preziosi per la comprensione dei processi ambientali in gioco.

4.2. Correlazione tra il TOMS-AI e le variabili del NCEP/NCAR

Questo studio si dedica all’analisi delle variazioni a breve termine nelle emissioni di polvere nella depressione del Bodélé. Di conseguenza, i risultati esposti in questa sottosezione derivano dall’analisi delle serie ad alta frequenza di entrambe le variabili menzionate, come descritto nella sezione Metodi.

Le mappe nella Figura 6 illustrano i risultati dell’analisi di correlazione tra la mobilizzazione della polvere e le condizioni atmosferiche nei mesi invernali. Le isolinee che rappresentano i coefficienti di correlazione stimati, da qui in poi chiamati semplicemente coefficienti di correlazione, tra il TOMS-AI e la pressione a livello del mare (SLP) mostrano valori tra 0,3 e 0,5 lungo la costa meridionale del Mediterraneo, a nord della depressione del Bodélé (Fig. 6a). Questi valori elevati di SLP sono associati a due sistemi di pressione adiacenti al livello di 500 hPa, con altezze geopotenziali elevate sopra il Mar Mediterraneo centrale e basse sopra il Vicino Oriente e la Penisola Arabica (Fig. 6b).

Tra il TOMS-AI nella depressione del Bodélé e la velocità del vento al livello di 925 hPa, esiste una correlazione positiva con coefficienti superiori a 0,5, in una zona che si estende dalla depressione fino alla parte settentrionale del Mar Rosso (Fig. 6c). In una zona di estensione simile, si osserva una correlazione negativa tra il TOMS-AI e la temperatura dell’aria al medesimo livello, con coefficienti inferiori a -0,45 (Fig. 6d). Altre variabili meteorologiche analizzate, che non sono mostrate nella Figura 6, presentano coefficienti di correlazione più deboli, anche se alcuni superano significativamente il valore di 0,2 (Fig. 8).

Durante i mesi estivi, da giugno ad agosto, i coefficienti di correlazione per tutte le variabili oscillano tra -0,1 e 0,1, e non si osservano schemi spaziali evidenti come quelli delineati dalle linee di contorno nella Figura 7.

I risultati dei test di significatività sui coefficienti di correlazione, calcolati mediante bootstrap per i mesi invernali, sono visualizzati nella Figura 8. Ogni variabile presenta diverse aree con coefficienti di correlazione significativi, il cui modulo supera il 0,2. I modelli osservati in variabili e livelli di pressione selezionati (Fig. 6) sono confermati anche in altri livelli di pressione. Ad esempio, la correlazione positiva tra la velocità del vento al livello di 925 hPa a nord-est della depressione del Bodélé e il TOMS-AI è riscontrabile anche ai livelli di 850 e 500 hPa. Analogamente, la relazione inversa tra temperatura e TOMS-AI si verifica attraverso vari livelli di pressione.

Una comparazione visuale delle serie temporali che mostrano le correlazioni più elevate nell’inverno del 1982/83 è rappresentata nella Figura 9. La variazione del TOMS-AI nella depressione del Bodélé è descritta ottimamente dalla velocità del vento al livello di 925 hPa situato sopra il sud-est dell’Egitto. I picchi principali nel TOMS-AI sono chiaramente visibili anche in questa serie temporale. Questi picchi sono meno marcati nella serie temporale della pressione a livello del mare sopra la costa libica, che appare come una versione più liscia della curva TOMS-AI. I picchi positivi nella serie temporale del TOMS-AI sono frequentemente accompagnati da cali nella curva della temperatura al livello di 925 hPa nel nord della depressione del Bodélé.

Di seguito una spiegazione della Figura 6, che mostra i coefficienti di correlazione stimati (r_ˆmed) tra il TOMS-AI nella depressione del Bodélé e i dati meteorologici del NCEP/NCAR durante i mesi invernali di dicembre a marzo per gli anni dal 1978 al 1993. Ogni pannello evidenzia una variabile meteorologica diversa:

1. Pannello (a) – Pressione a Livello del Mare (SLP):
   • Questo grafico rappresenta la correlazione tra il TOMS-AI e la pressione al livello del mare. Le isolinee indicano i livelli di correlazione, con valori tra 0.3 e 0.5, specialmente lungo la costa meridionale del Mediterraneo, a nord della depressione del Bodélé.
   • Una densità maggiore di linee in certe aree suggerisce cambiamenti più rapidi nei valori di correlazione, implicando che variazioni nella pressione al livello del mare influenzano significativamente la mobilizzazione della polvere.
2. Pannello (b) – Altezza Geopotenziale a 500 hPa:
   • Illustra come il TOMS-AI sia correlato con l’altezza geopotenziale a mezza atmosfera. Zone con altezze geopotenziali più elevate si trovano sopra il Mar Mediterraneo centrale, mentre altezze più basse sono localizzate sopra il Vicino Oriente e la Penisola Arabica.
   • Le correlazioni mostrate in questo pannello indicano un legame tra la struttura verticale dell’atmosfera in queste regioni e la quantità di polvere sollevata nella depressione del Bodélé.
3. Pannello (c) – Velocità del Vento a 925 hPa:
   • Mostra una forte correlazione positiva (superiore a 0.5) tra la velocità del vento a questo livello e il TOMS-AI. Questo suggerisce che un incremento delle velocità del vento in questa area è correlato con un aumento della polvere mobilizzata.
   • La correlazione forte in questa mappa evidenzia l’importanza del vento come fattore principale nella generazione di tempeste di polvere.
4. Pannello (d) – Temperatura a 925 hPa:
   • Rivela una correlazione negativa significativa (inferiore a -0.45) tra la temperatura a questa quota e il TOMS-AI, suggerendo che temperature più fredde sono associate a una maggiore attività di sollevamento della polvere.
   • Le aree con correlazioni negative marcate mostrano come variazioni di temperatura possano influire direttamente sulla dinamica della polvere.

In sintesi, la Figura 6 offre una panoramica dettagliata su come vari fattori atmosferici, quali pressione, altezza geopotenziale, velocità del vento e temperatura, influenzano la mobilizzazione della polvere nella depressione del Bodélé, attraverso un’analisi dettagliata delle correlazioni stagionali e spaziali.

La Figura 7 visualizza i coefficienti di correlazione stimati (rˆmed) tra il TOMS-AI nella depressione del Bodélé e diverse variabili meteorologiche registrate dal NCEP/NCAR durante i mesi estivi, da giugno ad agosto, per gli anni 1979-1992. Ogni pannello del grafico mette in luce una differente variabile meteorologica e la sua correlazione con le concentrazioni di polvere nella regione:

1. Pannello (a) – Pressione a Livello del Mare (SLP):
   • Questo grafico mostra la correlazione tra il TOMS-AI e la pressione atmosferica al livello del mare. Le isolinee sono distribuite ampiamente, indicando livelli di correlazione piuttosto bassi. Questo suggerisce che la pressione al livello del mare non ha un impatto significativo sulla quantità di polvere mobilizzata nella depressione del Bodélé durante i mesi estivi.
2. Pannello (b) – Altezza Geopotenziale a 500 hPa:
   • Il grafico rappresenta la correlazione tra il TOMS-AI e l’altezza geopotenziale a 500 hPa. Similmente al pannello (a), i coefficienti di correlazione sono generalmente bassi, indicando una minima influenza di questa variabile sull’attività di sollevamento della polvere nella regione studiata durante l’estate.
3. Pannello (c) – Velocità del Vento a 925 hPa:
   • Questo pannello esplora la correlazione tra la velocità del vento a 925 hPa e il TOMS-AI. Nonostante alcune aree mostrino correlazioni leggermente superiori rispetto ad altre variabili, i valori rimangono complessivamente bassi, suggerendo che anche la velocità del vento a questa quota ha un impatto limitato sulla mobilizzazione della polvere nel periodo estivo.
4. Pannello (d) – Temperatura a 925 hPa:
   • Mostra la correlazione tra la temperatura a 925 hPa e il TOMS-AI. Anche qui, i coefficienti di correlazione sono bassi, confermando che la temperatura a questa altitudine non è un fattore determinante per la mobilizzazione della polvere nella depressione del Bodélé durante i mesi estivi.

In generale, la Figura 7 dimostra che, nei mesi estivi, nessuna delle variabili meteorologiche esaminate mostra una correlazione forte con la mobilizzazione della polvere nella depressione del Bodélé. Questo contrasta con i risultati ottenuti nei mesi invernali, dove alcuni fattori come la velocità del vento e la pressione a livello del mare possono avere un impatto maggiore. Il quadrato nel grafico indica la posizione geografica della depressione del Bodélé, che serve come punto di riferimento per l’analisi spaziale delle correlazioni osservate.

La Figura 8 illustra i risultati dei test di significatività sui coefficienti di correlazione associati ai mesi invernali, valutando diverse variabili meteorologiche a diversi livelli atmosferici. Ogni pannello della figura rappresenta una specifica variabile e il suo livello corrispondente:

• SLP: Pressione al Livello del Mare
• GPH: Altezza Geopotenziale a vari livelli (850, 500, 200 hPa)
• WS: Velocità del Vento a diversi livelli (925, 850, 500, 200 hPa)
• T: Temperatura a diversi livelli (925, 850, 500, 200 hPa)
• SH: Umidità Specifica a vari livelli (925, 850, 500 hPa)

Interpretazione dei Colori e Significatività:

• Grigio scuro: Rappresenta intervalli di confidenza inferiori maggiori di 0.2 (r_2.5%≥0.2). Questo colore indica aree dove i coefficienti di correlazione sono statisticamente significativi e positivamente forti.
• Grigio chiaro: Indica intervalli di confidenza superiori minori di -0.2 (r_97.5%≤−0.2). Questo colore segnala aree dove i coefficienti di correlazione sono statisticamente significativi ma negativamente forti.

Dettaglio dei Pannelli:

• I pannelli con le etichette GPH, WS, T, e SH mostrano misurazioni a diversi livelli della troposfera, evidenziando come varie caratteristiche atmosferiche influenzino la regione studiata.
• Le mappe sono disposte per mostrare come la correlazione cambia con l’altitudine, fornendo una comprensione approfondita dei pattern di circolazione atmosferica e delle loro influenze sul clima locale e sulla dinamica della polvere.

In conclusione, la Figura 8 utilizza una rappresentazione visiva per evidenziare l’importanza e la significatività statistica delle correlazioni tra vari parametri atmosferici e il fenomeno studiato durante i mesi invernali. Questo approccio aiuta a identificare quali fattori sono più strettamente correlati con la dinamica della polvere nella depressione del Bodélé, fornendo insight utili per ulteriori ricerche e modelli predittivi.

5. Discussione

5.1 Variabilità delle Emissioni di Polvere dalla Depressione del Bodélé

Studi precedenti hanno dimostrato che le concentrazioni di polvere atmosferica variano significativamente nel tempo e nello spazio nel Nord Africa (Engelstaedter et al., 2006). In questo studio, ci concentriamo sulla Depressione del Bodélé, analizzando le emissioni di polvere mediante l’uso dell’analisi wavelet sui dati TOMS-AI. Questo approccio permette di esaminare le frequenze delle serie temporali e i loro cambiamenti localizzati nel tempo (Lau e Weng, 1995). Tuttavia, la limitazione del dataset del satellite Nimbus a un passaggio giornaliero e a una serie storica di 15 anni restringe l’analisi alla variabilità giornaliera e stagionale, escludendo la possibilità di studiare le fluttuazioni interannuali e pluriennali.

L’analisi WT di Morlet rivela una sovrapposizione di frequenze diverse nell’emissione di polvere. Il ciclo annuale, influenzato dallo spostamento stagionale delle cinture di pressione, domina, ma si osservano anche cicli intra-annuali da 100 giorni a sei mesi. Durante l’anno, si notano due periodi principali di aumento delle concentrazioni di polvere: un marcato incremento da dicembre a maggio e un aumento meno intenso tra settembre e ottobre. Questi pattern non sono costanti, come evidenziato dall’assenza di cicli in alcuni anni, ad esempio il 1991.

Il picco di maggio nel TOMS-AI, nonostante le più forti velocità del vento e maggiori emissioni di polvere durante i mesi invernali, potrebbe essere influenzato dall’innalzamento dello strato di convezione dovuto allo spostamento verso nord dell’ITCZ nei mesi invernali e primaverili (Herman et al., 1997; Mahowald e Dufresne, 2004).

La variabilità intrastagionale rilevata mostra cicli di circa 20 giorni, particolarmente evidenti nei primi anni ’80 e metà anni ’80, e periodicità di circa 6 giorni, prevalentemente nei mesi invernali e primaverili. Questi risultati suggeriscono che cambiamenti nel regime dei venti possano influenzare le emissioni di polvere in risposta a spostamenti dei sistemi di circolazione atmosferica (Hastenrath, 1988). Questi temi saranno ulteriormente esplorati nella sezione successiva.

La Figura 9 è divisa in due parti, etichettate come a) e b):a) Serie Temporali

La Figura 9a presenta quattro serie temporali misurate da dicembre 1982 a marzo 1983, ciascuna rilevante per studiare le dinamiche atmosferiche nella regione del Bodélé:

1. TOMS-AI (Bodélé): Questa curva mostra l’indice di assorbimento osservato via satellite, utile per monitorare la concentrazione di aerosol come la polvere sospesa.
2. Pressione a livello del mare (SLP, 25°N 20°E): Indica le fluttuazioni della pressione atmosferica, oscillando tra 1000 e 1040 hPa.
3. Velocità del vento a 925 hPa (WS925, 20°N 22.5°E): Mostra variazioni nella velocità del vento a una data altitudine, riflettendo periodi di intensa attività eolica che influenzano la dispersione della polvere.
4. Temperatura a 925 hPa (T925, 22.5°N 22.5°E): Illustra le variazioni di temperatura all’altezza specifica, evidenziando un trend generale di aumento.

b) Localizzazione delle Serie Temporali

La Figura 9b mappa le posizioni specifiche delle misurazioni:

• BD: Indica la Depressione del Bodélé, punto di riferimento per il TOMS-AI.
• SLP: Località di rilevamento della pressione a livello del mare.
• T925 e WS925: Punti di misurazione per temperatura e velocità del vento a 925 hPa.

Queste posizioni sono chiave per correlare le osservazioni atmosferiche con specifiche condizioni geografiche, essenziali nell’analisi delle dinamiche di polvere nella regione del Bodélé, uno dei più significativi centri di emissione di polvere nel mondo.

5.2 Correlazione tra l’ingresso di polvere e le condizioni meteorologiche

Le analisi WT sulla variabilità interdiurna delle emissioni di polvere nella Depressione del Bodélé evidenziano differenze significative nei meccanismi di ingresso della polvere tra inverno ed estate. Sebbene l’analisi WT non permetta di testare la significatività delle periodicità rilevate nella serie temporale TOMS-AI, è evidente la ricorrenza di cicli interdiurni nei mesi invernali e la loro assenza in estate, una caratteristica distintiva delle emissioni di polvere del Bodélé.

Questo pattern stagionale è principalmente influenzato dai sistemi di vento dominanti. Le nostre analisi di correlazione su larga scala hanno mostrato che, nei mesi invernali, esistono correlazioni significative tra le emissioni di polvere e le variabili meteorologiche analizzate, mentre in estate i controlli climatici non sono chiaramente identificabili.

Tra dicembre e marzo, abbiamo identificato pattern di correlazione significativi tra i dati TOMS-AI e quelli NCEP/NCAR relativi a pressione, vento e temperatura. Questi risultati indicano che le emissioni di polvere sono fortemente influenzate dalla variabilità della SLP nel Mediterraneo centro-meridionale. Anomalie positive della SLP in questa regione sono associate a incrementi delle concentrazioni di polvere nella Depressione del Bodélé, un legame già evidenziato in precedenza da studi come quelli di Kalu (1979) e Washington e collaboratori (2005, 2006), che sottolineano l’importanza dell’Alta Libia.

La variabilità della SLP lungo la costa mediterranea libica è strettamente connessa ai regimi frontali che interessano il Mediterraneo in inverno, con trough che si estendono fino ai monti Tibesti, alterando i venti alisei prevalenti. Questo fenomeno è stato dettagliato da Tetzlaff (1982), che documenta la frequenza di questi trough nei mesi invernali, in linea con l’analisi wavelet che indica periodi superiori ai 6 giorni.

La riformazione dell’anticiclone mediterraneo intensifica il gradiente di pressione nord-sud sopra il Sahara Centrale, rafforzando i venti alisei che provengono dall’area mediterranea del nord-est africano, come evidenziato dai dati NCEP/NCAR. Questi venti, noti per essere freddi e secchi e per provenire dal nord in associazione ai trough, sono prevalenti ai livelli di 925 e 850 hPa e sono rafforzati dagli effetti orografici dei monti Tibesti, risultando in un forte trasporto di sabbia che erode i diatomiti nella Depressione del Bodélé. Il vento Harmattan trasporta queste particelle verso il sud-ovest dell’Africa occidentale, provocando un abbassamento stimato di 1 cm per decennio della superficie del Bodélé (Ergenzinger, 1978).Nel periodo di luglio-agosto, i valori medi di TOMS-AI (Fig. 4c) mostrano una riduzione, indicando un’atmosfera meno polverosa nella Depressione del Bodélé. Tuttavia, i valori di TOMS-AI rimangono relativamente alti rispetto ad altre fonti attive d’estate nell’Africa Occidentale, come la zona Mali-Mauritania (Prospero et al., 2002). Durante questi mesi, l’ITCZ si trova nella sua posizione più settentrionale e le velocità del vento sopra il Bodélé sono molto basse, poiché i venti dell’Harmattan non raggiungono la depressione (Fig. 1b).

In estate, l’assenza di una correlazione significativa tra TOMS-AI nel Bodélé e i fattori meteorologici su larga scala (Fig. 7) suggerisce che la variabilità giornaliera delle concentrazioni di polvere non è influenzata dal dataset NCEP/NCAR. Questo implica che le emissioni di polvere nel Bodélé sono indipendenti dalle condizioni atmosferiche sinottiche, ma piuttosto influenzate dai sistemi di vento regionali o locali. Studi precedenti nel Sahara (Jäkel e Dronia, 1976; Jäkel, 2004) hanno mostrato come contrasti locali e regionali di temperatura superficiale possano creare gradienti di pressione capaci di generare velocità del vento sufficienti per sollevare la polvere.

Le tempeste di polvere estive sono spesso collegate a correnti discendenti dalle celle di convezione e linee di raffica (SL), che sono state associate alle Onde Orientali Africane (Hastenrath, 1988; Chen e Fryrear, 2002; Fink e Reiner, 2003). Le interazioni da queste onde sinottiche a sistemi SL in mesoscala rimangono poco chiare.

Un ulteriore fattore che potrebbe influenzare i risultati dell’analisi di correlazione riguarda la provenienza della polvere. Non tutte le nubi di polvere rilevate da telerilevamento indicano una fonte di emissione diretta (Herrmann et al., 1999). Per esempio, l’avvezione di polvere da fonti nel Sahara orientale potrebbe influenzare notevolmente i valori di TOMS-AI nella Depressione del Bodélé, mescolandosi con la polvere localmente sollevata. Questo effetto è rafforzato dalla correlazione tra TOMS-AI e l’altezza dello strato di aerosol (Herman et al., 1997; Mahowald e Dufresne, 2004).

In conclusione, la variabilità giornaliera nei mesi invernali può essere in parte spiegata dalla variabilità della pressione a livello del mare (SLP) nell’area mediterranea a nord del Bodélé. La varianza non spiegata di TOMS-AI potrebbe derivare da vari fattori, tra cui l’inadeguata rete di osservazione climatica nel Sahara, l’imprecisione delle variabili predittive meteorologiche (Koren e Kaufman, 2004), la risoluzione temporale e spaziale dei dati che non catturano il ciclo diurno delle emissioni di polvere e l’impossibilità di includere l’altezza dello strato di aerosol nell’analisi (Herman et al., 1997; Mahowald e Dufresne, 2004). Inoltre, persiste un’incertezza significativa nella rilevazione della polvere al di sotto di 1–1,5 km dal suolo (Chiapello et al., 1999; Prospero et al., 2002).

5.3. Importanza Geomorfologica dei Risultati

Le correlazioni tra condizioni meteorologiche sinottiche e mobilizzazione della polvere evidenziano le diverse scale temporali e spaziali implicate nei processi geomorfologici, come la formazione di particelle, l’ingresso e la dispersione della polvere, oltre al trasporto e alla deposizione (Goudie, 1978; Middleton, 1997; Besler, 1992; Pye, 1995). I dati da sensori remoti su larga scala e i dataset atmosferici globali hanno permesso di documentare e analizzare questi processi, che precedentemente venivano dedotti solo attraverso lo studio di forme e depositi geomorfologici. I risultati indicano anche che è possibile prevedere gli episodi di polvere nella Depressione del Bodélé utilizzando modelli meteorologici globali, sebbene una maggiore precisione nelle previsioni possa essere raggiunta incorporando la struttura spaziale delle variabili atmosferiche. La modellazione delle fonti puntuali di polvere nei modelli di circolazione globale, che includono dati temporali, rappresenta tuttavia una sfida per geomorfologi e meteorologi. Lo studio ribadisce che per comprendere completamente la natura complessa della redistribuzione della polvere eolica è necessaria l’integrazione di osservazioni a scala locale, regionale e globale.

6. Conclusioni

Abbiamo dimostrato come i meccanismi di mobilizzazione della polvere nella Depressione del Bodélé varino sostanzialmente tra estate e inverno. In inverno, l’emissione di polvere Harmattan è influenzata dalla variabilità della pressione a livello del mare nell’area mediterranea meridionale, mentre in estate i fattori dominanti sono i sistemi di vento locali e regionali, che non sono rilevabili dai dati di reanalisi NCEP/NCAR. Questo permette di spiegare parzialmente gli eventi di polvere dell’Harmattan, un progresso significativo nella previsione di queste condizioni meteorologiche estreme. Le correlazioni positive tra le variabili TOMS-AI e NCEP/NCAR confermano l’efficacia di questi dataset meteorologici globali nel catturare i modelli di circolazione nel Sahara. Per una piena comprensione delle dinamiche di emissione della polvere, è essenziale ulteriormente investigare gli impatti dei sistemi di vento locali e regionali e i loro meccanismi di controllo.

https://www.geo.fu-berlin.de/geog/fachrichtungen/physgeog/medien/download/bschuett/Schwanghar_Schuett-2008_Geomorphology.pdf