Elevata Variabilità Temporale, Non una Tendenza Dominante, Caratterizza le Precipitazioni nella Regione Mediterranea

Elevata Variabilità Temporale, Non una Tendenza Dominante, Caratterizza le Precipitazioni nella Regione Mediterranea

Le proiezioni dei modelli climatici di ultima generazione indicano una marcata riduzione delle precipitazioni nella regione mediterranea nel corso dei prossimi decenni, delineando uno scenario di progressivo inaridimento. A sostegno di questa previsione, numerosi studi condotti su serie storiche di dati pluviometrici relativi agli ultimi decenni hanno evidenziato una tendenza alla diminuzione delle precipitazioni in diverse aree del Mediterraneo, con alcune analisi che attribuiscono una componente significativa di tale variazione all’influenza antropogenica, inclusi i cambiamenti climatici indotti dalle emissioni di gas serra. Tuttavia, un filone di ricerca alternativo sottolinea come le precipitazioni nella regione mediterranea siano caratterizzate da un’elevata variabilità spazio-temporale, principalmente modulata da pattern di circolazione atmosferica, come le oscillazioni della North Atlantic Oscillation (NAO) o altri fenomeni teleconnettivi, che conferiscono al regime pluviometrico una sostanziale stazionarietà su scale temporali di lungo periodo. Queste interpretazioni divergenti evidenziano l’urgenza di un’analisi approfondita e integrata delle dinamiche pluviometriche nel Mediterraneo, considerando le rilevanti implicazioni per i sistemi sociali, economici ed ecologici di una regione già vulnerabile agli stress climatici.

In questo contesto, il nostro studio dimostra che le precipitazioni mediterranee, analizzate su un arco temporale che si estende dal 1871 al 2020, non mostrano una tendenza significativa, mantenendo una condizione di stazionarietà complessiva. Tale risultato emerge dall’elaborazione del più esteso e dettagliato dataset pluviometrico disponibile per la regione, che integra dati provenienti da oltre 23.000 stazioni meteorologiche distribuite in 27 paesi. Sebbene si possano rilevare tendenze locali o temporanee in specifici intervalli temporali o subregioni, queste variazioni risultano prevalentemente riconducibili a dinamiche atmosferiche, le quali appaiono dominate da processi di variabilità interna del sistema climatico piuttosto che da forzanti esterne sistematiche. La nostra analisi riconcilia le osservazioni empiriche con le simulazioni dei modelli climatici inclusi nella fase 6 del Coupled Model Intercomparison Project (CMIP6), che analogamente non evidenziano una tendenza pluviometrica dominante nel periodo storico considerato. Questi risultati hanno implicazioni cruciali per la gestione delle risorse idriche, la pianificazione agricola e la conservazione degli ecosistemi in una delle regioni globali più esposte agli impatti del cambiamento climatico, sottolineando la necessità di strategie di adattamento che tengano conto della variabilità climatica intrinseca piuttosto che di presunte tendenze di lungo termine.

Dinamiche Pluviometriche nella Regione Mediterranea: Variabilità, Forzanti e Implicazioni

Il regime pluviometrico della regione mediterranea si caratterizza per una distribuzione temporale fortemente disomogenea, con una pronunciata scarsità di precipitazioni durante la stagione estiva, che accentua il deficit idrico tipico del clima mediterraneo. La regione è altresì contraddistinta da un’elevata variabilità sia spaziale che temporale delle precipitazioni, un aspetto che ne definisce la complessità climatica. Le fluttuazioni interannuali delle precipitazioni, spesso marcate, assumono un ruolo critico, poiché influiscono direttamente sulla disponibilità delle risorse idriche, un elemento vitale per gli ecosistemi e le società della regione.

Dal punto di vista atmosferico, il Mediterraneo è soggetto all’interazione di dinamiche subtropicali e di sistemi di bassa pressione di origine subpolare, i cui pattern di posizione e intensità variano significativamente su scale temporali che spaziano dall’annuale al decennale. Si ipotizza che il forzante antropogenico, legato principalmente alle emissioni di gas serra, possa alterare tali meccanismi circolatori attraverso processi come l’espansione della cella di circolazione di Hadley e lo spostamento verso nord delle fasce di alta pressione subtropicali. Questi cambiamenti potrebbero favorire una maggiore persistenza di condizioni anticicloniche, riducendo l’incidenza delle tempeste extratropicali che tradizionalmente apportano precipitazioni al Mediterraneo. Il risultato di tali dinamiche potrebbe tradursi in una diminuzione complessiva delle precipitazioni e in un incremento della frequenza e dell’intensità delle siccità meteorologiche. In effetti, un ampio corpus di proiezioni climatiche, basate su modelli avanzati, prevede per il ventunesimo secolo una tendenza predominante verso la riduzione delle precipitazioni nella regione mediterranea. Qualora tale scenario si verificasse, le ripercussioni sarebbero rilevanti per gli equilibri ecologici e per le attività antropiche dipendenti dalle risorse idriche, con effetti che includono la diminuzione dei deflussi fluviali, l’aggravamento delle siccità idrologiche, l’incremento del rischio di incendi forestali, un’elevata mortalità delle specie vegetali e una riduzione significativa delle produzioni agricole.

Alla luce delle discrepanze emerse in letteratura riguardo alle tendenze storiche delle precipitazioni nel Mediterraneo, con alcuni studi che evidenziano declini e altri che sottolineano la stazionarietà, risulta indispensabile un’analisi rigorosa e su larga scala delle dinamiche pluviometriche di lungo periodo. Tale analisi deve avvalersi di dati osservativi di alta qualità e di una rete di monitoraggio ad alta densità spaziale, al fine di valutare la coerenza tra le osservazioni storiche e le simulazioni dei modelli climatici. A tal proposito, il presente studio si basa su un dataset eccezionale, composto da oltre 23.000 stazioni pluviometriche distribuite in tutta la regione mediterranea, frutto di un progetto collaborativo internazionale durato due anni. Questo dataset, unico per ampiezza e risoluzione spaziale, consente di ricostruire l’evoluzione delle precipitazioni con un dettaglio storico senza precedenti.

I dati raccolti sono stati sottoposti a un rigoroso processo di controllo di qualità, ricostruzione delle serie temporali e correzione delle disomogeneità, seguendo metodologie avanzate descritte nella sezione Metodi. Per superare le limitazioni imposte da alcune agenzie meteorologiche nazionali in materia di condivisione dei dati, è stato adottato un approccio innovativo basato sulla condivisione di software, che ha permesso di rendere accessibili le informazioni senza violare le restrizioni esistenti. Questo ha facilitato l’analisi delle tendenze pluviometriche annuali e stagionali su scale temporali di lungo termine, condotta mediante l’applicazione di tecniche statistiche non parametriche. Inoltre, l’influenza della circolazione atmosferica sulle dinamiche delle precipitazioni è stata isolata attraverso l’analisi dei principali indici atmosferici che modulano il clima mediterraneo, come la North Atlantic Oscillation (NAO) e altri pattern teleconnettivi. Infine, le osservazioni storiche sono state confrontate con le simulazioni di precipitazione generate dagli esperimenti della fase 5 (CMIP5) e 6 (CMIP6) del Coupled Model Intercomparison Project, al fine di valutare l’affidabilità delle proiezioni climatiche future per la regione. Questo approccio integrato consente di gettare nuova luce sulle dinamiche pluviometriche mediterranee, offrendo una base solida per la pianificazione delle risorse idriche, la gestione degli ecosistemi e l’adattamento ai cambiamenti climatici in una delle regioni più vulnerabili del pianeta.

Analisi delle Tendenze Osservate nelle Precipitazioni nella Regione Mediterranea

L’analisi statistica condotta rivela una pronunciata variabilità sia temporale che spaziale nei regimi di precipitazione che caratterizzano la regione mediterranea, sottolineando la complessità delle dinamiche climatiche locali. Le tendenze delle precipitazioni annuali mostrano significative eterogeneità in termini di direzione (positiva o negativa), intensità e significatività statistica, a seconda dei periodi temporali considerati (Fig. 1). Sebbene in alcune stazioni e per specifici intervalli temporali emergano tendenze statisticamente significative, il pattern dominante è rappresentato da una prevalenza di tendenze non significative. Anche nei periodi che registrano i cambiamenti più evidenti, come il lasso temporale 1951–2020, la percentuale di stazioni che evidenziano tendenze statisticamente significative rimane inferiore al 15% del totale, evidenziando la frammentazione delle risposte pluviometriche a scala regionale.

Le rappresentazioni sotto forma di mappe di calore, che sintetizzano le tendenze attraverso diverse finestre temporali (Fig. 1 Supplementare), mostrano che le tendenze significative si concentrano prevalentemente in intervalli temporali brevi, spesso limitati a poche decadi, e sono caratterizzate da una marcata variabilità spaziale. Questo pattern suggerisce che le tendenze osservate siano influenzate da una pluralità di fattori operanti a scale sub-regionali, i quali contribuiscono a modulare l’evoluzione delle precipitazioni annuali in funzione dei diversi periodi analizzati. Tali evidenze sottolineano la natura multifattoriale dei forzanti climatici, che includono sia dinamiche atmosferiche locali sia pattern di circolazione su scala sinottica.

A livello stagionale, i risultati confermano le osservazioni rilevate a scala annuale, evidenziando una significativa variabilità delle tendenze pluviometriche nei periodi esaminati, con una predominanza di tendenze non significative su intervalli temporali più estesi e una notevole eterogeneità spaziale (Figg. 2–5 Supplementari). Ad esempio, nel periodo 1981–2020, il Mediterraneo occidentale ha mostrato una generale riduzione delle precipitazioni, prevalentemente non significativa dal punto di vista statistico, mentre il Mediterraneo orientale ha registrato un incremento delle precipitazioni invernali. Anche nei casi in cui si rileva la maggiore incidenza di tendenze statisticamente significative, come nel caso delle precipitazioni estive per il periodo 1951–2020, permane una considerevole diversità spaziale nella significatività e nella direzione di tali tendenze. È degno di nota che le regioni con precipitazioni medie estive prossime allo zero (Fig. 6 Supplementare) mostrino le diminuzioni più marcate, sebbene le variazioni assolute in termini di millimetri di precipitazione risultino minime, spesso nell’ordine di pochi millimetri.

Le mappe di calore a scala stagionale non evidenziano un pattern coerente di tendenze significative delle precipitazioni su orizzonti temporali di lungo periodo, salvo in alcune regioni localizzate e per stagioni specifiche (Figg. 7–10 Supplementari). Ad esempio, una riduzione consistente delle precipitazioni invernali è osservabile nelle regioni meridionali della Penisola Iberica e del Marocco in diversi sottoperiodi a partire dal 1931. Tuttavia, tali tendenze non raggiungono la significatività statistica quando considerate su scale temporali più lunghe, come quelle che iniziano nel 1871 o nel 1901, suggerendo una forte dipendenza delle tendenze osservate dal periodo di riferimento.

L’aggregazione dei dati raccolti da un elevato numero di stazioni eterogenee per calcolare una media regionale potrebbe facilitare l’identificazione di tendenze generali. Tuttavia, mentre alcuni studi precedenti hanno ipotizzato una diminuzione delle precipitazioni sia a scala annuale sia stagionale a livello regionale, tali pattern non trovano conferma nel vasto dataset impiegato in questa analisi. In particolare, l’esame delle serie temporali di precipitazioni medie regionali non rivela tendenze significative a scala annuale per nessuno dei cinque periodi analizzati (Fig. 2). Considerando l’intero arco temporale, le serie che iniziano nel 1871, 1901 e 1931 mostrano una diminuzione delle precipitazioni inferiore al 3%, con un calo più pronunciato (−5%) a partire dal 1951. Quest’ultima tendenza appare influenzata da livelli di precipitazione relativamente elevati nei primi anni ’60 e da valori più bassi negli anni ’90. A partire dagli anni ’80, si osserva un incremento delle precipitazioni (+8%), che tuttavia non raggiunge la significatività statistica.

A livello stagionale, le serie di precipitazioni medie regionali mostrano un comportamento analogo a quello annuale, con l’eccezione dell’inverno. Durante la stagione invernale, si registrano tendenze decrescenti rilevanti per i periodi che iniziano nel 1931 (−10,2%) e nel 1951 (−13,2%). Tuttavia, tali tendenze non risultano statisticamente significative quando si analizzano le serie più lunghe, a partire dal 1871 (+3,1%) e dal 1901 (−2,9%), né per il periodo più recente a partire dal 1981 (+6,7%). Per le altre stagioni, il pattern generale è caratterizzato da un’elevata variabilità temporale e da una prevalente stazionarietà su scale temporali di lungo termine. Questi risultati trovano riscontro nei dati delle stazioni disponibili nei database climatici internazionali pubblici, come il Global Historical Climatology Network (GHCN) e l’European Climate Assessment & Dataset (ECA&D) (Tabella 1 Supplementare e Figg. 11–16 Supplementari). Tali fonti indicano variazioni prevalentemente non significative, sebbene il numero limitato di stazioni e la loro distribuzione spaziale non uniforme introducano incertezze significative e suggeriscano, in alcuni periodi, una tendenza al prosciugamento più pronunciata rispetto a quanto osservato nel nostro dataset.Le analisi condotte evidenziano che le tendenze delle precipitazioni annuali e stagionali nella regione mediterranea si caratterizzano per un comportamento prevalentemente stazionario, un risultato che si estende anche alle caratteristiche delle siccità meteorologiche, come la loro durata e intensità, le quali mostrano anch’esse un pattern di stazionarietà su scale temporali di lungo periodo. Questo risultato si pone in contrasto con alcune ricerche precedenti che hanno ipotizzato un incremento della frequenza e della severità delle siccità meteorologiche nella regione. Attraverso l’impiego dell’Indice di Precipitazione Standardizzato (SPI) calcolato su una finestra temporale di tre mesi, è emerso che solo una frazione marginale delle stazioni meteorologiche ha registrato un aumento statisticamente significativo nella durata o nella magnitudo delle siccità meteorologiche (Fig. 17 Supplementare), persino nel periodo compreso tra il 1951 e il 2020, caratterizzato da alcune fluttuazioni pluviometriche più marcate.

I risultati derivati dall’ampio dataset utilizzato in questo studio, che integra osservazioni da oltre 23.000 stazioni distribuite nella regione mediterranea, sottolineano come le tendenze delle precipitazioni, sia a scala annuale che stagionale, risultino altamente specifiche per determinate aree geografiche e intervalli temporali. Tuttavia, nel complesso, tali tendenze si mantengono entro un quadro di stazionarietà di lungo termine, sfidando le conclusioni di studi precedenti che hanno suggerito un declino generalizzato delle precipitazioni a livello regionale. Diverse cause possono spiegare questa discrepanza. In primo luogo, un fattore determinante è la scelta del periodo di analisi. Molti studi precedenti hanno focalizzato le loro indagini a partire dagli anni ’50 o ’60, periodi in cui la disponibilità di dati osservativi è generalmente maggiore. Come evidenziato in questo studio, pur in presenza di tendenze prevalentemente non significative, si rileva una certa diminuzione delle precipitazioni nel periodo 1950–2020, particolarmente pronunciata durante la stagione invernale. Tuttavia, l’analisi di intervalli temporali più lunghi o più brevi rivela tendenze meno marcate, spesso non statisticamente significative, o in alcuni casi addirittura di segno opposto, con incrementi locali delle precipitazioni.

In secondo luogo, la discrepanza può essere attribuita all’ampio utilizzo di database grigliati a scala globale o continentale per lo studio della regione mediterranea. Questi dataset, costruiti a partire da un numero relativamente limitato di stazioni meteorologiche, fanno affidamento su tecniche di interpolazione spaziale per colmare le lacune nei dati. Tale approccio può condurre a interpretazioni fuorvianti, poiché le tendenze osservate in un numero ristretto di stazioni possono essere estrapolate a regioni più ampie, caratterizzate da dinamiche pluviometriche potenzialmente differenti. Inoltre, la variabilità temporale nel numero di osservazioni disponibili, una caratteristica comune dei database grigliati globali, introduce ulteriori incertezze nelle valutazioni delle tendenze, influenzando la robustezza delle conclusioni. Infine, un ulteriore elemento critico è rappresentato dall’uso di database osservativi che non hanno subito adeguati processi di controllo di qualità e omogeneizzazione. La mancanza di tali procedure può compromettere l’affidabilità delle serie temporali, portando a distorsioni nella stima delle tendenze pluviometriche e delle loro implicazioni. Questi aspetti sottolineano l’importanza di utilizzare dataset estensivi, accuratamente validati e rappresentativi della complessità climatica della regione mediterranea per una valutazione più accurata delle dinamiche pluviometriche storiche.

La Figura 1 fornisce una rappresentazione dettagliata e sistematica della distribuzione spaziale delle tendenze delle precipitazioni annuali nella regione mediterranea, analizzata attraverso una serie di intervalli temporali distinti che coprono il periodo dal 1871 al 2020 (specificamente: 1871–2020, 1901–2020, 1931–2020, 1951–2020 e 1981–2020). La figura è strutturata in due sezioni complementari: la prima colonna (pannelli a, c, e, g, i) si concentra sulla magnitudo del cambiamento percentuale delle precipitazioni registrate presso ciascuna stazione meteorologica, mentre la seconda colonna (pannelli b, d, f, h, j) esplora il segno e la significatività statistica di tali variazioni. Questa organizzazione consente un’analisi multidimensionale delle dinamiche pluviometriche, integrando sia l’ampiezza quantitativa che l’affidabilità statistica delle tendenze osservate.

Analisi dei pannelli sulla magnitudo del cambiamento:

I pannelli a, c, e, g, i illustrano l’entità del cambiamento percentuale delle precipitazioni annuali rispetto al valore di riferimento, utilizzando una scala cromatica che riflette diverse categorie di variazione. Le tonalità blu scuro (> +40%) e blu chiaro (+20% a +40%) indicano incrementi significativi delle precipitazioni, mentre le sfumature verdi chiare (+0% a +20%) e gialle (+0% a -20%) rappresentano variazioni moderate. Al contrario, le tonalità arancioni (-20% a -40%) e rosse (-40% a <0%) segnalano diminuzioni, con i punti bianchi che denotano stazioni con dati insufficienti o variazioni trascurabili. Ciascun pannello è associato a un intervallo temporale specifico: 1871–2020 (a), 1901–2020 (c), 1931–2020 (e), 1951–2020 (g) e 1981–2020 (i). La distribuzione spaziale dei punti, che rappresentano le stazioni meteorologiche, varia in densità e intensità cromatica, riflettendo sia la disponibilità storica dei dati sia la variabilità climatica intrinseca alla regione. Ad esempio, nei periodi più recenti (es. 1951–2020 e 1981–2020), la maggiore densità di punti suggerisce un incremento nella copertura osservativa, consentendo una risoluzione spaziale più dettagliata.

Analisi dei pannelli sul segno e la significatività statistica:

I pannelli b, d, f, h, j forniscono un’analisi qualitativa e statistica delle tendenze, distinguendo tra cambiamenti positivi (aumenti) e negativi (diminuzioni) e valutandone la significatività tramite test statistici (p < 0.05). I cerchi blu indicano aumenti significativi (p < 0.05), mentre i cerchi rossi denotano diminuzioni significative; analogamente, i punti blu e rossi rappresentano rispettivamente aumenti e diminuzioni non significativi (p > 0.05). Accanto a ogni mappa, un diagramma a torta quantifica la proporzione di stazioni che rientrano in ciascuna categoria (cambiamenti positivi significativi, negativi significativi, positivi non significativi e negativi non significativi). Ad esempio, nel periodo 1871–2020 (b), il diagramma a torta evidenzia una predominanza di variazioni non significative, con una frazione limitata di tendenze statisticamente robuste, suggerendo una mancanza di pattern univoci su larga scala.

Considerazioni sulla variabilità spaziale e temporale:

L’esame della Figura 1 rivela una marcata eterogeneità spaziale e temporale nelle tendenze pluviometriche. Nei periodi più lunghi, come il 1871–2020 (a, b), la distribuzione dei cambiamenti appare relativamente uniforme, con poche aree che mostrano variazioni significative. Al contrario, nei periodi più brevi e recenti, come il 1951–2020 (g, h) e il 1981–2020 (i, j), emergono cluster di diminuzioni (punti rossi) specialmente nel Mediterraneo occidentale, alternati a regioni con aumenti localizzati, ad esempio nel Mediterraneo orientale. Questa variabilità riflette l’influenza di fattori climatici locali e di pattern di circolazione atmosferica, come la North Atlantic Oscillation, che modulano le precipitazioni a scale sub-regionali. I diagrammi a torta confermano che le tendenze significative, sia positive che negative, costituiscono una minoranza rispetto a quelle non significative, indicando che le dinamiche pluviometriche mediterranee sono dominate da una stazionarietà di fondo piuttosto che da trend lineari costanti.

Implicazioni metodologiche:

La crescente densità di stazioni nei periodi più recenti sottolinea l’importanza di dataset estensivi e rappresentativi per catturare la complessità climatica della regione. La combinazione di mappe e diagrammi a torta offre un quadro integrato, evidenziando come le tendenze siano altamente dipendenti dal periodo di analisi e dalla localizzazione geografica. Questa analisi sottolinea la necessità di interpretare con cautela i dati pluviometrici, considerando la variabilità intrinseca e l’impatto delle tecniche di campionamento e interpolazione spaziale, specialmente quando si confrontano risultati con dataset grigliati a risoluzione più bassa.

In conclusione, la Figura 1 rappresenta uno strumento fondamentale per comprendere le dinamiche pluviometriche mediterranee, offrendo una base empirica dettagliata per studi futuri sulla vulnerabilità climatica della regione e sulla pianificazione delle risorse idriche.

La Figura 2 offre una rappresentazione analitica e dettagliata dell’evoluzione temporale delle anomalie delle precipitazioni medie annuali e stagionali nella regione mediterranea, basata su un’analisi condotta su cinque distinti intervalli temporali che si estendono dal 1871 al 2020 (specificamente: 1871–2020, 1901–2020, 1931–2020, 1951–2020 e 1981–2020). La figura è strutturata in cinque pannelli: il pannello (a) si focalizza sulle anomalie annuali, mentre i pannelli (b) a (e) illustrano rispettivamente le anomalie stagionali per inverno, primavera, estate e autunno. Ogni pannello presenta una serie di curve temporali, ciascuna corrispondente a uno dei cinque intervalli di analisi, calcolate come deviazioni rispetto a un periodo di riferimento standardizzato (1981–2020), al fine di garantire un confronto coerente tra le diverse serie temporali.

Descrizione dei pannelli:

• Pannello (a) – Serie Annuale: Questo grafico delinea l’andamento delle anomalie delle precipitazioni medie annuali lungo l’intero periodo di studio. Le curve, colorate distintamente per ciascun intervallo (rossa per 1871–2020, blu per 1901–2020, marrone per 1931–2020, verde per 1951–2020 e rosa per 1981–2020), mostrano una marcata variabilità interannuale, con oscillazioni che spaziano da picchi positivi a cali significativi. Le percentuali associate a ciascun intervallo (es. -2.8% per 1871–2020, -2.3% per 1901–2020, -2.1% per 1931–2020, -5.0% per 1951–2020 e +8.1% per 1981–2020) indicano la magnitudo media del cambiamento rispetto al periodo di riferimento. L’assenza di evidenziazioni in grassetto suggerisce che nessuna di queste tendenze annuali raggiunge la significatività statistica (P < 0.05).
• Pannello (b) – Serie Invernali: Le anomalie delle precipitazioni invernali rivelano fluttuazioni più pronunciate rispetto alla media annuale, con percentuali di variazione che includono +3.1% (1871–2020), -2.9% (1901–2020), -10.2% (1931–2020), -13.2% (1951–2020) e +7.6% (1981–2020). Le diminuzioni più rilevanti, pari a -10.2% e -13.2%, sono evidenziate in grassetto, indicando una significatività statistica (P < 0.05) per i periodi che iniziano rispettivamente nel 1931 e nel 1951, suggerendo un possibile segnale climatico stagionale in questi intervalli.
• Pannello (c) – Serie Primaverili: Le anomalie delle precipitazioni primaverili mostrano variazioni moderate, con valori che spaziano da -9.6% (1871–2020) a -4.0% (1901–2020), -1.4% (1931–2020), -4.1% (1951–2020) fino a un incremento del +9.5% (1981–2020). L’assenza di evidenziazioni in grassetto indica che nessuna di queste tendenze stagionali risulta statisticamente significativa, riflettendo una stazionarietà relativa nella stagione primaverile.
• Pannello (d) – Serie Estive: Le anomalie estive evidenziano una tendenza generale alla diminuzione, con percentuali di -7.0% (1871–2020), -0.5% (1901–2020), -3.6% (1931–2020), -4.5% (1951–2020) e un aumento del +8.4% (1981–2020). Anche in questo caso, nessuna variazione è contrassegnata come significativa, suggerendo che le dinamiche estive siano dominate da una variabilità intrinseca piuttosto che da trend definiti.
• Pannello (e) – Serie Autunnali: Le anomalie autunnali presentano variazioni limitate, con percentuali che vanno da -0.5% (1871–2020) a -1.3% (1901–2020), -5.3% (1931–2020), -5.0% (1951–2020) fino a un incremento del +10.9% (1981–2020). L’assenza di significatività statistica, come indicato dalla mancanza di evidenze in grassetto, sottolinea una persistente stazionarietà stagionale.

Interpretazione delle dinamiche temporali e spaziali:

Le anomalie sono derivate come deviazioni dalla media del periodo 1981–2020, offrendo un quadro uniforme per valutare le variazioni rispetto a un benchmark recente. Le serie temporali mostrano un’elevata volatilità interannuale, con ampie oscillazioni che riflettono la complessità climatica della regione mediterranea, influenzata da pattern atmosferici come la North Atlantic Oscillation. Le tendenze annuali (pannello a) e stagionali (b-e) sono generalmente caratterizzate da una stazionarietà di lungo termine, con variazioni percentuali che raramente superano il 10-15%, ad eccezione delle anomalie invernali nei periodi 1931–2020 e 1951–2020, dove le diminuzioni significative (-10.2% e -13.2%) suggeriscono una potenziale vulnerabilità stagionale. Al contempo, l’incremento osservato nel periodo 1981–2020 (+8.1% annuo, +7.6% invernale, +9.5% primaverile, +8.4% estivo, +10.9% autunnale) indica un possibile recupero recente delle precipitazioni, sebbene tale tendenza non raggiunga la soglia di significatività statistica.

Considerazioni metodologiche e implicazioni:

La Figura 2 evidenzia la necessità di interpretare le dinamiche pluviometriche mediterranee nel contesto della loro variabilità intrinseca, piuttosto che come espressione di trend lineari costanti. L’uso di intervalli temporali multipli consente di cogliere le fluttuazioni specifiche associate a diversi punti di partenza, rivelando come le tendenze siano sensibili alla scelta del periodo di analisi. Le anomalie invernali significative nei periodi più recenti possono essere indicative di cambiamenti nella circolazione atmosferica o di influenze antropogeniche, mentre la mancanza di significatività nelle tendenze annuali supporta l’ipotesi di una stabilità climatica di fondo. Questa analisi fornisce una base solida per studi futuri sulla gestione delle risorse idriche e sull’adattamento ai cambiamenti climatici nella regione, sottolineando l’importanza di dataset estensivi e di un approccio stagionale per comprendere appieno la variabilità pluviometrica.

Influenza della Dinamica Atmosferica sulle Precipitazioni Mediterranee

La spiccata variabilità decennale e multi-decennale che caratterizza le precipitazioni nella regione mediterranea risulta essere intimamente collegata alla dinamica atmosferica su scala sinottica, con un ruolo particolarmente rilevante durante la stagione fredda, mentre processi termodinamici assumono un’importanza significativa durante l’estate. È ragionevole ipotizzare che le dinamiche atmosferiche su larga scala abbiano contribuito alle tendenze pluviometriche osservate in specifici intervalli temporali più brevi, un aspetto di particolare interesse considerando che la circolazione atmosferica nella regione è prevalentemente attribuita a una variabilità interna del sistema climatico (sezione 3.1 delle Informazioni Supplementari).

I risultati derivanti dall’applicazione di modelli di regressione stepwise, condotti su periodi sia a lungo termine (1901–2020 e 1931–2020) sia a breve termine (1951–2020 e 1981–2020), utilizzando come variabili indipendenti gli indici della North Atlantic Oscillation (NAO) e della Mediterranean Oscillation (MO) (Metodi), evidenziano percentuali significative di varianza spiegata nella variabilità delle precipitazioni annuali in tutto il bacino mediterraneo. In particolare, i modelli annuali basati esclusivamente su NAO e MO riescono a spiegare tra il 32% e il 39,1% della varianza totale, mentre l’inclusione di meccanismi di circolazione regionale (come tempeste, creste e blocchi) nei modelli per i periodi brevi consente di superare il 68% di varianza spiegata (Fig. 3). Le Tabelle Supplementari 2 e 3 forniscono un dettaglio delle variabili di circolazione atmosferica incorporate nei modelli di regressione stepwise, evidenziandone l’importanza relativa nei diversi intervalli temporali. Questi dati confermano che una quota considerevole della variabilità pluviometrica regionale può essere attribuita esclusivamente a tali indici di circolazione, in accordo con studi precedenti. Di conseguenza, i periodi di incremento o decremento delle precipitazioni registrati nei dati osservativi mostrano una corrispondenza significativa con i modelli statistici che impiegano questi indici come predittori. È particolarmente degno di nota che, ad eccezione del periodo 1901–2020, i residui di tali modelli mantengano una stazionarietà temporale lungo gli stessi intervalli, senza evidenziare tendenze significative né mostrare una variabilità a breve termine rilevante. Questa osservazione suggerisce che la maggior parte delle fluttuazioni nelle precipitazioni annuali mediterranee possa essere adeguatamente ricondotta alla variabilità della circolazione atmosferica che influenza la regione.

Tale pattern risulta ancora più pronunciato a livello stagionale (Figg. 18–21 Supplementari). Sebbene le differenze siano attribuibili ai ruoli distinti dei meccanismi fisici alla base delle precipitazioni – con una predominanza dei meccanismi dinamici durante l’inverno – i fattori atmosferici regionali (tempeste, creste e blocchi) giocano generalmente un ruolo più rilevante rispetto alle modalità di circolazione atmosferica più ampie (NAO e MO), con l’eccezione della stagione invernale. Nonostante queste variazioni, la varianza combinata delle precipitazioni invernali spiegata da tutti i meccanismi di circolazione supera il 58% quando si considerano esclusivamente MO e NAO nei periodi analizzati (Tabella Supplementare 2), salendo al 77% con l’inclusione dei meccanismi di circolazione regionale (Tabella Supplementare 3). Inoltre, i residui derivanti dai modelli di regressione si mantengono largamente stazionari su scala temporale lunga, esibendo una variabilità a breve termine ridotta, in particolare nei periodi 1951–2020 e 1981–2020, dove la dinamica atmosferica può essere quantificata con maggiore robustezza grazie alla disponibilità di molteplici indicatori di circolazione.

Va sottolineato che l’unica area che presenta una riduzione consistente e significativa delle precipitazioni invernali attraverso diversi periodi – la Penisola Iberica e il Marocco, a partire dal 1931 e oltre (Fig. 2 Supplementare) – evidenzia un’influenza predominante dei meccanismi di circolazione atmosferica sui pattern temporali delle precipitazioni invernali (Fig. 22 Supplementare). In questo contesto, le tendenze osservate risultano pienamente spiegate da modelli di regressione che includono esclusivamente NAO e MO. Per quanto riguarda primavera e autunno, i meccanismi atmosferici spiegano una frazione minore della variabilità pluviometrica, sebbene i residui mantengano una stabilità dominante nella loro evoluzione. Durante l’estate, la sensibilità delle precipitazioni ai processi termodinamici potrebbe giustificare la limitata porzione di varianza non spiegata dalla dinamica atmosferica, così come la tendenza al calo dei residui nei periodi che iniziano nel 1931 e nel 1951. Tale tendenza potrebbe essere influenzata da differenze nel riscaldamento terra-oceano e da feedback terra-atmosfera, correlati a riduzioni dell’umidità del suolo. Questi processi, combinati con il notevole riscaldamento osservato nella regione, contribuiscono verosimilmente a una diminuzione dell’umidità relativa, con potenziali effetti inibitori sulla convezione e sulle precipitazioni associate. Tuttavia, è essenziale rilevare che questa diminuzione delle precipitazioni estive riguarda una frazione estremamente ridotta del totale annuo e potrebbe non essere rappresentativa in termini di magnitudo rispetto all’impatto della dinamica atmosferica durante la stagione fredda.

Alla luce di tali evidenze, emerge con chiarezza che la variabilità della circolazione atmosferica costituisce il fattore esplicativo principale alla base delle tendenze delle precipitazioni nella regione mediterranea. Questa conclusione offre una spiegazione plausibile per il numero limitato di tendenze pluviometriche significative rilevate. Sebbene alcune ricerche abbiano frequentemente attribuito tali tendenze al forzante antropogenico, appare più verosimile che il suo effetto sia, al più, indiretto e mediato da potenziali alterazioni della circolazione atmosferica. È tuttavia fondamentale sottolineare che le prove di un’influenza diretta del forzante antropogenico sui meccanismi di circolazione atmosferica, sia su scala ampia che regionale, considerati in questo studio, rimangono limitate (sezione 3.1 delle Informazioni Supplementari). Sebbene siano state rilevate tendenze a breve termine nei principali fattori di circolazione atmosferica che influenzano il Mediterraneo – come la NAO invernale in determinati intervalli – tali osservazioni dovrebbero essere contestualizzate entro ricostruzioni centenarie e millenarie di questi meccanismi. Ciò implica che tali tendenze siano probabilmente espressione della variabilità naturale dei sistemi atmosferici, un’ipotesi coerente con le conclusioni del più recente rapporto dell’Intergovernmental Panel on Climate Change.

La Figura 3 offre una rappresentazione dettagliata e analitica dell’evoluzione delle precipitazioni medie annuali nella regione mediterranea, esaminata attraverso quattro distinti intervalli temporali (1901–2020, 1931–2020, 1951–2020 e 1981–2020), con un confronto tra i dati osservati e quelli stimati tramite modelli di regressione basati su indici di circolazione atmosferica. La figura è strutturata in sei pannelli (a-f), ciascuno dedicato a un periodo specifico, che illustrano le precipitazioni osservate, le precipitazioni modellate e i residui (differenza tra i valori osservati e quelli predetti), utilizzando variabili atmosferiche come la North Atlantic Oscillation (NAO), la Mediterranean Oscillation (MO), e, nei periodi più brevi, la frequenza di tempeste e la presenza di creste e blocchi. Questa configurazione consente un’analisi quantitativa della capacità dei modelli nel catturare la variabilità pluviometrica regionale e di identificare eventuali componenti residue non spiegate.

Descrizione dei pannelli:

• Pannello (a) – Periodo 1901–2020: Questo pannello riporta una varianza spiegata del 32,0% delle precipitazioni annuali, basata su un modello che integra gli indici stagionali di NAO e MO. La linea nera rappresenta le precipitazioni osservate, caratterizzate da ampie fluttuazioni interannuali, mentre la linea arancione indica i valori modellate, che seguono un andamento simile ma con una corrispondenza parziale. I residui, rappresentati dalla linea verde, mostrano una tendenza decrescente di -2,10 mm per decennio, con una significatività statistica (P = 0,03), suggerendo la presenza di una componente di variabilità non completamente accounted for da NAO e MO in questo intervallo temporale più lungo.
• Pannello (b) – Periodo 1931–2020: La varianza spiegata aumenta al 37,3%, riflettendo un miglioramento nella capacità predittiva del modello. Le precipitazioni osservate e modellate mantengono una buona correlazione, mentre i residui esibiscono una variazione di -1,10 mm per decennio, non statisticamente significativa (P = 0,46), indicando una stazionarietà relativa dei componenti non spiegati.
• Pannello (c) – Periodo 1951–2020: Con una varianza spiegata del 38,3%, il modello continua a replicare efficacemente le dinamiche pluviometriche. I residui mostrano un cambiamento di -2,70 mm per decennio, sebbene non raggiunga la significatività statistica (P = 0,22), suggerendo che le fluttuazioni residue siano attribuibili a fattori di variabilità intrinseca.
• Pannello (d) – Periodo 1981–2020: La varianza spiegata sale al 39,1%, con i residui che indicano un incremento di 5,90 mm per decennio, risultante statisticamente significativo (P = 0,036). Questo suggerisce che, in questo intervallo più recente, il modello basato su NAO e MO cattura la maggior parte della variabilità, lasciando residui con una tendenza positiva che potrebbe riflettere influenze esterne non considerate.
• Pannello (e) – Periodo 1951–2020 con meccanismi regionali: L’inclusione di variabili aggiuntive, come la frequenza di tempeste e la presenza di creste e blocchi, porta la varianza spiegata al 68,0%. I residui mostrano una variazione di -0,94 mm per decennio, non significativa (P = 0,59), evidenziando come l’integrazione di meccanismi regionali migliori sensibilmente la robustezza del modello.
• Pannello (f) – Periodo 1981–2020 con meccanismi regionali: La varianza spiegata raggiunge il 70,0%, il valore più elevato tra i pannelli, grazie all’incorporazione di fattori locali. I residui presentano un aumento di 4,37 mm per decennio, sebbene non significativo (P = 0,26), indicando una capacità predittiva elevata ma con residui che riflettono una variabilità residua limitata.

Interpretazione delle dinamiche osservate:

Le linee nere rappresentano le precipitazioni osservate, caratterizzate da oscillazioni significative che riflettono la complessità climatica mediterranea. Le linee arancioni indicano i valori predetti dai modelli, che si basano su NAO e MO stagionali nei pannelli (a-d) e includono ulteriori meccanismi regionali nei pannelli (e-f). Le linee verdi, che rappresentano i residui, quantificano la porzione di variabilità non spiegata, con tendenze e significatività statistica riportate per ciascun periodo. La varianza spiegata aumenta progressivamente con l’aggiunta di variabili regionali, passando da un minimo del 32,0% (1901–2020) a un massimo del 70,0% (1981–2020), sottolineando come i fattori locali, come tempeste e blocchi, migliorino la capacità del modello di replicare le dinamiche pluviometriche, specialmente nei periodi più brevi e meglio documentati.

Considerazioni metodologiche e implicazioni:

La Figura 3 evidenzia come la variabilità delle precipitazioni mediterranee sia fortemente governata dalla circolazione atmosferica, con NAO e MO come principali driver, cui si aggiungono meccanismi regionali nei periodi più recenti per una modellazione più accurata. La significatività statistica dei residui in alcuni intervalli (es. 1901–2020 e 1981–2020) suggerisce che, sebbene la dinamica atmosferica catturi la maggior parte delle variazioni, una frazione residua potrebbe essere attribuita a processi termodinamici o forzanti antropogenici non inclusi nel modello. I dettagli sui pesi delle variabili e la loro influenza sono riportati nelle Tabelle Supplementari 1 e 2, fornendo una base per approfondimenti sulla modellazione climatica e sull’interpretazione delle dinamiche pluviometriche regionali. Questa analisi sottolinea l’importanza di un approccio integrato che combini indici su larga scala con fattori locali per comprendere appieno le fluttuazioni delle precipitazioni nel Mediterraneo.

Tendenze Predette dai Modelli di Circolazione Generale

Uno dei principali fattori che alimentano la percezione dominante di un declino delle precipitazioni nella regione mediterranea può essere ricondotto ai risultati derivanti dalle simulazioni numeriche condotte tramite modelli di circolazione generale (GCM) nell’ambito del Coupled Model Intercomparison Project (CMIP). Sin dalle sue origini, tali modelli hanno costantemente previsto una marcata riduzione delle precipitazioni in tutto il Mediterraneo nel corso del ventunesimo secolo, sia durante la stagione invernale che estiva, accompagnata da un incremento della frequenza e dell’intensità delle siccità meteorologiche. Queste proiezioni risultano particolarmente accentuate sotto scenari caratterizzati da elevate emissioni di gas serra. Inoltre, studi basati su serie regionali sintetiche e medie multi-modello, ottenute dalle simulazioni CMIP e incorporate con dati osservativi relativi al forzante radiativo a partire dall’inizio dell’era industriale, hanno regolarmente indicato un declino a lungo termine delle precipitazioni mediterranee. Tuttavia, l’importanza attribuita a tale pattern non trova riscontro nel vasto dataset osservativo impiegato nella presente analisi.

Un aspetto distintivo dei grandi dataset di ensemble GCM risiede nella significativa variabilità dei risultati delle precipitazioni, osservabile sia su scala annuale che stagionale (Fig. 23 Supplementare). Di conseguenza, l’adozione di medie spaziali e temporali calcolate su un insieme diversificato di modelli si rivela un approccio inadeguato per un confronto diretto con i dati osservativi. Tali medie tendono a enfatizzare gli effetti del forzante radiativo esterno, occultando la variabilità interna delle simulazioni dei modelli, che rappresenta, in effetti, la fonte predominante di variabilità climatica.

Come alternativa metodologica, abbiamo confrontato le variazioni delle precipitazioni osservate, derivate dal vasto dataset impiegato in questo studio, con dati a livello di celle grigliate estratti da un’ampia gamma di output dei modelli delle fasi 5 (CMIP5) e 6 (CMIP6) del CMIP. Tale confronto ha evidenziato che, sebbene le simulazioni dei modelli presentino una proporzione più elevata di celle grigliate con tendenze negative rispetto ai dati osservativi (ad esempio, per la scala annuale nei periodi a lungo termine che iniziano nel 1871, 1901 e 1931), non emergono discrepanze significative tra i due insiemi di dati (Fig. 4). In alcuni casi, i record osservativi registrano una frequenza maggiore di tendenze negative rispetto ai modelli (ad esempio, per le precipitazioni annuali a partire dal 1951 e per le precipitazioni invernali nei periodi che iniziano nel 1931 e 1951). Al contrario, si osservano situazioni in cui i modelli non riescono a riprodurre le tendenze positive rilevate nelle osservazioni (ad esempio, per le precipitazioni invernali a partire dal 1871 e 1901, per l’autunno nella maggior parte dei periodi e, complessivamente, per tutte le stagioni nel periodo che inizia nel 1981). Queste discrepanze, specifiche per determinati intervalli temporali, sono prevedibili, poiché le simulazioni dei modelli non sono progettate per replicare fedelmente la variabilità osservata. È tuttavia degno di nota che l’intervallo di tendenze delle precipitazioni tra i GCM risulti generalmente più ristretto rispetto alla variabilità riscontrata nei dati osservativi. Tale differenza è attribuibile alle caratteristiche intrinseche dei dati puntuali rispetto a quelli grigliati, con i primi che tendono a esibire una variabilità più pronunciata. Ciononostante, si rileva una convergenza nelle distribuzioni delle tendenze tra osservazioni puntuali e modelli grigliati, particolarmente evidente nelle medie simili tra i due dataset, il che evidenzia un notevole grado di concordanza tra le tendenze delle precipitazioni osservate e quelle simulate.

In sintesi, l’analisi degli output dei modelli CMIP non supporta l’ipotesi di un declino generalizzato delle precipitazioni. Al contrario, riflette un comportamento coerente con la variabilità evidenziata dalle osservazioni. Quando si confrontano le tendenze delle serie di precipitazioni regionali mediterranee con quelle derivate dall’ensemble di modelli per la regione (Fig. 24 Supplementare), emerge che le tendenze osservate si collocano all’interno dello spettro ampio di tendenze prodotte dai modelli, includendo sia valori positivi che negativi. Ciò corrobora i risultati di studi precedenti, sottolineando che, a causa di questa marcata variabilità, non è del tutto chiaro in che misura la media dell’ensemble GCM rappresenti fedelmente le tendenze delle precipitazioni osservate. È particolarmente significativo che i risultati derivanti dalle osservazioni rientrino nell’intervallo dei modelli CMIP, anche quando si avvicinano ai limiti superiore e inferiore, e che gli output dei modelli indichino una prevalenza di tendenze storiche delle precipitazioni non significative nella regione. Le simulazioni dell’esperimento CMIP6, infatti, rivelano che solo un numero limitato di aree, stagioni e intervalli temporali presenta più del 50% dei modelli con tendenze negative significative (Figg. 25–29 Supplementari). Inoltre, i modelli CMIP6 superano i loro predecessori CMIP5 nella riproduzione delle tendenze osservate, mostrando una minore essiccazione sia su scale temporali lunghe che brevi e una maggiore incidenza di tendenze delle precipitazioni non significative, un pattern che si allinea con i dati osservativi.

Questi risultati contribuiscono a riconciliare le tendenze delle precipitazioni mediterranee osservate con quelle simulate dai modelli. È plausibile che studi precedenti, basati sui modelli delle fasi 3 e 5 di CMIP e dipendenti da medie multi-modello, abbiano generato una percezione errata di una tendenza diffusa all’essiccamento nella storia recente della regione mediterranea.

Discussione sulle Dinamiche delle Precipitazioni Mediterranee

La nostra analisi estensiva fornisce un quadro più completo e integrato delle tendenze delle precipitazioni nella regione mediterranea rispetto agli studi precedenti, spesso limitati da un approccio frammentario. Sebbene alcune indagini abbiano avanzato l’ipotesi di una tendenza all’essiccamento delle precipitazioni, attribuendo un ruolo significativo a forzanti di origine antropogenica, i dati emersi dalla presente ricerca non confermano tale interpretazione. Le evidenze raccolte suggeriscono che le tendenze storiche delle precipitazioni siano fortemente dipendenti dall’intervallo temporale analizzato, caratterizzate da una pronunciata variabilità spaziale e, nel complesso, da una stazionarietà di fondo a lungo termine, sia su scala annuale che stagionale. Tali osservazioni risultano coerenti con i risultati di studi multi-secenari condotti su un numero ristretto di stazioni meteorologiche situate nella porzione settentrionale della regione mediterranea, i quali mettono in luce una stabilità climatica protratta nel tempo, accompagnata da una rilevante variabilità multi-decennale e interannuale.

La circolazione atmosferica nella regione mediterranea si distingue per la sua elevata complessità, richiedendo ulteriori approfondimenti per delineare con precisione l’impatto specifico dei meccanismi fisici associati al cambiamento climatico di origine antropogenica che potrebbero contribuire a una riduzione delle precipitazioni. Ricerche recenti hanno sollevato interrogativi circa l’ampiezza dell’influenza artica sul clima delle latitudini medie, proponendo che tale effetto possa essere relativamente contenuto, introducendo incertezze nella comprensione della dinamica della circolazione di Hadley. Sebbene si sia ipotizzato un ampliamento della cella di Hadley negli ultimi decenni come risposta a forzanti antropogenici, le osservazioni evidenziano una marcata variabilità multi-decennale, guidata da dinamiche interne, unitamente a differenze regionali significative, senza evidenze di mutamenti sostanziali nella regione mediterranea. Tale dinamica circolatoria riveste un ruolo cruciale nell’influenzare la persistenza di condizioni anticicloniche e l’incidenza delle tempeste nella regione. Inoltre, sono stati suggeriti meccanismi dinamici alternativi come potenziali fattori determinanti per le precipitazioni mediterranee future, sebbene la loro accurata valutazione risulti complessa sulla base delle simulazioni dei modelli CMIP. Nonostante tali incertezze, l’ultima generazione di esperimenti modellistici (CMIP6) sembra offrire una rappresentazione più fedele delle tendenze delle precipitazioni osservate rispetto alle iterazioni precedenti del CMIP, suggerendo un progresso nella capacità predittiva dei modelli, specialmente in scenari caratterizzati da alte concentrazioni di gas serra.Questo studio evidenzia l’essenziale valore strategico rappresentato dai database osservativi a disposizione, la cui piena utilizzazione richiede un impegno significativo. L’analisi condotta ha comportato una sfida considerevole, data la natura internazionale del dataset impiegato, che ha reso necessario superare una serie di protocolli e limitazioni sulla condivisione dei dati imposti dai paesi coinvolti. Tuttavia, l’adozione di un approccio innovativo basato sulla condivisione del codice ha permesso di superare efficacemente tali ostacoli legati alla disponibilità dei dati, consentendo di realizzare la più accurata e completa valutazione delle dinamiche delle precipitazioni nella regione mediterranea finora ottenuta. Questa metodologia segna un progresso rilevante, distinguendo il presente studio per la capacità di affrontare le barriere poste dalle politiche sui dati, un fattore che ha ostacolato le ricerche precedenti. Tale sforzo testimonia come, in contesti regionali caratterizzati da incertezze persistenti sui processi di cambiamento climatico in atto, un’enfasi sulle osservazioni grezze disponibili possa apportare un contributo determinante alla comprensione di tali dinamiche climatiche.

In un periodo caratterizzato dall’accesso a un’ampia mole di dati climatici, che includono dataset di rianalisi e output di modelli, assume un’importanza cruciale il mantenimento delle tradizionali reti di stazioni meteorologiche. Gli sforzi continui volti al recupero e all’archiviazione dei dati assumono un ruolo fondamentale, poiché numerose fonti di informazioni ancora inesplorate conservano un potenziale significativo per studi a lungo termine. Parallelamente, si rende imperativa l’istituzione urgente di database osservativi regionali, con particolare attenzione ai paesi del Global South. Tali archivi potrebbero superare le difficoltà di accesso ai dati e favorire una documentazione sistematica del cambiamento climatico in queste aree, migliorando la base conoscitiva a disposizione.

Inoltre, i risultati di questa ricerca mettono in discussione le percezioni errate comunemente accettate riguardo a una tendenza all’essiccamento nel Mediterraneo, sottolineando la necessità di ulteriori approfondimenti scientifici e dibattiti. È opportuno evidenziare che, sebbene le tendenze delle precipitazioni rilevate nei record osservativi negli ultimi 150 anni risultino di entità trascurabile, la regione mediterranea sta attraversando un processo di crescente aridità climatica. Tale fenomeno è prevalentemente determinato da un incremento della domanda evaporativa atmosferica, conseguenza diretta dell’innalzamento delle temperature osservato. Le proiezioni climatiche indicano che queste condizioni sono destinate ad aggravarsi, potenzialmente dando luogo a siccità ecologiche e agricole di maggiore severità. È fondamentale riconoscere che questo processo di aridificazione procede in modo indipendente dalle dinamiche delle precipitazioni osservate e previste. Tuttavia, la riduzione delle precipitazioni anticipata, non solo dai modelli CMIP precedenti ma anche dai più recenti e affidabili modelli CMIP6 per il ventunesimo secolo, potrebbe amplificare tale problematica, diminuendo ulteriormente le risorse idriche a disposizione degli ecosistemi e delle società umane. Questa situazione evidenzia l’urgenza di affrontare le sfide complesse derivanti dall’evoluzione delle condizioni climatiche nella regione mediterranea.

La Figura 4 offre una rappresentazione analitica e dettagliata delle distribuzioni della magnitudo del cambiamento percentuale delle precipitazioni, sia a scala annuale che stagionale, nella regione mediterranea, attraverso un confronto sistematico tra i dati osservativi e le simulazioni dei modelli Coupled Model Intercomparison Project (CMIP) delle fasi 5 e 6 (CMIP5 e CMIP6). La figura è strutturata in una griglia composta da cinque righe, corrispondenti rispettivamente alla scala annuale e alle stagioni (inverno, primavera, estate e autunno), e cinque colonne, associate a diversi intervalli temporali di analisi (1871–2020, 1901–2020, 1931–2020, 1951–2020 e 1981–2020). Ogni pannello presenta tre curve a densità, che rappresentano rispettivamente le osservazioni raccolte dalle stazioni meteorologiche (colore viola), le simulazioni del modello CMIP5 (colore teal) e quelle del modello CMIP6 (colore arancione), consentendo un’analisi comparativa della variabilità e della distribuzione dei cambiamenti pluviometrici tra i dataset.

Descrizione dei pannelli:

• Righe (a-e) – Scala Annuale: I pannelli (a) a (e) delineano le distribuzioni dei cambiamenti percentuali delle precipitazioni annuali. Ad esempio, nel pannello (a), relativo al periodo 1871–2020, le curve a densità evidenziano la concentrazione dei valori di cambiamento, con picchi che riflettono la modalità della distribuzione. Le curve viola, teal e arancione si sovrappongono parzialmente, suggerendo una certa coerenza tra osservazioni e modelli, sebbene differiscano nella forma e nell’ampiezza, indicando variazioni nella rappresentazione della variabilità climatica.
• Righe (f-j) – Stagione Invernale: I pannelli (f) a (j) si concentrano sulle precipitazioni invernali, dove le distribuzioni possono mostrare una maggiore dispersione o asimmetria rispetto alla scala annuale, riflettendo l’influenza di pattern atmosferici stagionali, come la North Atlantic Oscillation, che dominano questa stagione.
• Righe (k-o) – Stagione Primaverile: I pannelli (k) a (o) illustrano i cambiamenti nelle precipitazioni primaverili, con curve che possono esibire una distribuzione distinta, evidenziando una variabilità stagionale peculiare, influenzata da transizioni tra dinamiche invernali ed estive.
• Righe (p-t) – Stagione Estiva: I pannelli (p) a (t) si focalizzano sulle precipitazioni estive, dove le curve a densità potrebbero rivelare una minore variabilità, coerentemente con il ridotto volume di precipitazioni tipico di questa stagione, dominata da processi termodinamici.
• Righe (u-y) – Stagione Autunnale: I pannelli (u) a (y) rappresentano i cambiamenti nelle precipitazioni autunnali, con distribuzioni che possono indicare una transizione graduale tra i pattern estivi e quelli invernali, riflettendo una variabilità intermedia.

Interpretazione delle dinamiche osservate:

Le curve a densità, tracciate lungo l’asse x che rappresenta la magnitudo del cambiamento percentuale e l’asse y che indica la densità di probabilità, forniscono una visualizzazione della distribuzione dei cambiamenti pluviometrici. Le aree di sovrapposizione tra le curve viola (osservazioni), teal (CMIP5) e arancione (CMIP6) denotano un accordo tra i dataset, mentre le divergenze evidenziano discrepanze che possono derivare da differenze nella risoluzione spaziale (dati puntuali versus dati grigliati) o dalla mancata cattura di processi locali nei modelli. Le osservazioni, basate su misurazioni dirette delle stazioni meteorologiche, tendono a mostrare una dispersione maggiore rispetto alle simulazioni dei modelli, che riflettono medie su griglie spaziali e possono sottostimare la variabilità intrinseca. La progressione temporale attraverso i pannelli consente di osservare l’evoluzione delle distribuzioni, con possibili spostamenti verso tendenze negative o positive in funzione dell’intervallo temporale considerato, evidenziando l’influenza di fattori climatici specifici in diversi periodi.

Considerazioni metodologiche e implicazioni:

La Figura 4 mette in luce la complessità della variabilità spaziale e temporale delle precipitazioni mediterranee, offrendo un confronto critico tra la realtà osservata e le proiezioni modellistiche. La parziale sovrapposizione delle curve a densità indica un grado moderato di concordanza tra osservazioni e simulazioni, suggerendo che i modelli CMIP5 e CMIP6 catturino alcune tendenze generali, sebbene con limitazioni nella riproduzione della variabilità puntuale. Le discrepanze osservate possono essere attribuite alla diversa natura dei dati (puntuale versus grigliato) e alla possibile sottorappresentazione di dinamiche locali o processi non lineari nei modelli. Questa analisi fornisce un contributo essenziale per valutare l’affidabilità delle proiezioni climatiche, sottolineando la necessità di integrare ulteriormente i dati osservativi nelle simulazioni future al fine di migliorare la rappresentazione delle dinamiche pluviometriche regionali e supportare strategie di adattamento climatico.

Metodi

Disponibilità dei Dati

Questa ricerca ha fatto ricorso a un dataset di straordinaria ampiezza, composto da serie mensili di precipitazioni osservate che abbracciano l’intera regione mediterranea, includendo 27 nazioni caratterizzate da una diversità di contesti socioeconomici e amministrativi. Tra i paesi coinvolti figurano: Marocco, Algeria, Tunisia, Libia, Malta, Egitto, Giordania, Israele, Siria, Libano, Cipro, Turchia, Moldavia, Romania, Bulgaria, Grecia, Repubblica di Macedonia del Nord, Albania, Montenegro, Serbia, Bosnia-Erzegovina, Croazia, Slovenia, Italia, Francia, Spagna e Portogallo. I dati sono stati acquisiti direttamente da agenzie meteorologiche o idrologiche nazionali che hanno attivamente partecipato allo studio. In taluni casi, le informazioni sono state ottenute tramite collaborazioni con centri di ricerca nazionali operanti in stretta sinergia con le rispettive agenzie meteorologiche. Va tuttavia rilevato che le istituzioni meteorologiche o scientifiche di Malta, Cipro e Albania non hanno risposto agli inviti a contribuire a questa indagine. Per assicurare una copertura completa anche per tali nazioni, sono state integrate nel dataset informazioni sulle precipitazioni tratte da database continentali e globali, in particolare l’European Climate Assessment & Dataset (ECA&D), il Global Historical Climatology Network (GHCN), e, in alcuni casi specifici, il Global Surface Summary of the Day (ftp://ftp.ncdc.noaa.gov/pub/data/gsod/).

Il dataset aggrega un totale di 10.238.736 record mensili di precipitazioni, derivanti da 23.609 stazioni meteorologiche. Tali dati mensili sono stati calcolati a partire da osservazioni giornaliere, con l’imposizione rigorosa dell’assenza di lacune nei dati per la determinazione dei totali mensili. Di conseguenza, il dataset riflette l’elaborazione di oltre 300 milioni di misurazioni giornaliere di precipitazioni raccolte tramite pluviometri. L’intervallo temporale coperto dal dataset si estende dal 1871 al 2020, sebbene la copertura temporale presenti una variabilità significativa. Nel 1871, il numero minimo di stazioni operative era di 117, incrementandosi progressivamente fino a raggiungere un massimo di 12.573 stazioni nel 1977, per poi subire una graduale riduzione fino a 6.186 stazioni entro il 2020 (Fig. 1 Dati Estesi). Anche la distribuzione spaziale ha subito notevoli trasformazioni: inizialmente, le stazioni erano concentrate prevalentemente nella parte nord-occidentale della regione, ma a partire dal 1901 si è assistito a un’espansione significativa della rete in gran parte dei paesi, culminando in una densità elevata di stazioni a partire dal 1931 (Fig. 2 Dati Estesi). Queste variazioni nella copertura spaziale e temporale sono imputabili all’evoluzione storica delle reti meteorologiche nei diversi paesi, influenzata dall’istituzione di servizi meteorologici nazionali, da conflitti storici e internazionali, nonché da differenti approcci alla digitalizzazione adottati dai servizi meteorologici nazionali.

La presente indagine ha reso necessario l’accesso a fonti di dati riservati per conseguire un’analisi esaustiva degli obiettivi di ricerca, dato che studi precedenti in questo ambito sono stati spesso ostacolati da dataset limitati da vincoli spaziali o temporali. Tali limitazioni hanno contribuito a una comprensione parziale dei pattern delle precipitazioni nella regione. I database globali e continentali di accesso pubblico offrono un numero considerevolmente inferiore di serie rispetto a quelle custodite dai servizi meteorologici (Fig. 30 Supplementare), risultando inadeguati nel catturare la marcata variabilità delle caratteristiche pluviometriche del Mediterraneo. L’accesso a dati riservati ha avuto l’obiettivo di colmare queste lacune, fornendo un’analisi più dettagliata della variabilità e delle tendenze delle precipitazioni nella regione. Tutti i dati grezzi disponibili dai diversi paesi mediterranei sono stati messi a disposizione per l’analisi, sebbene la loro condivisione e/o ridistribuzione sia stata subordinata alle specifiche normative di ciascun paese (Fig. 3 Dati Estesi).Numerosi paesi, tra cui Croazia, Egitto, Francia, Israele, Moldavia, Portogallo, Romania, Slovenia, Spagna e Siria, hanno reso disponibili l’intera raccolta di dati grezzi sulle precipitazioni, mentre Grecia e Italia hanno contribuito con un sottoinsieme selezionato dei dati raccolti dalle loro stazioni meteorologiche. Tali dati sono consultabili nel repository online accessibile all’indirizzo https://zenodo.org/records/12607467. Informazioni aggiuntive sulla disponibilità dei dati e sulle politiche di condivisione adottate dai paesi che non hanno fornito dati grezzi o che hanno imposto restrizioni alla loro ridistribuzione sono reperibili in un file Excel supplementare.

Abbiamo progettato e distribuito un software dedicato all’elaborazione dei dati ai servizi meteorologici nazionali e alle istituzioni di ricerca, con l’intento di bilanciare il rispetto delle sensibilità legate alla privacy dei dati con l’esigenza di condurre un’analisi esaustiva. Tale strategia ha permesso di standardizzare il trattamento dei dati e di ottimizzare l’utilizzo delle informazioni disponibili, pur operando entro i vincoli imposti dalle normative nazionali sui dati, rappresentando così una soluzione pratica per realizzare uno studio climatico rigoroso in un contesto caratterizzato da limitazioni all’accesso alle informazioni. Il software sviluppato è stato applicato ai dati forniti liberamente dai paesi partecipanti ed è stato distribuito e impiegato dai collaboratori dei paesi coinvolti nello studio che, a causa di restrizioni nelle loro politiche di condivisione dei dati, non potevano renderli accessibili. L’obiettivo primario di tale strumento è stato l’elaborazione delle serie mensili grezze di precipitazioni, attraverso l’implementazione di diverse procedure di controllo della qualità, un processo di riempimento delle lacune, l’esecuzione di test di omogeneità e la correzione delle disomogeneità presenti nei dati. Successivamente, il software è stato utilizzato per condurre i test statistici, generando i risultati illustrati in questo studio. Analogamente, la stessa metodologia è stata applicata alle serie disponibili nei database pubblici GHCN ed ECA&D, al fine di replicare l’analisi utilizzando le informazioni attualmente accessibili in tali archivi.

Queste operazioni sono state eseguite dai team nazionali che non avevano la possibilità di condividere i propri dati. Per incrementare l’accessibilità e la replicabilità dei risultati, i dati relativi a ciascun paese sono stati resi disponibili come file distinti in un repository pubblico (https://doi.org/10.5281/zenodo.10022617). Tale archivio include altresì le serie di precipitazioni regionali per l’intera area mediterranea, accompagnate da dettagliate descrizioni dei contenuti dei file e da un esempio di script progettato per facilitare l’accesso e la lettura dei dati.

Controllo della Qualità e Ricostruzione delle Serie di Precipitazioni

Nella fase di controllo della qualità, sono state escluse dall’analisi tutte le serie di precipitazioni con una durata inferiore a 10 anni. Per le serie residue, pari a 18.140, ogni osservazione mensile è stata sottoposta a un confronto sistematico con i valori corrispondenti registrati dalle stazioni vicine, previa conversione di ciascuna serie temporale nei relativi quantili empirici. Le osservazioni che mostravano scostamenti superiori a 0,8 unità rispetto alla media dei quantili delle cinque stazioni più prossime entro un raggio di 200 km sono state considerate sospette e conseguentemente rimosse. Inoltre, il processo di verifica della qualità ha incluso un’analisi specifica delle sequenze di valori nulli: tutte le catene di più di cinque mesi consecutivi con precipitazioni assenti sono state eliminate dal dataset qualora uno qualsiasi dei mesi inclusi presentasse una percentuale di valori nulli inferiore al 70%. Sono state altresì escluse sequenze superiori a otto mesi consecutivi con precipitazioni nulle, salvo nei casi in cui tali periodi comprendessero la stagione estiva, durante la quale l’assenza di precipitazioni rappresenta un fenomeno climaticamente plausibile nella regione mediterranea. Il controllo di qualità è stato applicato a un totale di 9.997.914 record, portando all’eliminazione di 23.239 record sospetti, corrispondenti allo 0,23% dell’intero dataset. La maggior parte delle serie ha evidenziato una percentuale di record rimossi prossima allo 0% (Fig. 31 Supplementare).

Una difficoltà intrinseca nei dataset osservativi che si estendono su lunghi periodi temporali, come quello sviluppato per questa ricerca, risiede nella natura discontinua della maggior parte delle serie di precipitazioni. È un fenomeno ricorrente che le stazioni meteorologiche più antiche cessino le loro attività, mentre ne vengano istituite di nuove nel corso del vasto intervallo temporale considerato. Per ovviare a questa problematica, è stato implementato un processo di ricostruzione dei dati, finalizzato a colmare le lacune presenti nel dataset e a generare serie continue di lunghezza uniforme, prive di interruzioni.

Per la gestione delle lacune, è stata adottata una metodologia che prevede il riempimento di ciascun intervallo mancante con l’osservazione della stazione vicina più prossima, previa ricalibrazione dei dati della serie adiacente per allinearli a quelli della serie di riferimento, mantenendo intatta la varianza temporale. La selezione delle serie vicine è stata condotta sulla base di criteri combinati di correlazione e distanza, richiedendo un coefficiente di correlazione minimo di 0,7 e una distanza massima di 200 km. È stato inoltre imposto un periodo di sovrapposizione minimo di 15 anni tra le due serie per correggere eventuali bias tra di esse. Tale approccio si allinea con metodologie impiegate in studi precedenti, garantendo una base solida per la ricostruzione.

Per minimizzare potenziali distorsioni e differenze di varianza tra la serie soggetta a ricostruzione e la corrispondente serie vicina, i record di precipitazioni sono stati sottoposti a un processo di standardizzazione, utilizzando i dati relativi ai loro periodi di sovrapposizione. È opportuno rilevare che le serie di precipitazioni non seguono una distribuzione normale. Pertanto, la standardizzazione ha coinvolto la selezione tra una serie di distribuzioni asimmetriche a valori positivi, tra cui gamma, esponenziale, valore estremo generalizzato, logistica generalizzata, Pareto generalizzato, normale generalizzato, lognormale, tipo III di Pearson e Weibull. Queste distribuzioni sono ampiamente riconosciute e utilizzate nell’analisi dei dati idroclimatici.

Per ogni stazione e mese dell’anno, la distribuzione è stata individuata sulla base di quella che otteneva il valore P più elevato nel test di normalità di Shapiro-Wilks dopo la standardizzazione, assicurando la normalità delle serie standardizzate. È tuttavia degno di nota che, a causa delle peculiarità delle precipitazioni mediterranee, alcune serie mensili, in particolare durante la stagione estiva in aree dove la maggior parte dei record registra precipitazioni nulle, non potevano essere adeguatamente adattate a nessuna delle distribuzioni candidate. Queste serie specifiche sono state gestite singolarmente e ricostruite utilizzando direttamente i valori di precipitazione della serie vicina, opportunamente corretti in base al rapporto a lungo termine mensile tra la serie di riferimento e la regione adiacente.I valori standardizzati derivanti dalle stazioni vicine sono stati trasformati in probabilità cumulative, espresse come P(X) = p(x ≤ X), e successivamente impiegati per colmare le interruzioni presenti nel dataset della stazione target. Questo processo iterativo ha avuto inizio dalla stazione vicina più prossima, estendendosi progressivamente a quelle più distanti, rispettando i criteri precedentemente stabiliti. Per riportare i valori inseriti alle loro grandezze originarie, misurate in millimetri, sono stati calcolati i quantili corrispondenti alle loro probabilità cumulative utilizzando i dati della stazione target. Come deroga a tale procedura, nei casi in cui la serie vicina registrava un valore di precipitazione pari a zero, tali valori nulli sono stati integrati direttamente nel dataset della stazione target senza ulteriori modifiche.

Sono stati costituiti cinque dataset distinti, corrispondenti agli intervalli temporali seguenti: 1871–2020, 1901–2020, 1931–2020, 1951–2020 e 1981–2020. Per ciascun periodo analizzato, sono state selezionate esclusivamente le serie che includevano almeno il 75% dei record originari entro l’intervallo specificato e che, a seguito della ricostruzione, risultavano prive di lacune. Ciononostante, una frazione limitata di serie che non raggiungeva la soglia del 75% in alcuni periodi è stata comunque ritenuta idonea per l’analisi in quei contesti specifici. Tale decisione è stata motivata dal fatto che tali serie soddisfacevano il requisito del 75% nei periodi precedenti e risultavano indispensabili per assicurare la continuità dell’analisi attraverso i diversi intervalli temporali, con conseguenti variazioni nel numero di stazioni incluse in ciascun insieme.

Come eccezione, le stazioni con lacune che rappresentavano meno del 5% dell’intervallo temporale corrispondente sono state sottoposte a un ulteriore processo di ricostruzione. In questa fase, sono state allentate le condizioni richieste per le stazioni ausiliarie, accettando un coefficiente di correlazione (r) superiore a 0,5 senza imporre limiti di distanza a livello nazionale. Questa flessibilità ha consentito l’inclusione di serie aggiuntive in ciascun insieme, mentre le serie che non potevano essere completamente ricostruite sono state escluse dall’analisi.

Nel caso specifico della Libia, dove non è stato possibile ottenere un numero significativo di serie complete, nemmeno applicando la metodologia descritta, sono state ammesse lacune fino a un massimo di 3 anni. Tali interruzioni erano tuttavia subordinate alla condizione di non collocarsi nei primi o negli ultimi 5 anni della serie, per evitare di compromettere l’analisi delle tendenze. Per colmare queste lacune, è stata adottata una strategia che prevedeva l’utilizzo della media delle precipitazioni dei 3 anni immediatamente precedenti e successivi all’intervallo mancante.

La stragrande maggioranza delle serie impiegate nello studio, attraverso i diversi periodi, presenta percentuali ridotte di dati ricostruiti (Fig. 4 Dati Estesi), a testimonianza del fatto che le serie analizzate sono costituite prevalentemente da un’elevata proporzione di dati originari. Il numero di lacune colmate nelle serie mantenute per l’analisi varia tra i diversi intervalli temporali, sebbene la percentuale di dati ricostruiti in ciascuna serie rimanga complessivamente minima.La percentuale media di dati ricostruiti tra le varie serie per i diversi intervalli temporali si attesta come segue: 11,07% per il periodo 1871–2020, 12,42% per il 1901–2020, 12,40% per il 1931–2020, 10,68% per il 1951–2020 e 11,06% per il 1981–2020. Inoltre, non si riscontra un significativo bias spaziale nella proporzione di dati ricostruiti nelle serie selezionate per l’analisi in ciascun periodo (Fig. 32 Supplementare). Nel periodo più recente (1981–2020), alcune serie sono state incluse nonostante presentassero meno del 75% di dati originali, in particolare nelle regioni di Tunisia, Italia, Libia e Bosnia-Erzegovina. In queste aree, conflitti recenti o modifiche nella gestione delle reti meteorologiche hanno provocato interruzioni nella raccolta dei dati o la formazione di lacune significative nelle serie. Ciononostante, il nostro approccio prudente alla ricostruzione dei dati ha assicurato che le serie risultanti conservassero un’elevata qualità, mantenendo la prevalenza dei dati originari nell’analisi conclusiva.

La nostra metodologia non si è limitata a riempire le interruzioni nelle serie temporali, ma ha altresì modellato i record di precipitazioni osservate sfruttando le informazioni provenienti da stazioni adiacenti, ossia stimando statisticamente i dati mancanti a partire da quelli retrospettivi. Tale strategia ha consentito di valutare la qualità della ricostruzione mediante un confronto tra le serie osservate e quelle ricostruite. Le ricostruzioni mensili effettuate per ogni stazione hanno evidenziato un grado di concordanza eccezionalmente elevato tra le precipitazioni osservate e quelle ricostruite, una relazione quantificata attraverso l’indice di accordo (Fig. 5 Dati Estesi). L’analisi comparativa tra i dati osservati disponibili e quelli ricostruiti ha messo in luce un’ampia coerenza, con la maggior parte dei record che mostra un allineamento pressoché perfetto tra i dati osservati e quelli modellati, indipendentemente dalla stagione considerata (Fig. 6 Dati Estesi). È significativo rilevare che questa ricostruzione non risulta condizionata dalla disponibilità dei dati. Anche per il periodo 1871–1900, caratterizzato da un numero limitato di serie vicine, la qualità della ricostruzione si è mantenuta a un livello comparabile (Fig. 33 Supplementare). Inoltre, tale uniformità non viene influenzata dalla stagionalità delle precipitazioni.

Verifica dell’Omogeneità delle Precipitazioni

Dopo aver completato la ricostruzione delle serie temporali, queste sono state sottoposte a un processo di validazione dell’omogeneità particolarmente rigoroso, volto a individuare eventuali anomalie temporali sospette. Per ciascuna delle 12 serie mensili, il test di omogeneità è stato eseguito utilizzando una serie di riferimento indipendente, costruita come media delle cinque serie vicine che presentavano la correlazione più elevata con la serie della stazione target, trasformate successivamente in serie di differenze. È stato quindi applicato il test di omogeneità normalizzato standard per rilevare punti di rottura potenzialmente indicativi di disomogeneità. Quando tali disomogeneità mostravano un valore P inferiore a 0,1, sono state considerate accettabili e sottoposte a correzione. In tali casi, le serie interessate sono state divise nel punto di rottura identificato, e la porzione più antica delle due sottoparti è stata rettificata moltiplicandola per il rapporto tra i valori medi dei record anteriori e posteriori al punto di rottura. Questa procedura è stata reiterata per ogni serie finché non sono state rilevate ulteriori disomogeneità. La valutazione dell’omogeneità è stata inizialmente condotta sulle serie che hanno inizio nel 1871, per poi essere estesa a quelle avviate nel 1901, 1931, 1951 e 1981. Si evidenzia che, una volta corretta una serie per un determinato periodo, questa non è stata sottoposta a ulteriori test di omogeneità nei periodi successivi, assicurando che una singola stazione non presentasse record differenti tra i cinque insiemi distinti. Il numero di disomogeneità identificate e corrette varia da un paese all’altro, in funzione della qualità dei dati a disposizione. Tuttavia, ad eccezione di Egitto e Siria, le serie di dati originarie hanno complessivamente dimostrato un’elevata qualità temporale (Tabella 4 Supplementare). È significativo notare che l’impatto dell’omogeneizzazione dei dati sulla stima delle tendenze delle precipitazioni è risultato trascurabile. Tale aspetto è confermato dall’elevato grado di concordanza spaziale tra le tendenze annuali delle precipitazioni (espresse in percentuale) calcolate sulle serie prima e dopo il processo di omogeneizzazione per i diversi periodi. Il processo di omogeneizzazione ha consentito di correggere un numero limitato di serie affette da anomalie, senza tuttavia alterare né la magnitudo né il pattern spaziale delle tendenze (Fig. 34 Supplementare).

Il suddetto approccio ha reso possibile ottenere un dataset controllato per la qualità, ricostruito e omogeneizzato, che comprende 307 serie per il periodo 1871–2020, 912 per il 1901–2020, 2.908 per il 1931–2020, 5.441 per il 1951–2020 e 7.151 per il 1981–2020. Il numero di serie generate supera notevolmente quello derivante dai dati di precipitazione accessibili nei database globali e continentali di dominio pubblico (Tabella 5 Supplementare). Sono state elaborate serie medie nazionali a partire da tutte le stazioni disponibili all’interno dei cinque intervalli temporali selezionati per l’analisi. Per costruire una visione regionale complessiva, sono state successivamente calcolate serie temporali medie globali per l’intera regione mediterranea, mediante una media pesata per area, in cui il contributo di ciascun paese è stato proporzionato in base alla sua estensione superficiale. Tale metodologia ha garantito una rappresentazione affidabile delle dinamiche delle precipitazioni a scala regionale.

Inoltre, è stato computato l’Indice di Precipitazione Standardizzata (SPI) su una scala temporale di tre mesi per ogni stazione nei cinque periodi di analisi. Questi calcoli sono stati effettuati con l’obiettivo di monitorare eventuali variazioni nell’incidenza e nell’intensità delle siccità meteorologiche. Gli episodi di siccità sono stati individuati attraverso l’analisi di sequenze consecutive di valori SPI negativi. Per ciascun episodio identificato, sono stati determinati sia la durata che la magnitudo, conformemente a protocolli consolidati per la caratterizzazione delle siccità.

Analisi Statistica delle Tendenze delle Precipitazioni

L’analisi delle variazioni delle precipitazioni attraverso le serie disponibili per diversi intervalli temporali è stata eseguita utilizzando il test non parametrico di Mann-Kendall, un metodo che consente di valutare sia la presenza di una tendenza che la sua significatività statistica. Caratteristica distintiva di questo test è la sua natura non parametrica, che lo rende indipendente da una specifica distribuzione di probabilità sottostante ai dati, conferendogli una particolare robustezza di fronte alla presenza di valori estremi, rendendolo pertanto adeguato per l’analisi condotta. Come misura preliminare, abbiamo applicato una tecnica di pre-sbiancatura (pre-whitening) alle serie prima di procedere con il test, al fine di mitigare eventuali effetti di autocorrelazione.

Per quantificare l’entità del cambiamento delle precipitazioni, è stata adottata la regressione non parametrica di Theil-Sen (TS). L’estimatore del pendio TS fornisce una stima del tasso di variazione temporale, offrendo una misura dell’evoluzione delle precipitazioni nel tempo (vale a dire, il cambiamento annuo delle precipitazioni). Valori di pendio più elevati segnalano variazioni più rapide nelle precipitazioni. È opportuno sottolineare che il tasso di cambiamento è stato espresso in termini di variazione percentuale relativa annua rispetto all’intercetta della regressione TS, anziché in valori assoluti espressi in millimetri, un approccio che migliora la comparabilità spaziale tra stazioni situate in regioni con precipitazioni significativamente diverse.

Nell’analisi delle tendenze stagionali delle precipitazioni, ci siamo attenuti alla definizione delle stagioni boreali, comprendenti l’inverno (dicembre-febbraio, DJF), la primavera (marzo-maggio, MAM), l’estate (giugno-agosto, JJA) e l’autunno (settembre-novembre, SON), per garantire una classificazione coerente con i pattern climatici della regione.

Per assicurare una valutazione affidabile delle tendenze delle precipitazioni, considerando la loro sensibilità alle variazioni nella durata e nella selezione del periodo di studio, abbiamo condotto un’analisi sistematica che ha incluso tutti i quadri temporali praticabili di almeno 30 anni all’interno di ciascuno dei quattro periodi di indagine. I risultati di tale analisi sono stati sintetizzati visivamente attraverso heatmap, che forniscono una rappresentazione integrata della magnitudo del cambiamento e della sua significatività statistica.

Data l’ampia quantità di stazioni e di intervalli temporali considerati, la sintesi delle heatmap ha richiesto l’impiego di un’analisi delle componenti principali in modalità S. Questa tecnica ha permesso di individuare regioni che esibiscono pattern simili nelle tendenze temporali, come raffigurati nelle heatmap. In totale, sono state estratte cinque componenti per ciascun periodo che ha inizio nel 1901, 1931 e 1951 su scala annuale, nonché per ciascuna delle quattro stagioni, portando a un totale di 15 componenti sia a livello annuale (Fig. 1 Supplementare) che stagionale (Figg. 7–10 Supplementari). Tali componenti sono espresse nelle stesse unità delle variabili originarie, rappresentando la variazione percentuale annua delle precipitazioni. I pesi assegnati a ogni componente per ciascuna stazione sono stati utilizzati anche per calcolare i valori P corrispondenti a ogni componente. Attraverso la mappatura dei carichi delle componenti, sono state identificate le aree geografiche in cui ciascuna componente della heatmap risultava più rappresentativa.

Indici di Circolazione Atmosferica

Per discernere l’impatto della variabilità climatica naturale e di altri meccanismi di forzante atmosferico sulle dinamiche delle precipitazioni nell’intera regione mediterranea, abbiamo implementato un approccio di regressione stepwise. I dettagli metodologici sono illustrati nella sezione 3.2 delle Informazioni Supplementari. Abbiamo assunto come variabili dipendenti le precipitazioni medie annuali e stagionali calcolate sull’intera regione mediterranea, mentre come variabili indipendenti abbiamo selezionato due indici di circolazione atmosferica su larga scala: la North Atlantic Oscillation (NAO) e la Mediterranean Oscillation (MO), i cui aspetti specifici sono descritti nella sezione 3.3 delle Informazioni Supplementari. È stata deliberatamente esclusa l’analisi di altri meccanismi atmosferici, come il Dipolo dell’Oceano Indiano, che influenza le precipitazioni nell’area orientale del Mediterraneo, a causa della scarsa disponibilità di serie temporali a lungo termine affidabili. Gli indici prescelti manifestano una stazionarietà nel lungo termine, con le loro dinamiche recenti attribuibili principalmente alla variabilità climatica interna (sezione 3.1 delle Informazioni Supplementari). In aggiunta agli indici di circolazione su larga scala, abbiamo integrato indici di circolazione atmosferica regionale, concentrandoci sulla frequenza delle tempeste e sulla presenza di blocchi e creste che incidono sulla regione mediterranea. Le informazioni metodologiche relative al calcolo di tali indicatori sono riportate nella sezione 3.4 delle Informazioni Supplementari.

La NAO e la MO risultano correlate con la dinamica di questi driver regionali (sezione 3.5 delle Informazioni Supplementari), sebbene dimostrino capacità indipendenti nel modellare le precipitazioni durante la stagione fredda. L’analisi si è concentrata su quattro periodi distinti con inizio rispettivamente nel 1901, 1931, 1951 e 1981. Dopo aver completato la fase di adattamento del modello (sezione 3.2 delle Informazioni Supplementari), abbiamo analizzato le tendenze dei residui, ossia le discrepanze tra i valori di precipitazione stimati dal modello e quelli osservati. Questa fase ha avuto l’obiettivo di verificare se le tendenze delle precipitazioni rilevate potessero essere spiegate dalla dinamica atmosferica (nel qual caso i residui non presenterebbero una tendenza statisticamente significativa) o se fossero influenzate da altri fattori (come indicato da tendenze statisticamente significative nei residui del modello). Per valutare il contributo di ciascun indice di circolazione nel determinare la variabilità delle precipitazioni, è stata impiegata la statistica t.

Simulazioni dei Modelli Climatici

Abbiamo condotto un’analisi comparativa tra le tendenze delle precipitazioni a lungo termine osservate nella regione mediterranea e quelle stimate attraverso le simulazioni dei modelli climatici, considerando intervalli temporali corrispondenti. L’intento primario di questa valutazione è stato quello di esaminare la coerenza delle proiezioni modellistiche rispetto ai dati osservativi, evitando di focalizzarsi sull’attribuzione delle tendenze a influenze antropogeniche.

L’indagine ha abbracciato cinque distinti periodi di analisi, integrando simulazioni storiche derivate sia dagli esperimenti CMIP5 che CMIP6. Sebbene i progressi nella fisica dei modelli, nella parametrizzazione e nella risoluzione spaziale introdotti nella versione CMIP6 suggeriscano una maggiore affidabilità dei risultati in questa iterazione, abbiamo ritenuto opportuno includere entrambe le edizioni, CMIP5 e CMIP6, per assicurare una valutazione più esaustiva. Per l’esperimento CMIP5, abbiamo utilizzato i dati di precipitazione provenienti da 47 modelli rappresentativi dell’esperimento storico, che si estende dal 1860 al 2005, nonché dall’esperimento Representative Concentration Pathway 8.5, coprente il periodo dal 2006 al 2020. Per l’esperimento CMIP6, abbiamo analizzato i dati di 25 modelli relativi all’esperimento storico, che copre il periodo dal 1850 al 2014, e all’esperimento Shared Socioeconomic Pathway 5-8.5, esteso dal 2015 al 2020 (Tabella 6 Supplementare).

La selezione degli scenari Representative Concentration Pathway 8.5 (CMIP5) e Shared Socioeconomic Pathway 5-8.5 (CMIP6) è stata determinata dalla loro corrispondenza con le concentrazioni osservate di CO2 per gli anni considerati, garantendo una base realistica per le proiezioni. Piuttosto che affidarci esclusivamente alla media dell’ensemble di ciascun esperimento CMIP, abbiamo incorporato l’intera gamma di simulazioni individuali dei modelli, un approccio che ha permesso di tenere debitamente conto delle incertezze intrinseche in un ensemble multi-modello. La Fig. 35 Supplementare fornisce una panoramica dettagliata dell’approccio metodologico adottato in questo studio, includendo aspetti quali l’elaborazione dei dati e l’analisi temporale, offrendo un quadro completo delle procedure implementate per supportare l’analisi comparativa.

La Extended Data Fig. 1 offre una rappresentazione dettagliata e analitica dell’evoluzione temporale del numero di stazioni meteorologiche impiegate in questo studio, distinguendo tra i dati grezzi raccolti e quelli sottoposti a processi di ricostruzione e omogeneizzazione. Il grafico copre un ampio intervallo temporale che si estende dal 1870 al 2020, con l’asse orizzontale che indica gli anni e l’asse verticale che quantifica il numero di stazioni, consentendo un’analisi longitudinale della densità della rete di monitoraggio delle precipitazioni nella regione mediterranea.

Descrizione delle componenti grafiche:

• Linea nera (dati grezzi): Questa curva riflette il numero totale di stazioni meteorologiche che hanno fornito dati grezzi nel corso del tempo. All’inizio del periodo, intorno al 1870, il numero di stazioni era estremamente limitato, con un valore iniziale prossimo allo zero, segnando un’espansione graduale che ha preso avvio nei decenni successivi. A partire dal 1900, si osserva un’accelerazione nella crescita, con un incremento particolarmente marcato tra il 1930 e il 1960, periodo in cui il numero di stazioni raggiunge il suo apice, superando le 12.000 unità intorno al 1977. Da quel punto in poi, si registra un declino costante, che porta il totale a circa 6.000 stazioni verso la fine del periodo analizzato, intorno al 2020, riflettendo dinamiche legate alla manutenzione e all’aggiornamento delle reti meteorologiche.
• Linea blu (dati ricostruiti e omogeneizzati): Questa linea rappresenta il numero finale di stazioni considerate valide dopo i processi di ricostruzione, volti a colmare lacune, e di omogeneizzazione, mirati a correggere disomogeneità. Inizialmente assente, la curva blu mostra un incremento graduale e a step, con salti evidenti corrispondenti agli intervalli temporali di analisi (1871–2020, 1901–2020, 1931–2020, 1951–2020, 1981–2020). La linea blu si mantiene costantemente al di sotto della linea nera, indicando che solo una frazione selezionata dei dati grezzi è stata ritenuta idonea dopo l’elaborazione. Verso la conclusione del periodo, il numero di stazioni ricostruite e omogeneizzate si stabilizza tra 6.000 e 7.000, mostrando una convergenza con il declino dei dati grezzi.

Interpretazione delle dinamiche osservate:

Il grafico evidenzia un’evoluzione significativa nella copertura delle stazioni meteorologiche, con una fase iniziale di espansione seguita da una riduzione graduale. L’aumento iniziale della linea nera riflette lo sviluppo delle infrastrutture meteorologiche, influenzato dall’istituzione di servizi nazionali, mentre il picco intorno al 1977 e il successivo declino possono essere attribuiti a fattori come conflitti storici, variazioni nella digitalizzazione dei dati e riduzioni nella manutenzione delle stazioni. La linea blu, con i suoi incrementi a step, corrisponde ai periodi di analisi definiti, suggerendo che il processo di selezione e correzione ha filtrato i dati grezzi, mantenendo solo quelli che soddisfano criteri rigorosi di continuità e qualità. La convergenza tra le due linee verso la fine del periodo indica che, nonostante la diminuzione complessiva delle stazioni attive, la metodologia di ricostruzione ha preservato un campione rappresentativo per l’analisi.

Considerazioni metodologiche e implicazioni:

La Extended Data Fig. 1 fornisce un’analisi critica dell’evoluzione della rete di monitoraggio delle precipitazioni, sottolineando le sfide associate al mantenimento di una copertura temporale e spaziale continua. La discrepanza tra il numero di stazioni con dati grezzi e quello delle stazioni elaborate evidenzia l’importanza cruciale dei processi di ricostruzione e omogeneizzazione, che hanno garantito la qualità e l’integrità dei dati utilizzati. Questo approccio metodologico ha permesso di superare le limitazioni imposte dalle interruzioni storiche e dalle variazioni nella densità della rete, offrendo una base solida per l’analisi delle tendenze climatiche nella regione mediterranea e supportando studi futuri sulla variabilità pluviometrica.

La Extended Data Fig. 2 fornisce una rappresentazione dettagliata e sistematica della distribuzione spaziale delle stazioni meteorologiche originariamente disponibili nella regione mediterranea, offrendo un’analisi che integra sia la totalità complessiva delle stazioni che la loro suddivisione per i singoli periodi di studio. Questo grafico cartografico consente di visualizzare la densità e la localizzazione geografica delle stazioni meteorologiche impiegate, fornendo un quadro evolutivo della copertura osservativa nell’area che comprende 27 paesi, tra cui Marocco, Algeria, Tunisia, Libia, Malta, Egitto, Giordania, Israele, Siria, Libano, Cipro, Turchia, Moldavia, Romania, Bulgaria, Grecia, Repubblica di Macedonia del Nord, Albania, Montenegro, Serbia, Bosnia-Erzegovina, Croazia, Slovenia, Italia, Francia, Spagna e Portogallo.

Descrizione delle componenti grafiche:

• Distribuzione complessiva: La figura include una mappa che sintetizza la posizione di tutte le stazioni meteorologiche originariamente accessibili nell’intero arco temporale analizzato, che si estende dal 1871 al 2020. I punti distribuiti sulla mappa indicano le località delle stazioni, con una densità variabile che riflette la concentrazione di dati in diverse sotto-regioni mediterranee. Questa visualizzazione complessiva permette di identificare le aree con una copertura più densa, come il Mediterraneo occidentale, rispetto a quelle con una presenza più sporadica, come il Nord Africa e il Medio Oriente.
• Distribuzione per periodi specifici: Oltre alla panoramica globale, la figura disaggrega la distribuzione spaziale in base ai cinque intervalli temporali di analisi: 1871–2020, 1901–2020, 1931–2020, 1951–2020 e 1981–2020. Per ciascun periodo, sono presentate mappe distinte o strati sovrapposti che illustrano l’evoluzione del numero e della localizzazione delle stazioni attive. Ad esempio, nei periodi iniziali, come 1871–2020, si osserva una concentrazione iniziale nelle regioni nord-occidentali, quali Francia, Spagna e Italia, mentre a partire dal 1901 si registra un’espansione graduale verso il Mediterraneo orientale e il Nord Africa, con una densità significativamente maggiore a partire dal 1931, riflettendo un rafforzamento delle reti osservative.

Interpretazione delle dinamiche osservate:

Il grafico evidenzia un’evoluzione storica della rete di monitoraggio, caratterizzata da una copertura iniziale limitata e disomogenea che si è progressivamente ampliata. Nei primi decenni, la distribuzione delle stazioni era prevalentemente concentrata nelle aree più sviluppate del Mediterraneo occidentale, mentre l’espansione successiva, particolarmente evidente a partire dal 1901, ha comportato un incremento della densità osservativa in paesi meno rappresentati nei periodi precedenti, come quelli del Nord Africa e del Levante. Questa transizione riflette l’impatto dello sviluppo delle infrastrutture meteorologiche nazionali, l’istituzione di servizi meteorologici ufficiali e gli sforzi di digitalizzazione differenziati tra i vari paesi. La variazione spaziale tra i periodi sottolinea l’adattamento della rete alle esigenze di monitoraggio, con una copertura più uniforme raggiunta nei periodi più recenti, sebbene persistano differenze regionali legate alla disponibilità di risorse e alla stabilità politica.

Considerazioni metodologiche e implicazioni:

La Extended Data Fig. 2 rappresenta uno strumento fondamentale per comprendere la base spaziale dei dati raccolti, evidenziando le sfide iniziali di una copertura osservativa frammentata e l’espansione successiva della rete meteorologica. La distribuzione spaziale disomogenea, particolarmente evidente nei periodi più antichi, potrebbe introdurre bias regionali nelle analisi delle tendenze pluviometriche, rendendo cruciale l’applicazione di tecniche di ricostruzione e omogeneizzazione per mitigare tali effetti. Questa figura fornisce un contesto essenziale per valutare la rappresentatività dei dati, sottolineando l’importanza di integrare informazioni da diverse fonti e periodi per ottenere una comprensione olistica delle dinamiche climatiche mediterranee, e supporta ulteriori indagini sulla variabilità spaziale delle precipitazioni nella regione.

La Extended Data Fig. 3 offre una rappresentazione cartografica dettagliata e analitica delle condizioni di disponibilità dei dati impiegati in questo studio, illustrando le diverse modalità di accesso e le politiche di condivisione adottate dai 27 paesi della regione mediterranea coinvolti nell’indagine. Questa mappa, arricchita da una legenda esaustiva, fornisce un quadro sintetico delle dinamiche di accesso ai dati, evidenziando le variazioni tra i paesi in termini di trasparenza e restrizioni, e costituisce uno strumento fondamentale per comprendere il contesto operativo della ricerca.

Descrizione delle componenti grafiche:

• Legenda e categorie cromatiche:
  • Verde scuro con righe (Tutti i dati condivisi in un repository pubblico): Questa categoria identifica i paesi, come Croazia, Egitto, Francia, Israele, Moldavia, Portogallo, Romania, Slovenia, Spagna e Siria, che hanno reso interamente accessibili i dati grezzi attraverso un repository pubblico, favorendo la trasparenza e la replicabilità scientifica.
  • Verde chiaro (Sottoinsieme di stazioni condiviso in un repository pubblico): Riguarda nazioni come Grecia e Italia, che hanno contribuito con una selezione parziale dei dati delle loro stazioni, rendendoli disponibili in un archivio pubblico.
  • Blu chiaro (Derivati da GHCN e ECA&D): Include paesi come Malta, Cipro e Albania, dove l’assenza di partecipazione diretta delle istituzioni locali ha reso necessario l’utilizzo di dati estratti dai database pubblici Global Historical Climatology Network (GHCN) e European Climate Assessment & Dataset (ECA&D).
  • Giallo (Dati condivisi esclusivamente per il processo di revisione): Comprende paesi quali Bosnia-Erzegovina, Bulgaria, Montenegro e Repubblica di Macedonia del Nord, i cui dati sono stati forniti solo per la revisione interna e non per un utilizzo più ampio.
  • Arancione chiaro (Dati anonimizzati condivisi esclusivamente per il processo di revisione): Riguarda nazioni come Algeria e Tunisia, dove i dati sono stati resi disponibili in forma anonimizzata limitatamente alla fase di revisione.
  • Arancione scuro (Dati utilizzati nello studio ma non condivisibili per restrizioni esistenti): Si applica a paesi come Libia, Marocco, Turchia, Giordania, Libano e Siria, dove i dati sono stati integrati nell’analisi ma non possono essere diffusi a causa di vincoli normativi nazionali.
• Linee a righe: Le regioni contraddistinte da linee a righe, come Spagna, Francia e Italia, indicano i paesi nei quali i dati (totali o parziali) sono accessibili in un repository pubblico, segnalando un impegno verso la condivisione aperta.

Interpretazione delle dinamiche osservate:

La mappa rivela una marcata eterogeneità nelle politiche di condivisione dei dati tra i paesi mediterranei, riflettendo differenze culturali, amministrative e legislative. I paesi dell’Europa occidentale e meridionale, come Spagna, Francia e Italia, mostrano una propensione maggiore alla condivisione pubblica, mentre le nazioni del Nord Africa e del Medio Oriente, come Libia, Marocco e Turchia, adottano approcci più restrittivi, limitando l’accesso ai dati. L’impiego di database pubblici per Malta, Cipro e Albania compensa la mancanza di contributi diretti, sebbene possa comportare una risoluzione spaziale e temporale meno dettagliata rispetto alle aree con dati nazionali. La combinazione di dati condivisi, anonimizzati e non diffondibili sottolinea le complessità logistiche e politiche affrontate, evidenziando l’efficacia dell’approccio innovativo di condivisione del codice, che ha permesso di superare tali ostacoli e massimizzare l’utilizzo delle informazioni disponibili.

Considerazioni metodologiche e implicazioni:

La Extended Data Fig. 3 rappresenta un elemento chiave per contestualizzare la base dati dello studio, illustrando come le restrizioni nazionali influenzino la disponibilità delle informazioni. La differenziazione tra paesi con dati pubblici e quelli soggetti a limitazioni evidenzia la necessità di adottare strategie flessibili, come l’uso di repository pubblici, l’anonimizzazione dei dati e la collaborazione con database internazionali, per ottimizzare l’accesso alle risorse. La figura sottolinea l’importanza di un approccio integrato per affrontare le sfide poste dalle politiche di riservatezza, fornendo un supporto critico per la replicabilità della ricerca. Ulteriori dettagli sono reperibili nel file Excel supplementare, che arricchisce la documentazione e facilita la verifica dei risultati ottenuti nell’ambito della regione mediterranea.

La Extended Data Fig. 4 offre una rappresentazione grafica dettagliata e analitica del numero di stazioni meteorologiche impiegate per l’analisi delle tendenze delle precipitazioni, suddivisa in cinque distinti intervalli temporali (1871–2020, 1901–2020, 1931–2020, 1951–2020 e 1981–2020). Il grafico è strutturato in una serie di cinque istogrammi, ciascuno associato a un periodo specifico, con l’asse verticale che quantifica il numero di stazioni e l’asse orizzontale che indica la percentuale di lacune (gaps) riempite nelle serie complete di precipitazioni corrispondenti a ciascun intervallo. Questa configurazione consente una valutazione approfondita di come la completezza dei dati influenzi la selezione delle stazioni utilizzate, fornendo un’indicazione della qualità e della rappresentatività del dataset impiegato nell’indagine.

Descrizione delle componenti grafiche:

• Istogramma 1871–2020: Questo pannello evidenzia un numero massimo di circa 80 stazioni, con una concentrazione predominante nella fascia con una percentuale di lacune riempite inferiore al 25%. Il numero di stazioni decresce rapidamente al crescere della percentuale di dati ricostruiti, suggerendo che solo un’esigua minoranza di serie presenta un’alta proporzione di lacune colmate.
• Istogramma 1901–2020: Il numero di stazioni sale a circa 200, con un picco marcato nella fascia tra 0% e 25% di lacune riempite, seguito da un calo graduale. Tale distribuzione riflette un’espansione della rete osservativa, pur mantenendo una preferenza per serie con una bassa dipendenza dalla ricostruzione.
• Istogramma 1931–2020: Qui il numero di stazioni raggiunge circa 600, con la stragrande maggioranza concentrata nella fascia iniziale (0-25% di lacune riempite), e una riduzione significativa oltre il 50%, indicando una maggiore disponibilità di dati originari e una minore necessità di interventi ricostruttivi.
• Istogramma 1951–2020: Il numero di stazioni aumenta a circa 1.500, con un picco evidente al di sotto del 25% di lacune riempite, e un declino rapido oltre il 50%, suggerendo un miglioramento nella continuità e nella qualità dei dati raccolti.
• Istogramma 1981–2020: Il numero di stazioni supera le 2.000, con una distribuzione fortemente sbilanciata verso la fascia 0-25% di lacune riempite, e pochissime stazioni che superano il 50% di dati ricostruiti, evidenziando un’elevata integrità dei dati più recenti.

Interpretazione delle dinamiche osservate:

Gli istogrammi rivelano un incremento progressivo nel numero di stazioni utilizzate man mano che si considerano periodi più brevi, a partire dal lungo intervallo 1871–2020 fino al più recente 1981–2020, un fenomeno attribuibile all’espansione storica della rete meteorologica e alla maggiore disponibilità di serie complete. La marcata concentrazione di stazioni nella fascia con basse percentuali di lacune riempite (inferiore al 25%) indica che la selezione ha privilegiato serie caratterizzate da un’alta proporzione di dati originari, minimizzando l’impatto delle ricostruzioni. La drastica riduzione del numero di stazioni con percentuali elevate di lacune riempite (sopra il 50% o 75%) riflette un approccio metodologico cauto, volto a garantire l’affidabilità delle serie analizzate, limitando l’inclusione di dati pesantemente ricostruiti che potrebbero introdurre incertezze.

Considerazioni metodologiche e implicazioni:

La Extended Data Fig. 4 fornisce un’analisi critica dell’evoluzione della qualità del dataset, dimostrando come la densità e la completezza delle serie siano migliorate nei periodi più recenti, parallelamente all’espansione della rete di monitoraggio. La preferenza per stazioni con una bassa percentuale di lacune riempite assicura la robustezza dei risultati, riducendo il rischio che le ricostruzioni influenzino significativamente le tendenze pluviometriche. Questo grafico sottolinea l’importanza di un rigoroso processo di selezione e ricostruzione, che ha preservato l’integrità dei dati osservativi, offrendo una base solida per l’interpretazione delle dinamiche climatiche nella regione mediterranea e supportando ulteriori ricerche sulla variabilità pluviometrica.

La Extended Data Fig. 5 presenta una serie di box-plot che offrono un’analisi quantitativa e dettagliata delle statistiche di concordanza e di errore tra i dati di precipitazioni osservati e quelli stimati attraverso modelli, condotta su una scala temporale mensile. La figura è strutturata in tre pannelli distinti, ciascuno dedicato a una metrica specifica: l’indice di concordanza (agreement index, d), l’errore medio assoluto (Mean Average Error, MAE) e il coefficiente di correlazione di Pearson (Pearson’s r). Questi grafici consentono di valutare la performance del modello in relazione ai dati osservativi lungo l’intero ciclo annuale, con una suddivisione per i dodici mesi (da gennaio, J, a dicembre, D), evidenziando eventuali variazioni stagionali nella qualità delle stime.

Descrizione delle componenti grafiche:

• Pannello (a) – Indice di concordanza (d): Questo pannello illustra i valori dell’indice di concordanza, che si estende da 0 (nessuna concordanza) a 1 (corrispondenza perfetta) tra i dati osservati e quelli modellati. I box-plot per ogni mese mostrano mediane che si collocano tipicamente tra 0,8 e 1,0, con le scatole (che delimitano il 25° e il 75° percentile) che coprono un intervallo ristretto, suggerendo un’elevata coerenza nella maggior parte dei casi. I whiskers, che si estendono fino al 10° e 90° percentile, indicano una variabilità moderata, con valori che raramente scendono al di sotto di 0,6, evidenziando una robustezza complessiva del modello nella riproduzione delle osservazioni.
• Pannello (b) – Errore medio assoluto (MAE): Questo pannello quantifica l’errore medio assoluto in millimetri (mm), rappresentando la deviazione media tra i dati osservati e quelli stimati. Le mediane dei box-plot oscillano generalmente tra 10 e 20 mm, con le scatole che si estendono da circa 5 a 30 mm, riflettendo una dispersione contenuta. I whiskers si protraggono oltre i 40 mm in alcuni mesi, specialmente in periodi caratterizzati da precipitazioni più intense o variabili, come quelli invernali, indicando una maggiore incertezza in tali contesti.
• Pannello (c) – Coefficiente di correlazione di Pearson (r): Questo pannello riporta il coefficiente di Pearson, che varia da -1 (correlazione negativa) a 1 (correlazione positiva perfetta), misurando la relazione lineare tra osservazioni e modelli. Le mediane si attestano comunemente tra 0,8 e 1,0, con scatole ristrette che denotano una forte correlazione mensile. I whiskers si estendono raramente al di sotto di 0,5, suggerendo una correlazione generalmente positiva, sebbene con qualche fluttuazione stagionale.

Interpretazione delle dinamiche osservate:

Ogni box-plot è caratterizzato da una linea centrale che indica la mediana, una scatola ombreggiata che delimita il 25° e il 75° percentile, e whiskers che si estendono al 10° e 90° percentile, offrendo una visione completa della distribuzione statistica. L’ombreggiatura evidenzia la concentrazione centrale dei valori, mentre l’ampiezza dei whiskers riflette la variabilità estrema. Le variazioni mensili rispecchiano le peculiarità stagionali delle precipitazioni mediterranee: mesi estivi (JJA), ad esempio, possono presentare errori più elevati o correlazioni leggermente inferiori a causa della ridotta quantità di precipitazioni, mentre i mesi invernali (DJF) tendono a mostrare una maggiore concordanza, grazie a pattern atmosferici più definiti e prevedibili. L’elevato indice di concordanza e il coefficiente di Pearson indicano che il modello replica efficacemente le dinamiche osservate, mentre il MAE suggerisce che, pur essendo presenti errori, questi rimangono generalmente entro limiti gestibili, con variazioni dipendenti dalla stagionalità.

Considerazioni metodologiche e implicazioni:

La Extended Data Fig. 5 fornisce un’analisi rigorosa della validità della modellazione, dimostrando una corrispondenza significativa tra i dati osservati e quelli stimati su scala mensile. La costanza dell’indice di concordanza e del coefficiente di Pearson, unitamente a un errore medio assoluto moderato, rafforza la credibilità del modello per l’analisi delle precipitazioni. Le fluttuazioni stagionali rilevate evidenziano l’importanza di considerare fattori climatici specifici, come la variabilità dei pattern atmosferici, nella validazione dei modelli. Questa figura costituisce una base solida per ulteriori ricerche sulla variabilità pluviometrica nella regione mediterranea, sottolineando la necessità di integrare tali valutazioni nella progettazione di strategie di adattamento climatico.

La Extended Data Fig. 6 offre una serie di diagrammi di dispersione che esaminano in dettaglio la relazione tra le precipitazioni osservate e quelle stimate attraverso modelli, considerando l’intero arco temporale disponibile dalla sua origine fino al termine del periodo analizzato nella regione mediterranea. La figura è composta da dodici pannelli, uno per ciascun mese dell’anno (da gennaio a dicembre), e integra una serie di statistiche di concordanza ed errore per valutare l’efficacia del processo di ricostruzione e modellazione. Ogni grafico include parametri quantitativi quali l’indice di concordanza (d), l’errore medio assoluto (MAE) e il coefficiente di correlazione di Pearson (r), fornendo un’analisi approfondita delle prestazioni del modello su base mensile e consentendo di individuare variazioni stagionali nella qualità delle stime.

Descrizione delle componenti grafiche:

• Struttura dei pannelli: Ogni diagramma presenta un grafico a dispersione con l’asse orizzontale che rappresenta le precipitazioni osservate (in millimetri) e l’asse verticale quelle previste dal modello (in millimetri). La densità dei punti è codificata cromaticamente, con gradazioni che spaziano dal viola (bassa densità) al rosso (alta densità), indicando la concentrazione dei dati in diverse regioni dello spazio bidimensionale. Inoltre, sono evidenziati in nero 1.500 punti, corrispondenti a un sottoinsieme rappresentativo del 10% dei dati, che mostrano un disaccordo più pronunciato tra osservazioni e modelli.
• Statistiche riportate: Sopra ciascun pannello sono indicati tre indicatori chiave:
  • Indice di concordanza (d): Varia tra 0 (assenza totale di concordanza) e 1 (corrispondenza perfetta), con valori che si attestano generalmente tra 0,95 e 0,98, suggerendo un’elevata coerenza tra i dataset.
  • Errore medio assoluto (MAE): Espresso in millimetri, misura la deviazione media tra osservazioni e previsioni, con valori che oscillano tra 9,62 mm (luglio) e 21,28 mm (dicembre), riflettendo variazioni dipendenti dall’intensità delle precipitazioni.
  • Coefficiente di Pearson (r): Si estende da -1 a 1, con mediane comprese tra 0,91 e 0,92, indicando una robusta correlazione lineare tra i dati osservati e quelli modellati.
• Esempi mensili:
  • Gennaio: Con d = 0,96, MAE = 17,57 mm e r = 0,92, il grafico mostra una distribuzione densa lungo la diagonale, con alcuni punti neri che evidenziano discrepanze.
  • Luglio: Con d = 0,96, MAE = 9,62 mm e r = 0,92, presenta un MAE più basso, coerente con le precipitazioni estive ridotte.
  • Dicembre: Con d = 0,95, MAE = 21,28 mm e r = 0,92, mostra un errore più elevato, tipico dei mesi invernali con maggiore variabilità.

Interpretazione delle dinamiche osservate:

La disposizione dei punti lungo la diagonale, dove le precipitazioni osservate e previste coincidono, evidenzia una sostanziale concordanza complessiva tra i due insiemi di dati. La codifica cromatica, che varia dal viola al rosso, riflette la densità dei punti, con aree rosse che indicano i valori più frequenti e viola quelle meno rappresentate. I punti neri, selezionati come campione di 1.500 osservazioni con il maggiore disaccordo, servono a identificare casi specifici di scostamento, utili per valutare i limiti del modello, specialmente in mesi caratterizzati da precipitazioni irregolari o estreme. Le statistiche mensili rivelano una stabilità dell’indice di concordanza e del coefficiente di Pearson, prossimi a 0,95 e 0,92 rispettivamente, mentre il MAE varia in funzione della magnitudo delle precipitazioni, con picchi più alti durante i mesi invernali (DJF) e valori più contenuti in estate (JJA), coerenti con le dinamiche stagionali del clima mediterraneo.

Considerazioni metodologiche e implicazioni:

La Extended Data Fig. 6 fornisce un’analisi rigorosa della validità della modellazione, dimostrando un’elevata corrispondenza tra i dati osservati e quelli stimati su scala mensile, supportata da un indice di concordanza elevato e da una forte correlazione lineare. La variabilità dell’errore medio assoluto riflette le differenze stagionali tipiche delle precipitazioni mediterranee, mentre i punti neri indicano aree di potenziale miglioramento nella modellazione, particolarmente in contesti di alta variabilità o dati incompleti. Questa figura rappresenta una base affidabile per la validazione dei modelli climatici, sottolineando l’importanza di ulteriori raffinamenti per affrontare le discrepanze osservate. Inoltre, supporta indagini future sulle dinamiche pluviometriche regionali, fornendo un fondamento per lo sviluppo di strategie di adattamento climatico basate su dati empirici e modellistici integrati.

https://doi.org/10.1038/s41586-024-08576-6