Assaf Hochman1,2 , Gabriele Messori3,4 , Julian F. Quinting1 , Joaquim G. Pinto1 , and
Christian M. Grams1
1Department of Tropospheric Research (IMK-TRO), Institute of Meteorology and Climate Research, Karlsruhe Institute
of Technology (KIT), Karlsruhe, Germany, 2Fredy and Nadine Hermann Institute of Earth Sciences, The Hebrew
University of Jerusalem (HUJI), Jerusalem, Israel, 3Department of Earth Sciences and Centre of Natural Hazards and
Disaster Science (CNDS), Uppsala University, Uppsala, Sweden, 4Department of Meteorology and Bolin Centre for
Climate Research, Stockholm University, Stockholm, Sweden
Nel dibattito sui weather regimes euro-atlantici (inverno), il punto critico è sempre lo stesso: quando clusterizziamo la circolazione stiamo davvero “scoprendo” stati fisici preferiti dell’atmosfera (metastabili, quasi-stazionari), oppure stiamo imponendo una tassonomia statistica comoda ma, in ultima analisi, arbitraria? La domanda è tutt’altro che accademica: i regimi sono usati per prevedibilità sub-stagionale, per collegare teleconnessioni e impatti al suolo, e per interpretare come il clima risponda alle forzanti esterne. Proprio perché l’uso operativo è enorme, da anni si confrontano due visioni: (i) quella “dinamica”, che risale all’idea di equilibri multipli e transizioni tra stati del flusso (in forma embrionale già nei modelli concettuali di blocco), e (ii) quella “statistica”, che ricorda come i cluster dipendano da scelta di variabili, filtri, numero di gruppi e metrica, e quindi possano “apparire” anche senza un chiaro ancoraggio dinamico.
Lo studio di Hochman e colleghi entra nel merito con un’idea semplice ma potente: se un regime è fisicamente un tratto dell’attrattore atmosferico in cui il sistema tende a “sedersi” per un po’, allora durante la fase matura dovremmo vedere una firma di maggiore stabilità intrinseca e persistenza; viceversa, prima dell’onset e dopo il decay ci aspettiamo maggiore instabilità (transizioni). Per testarlo, gli autori non si limitano a una classificazione a priori, ma adottano una definizione “raffinata” del ciclo di vita dei regimi euro-atlantici basata su Z500 (geopotenziale a 500 hPa) in reanalisi ERA-Interim e su un impianto EOF + k-means con 7 regimi “year-round” (AT, ZO, ScTr, AR, EuBL, ScBL, GL), più un indice di regime (IWR) che quantifica quanto l’istantaneo pattern proietti sul cluster medio e permette di isolare in modo oggettivo onset–maturità–decay.
La parte davvero discriminante è l’uso di metriche da teoria dei sistemi dinamici, in particolare dimensione locale(local dimension, d) e persistenza in spazio delle fasi (spesso espressa come inverse persistence, θ): in pratica, d dà un proxy di “quanti gradi di libertà efficaci” sono attivi localmente attorno allo stato corrente (quanto è “complesso” e quindi intrinsecamente meno prevedibile quel punto dell’attrattore), mentre θ è legata al tempo di residenza/alla tendenza del sistema a restare vicino allo stesso stato (persistenza). Queste quantità vengono stimate con tecniche di ricorrenza (Poincaré recurrences) collegate alla teoria dei valori estremi, un filone sviluppato e applicato proprio alla circolazione nord-atlantica per diagnosticare prevedibilità flow-dependent.
Il risultato chiave è che, attorno allo stadio massimo del regime, l’atmosfera mostra effettivamente una dinamica più “regolare” e distinguibile rispetto alle fasi di transizione: le distribuzioni dell’indice di regime al picco risultano significativamente diverse da quelle degli altri regimi, e le metriche dinamiche tendono a ridursi (maggiore stabilità/persistenza) proprio vicino alla maturità. Questo comportamento è particolarmente netto per i regimi ciclonici e per Greenland Blocking (GL) (che nello studio viene esplicitamente collegato alla fase negativa della NAO), mentre per i regimi di blocco EuBL, ScBL e AR la riduzione verso il massimo stadio esiste ma resta più vicina alla climatologia, suggerendo una “fisicità” meno pulita o una maggiore eterogeneità interna (blocchi con geometrie, posizioni e meccanismi di mantenimento diversi che una singola etichetta può comprimere troppo). In altre parole: la diagnosi dinamica supporta con forza l’esistenza fisica di molti regimi, ma indica anche che alcuni “blocchi” sono famiglie più ampie di stati, e quindi più sensibili a come li definisci.
Questa conclusione si incastra bene con la letteratura più ampia: da un lato, i regimi euro-atlantici sono robusti come descrittori della variabilità a bassa frequenza e tornano con metodi diversi (classici lavori su ricorrenza e quasi-stazionarietà; review metodologiche sulle non-linearità e sul “regime behavior”). Dall’altro, è noto che la persistenza è un aspetto delicato e che non tutti i regimi sono ugualmente persistenti o separati nello spazio delle fasi, specialmente quando si parla di blocchi.
Le implicazioni operative sono concrete: se i regimi corrispondono (almeno in parte) a stati dinamicamente preferiti, allora è sensato usarli come “coordinate” per la previsione sub-stagionale, perché la prevedibilità non è uniforme ma dipende dal punto dell’attrattore in cui ti trovi. Non a caso, molti lavori S2S valutano esplicitamente forecast skill e bias dei modelli proprio nello spazio dei regimi (anche nella versione a 7 regimi year-round) e mostrano che alcune situazioni di flusso sono intrinsecamente più predicibili di altre. Inoltre, i regimi offrono un linguaggio compatto per descrivere come teleconnessioni tropicali (es. MJO) e stratosferiche modulino la circolazione euro-atlantica, e per discutere come i modelli climatici riproducano (o deformino) frequenze e transizioni dei regimi, anche in funzione della risoluzione e dello stato medio.
Studi citati (selezione, oltre al lavoro di Hochman et al.): Charney & DeVore 1979; Vautard 1990; Michelangeli et al. 1995; Hannachi et al. 2017; Faranda et al. 2017; Messori et al. 2017; Fereday 2017; Büeler et al. 2021; Fabiano et al. 2020; Roberts et al. 2023; Dorrington et al. 2022.
1. Introduzione
Introduzione: regimi atmosferici e fondamento fisico della variabilità subseasonale extratropicale
La variabilità atmosferica su scala subseasonale alle medie latitudini (dai pochi giorni a qualche settimana) è uno dei nodi centrali della ricerca in scienze dell’atmosfera, perché condensa la parte “organizzata” del caos sinottico e, allo stesso tempo, governa impatti concreti su energia, idrologia, trasporti e gestione del rischio. In questo contesto si è affermato un paradigma operativo molto potente: una porzione rilevante della variabilità extratropicale può essere descritta come transizioni tra un numero limitato di stati ricorrenti o quasi-stazionari della circolazione su larga scala, i cosiddetti weather regimes (regimi atmosferici). L’idea non è solo descrittiva: se la circolazione tende a “stare” più spesso in certe configurazioni, allora quelle configurazioni possono essere sfruttate come base per previsione a medio-lungo raggio e per interpretare la variabilità climatica regionale. Un esempio emblematico è l’uso dei regimi per collegare pattern sinottico-planetari a impatti settoriali (ad esempio la variabilità multi-giornaliera della produzione eolica in Europa).
Storicamente il concetto nasce in ambito previsionale e viene poi formalizzato con strumenti teorici: Charney e DeVore proposero che la circolazione potesse ammettere più stati di equilibrio (nel senso di soluzioni stazionarie) tra cui il sistema “salta” in funzione delle forzanti e delle instabilità interne, fornendo una lettura dinamica del blocking e delle fasi più zonali. In seguito, l’idea degli equilibri multipli venne esplorata e in parte corroborata in contesti barotropici e in modelli ridotti, mostrando come configurazioni “bloccate” e “zonal” possano emergere come attrattori o quasi-attrattori in spazi delle fasi proiettati. Allo stesso tempo, arrivarono critiche importanti: aumentando la risoluzione spettrale o la complessità dei modelli, alcune evidenze di molteplici equilibri stabili possono indebolirsi o scomparire, suggerendo che parte della “multistabilità” dipenda dalla severa troncatura dei gradi di libertà (quindi dal modello) più che dall’atmosfera reale. È proprio qui che si colloca una frattura concettuale ancora viva: i regimi sono stati metastabili realmente presenti nella dinamica atmosferica, oppure categorie statistiche utili che riassumono la variabilità senza corrispondere a oggetti dinamici ben definiti?
Sul piano metodologico, la letteratura ha sviluppato una famiglia di tecniche che cercano di costruire uno spazio delle fasi “ridotto” ma informativo. La procedura più classica combina (i) una decomposizione tipo EOF per isolare le principali direzioni di variabilità e (ii) algoritmi di clustering, soprattutto k-means, per individuare regioni dello spazio delle fasi in cui le traiettorie atmosferiche ricorrono più spesso. Questo approccio ha avuto enorme successo, ma porta con sé un problema strutturale: il numero di cluster (quindi di regimi) non è determinato univocamente dalla fisica, e la sua scelta può dipendere da metriche statistiche, sensibilità ai dati e alla stagione, e persino dal modo in cui si filtrano o normalizzano i campi. Non sorprende quindi che, nel settore Atlantico-Europeo, coesistano classificazioni a 2 stati (letture tipo NAO/teleconnessioni), a 4 regimi “classici” e a 6 o più classi, spesso con forti dipendenze stagionali. In parallelo, un filone complementare descrive la variabilità in termini di jet regimes (regimi del getto), cioè stati preferenziali della latitudine e/o dell’intensità del getto eddy-driven: questi regimi del jet possono mappare — non sempre in modo banale — sui regimi classici definiti da geopotenziale e anomalie di onda planetaria, e la variabilità della velocità del jet può “offuscare” o deformare la struttura dei regimi identificati su Z500.
Per rendere la tassonomia più adatta all’applicazione operativa year-round, alcune definizioni hanno cercato di incorporare per costruzione le differenze inter-stagionali. Un esempio molto usato nel dominio Nord Atlantico–Europa è la classificazione a sette regimi basata su anomalie di geopotenziale a 500 hPa, ottenuta combinando EOF e clustering, e pensata esplicitamente per essere applicabile durante tutto l’anno. Questa scelta risponde a un’esigenza concreta: né una dicotomia tipo NAO né una classificazione “invernale” a quattro regimi descrivono sempre in modo sufficiente la variabilità intrastagionale e gli impatti associati.
La domanda “forte”, però, resta fisica: i regimi esistono come oggetti dinamici? Qui entrano in gioco strumenti recenti della teoria dei sistemi dinamici applicati ai campi atmosferici. Invece di chiedersi solo se i cluster siano statisticamente separabili, si prova a misurare proprietà locali della traiettoria sul (presunto) attrattore atmosferico. In particolare, la dimensione locale (d) descrive quanti gradi di libertà effettivi risultano attivi nelle vicinanze di uno stato istantaneo (quanto “ampio” è il ventaglio di evoluzioni possibili), mentre la persistenza è legata a quanto rapidamente il sistema abbandona quella regione di spazio delle fasi (quantificabile tramite grandezze connesse alle ricorrenze di Poincaré e alla teoria dei valori estremi). In questa cornice, stati a bassa d e alta persistenza risultano più “stabili” (più prevedibili in senso intrinseco) rispetto a stati ad alta d e bassa persistenza, che indicano dinamica più instabile e dispersiva. Questo approccio è stato usato sia per caratterizzare la predicibilità del flusso nord-atlantico sia per legare l’evoluzione temporale di tali metriche a fasi di crescita/maturità/decadimento di strutture sinottiche e di eventi estremi.
L’ipotesi guida, allora, diventa testabile in modo molto diretto: se un weather regime è uno stato dinamicamente significativo (non solo una “etichetta” statistica), ci si aspetta che mostri una sorta di ciclo di vita: segnali più instabili (d e θ più elevati, quindi minore stabilità locale) prima dell’onset e dopo la rottura, e segnali relativamente più stabili durante la fase matura, quando il pattern è pienamente sviluppato e persistente. Questo tipo di verifica, applicata ai regimi euro-atlantici, è stata proposta proprio per mettere ordine nel dibattito sul “fondamento fisico” dei regimi e per distinguere tra regimi che si comportano davvero come stati quasi-metastabili e regimi che emergono soprattutto come comode proiezioni statistiche della variabilità.
Materiali e metodi: dati di rianalisi e scelta di Z500 per l’analisi dei regimi Atlantico-Europei
L’impianto dati di questo tipo di studi nasce da un’esigenza molto concreta: per descrivere e confrontare in modo robusto i weather regimes e, soprattutto, il loro ciclo di vita (onset–maturità–decadimento), serve una base informativa omogenea, continua nel tempo e fisicamente consistente. Le rianalisi rispondono proprio a questo scopo, perché fondono osservazioni eterogenee con un modello numerico e un sistema di assimilazione, producendo campi atmosferici “coerenti” su lunghi archivi. Nel caso specifico, l’uso di ERA-Interim (ECMWF) consente di coprire l’epoca satellitare moderna dal 1979 fino al 2019 con una cadenza temporale di 6 ore e una griglia di circa 0.7°: due caratteristiche che sono particolarmente adatte quando l’obiettivo non è solo stimare medie climatologiche, ma anche seguire la traiettoria del sistema atmosferico nello spazio delle fasi e quantificare transizioni e persistenza su scala intrastagionale. ERA-Interim, inoltre, è stata ampiamente usata nella letteratura su regimi e blocking, proprio perché offre un compromesso molto pratico tra lunghezza della serie, qualità e “stabilità” del prodotto nel tempo; diversi lavori ne discutono prestazioni e coerenza, inclusa la capacità di riprodurre trend e variabilità su più scale (pur con limiti noti).
La scelta della variabile chiave, l’altezza di geopotenziale a 500 hPa (Z500), non è casuale: Z500 è uno dei descrittori più usati per la circolazione sinottico-planetaria extratropicale perché integra in modo efficace la struttura delle onde di Rossby, la posizione dei cavi e dei promontori e, indirettamente, l’organizzazione del flusso baroclino e dei pattern di blocco. In altre parole, è una “sintesi” dinamica del comportamento della troposfera media, ed è per questo che è diventata uno standard nelle diagnosi di regimi atmosferici e nella loro identificazione tramite tecniche statistiche e di clustering.
Anche il dominio geografico adottato — settore Atlantico-Europeo compreso approssimativamente tra 80°W e 40°E e tra 30°N e 90°N — ricalca una scelta ormai consolidata nella letteratura sui regimi euro-atlantici: è abbastanza ampio da includere l’intero “motore” delle teleconnessioni nord-atlantiche (storm track, getto eddy-driven, onde planetarie) e, allo stesso tempo, abbastanza mirato da non diluire il segnale regime-dipendente con variabilità remota meno pertinente. Non a caso, definizioni e valutazioni di sensibilità dei regimi rispetto alla risoluzione dei modelli usano domini praticamente equivalenti e lavorano proprio su campi di geopotenziale a 500 hPa.
Un punto metodologico importante, spesso sottovalutato, è il perché della risoluzione temporale a 6 ore. Se l’analisi dei regimi si limitasse a una classificazione “statica” (quanto spesso compare un certo pattern), il dato giornaliero potrebbe essere sufficiente. Ma quando si vuole descrivere un life cycle e, ancor più, quando si affianca un’analisi da sistemi dinamici (dimensione locale e persistenza nello spazio delle fasi), la frequenza sub-giornaliera diventa un vantaggio: cattura meglio la sequenza di aggiustamenti sinottici che precedono l’onset, la fase di mantenimento e i segnali di rottura, riducendo il rischio di “aliasing” delle transizioni. È esattamente in questa direzione che si muove la letteratura che collega regimi, predicibilità intrinseca e metriche dinamiche locali (d e θ), costruite a partire dalle ricorrenze nello spazio delle fasi e legate in modo diretto alla stabilità (o instabilità) locale della circolazione.
Infine, vale la pena collocare ERA-Interim nel suo contesto “generazionale”. La comunità oggi usa spesso ERA5 come successore naturale, grazie a risoluzione spaziale e temporale superiori e a miglioramenti nel sistema di assimilazione; confronti dedicati mostrano che parte delle differenze tra ERA5 ed ERA-Interim deriva proprio dalla capacità di rappresentare meglio processi e strutture su scala meso-sinottica. Questo non rende ERA-Interim inadatta, ma aiuta a interpretare i risultati: un’analisi basata su ERA-Interim è perfettamente coerente con decenni di letteratura sui regimi euro-atlantici, mentre un eventuale confronto con ERA5 può servire come test di robustezza rispetto alla risoluzione e all’evoluzione dei sistemi di rianalisi.
Ciclo di vita dei regimi atmosferici Atlantico-Europei: dalla classificazione EOF–k-means all’indice di regime e alle fasi onset–maturità–decadimento
La costruzione di un “ciclo di vita” dei weather regimes nell’area Atlantico-Europea parte da un’idea semplice ma molto potente: invece di limitarsi a dire quale regime è presente in un certo giorno, si vuole descrivere come il sistema entra in un regime, quanto lo mantiene e come ne esce. Per farlo in modo riproducibile si adotta una definizione year-round dei regimi euro-atlantici (sette stati) ottenuta combinando una riduzione di dimensionalità e un algoritmo di clustering, in linea con l’impostazione classica introdotta per l’identificazione oggettiva dei regimi tramite analisi EOF e k-means.
Operativamente, lo spazio delle fasi in cui vengono cercati i regimi non è quello “pieno” dei campi grigliati, ma un sottospazio a bassa dimensionalità definito dalle prime EOF del geopotenziale a 500 hPa (Z500) sul settore Atlantico-Europeo. Questa scelta è standard perché Z500 sintetizza la struttura delle onde di Rossby e dei pattern di blocco/zonalità della troposfera media, mentre l’uso delle EOF consente di isolare le modalità dominanti della variabilità e di ridurre rumore e collinearità prima del clustering. Il fatto che le prime sette EOF spieghino una frazione molto ampia della varianza (nell’ordine di tre quarti) indica che una parte rilevante della variabilità utile per definire i regimi è effettivamente “compressibile” in poche coordinate.
Un elemento metodologico cruciale è il filtraggio passa-basso a 10 giorni applicato alle anomalie normalizzate di Z500. Questo passaggio non è cosmetico: serve a enfatizzare la componente intrastagionale e quasi-stazionaria, riducendo la dominanza del transiente sinottico ad alta frequenza. In pratica si “spinge” l’algoritmo a riconoscere configurazioni persistenti (regimi) piuttosto che singoli eventi sinottici rapidi, coerentemente con l’idea originaria di recurrence e quasi-stationarity nella letteratura sui regimi.
Una volta definito lo spazio EOF, il k-means produce sette centroidi (i pattern medi dei cluster) che rappresentano i regimi year-round: tre tipicamente a impronta ciclonica (anomalia negativa di Z500 su porzioni chiave del dominio) e quattro a impronta di blocco (anomalia positiva, quindi dorsali/anticicloni persistenti in sedi preferenziali). La dicotomia “ciclonico vs blocked” è concettualmente utile perché collega la classificazione statistica a una lettura dinamica intuitiva (trough/jet più attivo vs ridging/blocco), pur restando una sintesi: in ogni istante reale la circolazione può contenere contributi simultanei di più pattern.
Per evitare una classificazione “a etichetta secca” (un solo regime per volta), si introduce un indice continuo basato sulla proiezione del campo istantaneo (Z500ʹ) sul centroide del regime: il Weather Regime Index (spesso indicato come WRI/IWR nella letteratura applicativa). In termini geometrici, è un prodotto scalare normalizzato che misura quanto la circolazione del momento somiglia al pattern del regime: valori alti implicano forte allineamento, valori bassi indicano che quel regime contribuisce poco alla configurazione presente. Questa scelta è importante perché consente di quantificare, per ogni istante, non solo il regime dominante ma anche i contributi concorrenti degli altri regimi, rendendo più realistica la descrizione della transizione e delle fasi miste.
Il passo successivo — e qui sta il cuore del “life cycle” — è tradurre l’indice continuo in eventi ben definiti nel tempo. La regola soglia IWR > 1.0 (tipicamente interpretabile come superamento di un’unità normalizzata rispetto alla dispersione dell’indice) definisce l’onset quando viene superata per la prima volta; la richiesta che l’indice resti sopra soglia per almeno 5 giorni impone un vincolo di persistenza, cioè impedisce che fluttuazioni brevi vengano scambiate per un regime pienamente instaurato. La fase di massimo coincide con il picco dell’indice, mentre il decadimento è marcato dal ritorno sotto soglia. Questa costruzione “evento-centrica” è coerente con l’uso dei regimi in ambito esteso-range: ciò che interessa davvero, per predicibilità e impatti, sono gli episodi persistenti, non le somiglianze effimere.
Non meno significativo è l’esplicita categoria “no regime”: giorni in cui nessun IWR supera la soglia (o nessun regime soddisfa i criteri di durata) vengono lasciati fuori dalla tassonomia di episodi. Questa scelta riconosce una realtà spesso trascurata: una quota non banale della variabilità invernale euro-atlantica si colloca in stati di transizione o in configurazioni non nettamente proiettabili su un pattern canonico, e forzare comunque un’etichetta può degradare la fisica del problema e confondere le statistiche di persistenza e transizione. In lavori che discutono il “fondamento fisico” dei regimi, proprio questi aspetti (episodi ben definiti, transizioni, e stati non classificabili) risultano decisivi per capire se i cluster siano solo categorie o riflettano stati dinamicamente significativi.
Infine, la scelta di focalizzarsi sui mesi invernali (DJF), con un cenno all’estate (JJA), è motivata dal fatto che la struttura dei regimi e la loro persistenza dipendono fortemente dalla stagione: in inverno il getto e la storm track nord-atlantica forniscono un “canale” dinamico più robusto per la formazione e il mantenimento di pattern quasi-stazionari, mentre in estate cambiano sia l’intensità del flusso medio sia il bilancio tra forzanti barocline e processi di blocco, con ricadute sulla separabilità dei cluster e sulla durata degli episodi. Proprio per confrontare in modo oggettivo distribuzioni (ad esempio intensità o durata degli indici nei diversi stadi del ciclo di vita) viene utilizzato un test non parametrico come Kolmogorov–Smirnov, adatto a verificare differenze tra distribuzioni senza assumere gaussianità.
Analisi dei sistemi dinamici: dimensione locale e persistenza per descrivere l’evoluzione dei regimi Atlantico-Europei
Per ricostruire “in chiave dinamica” come un regime atmosferico nasce, matura e si esaurisce, l’idea di fondo è trattare la sequenza temporale di mappe di geopotenziale a 500 hPa (Z500) come una traiettoria che scorre su un attrattore caotico: ogni mappa è un punto nello spazio delle fasi (ridotto) dell’atmosfera, e l’evoluzione nel tempo è il percorso del sistema lungo quell’attrattore. In questo quadro, invece di limitarsi a una classificazione discreta (regime A/B/C), si possono calcolare proprietà istantanee che dicono qualcosa di intrinseco sulla stabilità del flusso in quel preciso stato. L’approccio usato in letteratura combina teoria dei valori estremi e ricorrenze di Poincaré, sfruttando il fatto che le “ricorrenze molto ravvicinate” (stati molto simili che si ripresentano) possono essere studiate come eventi estremi nella distribuzione delle distanze nello spazio delle fasi.
Operativamente, si sceglie una metrica di distanza tra mappe (in pratica: quanto due campi Z500 si assomigliano). Per uno stato di riferimento lungo la traiettoria, si calcolano le distanze da tutti gli altri istanti: le distanze molto piccolecorrispondono a ricorrenze “vicine”, cioè ritorni del sistema in un intorno ristretto di quello stato. Un trucco concettuale (molto elegante) è trasformare queste distanze in un osservabile tipo “meno logaritmo della distanza”: così, quando la distanza diventa minuscola, l’osservabile cresce molto e finisce nel dominio della teoria dei valori estremi. In molte classi di sistemi dinamici, il comportamento asintotico di questi estremi (e delle statistiche di hitting/return times) è legato a leggi limite di tipo Gumbel/GPD e permette di inferire proprietà geometriche locali dell’attrattore.
Da qui nasce la dimensione locale d: è un proxy del numero “attivo” di gradi di libertà che il sistema può esplorare nelle vicinanze di quello stato. Intuitivamente, se d è bassa, la traiettoria ha meno direzioni realmente disponibili in quel intorno: lo stato è più “canalizzato”, più vincolato, e tende a essere intrinsecamente più prevedibile; se d è alta, lo stato è più instabile/ramificato, con più vie di evoluzione possibili, quindi con minore predicibilità intrinseca. Questa lettura è stata applicata con successo a configurazioni euro-atlantiche e a estremi, mostrando che le metriche dinamiche colgono differenze robuste tra stati più zonali e stati più meridiani/bloccati.
La seconda grandezza è la persistenza θ⁻¹. Qui il punto chiave è che, quando il sistema torna vicino a uno stato, spesso non lo fa “una volta sola”: può restare per più passi temporali dentro lo stesso intorno, formando cluster di ricorrenze. Questa tendenza al clustering è misurata dall’extremal index θ (con 0 < θ ≤ 1): valori più piccoli indicano maggiore clustering; l’inverso θ⁻¹ fornisce una misura naturale di “tempo di permanenza” vicino a quello stato (in unità del timestep dei dati). È una persistenza definita in modo molto fine: non dipende da come hai partizionato lo spazio in pochi regimi, ma da quante volte e per quanto tempo il sistema continua a “ri-cadere” nello stesso intorno di uno stato specifico. Nonostante questa differenza concettuale rispetto alla persistenza “classica” dei regimi (durata di una fase etichettata), studi applicati all’atmosfera mostrano che le due nozioni risultano strettamente collegate.
Per stimare θ in pratica si usa un estimatore dedicato: lo stimatore di Süveges (2007), basato su massima verosimiglianza e sulla struttura a cluster delle eccedenze, molto usato proprio perché riduce bias e gestisce bene la dipendenza a corto raggio tipica dei processi geofisici. Inoltre, lavori metodologici successivi discutono come interpretare l’extremal index nei sistemi dinamici e come la sua stima vada letta alla luce del clustering (dipendenza) degli estremi.
Un aspetto pratico ma decisivo è la stagionalità: d e θ⁻¹ non sono “piatti” lungo l’anno, perché l’atmosfera cambia regime medio, baroclinicità, intensità del getto e struttura dell’onda planetaria tra stagioni. Se vuoi confrontare cicli di vita che cadono in parti diverse dell’inverno, devi togliere questo fondo stagionale, altrimenti rischi di attribuire a onset/maturità/decadimento ciò che è semplicemente un cambio del background tra dicembre e febbraio. Per questo si destagionalizzano le metriche: si costruisce un ciclo annuale medio (per ciascun passo temporale del calendario, mediando su tutti gli anni) e lo si leviga con una media mobile (ad esempio 30 giorni), poi si lavora sulle anomalie rispetto a quel ciclo. È la stessa logica, molto “da climatologia”, ma applicata a metriche dinamiche istantanee.
Infine, quando si vuole descrivere l’evoluzione media delle metriche lungo il ciclo di vita del regime (ad esempio compositi centrati sull’onset o sul massimo), serve anche una stima robusta dell’incertezza: il bootstrap è una scelta naturale perché non richiede ipotesi parametriche forti e si adatta bene a distribuzioni non gaussiane e a campioni effettivi che possono essere limitati quando imponi criteri severi di durata degli episodi. In parallelo, per confrontare le distribuzioni delle metriche tra fasi o tra regimi, ha senso usare un test non parametrico come Kolmogorov–Smirnov, coerente con il fatto che d e θ⁻¹ possono essere asimmetriche e con code non banali.
La figura 1 sintetizza, in modo molto “didattico” ma al tempo stesso rigoroso, che cosa si intenda per weather regimeseuro-atlantici in inverno: non singole perturbazioni o singoli episodi, ma configurazioni ricorrenti e relativamente persistenti della circolazione sinottico-planetaria, qui descritte tramite compositi di geopotenziale a 500 hPa (Z500). Le linee di contorno (ogni 80 gpm) mostrano la struttura media del campo di altezza geopotenziale, cioè l’architettura della circolazione in troposfera media; le ombreggiature (ogni 20 gpm) rappresentano le anomalie rispetto alla climatologia stagionale (pannello h). È un’impostazione classica nella letteratura sui regimi: Z500 è una variabile particolarmente adatta perché “riassume” la posizione e l’ampiezza delle onde di Rossby, la curvatura del flusso e la disposizione di saccature e promontori che governano storm track, avvezioni e persistenza (Ghil & Robertson, 2002; Hannachi et al., 2017). La cosa importante è che questi compositi sono calcolati solo durante cicli di vita attivi (dall’onset al decadimento) definiti tramite un indice di proiezione sul pattern di regime (alla maniera di Michel & Rivière, 2011 e Grams et al., 2017): questo “filtra” gli stati di transizione e aumenta la pulizia fisica del segnale, perché stai mediando quando l’atmosfera assomiglia davvero a quel regime in modo robusto.
I tre pannelli (a–c) sono regimi “ciclonici”, cioè dominati da anomalie negative di Z500: in termini dinamici significa cavi/saccature più pronunciati e, spesso, una storm track più attiva lungo il bordo del gradiente di geopotenziale. Nell’Atlantic Trough (AT) la macchia blu concentrata tra Atlantico nord-orientale e prossimità delle Isole Britanniche indica una saccatura profonda: è il tipo di configurazione che tende a favorire ciclogenesi e transito perturbato verso Europa occidentale/centrale, con forte ruolo delle interazioni onda-media e delle risposte eddy-driven sul getto. Nel Zonal Regime (ZO) si vede una struttura più “da flusso occidentale teso”: le isoipse risultano relativamente più parallele lungo i paralleli e l’anomalia negativa è centrata alle alte latitudini, coerente con una circolazione più zonale e con un getto più rettilineo. Questo tipo di regime si collega bene alla tradizione teleconnettiva “NAO-like” (pur non essendo identico alla NAO a due stati), perché la zonalità in Atlantico è spesso legata a gradienti di pressione/altezza più marcati e a un canale preferenziale per la storm track (Wallace & Gutzler, 1981; Woollings et al., 2010). Nel Scandinavian Trough (ScTr) il minimo di Z500 si sposta verso Scandinavia/Europa nord-orientale: qui la dinamica suggerisce una maggiore ondulazione del flusso e la possibilità di avvezioni fredde verso l’Europa orientale o centro-orientale sul lato posteriore della saccatura, mentre sul bordo meridionale può scorrere un flusso più mite e umido. Il punto comune dei tre regimi ciclonici, in chiave “regime physics”, è che rappresentano stati in cui la circolazione tende ad essere più mobile e alimentata dall’attività baroclina e dalle onde transitorie, con persistenze mediamente più limitate rispetto ai blocchi (Hannachi et al., 2017; Grams et al., 2017).
I pannelli (d–g) sono regimi “blocked”, dominati da anomalie positive di Z500: fisicamente corrispondono a promontori anticiclonici quasi-stazionari che disturbano il flusso zonale e possono innescare scambi meridiani marcati. Qui entra in gioco un corpus enorme di letteratura sul blocking: già Shutts (1983) interpretava il mantenimento del blocco come frutto di feedback con le perturbazioni sinottiche (eddy forcing) e della modifica del flusso medio; Tibaldi & Molteni (1990) hanno poi consolidato criteri diagnostici operativi basati su gradienti di geopotenziale, diventati un riferimento. In questa figura, l’Atlantic Ridge (AR) mostra una dorsale sull’Atlantico orientale: è un pattern che tende a deviare il getto verso nord a ovest del promontorio e può favorire discese fredde sul lato orientale a seconda della fase d’onda. L’European Blocking (EuBL) concentra il massimo anticiclonico sull’Europa: è la classica configurazione di “stagnazione” che, a seconda della stagione e della posizione, si associa a periodi prolungati di stabilità, inversioni, nebbie o ondate di freddo/miti persistenti, proprio perché riduce la propagazione zonale e intrappola masse d’aria (la persistenza è un tratto distintivo dei blocchi in letteratura). Il Scandinavian Blocking (ScBL) sposta il cuore del blocco sulla Scandinavia: spesso è un pattern ad alta efficacia nel modulare le traiettorie delle saccature verso Mediterraneo o Europa orientale, e può sostenere irruzioni fredde continentali verso sud-ovest quando l’onda planetaria assume ampiezza elevata. Infine il Greenland Blocking (GL) è forse il più “iconico” nel dominio Atlantico: un robusto anticiclone su Groenlandia/Atlantico nord-occidentale è tipicamente associato a una forte ondulazione dell’onda planetaria e a un rallentamento della storm track, spesso con risposta a valle sull’Europa (Cassou, 2004; Woollings et al., 2010). In molti studi il blocco groenlandese è anche discusso come configurazione particolarmente rilevante per la variabilità invernale euro-atlantica, perché altera in modo drastico la struttura del getto e la posizione dei massimi di flusso di calore/impulso prodotti dagli eddies (Hannachi et al., 2017; Grams et al., 2017).
Un dettaglio che nella figura “parla” moltissimo è la geometria delle isoipse: dove le linee sono molto ravvicinate hai un gradiente più forte e quindi, in media, un flusso geostrofico più intenso; dove si incurvano e si chiudono (o mostrano curvature pronunciate) vedi la presenza di strutture d’onda più bloccate o di saccature profonde. Questa lettura è utile perché collega il disegno del composito a processi dinamici: nei regimi zonali/ciclonici il getto tende a mantenere una struttura più continua e la storm track può risultare più “canalizzata”; nei regimi di blocco, invece, la circolazione mostra maggiore ampiezza d’onda e maggiore probabilità di eventi di Rossby wave breaking, che sono spesso invocati come meccanismo di instaurazione/mantenimento dei blocchi e delle dorsali persistenti (Shutts, 1983; la letteratura successiva su wave breaking e blocchi è vastissima e converge su questa idea di fondo).
Le percentuali nei titoli (ad esempio 12.6% per AT, 13.2% per ZO, ecc.) indicano la frequenza dei giorni invernali attribuiti a ciascun regime durante cicli di vita attivi. Il messaggio non è “esiste un regime dominante”, ma l’opposto: la variabilità euro-atlantica è un mosaico di stati con frequenze comparabili, e la dinamica reale consiste nelle transizioni tra questi stati. Ancora più informativa è la quota di “no regime” (24.1%): quasi un quarto dei giorni invernali non soddisfa i criteri di appartenenza robusta a un ciclo di vita (soglia e durata), cioè l’atmosfera passa una frazione rilevante del tempo in configurazioni miste o transitorie. Questo è perfettamente coerente con due aspetti discussi spesso: da un lato la natura caotica e continua dello spazio delle fasi (gli stati non “saltano” sempre tra cluster perfettamente separati), dall’altro la sensibilità metodologica del clustering e dei criteri di assegnazione, che per definizione impongono una discretizzazione di un sistema continuo (Michelangeli et al., 1995; Hannachi et al., 2017; Fereday, 2017). Proprio per questo molti autori preferiscono affiancare agli “assiomi” del clustering anche indici continui di proiezione e metriche dinamiche, perché catturano il fatto che più pattern possono coesistere con pesi diversi nello stesso istante (Michel & Rivière, 2011).
In sostanza, la figura 1 è la “mappa dei volti” dell’inverno euro-atlantico: tre stati più ciclonici/zonali e quattro stati più bloccati, tutti definiti su Z500 e quantificati in frequenza. È anche la base fisica per il passo successivo dello studio: se questi regimi hanno davvero un fondamento dinamico (non solo statistico), ci si aspetta che durante la fase matura di ciascun regime la circolazione mostri segnali di maggiore stabilità/persistenza rispetto alle fasi di onset e decadimento, cosa che può essere valutata con strumenti di sistemi dinamici (Faranda et al., 2017; Messori et al., 2017; Hochman et al., 2019).
La figura 2 è, di fatto, la “radiografia temporale” dei regimi: non ti dice solo che aspetto ha un regime (come la figura 1), ma ti mostra come ci si entra, quanto si rimane dentro e come se ne esce, usando un indicatore oggettivo e continuo, l’IWR (Weather Regimes Index). Questo indice nasce dall’idea, molto consolidata nella regime analysis, di proiettare il campo istantaneo di Z500 (anomalie filtrate e normalizzate) sul pattern medio del cluster che rappresenta quel regime: quando la proiezione è alta, la circolazione “somiglia molto” a quel regime; quando è bassa o negativa, la circolazione è lontana (Michel & Rivière, 2011; Michelangeli et al., 1995; Hannachi et al., 2017). Il passaggio chiave è che qui non si usa l’IWR solo per assegnare un’etichetta, ma per costruire un ciclo di vita: si prendono tutti gli episodi in cui un regime è davvero attivo (definiti con soglia e durata, come in Grams et al., 2017), e per ciascun episodio si identifica il momento di massima intensità del regime. Poi si allineano tutti gli episodi mettendo quel massimo a lag 0 e si fa la media: così emerge una curva “tipica” di crescita–maturità–decadimento.
Per questo, in ciascun pannello (a–g), la curva più “coerente” è quella del regime che dà il titolo al pannello: è una campana che cresce nei giorni precedenti, raggiunge il picco esattamente a lag 0 e poi scende. La forma a campana è un risultato importante perché conferma che gli episodi selezionati sono davvero eventi persistenti e non un miscuglio di giornate casuali: se la definizione del ciclo di vita fosse debole, vedresti una curva schiacciata o asimmetrica e un picco meno netto. In media, la scala temporale coinvolta è dell’ordine di una o due settimane attorno al massimo, compatibile con la natura intrastagionale dei regimi euro-atlantici e con il fatto che il filtraggio a bassa frequenza e i criteri di durata selezionano configurazioni relativamente stazionarie, non singole onde sinottiche (Hannachi et al., 2017).
La cosa più istruttiva, però, è che ogni pannello mostra anche le curve degli altri regimi nello stesso periodo. Questo ti ricorda che la circolazione reale non è mai “monocromatica”: anche quando un regime domina, gli altri pattern possono avere contributi residuali o opposti. Qui l’IWR diventa una lente dinamica: se durante il ciclo di vita dell’Atlantic Trough (pannello a) alcuni indici dei regimi di blocco tendono a scendere sotto zero, significa che lo stato atmosferico durante quel periodo non solo è vicino al pattern AT, ma è anche sistematicamente lontano dai pattern di blocco. È una forma quantitativa di “competizione” tra stati nello spazio delle fasi: regimi ciclonici e regimi di blocco occupano regioni diverse dell’attrattore e, quando uno è in fase matura, altri risultano statisticamente penalizzati. Questa opposizione è coerente con la lettura fisica classica della variabilità euro-atlantica come alternanza tra configurazioni più zonali/cicloniche (storm track attiva e flusso più rettilineo) e configurazioni più amplificate e bloccate (onda planetaria più grande, deviazione del getto, maggiore stagnazione), tema che attraversa sia la letteratura “a regimi” sia quella sui jet regimes e sull’eddy-driven jet (Woollings et al., 2010; Cassou, 2004; Hannachi et al., 2017).
Guardando i singoli pannelli, il messaggio è che ogni regime non è solo un pattern spaziale ma un evento con una firma temporale specifica. I regimi ciclonici (AT, ZO, ScTr) mostrano tipicamente una crescita e un decadimento abbastanza “puliti”, e spesso durante la loro maturità alcuni regimi bloccati risultano negativi: è coerente con il fatto che una fase fortemente ciclonica o zonale tende a ridurre la probabilità di una dorsale persistente nello stesso dominio e nello stesso momento. Nei regimi bloccati (AR, EuBL, ScBL, GL) la curva del regime attivo sale e rimane elevata in un intorno di giorni più ampio, e alcuni regimi ciclonici si deprimono: questo è esattamente ciò che ci aspettiamo dalla fisica del blocking, dove la persistenza è un attributo strutturale sostenuto da feedback tra flusso medio e forzante degli eddies sinottici (Shutts, 1983), e dove la circolazione entra in configurazioni quasi-stazionarie diagnosticate storicamente proprio con criteri basati su campi di geopotenziale e gradienti (Tibaldi & Molteni, 1990). In particolare, il regime di Greenland Blocking viene spesso discusso come uno dei più “interferenti” con la storm track atlantica: quando è maturo, tende a sopprimere la zonalità e a favorire configurazioni più ondulate a valle, quindi non stupisce che nel suo ciclo di vita compaiano segnali di forte separazione rispetto ai regimi zonali/ciclonici (Cassou, 2004; Woollings et al., 2010).
Il pannello (h) ha un ruolo di controllo concettuale: mostra l’evoluzione media dell’IWR quando i regimi sono attivi e tutte le curve assumono una forma simile. È come dire: “qualsiasi regime, quando è davvero in fase attiva e lo centro sul massimo, ha un ciclo di vita medio con picco a lag 0”. Questo rafforza la coerenza interna del metodo e riduce l’idea che il risultato sia un artefatto di un singolo regime. In più, rende evidente un aspetto spesso trascurato: ai bordi temporali (molti giorni prima e molti giorni dopo il massimo) le curve tendono verso valori più piccoli, cioè la circolazione torna ad essere meno ‘proiettata’ su un pattern canonico e più prossima a stati misti o transitori. Questo si collega direttamente alla quota non banale di “no regime days” riportata nello studio: una parte consistente del tempo l’atmosfera non sta in un cluster netto, ma in regioni intermedie, come atteso per un sistema caotico continuo discretizzato a posteriori (Hannachi et al., 2017; Fereday, 2017).
La codifica in grassetto è la parte che dà “peso statistico” alla lettura fisica. Gli autori confrontano le distribuzionidell’IWR nei diversi lag, non solo le medie: quando un tratto della curva del regime attivo è molto in grassetto, significa che in quel periodo la distribuzione dei valori dell’IWR del regime attivo risulta significativamente diversa da quelle degli altri IWR (con un test non parametrico sulle funzioni di distribuzione cumulativa, tipicamente Kolmogorov–Smirnov al 5%). Tradotto: non è solo che “in media” il regime attivo è più alto, ma è anche separabile in senso probabilistico dagli altri regimi in quella finestra temporale, cioè la fase matura ha una firma nettamente distinta nello spazio delle fasi. Quando invece il grassetto riguarda le curve degli altri regimi, indica che anche loro hanno distribuzioni significativamente diverse rispetto al regime attivo: spesso perché tendono a valori sistematicamente negativi durante la maturità del regime dominante, quindi si comportano da veri “opposti” dinamici. Questa è un’informazione preziosa per la questione del fondamento fisico dei regimi: se esistono finestre temporali in cui uno stato è statisticamente distinto dagli altri, l’interpretazione di “stato quasi-metastabile” diventa più plausibile rispetto a una semplice categorizzazione arbitraria, e fornisce una base solida per collegare i regimi a metriche di stabilità e predicibilità intrinseca (Majda et al., 2006; Faranda et al., 2017; Messori et al., 2017; Hochman et al., 2019).
In sostanza, la figura 2 ti mostra tre cose insieme: primo, che gli episodi di regime hanno davvero un ciclo di vita medio ben definito quando li centri sul massimo; secondo, che durante la maturità il regime dominante tende a “spingere via” (in senso di proiezione) alcuni regimi concorrenti, evidenziando antagonismi e possibili percorsi di transizione; terzo, che esistono intervalli temporali in cui la separazione tra regime attivo e altri pattern non è solo visiva ma statisticamente supportata, cioè la fase matura è un segmento dello spazio delle fasi con proprietà più coerenti e distinguibili. Ed è esattamente questo che prepara il terreno per la parte di sistemi dinamici (dimensione locale e persistenza): se la maturità è davvero una fase più “organizzata”, ci si aspetta che le metriche dinamiche riflettano un aumento di stabilità/persistenza rispetto alle fasi di ingresso e uscita.
Risultati: coerenza temporale dei regimi euro-atlantici e “separazione” dinamica attorno alla fase di massimo
Il punto di partenza di questa sezione è molto chiaro: se i regimi atmosferici non sono solo etichette statistiche, ma corrispondono davvero a stati ricorrenti della circolazione, allora durante la loro fase matura dovremmo vedere un segnale “pulito”, cioè uno stato del sistema che si distingue dagli altri in modo robusto e per un intervallo di tempo non banale. Per misurarlo, gli autori usano l’indice oggettivo dei regimi (IWR), costruito come proiezione del campo istantaneo di geopotenziale a 500 hPa sulle strutture medie dei cluster: è una scelta molto standard nella letteratura sui regimi perché consente di descrivere gli stati in modo continuo (quanto assomiglio a quel regime) e non solo discreto (a quale regime appartengo).
Quando si centrano i compositi sul momento di massima intensità del regime (lag 0 nella Figura 2), la curva dell’IWR del regime attivo emerge come nettamente distinta dalle curve degli altri regimi: non è solo un “picco medio” più alto, ma una vera differenza di distribuzione, perché in una finestra di circa ±5 giorni attorno al massimo le distribuzioni dei valori dell’IWR del regime attivo risultano significativamente diverse da quelle degli altri indici. Questo è un passaggio cruciale: implica che intorno alla fase matura il sistema atmosferico occupa una regione dello spazio delle fasi che, dal punto di vista probabilistico, è separabile dalle regioni associate agli altri regimi. In chiave di teoria dei sistemi dinamici, una separazione così persistente e coerente è esattamente ciò che ci si aspetta da uno stato a geometria locale più “compatta”, quindi associabile a una dimensione locale più bassa e a maggiore predicibilità intrinseca rispetto alle fasi di transizione.
Un altro risultato operativo è la durata: il periodo medio in cui l’IWR del regime attivo resta sopra la soglia che definisce un episodio persistente è, in media, di almeno 9 giorni per tutti i regimi (Figura 2h), mentre il criterio minimo richiesto per definire un ciclo di vita era più breve. Inoltre, la durata media invernale tra onset e decadimento varia sensibilmente da regime a regime: circa 10.8 giorni per l’European Blocking fino a circa 16.9 giorni per il Greenland Blocking. La cosa interessante è la “sorpresa” fisica: ci si aspetterebbe che i regimi di blocco siano sempre i più lunghi, ma qui alcuni blocchi (European e Scandinavian Blocking) risultano mediamente più brevi dei regimi ciclonici/zonalizzati. Questo non contraddice l’idea generale di persistenza del blocking; suggerisce piuttosto che non tutti i blocchi hanno la stessa robustezza dinamica e che la persistenza dipende molto dalla collocazione del nucleo anticiclonico, dall’interazione con lo storm track e dal forcing degli eddies, aspetti che la letteratura sul blocking discute da decenni (feedback eddy-mean flow, sensibilità alla posizione del getto, ecc.). In altre parole: “blocco” è una famiglia, non un singolo oggetto.
Per rafforzare la distinzione tra regimi proprio al massimo stadio, gli autori guardano alle funzioni di distribuzione cumulativa (CDF) degli indici (Figura 3). Qui emerge un’informazione più fine: alcuni regimi non attivi hanno CDF più vicine a quella del regime attivo rispetto ad altri. E questa “vicinanza” non è casuale, perché spesso riflette somiglianze strutturali dei pattern medi di Z500. Durante un regime zonale attivo, per esempio, le distribuzioni di Atlantic Trough e Scandinavian Trough risultano più vicine alla zonalità rispetto ai regimi di blocco; è coerente con il fatto che questi tre regimi condividono una firma ciclonica (anomalie negative) su porzioni chiave dell’Atlantico nord-orientale. Durante Scandinavian Trough, le CDF più vicine includono gli altri regimi ciclonici ma anche l’Atlantic Ridge, segnalando che alcuni stati “di dorsale” possono essere dinamicamente contigui a certe configurazioni di saccatura in termini di traiettoria nello spazio delle fasi (pensala come una geometria d’onda che può traslare/ruotare e cambiare fase). Viceversa, quando è attivo l’Atlantic Ridge, le CDF più vicine includono Scandinavian Trough, Greenland Blocking ed European Blocking, cioè un insieme che suggerisce possibili percorsi di transizione tra stati amplificati e stati ciclonici adiacenti.
C’è poi un risultato “gemellare” molto netto: European Blocking e Scandinavian Blocking mostrano CDF tra loro particolarmente vicine indipendentemente da quale dei due regimi sia attivo. Questo è un indizio forte di parentela dinamica: due pattern di blocco con nuclei geografici diversi possono comunque condividere una parte importante della loro geometria nello spazio delle fasi (stessa famiglia di dorsale/blocco, con traslazione del massimo), e quindi produrre indici che si muovono in modo simile. All’estremo opposto, Greenland Blocking spicca con valori di IWR più elevati degli altri e con un ciclo di vita più lungo, mentre Scandinavian Blocking tende ad avere i valori medi di IWR più bassi quando è attivo: messo insieme, questo suggerisce che non solo la durata, ma anche la “purezza” del pattern (quanto fortemente la circolazione proietta sul suo centroide) varia tra regimi, e questa variabilità è proprio ciò che ci si aspetta se alcuni stati sono più coerenti/metastabili e altri più intermittenti o più facilmente contaminati da contributi concorrenti.
Il messaggio conclusivo di questa parte, infatti, non è che i regimi siano completamente isolati l’uno dall’altro (le CDF “vicine” mostrano contiguità e transizioni), ma che lo stato atmosferico al massimo stadio di ciascun regime resta comunque significativamente distinto da tutti gli altri e che questa distinzione persiste per diversi giorni attorno al picco. È un risultato particolarmente compatibile con l’interpretazione “dinamica” dei regimi: vicino alla fase matura il sistema visita una regione dell’attrattore più organizzata e meno dispersiva (dimensione locale più bassa), mentre allontanandosi dal massimo aumenta la contaminazione tra pattern e cresce la componente di transizione, cioè la parte più caotica e multi-direzionale della traiettoria. È esattamente il tipo di comportamento che la letteratura sui regimi e sulle metriche dinamiche locali indica come firma di un fondamento fisico, pur dentro un sistema continuo che noi discretizziamo a posteriori.
Regimi euro-atlantici e metriche dei sistemi dinamici: stabilità, persistenza e “impronta” del ciclo di vita in inverno (con cenni estivi)
In questa sezione i regimi non vengono più letti solo come cluster statistici di Z500, ma come porzioni della traiettoria atmosferica nello spazio delle fasi che possono essere descritte con indicatori locali di dinamica caotica: la dimensione locale (d) e l’inverso della persistenza (θ, presentato qui come anomalia rispetto alla climatologia). L’idea, ormai ben consolidata in letteratura, è che questi indici misurino l’“intrinseca prevedibilità” dello stato: valori di d più bassi indicano che, vicino a quello stato, il sistema ha meno gradi di libertà effettivamente attivi (dinamica più canalizzata), mentre valori di persistenza più elevati (equivalentemente, θ più basso) indicano che il sistema tende a rimanere più a lungo nello stesso intorno di spazio delle fasi. È il quadro concettuale sviluppato negli ultimi anni applicando teoria dei sistemi dinamici, ricorrenze e valori estremi a campi atmosferici di rianalisi e modelli.
Il primo messaggio dei risultati è la coerenza temporale: centrando l’analisi sul giorno di massimo del regime (lag 0), d e θ risultano spesso in fase. Quando d scende sotto la climatologia, anche θ tende a scendere, e viceversa. Questo comportamento “accoppiato” è importante perché suggerisce che le due metriche stanno catturando la stessa transizione dinamica: l’atmosfera passa da uno stato più dispersivo (più complesso e meno persistente) a uno stato più organizzato e persistente nella fase matura del regime, per poi tornare a maggiore dispersione durante il decadimento. Un pattern del genere è esattamente ciò che ci si aspetta se i regimi hanno un reale contenuto dinamico, e non sono solo una discretizzazione arbitraria.
In inverno, i regimi ciclonici (AT, ZO, ScTr) e il Greenland Blocking (GL) mostrano il segnale più netto: al massimo stadio, sia d sia θ risultano significativamente sotto la climatologia, cioè la circolazione, proprio quando il regime è “al picco”, appare come uno stato più stabile e più persistente del normale. Questa è un’informazione forte perché ribalta un’intuizione superficiale: non è detto che “ciclonico” significhi automaticamente più caotico; in realtà un regime ciclonico può corrispondere a una configurazione molto coerente del pattern d’onda e del getto, quindi a un intorno di spazio delle fasi relativamente compatto. La letteratura sulle metriche locali mostra spesso che stati a grande scala ben strutturati (sia zonali sia bloccati, a seconda del dominio) possono avere una firma di bassa dimensione locale e alta persistenza, proprio perché l’insieme delle evoluzioni ammissibili vicino a quel pattern si restringe.
La struttura temporale è altrettanto significativa: in molti regimi (in particolare quelli ciclonici, più AR e GL) d e θ iniziano a diminuire in modo regolare circa cinque giorni prima del massimo e risalgono nei cinque giorni successivi. Questo “imbuto” attorno al picco riproduce, in linguaggio dinamico, ciò che la figura 2 mostrava con l’IWR: esiste una finestra temporale in cui lo stato è più separato dagli altri e più coerente, mentre oltre quella finestra la dispersione cresce e le metriche tornano a oscillare più ampiamente attorno alla climatologia, come ci si aspetta nelle fasi di transizione (onset/decadimento) e nei giorni che sfuggono a una classificazione netta. È un punto metodologicamente elegante: il ciclo di vita costruito statisticamente e la “firma” dinamica raccontano la stessa storia con strumenti diversi.
Poi arrivano le differenze tra regimi, che sono forse la parte più istruttiva. Il GL spicca perché mostra la variazione di ampiezza più marcata in entrambe le metriche: è come se il sistema, avvicinandosi al massimo, transitasse da uno stato poco persistente e più difficile da prevedere a uno stato molto più persistente e “leggibile”, e restasse in quella condizione a lungo. Il fatto che θ rimanga sotto climatologia già da circa cinque giorni prima e fino a oltre dieci giorni dopo è coerente con il GL come regime mediamente più lungo. Questo quadro si inserisce bene nella tradizione fisica del blocking groenlandese come configurazione capace di rimodellare in modo deciso storm track e getto atlantico, favorendo assetti d’onda più lenti e persistenti.
All’opposto, l’European Blocking (EuBL) e lo Scandinavian Blocking (ScBL) mostrano un legame più debole tra definizione statistica e dinamica sottostante: per EuBL la persistenza (θ) resta relativamente alta (quindi meno “persistente” in senso dinamico), coerente con la durata media più corta; per ScBL le variazioni sono meno sistematiche e con dispersione maggiore. Qui gli autori fanno un’osservazione importante: ScBL è raro in inverno, quindi il campione di episodi è piccolo, e questo può gonfiare la variabilità del composito e rendere meno robusta la stima delle metriche locali. È una cautela che ha un fondamento tecnico, perché tanto d quanto θ sono grandezze sensibili alla popolazione di ricorrenze e al clustering degli estremi, e la qualità della stima può risentire di campioni ridotti.
La lettura delle CDF di d e θ al massimo stadio (Figura 5) rafforza ulteriormente l’interpretazione: per AT, ZO, ScTr, GL e in parte AR, le distribuzioni si spostano chiaramente verso valori più bassi della climatologia, cioè più stabilità e più persistenza nella fase matura. Invece, la dimensione locale di ScBL e la persistenza di EuBL restano vicine alla climatologia, quasi a dire che, almeno nel composito invernale, la fase di massimo di questi regimi non corrisponde a un “pozzo dinamico” altrettanto netto. Inoltre, il fatto che alle fasi di onset e decay le CDF siano più larghe e più vicine alla climatologia è perfettamente coerente con l’idea di transizione: quando il regime si forma o si dissolve, il sistema attraversa regioni dello spazio delle fasi più eterogenee e con più direzioni evolutive possibili.
Il confronto con l’estate, pur non essendo il focus, è un test di robustezza qualitativa. La relazione di fase tra le metriche rimane, e alcuni regimi (AT, GL e soprattutto ScBL) mostrano segnali più chiari di stabilità/persistenza al massimo stadio. Il caso ScBL è particolarmente rivelatore: in estate è più frequente, quindi la stima composita è più stabile e il segnale diventa significativo, rafforzando l’ipotesi che l’inverno fosse “sporcato” dalla scarsa numerosità di eventi. Questo è un punto metodologico pulito: quando un regime è raro, non è solo la frequenza a cambiare, ma anche la fiducia con cui puoi attribuirgli un’impronta dinamica media.
Nel complesso, la conclusione che emerge è piuttosto solida: la maggior parte dei regimi euro-atlantici mostra un fondamento dinamico riconoscibile, perché durante la fase matura tende ad assumere proprietà locali di maggiore stabilità e persistenza rispetto alla climatologia, e perché l’evoluzione temporale di queste proprietà replica in modo coerente la finestra di massima “separazione” vista con l’IWR. In inverno, questa evidenza è particolarmente forte per i regimi ciclonici e per il Greenland Blocking, mentre per EuBL e soprattutto ScBL il legame tra cluster statistico e dinamica appare più debole o più difficile da stimare, verosimilmente per combinazione di fisica del regime e limiti campionari.
Figura 3: cosa ci dicono le CDF dell’IWR al massimo stadio di ciascun regime euro-atlantico
La Figura 3 prende un’idea molto semplice e la rende estremamente diagnostica: invece di guardare solo il valore medio dell’indice di regime (come in Figura 2), confronta l’intera distribuzione dell’IWR (Weather Regime Index) nel momento di massimo sviluppo del regime (cioè lag = 0 del ciclo di vita). L’IWR è costruito proiettando le anomalie normalizzate di Z500 sul pattern medio del cluster del regime: in pratica misura “quanto” la circolazione istantanea assomiglia a ciascun regime, e può essere calcolato per tutti i regimi a ogni istante, anche quando uno solo è “attivo”.
Dal punto di vista grafico, ogni pannello (a–g) mostra le funzioni di distribuzione cumulativa (CDF) dei valori di IWR osservati quando il regime indicato nel titolo è al suo massimo stadio. La CDF si legge così: fissato un valore sull’asse x, l’asse y indica la frazione di casi con IWR minore o uguale a quel valore. Se una curva è spostata verso destra, significa che in quel campione i valori di IWR sono mediamente più alti (quindi maggiore “purezza”/intensità della proiezione su quel pattern); se è a sinistra, i valori sono più bassi (minor affinità con quel regime). Il dettaglio “p < 0.05” nei pannelli (a–g) segnala che la CDF del regime attivo è statisticamente diversa da quelle degli altri regimi (nel lavoro il confronto tra distribuzioni è effettuato con un test di Kolmogorov–Smirnov al 5%).
Il messaggio principale della figura è robusto: al massimo stadio, lo stato atmosferico associato al regime attivo è distinguibile dagli altri stati di regime. In termini pratici, la CDF del regime attivo è la più a destra (o comunque nettamente separata), mentre le CDF degli altri regimi restano più “a sinistra”: vuol dire che, quando un regime è maturo, la circolazione non è semplicemente “un po’ più simile” a quel pattern in media, ma produce una distribuzione di proiezioni che risulta separabile in senso probabilistico. Questo tipo di separazione è esattamente ciò che la letteratura sui weather regimes considera una delle firme più convincenti di stati ricorrenti/quasi-stazionari estratti da archivi lunghi tramite EOF + clustering (tipicamente k-means).
Il secondo messaggio è più fine, ed è quello che rende davvero utile la Figura 3: non tutte le CDF “non attive” sono lontane allo stesso modo. In alcuni pannelli, certe CDF risultano relativamente più vicine a quella del regime attivo rispetto ad altre, suggerendo una sorta di “vicinanza geometrica” tra regimi nello spazio delle fasi (non equivalenza, ma contiguità). Per esempio, quando è attivo lo Zonal Regime (ZO) (pannello b), le CDF di Atlantic Trough (AT) e Scandinavian Trough (ScTr) tendono a essere più vicine a quella di ZO rispetto ai regimi di blocco: è coerente col fatto che questi regimi condividono una componente ciclonica/di storm-track sull’Atlantico nord-orientale e quindi possono risultare dinamicamente più “adiacenti”. Quando è attivo ScTr (pannello c), oltre agli altri ciclonici compare spesso anche Atlantic Ridge (AR) tra le CDF relativamente più vicine; viceversa, durante un AR attivo (pannello d) le CDF più vicine includono ScTr, GL ed EuBL, suggerendo possibili percorsi di transizione e combinazioni di contributi concorrenti. Gli autori sottolineano anche un risultato ricorrente: EuBL e ScBL hanno CDF particolarmente simili tra loro indipendentemente da quale dei due regimi sia attivo (pannelli e–f), un indizio che questi due blocchi appartengono a una stessa “famiglia” di configurazioni anticicloniche, differenziate più dalla collocazione geografica del nucleo che dalla natura del pattern.
Spiccano poi due casi opposti: Greenland Blocking (GL) e Scandinavian Blocking (ScBL). Nel pannello g, la CDF del GL attivo è tipicamente molto spostata verso valori più alti rispetto alle altre, indicando episodi più “puri” in termini di proiezione sul proprio pattern e coerenti con un ciclo di vita medio più lungo; all’opposto, ScBL tende a mostrare valori complessivamente più bassi di IWR anche quando è attivo, cioè una maggiore “contaminazione” da contributi di altri regimi o una struttura meno netta nella proiezione. Il pannello (h) riassume proprio questo concetto: confronta le CDF dei vari regimi nei periodi in cui ciascuno è attivo, e permette di vedere quali regimi tendono ad attivarsi con intensità più elevata (GL) o più debole (spesso ScBL), con le differenze significative riportate dagli autori nel materiale supplementare.
Infine, il legame con l’interpretazione “da sistemi dinamici” è diretto: se attorno al massimo stadio la distribuzione dell’IWR del regime attivo è separata da quella degli altri, significa che in quella finestra temporale l’atmosfera visita una regione relativamente coerente dello spazio delle fasi; questo è esattamente il tipo di evidenza che motiva poi l’uso di metriche come dimensione locale e persistenza per discutere se i regimi siano solo categorie statistiche o abbiano un fondamento dinamico più profondo. Non a caso, la costruzione di indici di regime tramite proiezione sui pattern e il loro impiego per monitoraggio e previsione S2S è diventata anche una pratica operativa (ad esempio in prodotti ECMWF), proprio perché traduce il concetto di regime in un segnale probabilistico confrontabile tra modelli, ensemble e rianalisi.
La Figura 4 traduce il ciclo di vita dei regimi euro-atlantici in un linguaggio “da sistemi dinamici”, usando due diagnostiche istantanee calcolate su Z500: la dimensione locale d (curve blu, asse sinistro) e l’inverso della persistenza θ (curve arancioni, asse destro), entrambe destagionalizzate e mostrate come deviazioni dalla climatologia. Quindi, quando le curve scendono sotto lo zero, il messaggio è duplice: lo stato atmosferico attorno a quel tempo è localmente meno complesso (d più bassa) e più persistente (θ più basso, cioè maggiore permanenza vicino allo stato) rispetto a un giorno “medio” della stagione. Questa impostazione deriva dalla linea metodologica che collega ricorrenze di Poincaré e teoria dei valori estremi per stimare proprietà geometriche e temporali dell’attrattore atmosferico, tra cui dimensione locale ed extremal index/persistenza.
La lettura pratica è questa: ogni pannello (a–g) è centrato sul massimo stadio del regime (giorno 0). Se i regimi hanno un fondamento dinamico, ci si aspetta che in prossimità del massimo la traiettoria dell’atmosfera entri in una regione dello spazio delle fasi più “organizzata”, quindi con minore dispersione delle evoluzioni possibili e maggiore permanenza. Ed è esattamente ciò che si vede per molti regimi: d e θ tendono a diminuire in modo coerente avvicinandosi a 0, restano sotto climatologia per alcuni giorni, poi risalgono nella fase di decadimento. Il fatto che le due metriche siano spesso in fase è importante perché suggerisce che la riduzione della complessità locale (meno gradi di libertà attivi) e l’aumento della persistenza non sono due “effetti grafici” indipendenti, ma due facce dello stesso processo dinamico: quando il flusso entra in uno stato più stabile, anche il suo tempo di residenza cresce. Questo è coerente con quanto mostrato in lavori che hanno introdotto e applicato queste metriche al dominio nord-atlantico per collegare struttura del flusso, ricorrenze e predicibilità intrinseca.
Nei regimi ciclonici (Atlantic Trough, Zonal, Scandinavian Trough; pannelli a–c) il segnale è particolarmente “pulito”: si nota un minimo di d e θ centrato sul massimo stadio, con intervalli di confidenza (shading bootstrap al 95%) che spesso indicano una riduzione robusta rispetto alla climatologia proprio attorno a 0. In termini fisici, questo significa che anche configurazioni che chiamiamo “cicloniche” possono rappresentare stati molto coerenti del flusso a grande scala (getto/storm-track e pattern d’onda relativamente ben organizzati), e quindi dinamicamente stabili per alcuni giorni. Qui c’è un punto concettuale rilevante: “ciclonico” non equivale automaticamente a “caotico”; ciò che conta è quanto la circolazione, in quel momento, sia confinata in una regione relativamente compatta dell’attrattore.
Il Greenland Blocking (GL) (pannello g) è il caso più marcato: la discesa di d e θ è più profonda e soprattutto più persistente nel tempo. La figura mostra una transizione netta verso valori sotto climatologia già nei giorni precedenti il massimo e una permanenza prolungata dopo, coerente con l’idea che GL sia, mediamente, uno stato a grande scala molto “ancorato”, capace di imporre una riorganizzazione robusta del getto atlantico e quindi di creare condizioni di elevata persistenza del pattern. Dal punto di vista dinamico, GL appare come un ingresso in una regione dello spazio delle fasi a bassa dimensione locale e lunga residenza: esattamente la firma attesa di uno stato quasi-stazionario forte.
I regimi di blocco Atlantic Ridge (AR) ed European Blocking (EuBL) (pannelli d–e) mostrano invece un segnale più debole o più breve: la diminuzione verso il massimo esiste, ma la finestra temporale in cui le metriche restano sotto climatologia è più limitata e/o meno nettamente separata dallo zero, soprattutto per θ in EuBL. Questo si interpreta bene in chiave “life cycle”: alcuni blocchi, pur essendo riconoscibili come pattern ricorrenti (nella tassonomia dei regimi), possono essere meno isolati dinamicamente o più facilmente “contaminati” da contributi di altri regimi concorrenti, per cui lo stato al massimo non corrisponde sempre a un minimo pronunciato di complessità e inverso-persistenza. È un risultato che si inserisce nel dibattito classico sui regimi: fino a che punto i cluster rappresentano veri stati metastabili, e quando invece sono categorizzazioni utili ma con legame dinamico più debole?
Lo Scandinavian Blocking (ScBL) (pannello f) è quello che appare più “rumoroso”: grande dispersione e variazioni meno sistematiche, con una tendenza al calo verso 0 ma senza una firma netta quanto GL o i ciclonici. Qui l’interpretazione proposta dagli autori è plausibile anche statisticamente: in inverno ScBL è meno frequente, quindi il composito può soffrire di campione ridotto, e le metriche basate su ricorrenze/cluster di estremi sono notoriamente sensibili alla numerosità effettiva di eventi comparabili. Il fatto che, in altri contesti o stagioni, la robustezza del segnale possa cambiare con la frequenza del regime è coerente con studi che discutono la “fisicità” dei regimi e la loro dipendenza dalla definizione e dalla statistica disponibile.
Infine, la Figura 4 va letta insieme alla Figura 2: la “conca” di d e θ attorno al massimo tende a occupare proprio la finestra di alcuni giorni in cui l’IWR del regime attivo risulta più separato dagli altri (regime maturo). Questa coerenza tra diagnosi statistica (proiezioni/IWR) e diagnosi dinamica (d, θ) è un argomento forte a favore del fatto che moltiregimi euro-atlantici non siano solo etichette, ma corrispondano a fasi in cui la circolazione visita regioni dell’attrattore più stabili e quindi più prevedibili, un aspetto che ha anche ricadute operative nella previsione estesa e nei prodotti basati sui regimi (soprattutto in ambito ECMWF).
Discussione: dal clustering statistico agli “stati dinamici” dei regimi euro-atlantici
In questa parte del lavoro il punto non è più “quanti regimi esistono” o “come li definiamo”, ma se quei regimi abbiano davvero un’impronta fisica nella dinamica della circolazione. L’idea di fondo è elegante: si prende una classificazione robusta dei weather regimes (ottenuta con EOF + k-means e un indice oggettivo di proiezione) e la si confronta con metriche istantanee di teoria dei sistemi dinamici, derivate da ricorrenze e valori estremi, che quantificano complessità locale e persistenza del flusso. Se due approcci così diversi “raccontano la stessa storia”, allora diventa difficile sostenere che i regimi siano solo etichette statistiche. Questa logica si innesta direttamente nel filone che vede i regimi come stati ricorrenti/quasi-stazionari della variabilità a bassa frequenza, identificabili con tecniche diverse ma spesso convergenti, e utili proprio perché corrispondono a regioni preferenziali dello spazio delle fasi atmosferico.
Il risultato chiave della discussione è il contrasto tra famiglie di regimi. I regimi ciclonici e, in modo ancora più netto, il Greenland Blocking (GL) (fortemente collegato alla NAO−) mostrano nella fase matura una riduzione marcata della dimensione locale e dell’instabilità (quindi maggiore persistenza e maggiore prevedibilità intrinseca). Al contrario, alcuni regimi di blocco come EuBL, ScBL e AR mostrano sì una tendenza alla riduzione verso il massimo stadio, ma rimangono più vicini alla climatologia, emergendo come stati mediamente meno “stabili” dal punto di vista dinamico. È un passaggio concettuale importante: “blocco” non implica automaticamente “stabilità dinamica”. Anzi, diversi studi hanno argomentato che il blocking possa essere associato a configurazioni instabili (punti sella / orbite instabili) in cui la circolazione può anche “ristagnare” per qualche giorno, ma con sensibilità elevata alle perturbazioni e alle fasi di transizione. Questa lettura è coerente sia con l’interpretazione di Faranda e colleghi sul ruolo di strutture instabili nella commutazione tra flusso zonale e bloccato, sia con il quadro teorico di Lucarini & Gritsun, che in un contesto idealizzato collega i blocking a condizioni di instabilità anomala rispetto al flusso zonale.
Da qui discende anche l’aggancio operativo: se EuBL e ScBL risultano tra i regimi meno stabili, non sorprende che siano spesso difficili da prevedere in modo affidabile nella previsione estesa. Il lavoro richiama esplicitamente l’evidenza dei “forecast busts” europei e delle difficoltà dei modelli nel mantenere o riprodurre correttamente configurazioni di blocco, tema discusso in modo classico da Rodwell e coautori. In altre parole, la diagnosi dinamica non è solo “bella teoria”: spiega perché alcuni regimi rappresentino dei veri punti critici per l’NWP a medio-lungo termine.
Un ultimo aspetto della discussione è forse il più spendibile in chiave S2S: la firma dinamica “alta instabilità” nelle fasi di onset e decadimento e “maggiore stabilità” nella fase matura suggerisce che la prevedibilità sia fortemente dipendente dallo stato. Questo apre alla nozione di windows of opportunity: periodi intermittenti in cui, grazie a specifiche condizioni del sistema (forzanti lente, teleconnessioni, stato della stratosfera, fasi MJO/jet, ecc.), la skill può aumentare sensibilmente rispetto alla media. L’idea è in linea con la sintesi di Mariotti et al. sulle finestre di opportunità nella previsione sub-stagionale e stagionale, e con il crescente uso di diagnosi a regimi per interpretare quando e perché l’ensemble “aggancia” (o perde) la traiettoria corretta.
Figura 5 — Impronta dinamica dei regimi: CDF di dimensione locale (d) e inverso della persistenza (θ) al massimo stadio
La figura 5 è costruita per rispondere a una domanda molto concreta: quando un regime è al suo massimo sviluppo, “quanto” quel regime è davvero diverso dagli altri in termini di dinamica del flusso? Per farlo non si guarda più all’evoluzione temporale media (come in figura 4), ma alla distribuzione dei valori assunti dalle metriche dinamiche durante il massimo stadio dei singoli regimi. I due pannelli mostrano quindi le funzioni di distribuzione cumulativa (CDF) di (a) d, la dimensione locale, e (b) θ, l’inverso della persistenza, entrambe destagionalizzate (cioè espresse come deviazioni dalla climatologia stagionale). Questa scelta è fondamentale perché elimina il ciclo annuale intrinseco delle metriche e permette un confronto “alla pari” tra regimi che possono avere frequenze e collocazioni stagionali diverse. L’intero impianto metodologico discende dal collegamento tra ricorrenze di Poincaré e teoria dei valori estremi, che consente di stimare proprietà locali dell’attrattore (geometriche e temporali) a partire da serie temporali di campi atmosferici.
Per leggere correttamente una CDF: sull’asse x c’è il valore della metrica (d oppure θ), sull’asse y la frazione cumulata di casi che assume valori ≤ x. Quindi, a parità di y (ad esempio 0.7), una curva più a sinistra indica valori mediamente più bassi della metrica. La linea verticale nera a x = 0 rappresenta la climatologia (dopo destagionalizzazione): valori negativi indicano che, al massimo stadio, quel regime tende a presentare d e/o θ inferiori alla media climatologica, cioè un flusso più “stabile/persistente” del normale per quel periodo dell’anno. In questo quadro, i due pannelli vanno interpretati in parallelo: d più bassa implica che localmente il sistema ha meno gradi di libertà attivi (minore complessità locale e, in senso dinamico, maggiore organizzazione del flusso), mentre θ più basso implica maggiore persistenza (perché θ è l’inverso della persistenza: più θ diminuisce, più il tempo di permanenza vicino allo stato aumenta). Questa lettura di d e θ come proxy della prevedibilità intrinseca e della stabilità locale del flusso è consolidata in letteratura, sia su Nord Atlantico sia in applicazioni regionali e su modelli climatici.
Entrando nel merito del pannello (a), la figura mostra che Greenland Blocking (GL) (curva blu) è nettamente traslato verso sinistra: per gran parte dei casi, d è negativa e spesso più negativa rispetto agli altri regimi, indicando la dimensione locale più bassa al massimo stadio. In pratica, quando GL è “maturo”, l’atmosfera tende a muoversi in una regione dello spazio delle fasi relativamente più compatta e meno dispersiva, coerente con l’idea che questo regime rappresenti uno stato di grande scala fortemente strutturato e dinamicamente coerente. In seconda battuta, anche i regimi ciclonici (AT, ZO, ScTr) mostrano curve mediamente più a sinistra rispetto a diversi regimi di blocco, suggerendo che, al massimo stadio, la loro dinamica può essere sorprendentemente “ordinata” (il che è perfettamente compatibile con il fatto che “ciclonico” non significa “caotico”: significa piuttosto che l’anomalia dominante è negativa in Z500, non che lo stato sia intrinsecamente ad alta dimensione locale). Questa impostazione e l’uso delle metriche per distinguere famiglie di configurazioni circolatorie sono in linea con applicazioni precedenti delle stesse diagnostiche su circolazione nord-atlantica e su classi sinottiche/regimi.
Il pannello (b) rafforza e completa il quadro: anche qui GL risulta il più spostato verso valori negativi di θ, cioè il regime con maggiore persistenza al massimo stadio. Questo risultato è molto coerente con l’interpretazione “fisica” dei regimi: al picco del ciclo di vita, GL non è solo un pattern riconoscibile, ma è anche uno stato di flusso che tende a trattenere la traiettoria atmosferica nella sua vicinanza più a lungo della media. Dal punto di vista metodologico, vale la pena ricordare che la stima di θ (e quindi della persistenza) passa attraverso la stima dell’extremal index, per cui l’uso dell’estimatore di Süveges è una scelta standard e ben giustificata nella statistica degli estremi applicata a serie dipendenti (cluster di superamenti), cioè esattamente il contesto che si incontra quando si studiano ricorrenze e permanenze di stati atmosferici.
Dall’altro lato dello spettro emergono i regimi che in figura risultano più vicini (o talvolta spostati verso destra) rispetto alla climatologia: in particolare Scandinavian Blocking (ScBL) e European Blocking (EuBL) mostrano CDF meno “sbilanciate” verso valori negativi, specialmente nel pannello della persistenza (θ). In termini semplici: al massimo stadio questi blocchi non mostrano, in modo sistematico, la stessa impronta di alta persistenza e bassa dimensione locale che caratterizza GL. Questo è un passaggio cruciale perché chiarisce una cosa spesso controintuitiva: alcuni blocchi possono essere statisticamente identificabili e anche impattanti, ma non necessariamente corrispondono agli stati più stabili dal punto di vista della dinamica non lineare. La letteratura recente ha effettivamente mostrato che il blocking può essere associato a instabilità anomala e a strutture dinamiche instabili (ad esempio orbite periodiche instabili) rispetto al flusso zonale, offrendo una giustificazione teorica al fatto che “persistente” non coincida automaticamente con “stabile” in senso dinamico.
Un elemento tecnico ma importante è che la figura non si limita a suggerire differenze qualitative: le differenze “materiali” tra regimi sono supportate da test statistici (gli autori rimandano alla tabella S2 per la significatività al 5%). Questo è in linea con l’uso di confronti tra distribuzioni (tipicamente KS o affini) già impiegato in applicazioni analoghe delle metriche dinamiche per distinguere classi sinottiche e valutare modelli, dove proprio il confronto delle CDF diventa un modo molto chiaro per diagnosticare se un modello riproduce o no la “firma dinamica” degli stati atmosferici osservati.
Il valore aggiunto della figura 5, quindi, è che sintetizza in un colpo solo ciò che figura 4 suggeriva temporalmente: alcuni regimi (in particolare GL e, in buona misura, i regimi ciclonici) hanno al massimo stadio una firma dinamica di maggiore stabilità e persistenza, mentre altri (EuBL e soprattutto ScBL) risultano più vicini alla climatologia e quindi, in media, meno “ancorati” dinamicamente. Questa gerarchia è perfettamente compatibile con l’idea che la prevedibilità subseasonal sia fortemente state-dependent e che certi regimi offrano condizioni più favorevoli alla previsione estesa rispetto ad altri; non a caso, difficoltà previsionali e “forecast busts” in Europa sono stati collegati a errori di rappresentazione o mantenimento di configurazioni a grande scala, spesso con un ruolo chiave del blocking.
0 commenti