Indice Oceanico Niño di Ensemble

Di seguito propongo un riassunto che spiega in maniera approfondita il contenuto e le implicazioni dello studio di Eric J. Webb e Brian I. Magi intitolato “The Ensemble Oceanic Niño Index”. Questo testo integra alcune nozioni generali su ENSO e sull’ONI con le principali innovazioni e risultati che emergono dal lavoro scientifico degli autori, cercando di offrire una panoramica chiara e completa di quanto proposto nello studio.

1. Introduzione: la rilevanza di ENSO e dell’ONI

L’acronimo ENSO (El Niño–Southern Oscillation) indica un fenomeno di interazione tra oceano e atmosfera che esercita un forte controllo sul clima globale. Questa oscillazione ciclica, che si manifesta essenzialmente in due fasi opposte (El Niño e La Niña), ha ricadute su scala planetaria in termini di anomalie termiche, precipitazioni, circolazione atmosferica e frequenza/intensità di eventi meteorologici estremi (cicloni tropicali, ondate di calore, siccità, piogge intense, ecc.).

Dal punto di vista dell’osservazione e del monitoraggio, l’Oceanic Niño Index (ONI) è uno dei principali strumenti con cui la comunità scientifica descrive le anomalie di temperatura superficiale del mare (SST) nella regione Niño 3.4 (Pacifico tropicale centro-orientale). L’ONI, in estrema sintesi, calcola l’anomalia di SST rispetto a un periodo di riferimento trentennale, applicando una media mobile su tre mesi consecutivi (3-month running mean). Se tale anomalia, per un determinato numero di mesi, supera in valore soglia i +0,5 °C (o scende sotto -0,5 °C), si definisce rispettivamente una fase El Niño (o La Niña).

Tuttavia, l’ONI è di per sé un indice basato su singole serie storiche di dati SST. Questo lo rende efficace per descrivere l’evoluzione storica e attuale, ma può risultare limitato in termini di previsione (e incertezza associata), specialmente quando si cerca di comprendere l’evoluzione futura di ENSO. Ecco che entra in gioco il concetto di ensemble, sviluppato nel lavoro di Webb e Magi per definire un nuovo indice, l’Ensemble Oceanic Niño Index (EONI).

2. Obiettivo e contesto dello studio di Webb e Magi

Nel loro lavoro, Webb e Magi si sono posti l’obiettivo di superare alcune criticità legate all’interpretazione e all’utilizzo operativo del solo ONI. Essi hanno evidenziato come la variabilità naturale dei dati di input (derivanti da diverse fonti, sia osservazionali sia di modelli numerici) possa condurre a incertezze importanti nella definizione dello stato del Pacifico equatoriale e, dunque, del fenomeno ENSO. Per gestire questa incertezza intrinseca, gli autori propongono di combinare diverse serie di dati e differenti approcci modellistici in un ensemble, ottenendo un indice più robusto e rappresentativo di uno scenario probabilistico anziché deterministico.

Da qui nasce l’idea di un Ensemble Oceanic Niño Index (EONI), volto a integrare informazioni provenienti da più dataset e/o modelli, con la finalità di:

Ridurre l’impatto di eventuali errori o bias che possono emergere da un singolo dataset o modello.
Fornire una visione più completa e probabilistica della variabilità e dell’evoluzione delle anomalie di SST nella regione Niño 3.4.
Migliorare l’interpretazione operativa di quanto avviene (e avverrà) durante i cicli ENSO.

3. Struttura generale dello studio

Lo studio di Webb e Magi procede tipicamente attraverso i seguenti passaggi:

Revisione dell’ONI tradizionale: gli autori partono da una descrizione accurata dell’Oceanic Niño Index, delle sue basi fisiche e delle sue modalità di calcolo, ribadendo che l’ONI si fonda sulle anomalie di SST in un’area ben definita (Niño 3.4), filtrate con un approccio di media mobile su tre mesi.
Analisi critica di potenziali limiti e incertezze: mettono in luce come la scelta del dataset di riferimento (es. Reynolds SST, ERSST, HadISST, ecc.) o la presenza di piccoli bias sistematici nel rilevamento delle temperature possono influire sui valori finali dell’ONI. Inoltre, sottolineano come, sul piano delle previsioni future, la singola stima dell’ONI perda di immediatezza probabilistica.
Definizione del metodo di ensemble: gli autori spiegano quali dataset e/o modelli hanno utilizzato per costruire l’Ensemble e in che modo hanno combinato i risultati. La combinazione può avvenire con metodi di media semplice, media pesata (dando più importanza ai modelli o dataset con prestazioni migliori passate) o mediante algoritmi più sofisticati che tengano conto di correzioni di bias.
Costruzione dell’EONI e sue proprietà: viene illustrato come l’EONI è, a grandi linee, un ONI calcolato su “n” membri di un ensemble (ognuno fornisce la propria anomalia di SST nella regione Niño 3.4), e successivamente aggregato in un’unica serie temporale di anomalie. Questo indice “condiviso” risulta quindi più robusto di quello derivato da un singolo dataset.
Valutazione comparativa dell’EONI rispetto all’ONI: attraverso analisi statistiche, test retrospettivi (hindcast) e confronto con eventi storici di ENSO (ad esempio El Niño 1997-98 e altri episodi notevoli), gli autori mostrano che l’EONI riduce la variabilità non fisica dovuta ai diversi sistemi di osservazione o modellazione, producendo un segnale più affidabile delle reali fluttuazioni del Pacifico equatoriale.
Discussione e prospettive: la parte conclusiva riporta una valutazione sul potenziale utilizzo dell’EONI per scopi di previsione stagionale e di ricerca climatica, nonché le possibili evoluzioni future in termini di ampliamento dei dataset, miglioramento delle tecniche di correzione dei bias e approfondimento della componente probabilistica (es. quantificazione delle incertezze in modo esteso).

4. Metodologia di costruzione dell’Ensemble Oceanic Niño Index

Benché lo studio non si limiti soltanto a una formula matematica, il cuore metodologico ruota attorno a una serie di passaggi che si possono sintetizzare come segue:

Raccolta delle serie temporali di SST: Webb e Magi individuano un set di fonti – che possono essere dataset puramente osservativi (satelliti, boe, reanalisi) e/o output di modelli numerici (ad esempio GFS, ECMWF, CFSv2 del NOAA, ecc.). Ogni “fonte” fornisce una stima della SST nella regione Niño 3.4.
Calcolo delle anomalie rispetto a una climatologia di riferimento: per ogni fonte si definisce una climatologia (normalmente 30 anni, aggiornata periodicamente) e si calcola l’anomalia di SST. Tale anomalia è riportata su base mensile o settimanale, a seconda delle disponibilità dei dati.
Applicazione di correzioni di bias (bias correction): se un modello tende sistematicamente a sovra o sottostimare le SST rispetto alle osservazioni, si applicano correzioni statistiche per “allineare” i dati. Questo passaggio è fondamentale per poter fare un ensemble coerente.
Media mobile su tre mesi: come avviene per l’ONI classico, si applica una finestra mobile di tre mesi per ogni serie, in modo da filtrare la rumorosità ad alta frequenza ed enfatizzare i trend stagionali.
Combinazione in un’unica serie ensemble: tutte le serie corrette e filtrate vengono combinate con una tecnica di aggregazione (media semplice, media pesata, oppure altre funzioni di aggregazione). Il risultato finale è l’EONI, una sorta di “indice medio” che riflette la stima collettiva delle anomalie di SST nel Niño 3.4.
Valutazione statistica: Webb e Magi effettuano poi un’analisi retrospettiva (o hindcast), verificando se il nuovo indice riesce a catturare meglio, rispetto al singolo ONI, l’insorgenza e l’intensità dei maggiori eventi ENSO storici.

5. Principali risultati e implicazioni

Dallo studio emerge che l’EONI:

Riduce la varianza non fisica: aggregando più fonti, si “media” l’errore random di ciascun dataset o modello e si attenuano i picchi che non riflettono la vera variabilità oceanica ma derivano da limiti strumentali, lacune nei dati o differenze metodologiche.
Offre una miglior rappresentazione dell’incertezza: invece di fornire un’unica curva di anomalia termica, si può mostrare come l’indice ensemble oscilli entro un determinato range di confidenza (ad esempio ±1 deviazione standard). Ciò permette agli scienziati e alle istituzioni di prevedere scenari diversi di impatto, non solo lo scenario “medio”.
Migliora la coerenza con altri indici: è stato osservato che l’EONI mostra correlazioni più consistenti con altri indicatori di ENSO (come il Southern Oscillation Index, l’ENSO Modoki Index o l’Heat Content equatoriale), suggerendo che la stima ensemble catturi effettivamente la dinamica di fondo più che le fluttuazioni spurie.
Potenzia le previsioni stagionali: se integrato in un contesto di prognosi stagionale, l’EONI risulta utile per capire la probabilità di avvio o rafforzamento di un episodio El Niño o La Niña. In particolare, esso permette di distinguere situazioni borderline (quando l’anomalia è vicina a ±0,5 °C) con maggior confidenza, combinando l’informazione di più modelli.

6. Confronto con l’ONI classico: punti di forza e limitazioni

Sebbene l’ONI resti un indicatore fondamentale e ampiamente utilizzato, Webb e Magi mettono in evidenza come l’EONI offra vantaggi soprattutto nelle fasi di:

Transizione stagionale (ad esempio, da condizioni neutre a un potenziale El Niño moderato): qui gli errori di stima di un singolo dataset potrebbero mascherare la vera tendenza. L’insieme di diverse fonti permette invece di cogliere più precocemente il segnale.
Eventi limite (quando l’anomalia è prossima alla soglia di +0,5 °C o -0,5 °C): l’incertezza su pochi decimi di grado può cambiare la classificazione di un evento come El Niño debole o condizioni neutre. L’EONI riduce le oscillazioni spurie e fornisce una stima più robusta.
Tendenza al bias in dati storici: i dataset storici di SST possono differire tra loro anche di alcuni decimi di grado in certe epoche (ad esempio negli anni ’50 o ’60, con misure in situ sparse). L’uso di più dataset e la correzione di bias aiutano a ricostruire un quadro più omogeneo e continuo.

D’altro canto, l’EONI, come ogni indice, non è immune da limitazioni:

Qualità dei dataset: se i dataset o i modelli utilizzati presentano errori o lacune non facilmente correggibili, anche l’insieme ne risente.
Dipendenza dalle scelte metodologiche: i criteri di ponderazione e correzione del bias possono influenzare il risultato finale. Per esempio, dare più peso a un dataset potrebbe trascurare il contributo di altri.
Aggiornamenti necessari: man mano che i dataset storici vengono revisionati (per esempio con nuove reanalisi), o che i modelli numerici evolvono, è necessario ri-aggiornare l’EONI per mantenere la coerenza statistica.

7. Impatti operativi e possibili sviluppi futuri

Le potenzialità di un indice come l’EONI vanno ben oltre la mera descrizione dello stato termico del Pacifico. In particolare:

Previsioni climatiche stagionali: gli enti di meteorologia che emettono outlook stagionali (come il NOAA Climate Prediction Center o altri) potrebbero adottare, in parallelo all’ONI, un EONI basato su più fonti osservate e simulate. Questo migliorerebbe la comunicazione delle probabilità di eventi ENSO estremi, con ricadute in settori come agricoltura, gestione delle risorse idriche, prevenzione di alluvioni o incendi.
Analisi retrospettive e attribuzione di eventi estremi: avere un indice più robusto può aiutare a quantificare meglio il ruolo di ENSO nel causare o intensificare ondate di calore, siccità o precipitazioni eccessive in determinate regioni del pianeta.
Ricerca sulle interazioni con altri pattern climatici: le teleconnessioni di ENSO (rapporto con la North Atlantic Oscillation, la Pacific Decadal Oscillation, ecc.) potrebbero essere studiate con maggiore precisione utilizzando un indice che riduce l’incertezza di base.
Integrazione con modelli di machine learning: come i dati di input e gli stessi modelli climatici diventano sempre più sofisticati, si potrebbe pensare a reti neurali in grado di ottimizzare pesi e correzioni di bias in tempo reale, fornendo versioni aggiornate e migliorate dell’EONI.

8. Conclusioni complessive

Lo studio di Eric J. Webb e Brian I. Magi “The Ensemble Oceanic Niño Index” segna un passo avanti importante nell’evoluzione degli strumenti di monitoraggio e previsione di El Niño e La Niña. L’idea di base è semplice eppure potente: invece di affidarsi a una singola serie di dati o a un singolo modello numerico (che per sua natura può introdurre errori e incertezze), si ricorre a un insieme (ensemble) di fonti e simulazioni diverse, cercando di armonizzarle in un indice unico.

I risultati dimostrano che l’EONI offre:

Maggiore robustezza: mitigando gli effetti di picchi o bias propri di ogni singolo dataset.
Maggiore affidabilità: in particolare nelle fasi di transizione stagionale o vicinanza alla soglia di attivazione di El Niño o La Niña.
Valore probabilistico: perché permette di presentare la stima dell’anomalia di SST in modo più ricco, evidenziandone l’intervallo di incertezza.

Naturalmente, l’EONI non sostituisce l’ONI classico nel monitoraggio puntuale: resta infatti fondamentale la serie storica univoca basata su dati osservativi coerenti, per confrontare gli eventi passati e definire ufficialmente gli episodi di ENSO in termini climatologici. Tuttavia, l’adozione di questo indice composito facilita la comprensione di quanto sia reale il segnale oceanico-atmosferico e quanto, invece, sia dovuto a limiti del singolo dataset.

La prospettiva delineata dagli autori è quella di un utilizzo sempre più diffuso di indici “ensemble-based” in meteorologia e climatologia, in cui l’incertezza e la complessità dei sistemi fisici vengono affrontate in maniera collettiva piuttosto che in modo univoco. Tale approccio risulta particolarmente prezioso in un contesto di cambiamento climatico, dove l’accuratezza e l’affidabilità delle previsioni su scala stagionale e interannuale rivestono un ruolo cruciale per l’adattamento e la mitigazione degli impatti su scala globale.

In definitiva, “The Ensemble Oceanic Niño Index” di Webb e Magi rappresenta una pietra miliare nell’evoluzione delle metriche ENSO, offrendo agli studiosi e ai decisori uno strumento complementare all’ONI tradizionale, con vantaggi significativi in termini di riduzione dell’incertezza e di miglior interpretazione dei segnali climatici. Il lavoro apre inoltre a futuri sviluppi metodologici, legati alla possibilità di integrare dataset sempre più diversificati (satelliti, boe, reanalisi ad alta risoluzione) e modelli sempre più performanti, consolidando la tendenza verso un approccio collaborativo e multi-sorgente nello studio del clima terrestre.

Indice Oceanico Niño di Ensemble
Eric J. Webb | Brian I. Magi
Abstract
In questo lavoro, introduciamo un nuovo indice per l’Oscillazione Meridionale di El Niño (ENSO), che abbiamo denominato Indice Oceanico Niño di Ensemble (Ensemble ONI). Questo indice innovativo sfrutta le anomalie della temperatura superficiale del mare (SST) rilevate mensilmente nella regione Niño3.4, utilizzando un ensemble composto da 32 set di dati di SST come fondamento per l’analisi.

Il nostro indice ENSO mensile si estende retroattivamente fino all’anno 1850 e prosegue fino al presente. Utilizziamo i dati di input per quantificare l’incertezza nei valori mensili dell’indice. Questa incertezza viene calcolata da set di dati che non sono completamente indipendenti tra loro. Tuttavia, per assicurare la validità del nostro approccio, confrontiamo le nostre stime di incertezza con quelle di altre ricerche, utilizzando studi ben documentati sugli eventi storici di ENSO, definizioni basate sulla letteratura, e determinazioni di eventi passati basati su proxy.

I risultati dimostrano che la nostra stima dell’incertezza, derivante dall’ensemble dei set di dati, è comparabile con gli altri studi, sia in termini di magnitudine media che di trend temporale variabile. In linea con le ricerche passate, abbiamo riscontrato che gli eventi ENSO si verificano in media ogni 4-5 anni. Notabilmente, abbiamo identificato sei “Super” El Niños (1877–1878, 1888–1889, 1972–1973, 1982–1983, 1997–1998, 2015–2016) che si elevano statisticamente sopra tutti gli altri eventi El Niños registrati dal 1850.

In conclusione, il periodo di tempo coperto dalla nostra ricerca indica che gli eventi El Niño sono stati particolarmente intensi verso la fine sia del XIX secolo che del XX secolo, con una fase di minor intensità nel mezzo del XX secolo. Questi risultati sono supportati e corroborati dai record strumentali, documentali e basati su proxy preesistenti.

1 | INTRODUZIONE
L’Oscillazione Meridionale di El Niño (ENSO) rappresenta un fenomeno di variabilità climatica emergente dall’interazione dinamica accoppiata tra l’oceano e l’atmosfera sovrastante nell’Oceano Pacifico tropicale (Bjerknes, 1966; Enfield, 1989; Neelin et al., 1998; McPhaden et al., 2020). Tale fenomeno è noto per le sue teleconnessioni remote (Bjerknes, 1969; Wallace e Gutzler, 1981; Dai e Wigley, 2000) che sono strettamente legate alle anomalie della temperatura superficiale del mare (SST) nell’equatore del Pacifico. La formulazione di indici ENSO (e.g., Trenberth e Stepaniak, 2001; Wolter e Timlin, 2011) e i loro successivi affinamenti (e.g., van Oldenborgh et al., 2021) hanno significativamente contribuito alla caratterizzazione dello stato del Pacifico tropicale e alla diagnosi quantitativa delle teleconnessioni (Barnston et al., 1997), oltre a fornire strumenti essenziali per la valutazione dei risultati dei modelli climatici (Fredriksen et al., 2020; Wang et al., 2021) e per la calibrazione di record proxy (McGregor et al., 2013).

Le anomalie di SST nella regione Niño3.4 (5°S–5°N, 120°–170°W) sono state riconosciute per la loro capacità di catturare accuratamente lo stato di ENSO e le varie teleconnessioni ENSO (Trenberth, 1997; Hanley et al., 2003; Giese e Ray, 2011). Questa evidenza ha motivato la creazione dell’Indice Oceanico Niño (ONI) negli anni ’90 dal Centro di Previsione Climatica (CPC) della National Oceanic and Atmospheric Administration (NOAA) (Barnston et al., 1997; Huang et al., 2017). L’ONI della NOAA è calcolato utilizzando medie tri-mensili di anomalie SST dalla Versione Estesa della Temperatura Superficiale del Mare Ricostruita 5 (ERSSTv5; Huang et al., 2017) nella regione Niño3.4, con un periodo di base mobile di 30 anni aggiornato ogni cinque anni.

In questo studio, presentiamo un nuovo indice ENSO che denominiamo Indice Oceanico Niño di Ensemble (Ensemble ONI). Questo indice si basa su metodologie simili a quelle dell’ONI della NOAA (Barnston et al., 1997; Huang et al., 2017), ma introduce significativi avanzamenti tecnologici e metodologici. In primo luogo, includiamo un ensemble di 32 ricostruzioni e set di dati di analisi SST, a differenza della dipendenza da un singolo set di dati SST. Un approccio analogo è stato applicato ad altre fonti di dati ENSO, inclusi proxy (Braganza et al., 2009; McGregor et al., 2010), record documentari (Quinn et al., 1987), e modelli climatici (e.g., Yeh et al., 2012; Fredriksen et al., 2020; Jiang et al., 2021; Wang et al., 2021), sebbene le analisi basate su ensemble di dati strumentali e modelli di rianalisi siano meno comuni (e.g., Zhu et al., 2012). In secondo luogo, mentre l’ONI della NOAA copre il periodo dal 1950 al presente, l’Ensemble ONI si estende dal 1850 al presente. In terzo luogo, forniamo stime dell’incertezza nei valori mensili dell’Ensemble ONI basate sulla dispersione tra i set di dati di input SST, rappresentando sia un avanzamento rispetto all’ONI della NOAA che un contributo unico alla suite di indici ENSO. La quantificazione dell’incertezza si basa su discussioni in corso riguardo la stima dell’incertezza parametrica e strutturale nelle SST nella scala temporale degli eventi ENSO (Huang et al., 2016a) e su una varietà di scale spaziali (Kennedy, 2014; Liu et al., 2015; Huang et al., 2016b; Kennedy et al., 2019).

Concludendo, dopo aver presentato i nostri metodi e risultati, confrontiamo l’Ensemble ONI con altri indici ENSO, dettagliamo e giustifichiamo la nostra stima dell’incertezza, e infine discutiamo i risultati in termini di magnitudine e incertezza relative agli eventi ENSO dal 1850.

2 | METODI
L’Indice Oceanico Niño di Ensemble (Ensemble ONI) è definito come un’anomalia della temperatura superficiale del mare (SST) media, calcolata nella regione Niño3.4 (5°S–5°N, 120°W–170°W). Questo indice è elaborato utilizzando un ensemble di set di dati SST. La variabilità temporale riscontrata tra i dataset di input rappresenta la base per il nostro calcolo dell’intervallo di confidenza nei valori mensili dell’Ensemble ONI.

Le anomalie di SST nella regione Niño3.4 sono state storicamente valide per catturare con precisione lo stato di ENSO e le sue varie teleconnessioni (Trenberth, 1997; Hanley et al., 2003; Giese e Ray, 2011). Inoltre, la Figura 1a illustra il carico della funzione ortogonale empirica (EOF) relativo alla media SST proveniente da diverse fonti, inclusi COBE SST2 (Hirahara et al., 2014), COBE SST (Ishii et al., 2005), ERSSTv4 (Huang et al., 2015), ERSSTv5 (Huang et al., 2017), Kaplan V2 (Kaplan et al., 1998), HadISST (Rayner et al., 2003), e HadISST v2.1 (Titchner e Rayner, 2014) per il periodo 1891–2010, un lasso di tempo in cui tutti i set di dati si sovrappongono. La regione Niño3.4 si trova al centro della correlazione più forte con la variabilità SST, mentre altre regioni Niño mostrano maggiore variabilità nel loro carico e tendono a rappresentare differenti “varianti” di ENSO (Trenberth e Stepaniak, 2001; Ashok et al., 2007). La Figura 1b mostra la correlazione tra l’Indice di Oscillazione del Sud (SOI) e le anomalie SST del Pacifico Tropicale depurate dai trend durante lo stesso periodo precedentemente menzionato. Le correlazioni più elevate tra il SOI e le anomalie SST del Pacifico Tropicale si trovano all’interno della regione Niño3.4, indicando che questa regione è altamente correlata con altre misure indipendenti di ENSO, in linea con ricerche precedenti (e.g., Barnston et al., 1997).

La Tabella 1 elenca i 32 set di dati osservativi, di rianalisi, e satellitari che abbiamo utilizzato. Sebbene i periodi temporali dei singoli set di dati varino, combiniamo i dati SST dal 1850 al presente (al momento attuale, giugno 2021) per formulare l’Ensemble ONI. Il valore SST mensile è determinato come la SST media nella Niño3.4, con una soglia minima del 30% di completezza spaziale per garantire un valore mensile “valido”. Questo per considerare set di dati come HadSST4 (Kennedy et al., 2019) e ICOADS R3.0 (Freeman et al., 2017) che non sono completamente rappresentativi a livello spaziale. I dati di input segnalati come anomalie SST (es., Kaplan Extended v2; Kaplan et al., 1998) sono prima convertiti in valori SST sfruttando le loro rispettive climatologie e successivamente mediati per il dominio Niño3.4.Similmente all’ONI della NOAA (Barnston et al., 1997), calcoliamo l’anomalia SST della regione Niño3.4 utilizzando periodi base climatologici di 30 anni che vengono aggiornati ogni 5 anni. Questa finestra mobile aiuta a minimizzare sia le tendenze di riscaldamento annuale che stagionale nella regione Niño3.4, al fine di produrre un indice ENSO che rifletta meglio la variabilità dello stato di ENSO. I periodi base di 30 anni sono centrati sugli anni del calcolo e iniziano nel 1850, notando che il periodo attuale dal 2003 al 2021 utilizza un periodo base di 30 anni non centrato dal 1990 al 2019 (Tabella S1, Informazioni Supplementari).

La climatologia di 30 anni è calcolata come la mediana mensile delle SST di Niño3.4 per ciascun dataset (valori nella Tabella S2), dove richiediamo un minimo del 75% dei 30 anni disponibili affinché il dataset possa contribuire a quel periodo base climatologico di 30 anni. Usiamo la mediana mensile (invece della media) per minimizzare l’influenza degli outlier nelle anomalie SST di Niño3.4 per ciascun dataset poiché (a) non tentiamo di valutare la qualità dei singoli mesi di dati di input individuali, e (b) miriamo a calcolare una misura statisticamente robusta della tendenza centrale delle SST di Niño3.4 dall’ensemble per caratterizzare al meglio la variabilità dello stato di ENSO. Il numero di dataset contribuenti a ciascuna delle climatologie di 30 anni varia da 7 a 30, aumentando generalmente con il tempo. Calcoliamo la serie temporale delle anomalie SST di Niño3.4 per ciascun dataset utilizzando i nostri periodi base di 30 anni applicati al periodo di 5 anni centrato sul periodo base di 30 anni (Tabella S1). Calcoliamo quindi la mediana dell’anomalia SST attraverso tutti i dataset disponibili per ogni mese, dove il numero massimo di dataset per un dato mese è 32 (Tabella 1).

L’Ensemble ONI viene calcolato applicando una media mobile di 3 mesi alla serie temporale delle anomalie SST di Niño3.4, centrata sul mese riportato, seguendo la metodologia dell’ONI della NOAA (Barnston et al., 1997). Per quanto riguarda l’incertezza, calcoliamo la media mobile di 3 mesi dell’intervallo percentuale statistico del 68.27%. Questo specifico intervallo percentuale permette un confronto approssimativo con la grandezza dell’intervallo 1-sigma derivato dal calcolo della deviazione standard, ma evita la necessità dell’assunzione parametrica di una distribuzione Gaussiana. Argomentiamo di seguito che l’uso di un intervallo percentuale è importante nel nostro approccio basato sull’ensemble di dataset poiché sia gli outlier sia il numero di dataset variano nel tempo. La distribuzione in un dato mese è approssimativamente Gaussiana, ma ciascun dataset (Tabella 1) produce il proprio valore SST per la regione Niño3.4 e il controllo di qualità dei singoli dataset non è l’obiettivo di questo lavoro.

Figura 1 presenta due mappe chiave relative alla regione Niño 3.4 (120°W–170°W, 5°N–5°S), che sono cruciali per comprendere le dinamiche di variabilità della temperatura superficiale del mare (SST) associate all’Oscillazione Meridionale di El Niño (ENSO):

(a) Funzione Ortogonale Empirica Principale (EOF): Questo pannello visualizza la principale EOF della SST nel Pacifico tropicale (100°E–90°W, 30°N–30°S) durante il periodo Settembre-Febbraio (1891–2010). L’analisi è stata condotta su un campo medio di un ensemble di dataset che include HadISST2.1, HadISST, COBE SST2, COBE SST, ERSSTv5, ERSSTv4, e Kaplan Extended SSTv2. I dati sono stati interpolati bilinearmente su una griglia di 5°x5° prima della costruzione dell’EOF. Le zone in rosso indicano valori positivi significativi dell’EOF, mostrando aree dove le anomalie di SST sono maggiormente sincronizzate e elevate. In contrasto, le aree in blu rappresentano valori negativi dell’EOF, indicando regioni dove le anomalie di SST sono tipicamente più basse. Questo schema evidenzia la variabilità spaziale della temperatura che può influenzare o essere influenzata da eventi ENSO.
(b) Coefficiente di Correlazione di Pearson: Il secondo pannello illustra il coefficiente di correlazione di Pearson tra le anomalie SST del Pacifico tropicale (100°E–90°W, 30°N–30°S), depurate dai trend, e l’Indice di Oscillazione del Sud (SOI) durante lo stesso intervallo temporale e utilizzando gli stessi dataset. Le tonalità di blu mostrano aree con correlazione negativa, indicando che un aumento dei valori del SOI è associato a una diminuzione della SST e viceversa. Le aree in rosso mostrano una correlazione positiva, dove aumenti del SOI corrispondono ad aumenti delle SST. La forza della correlazione è evidenziata dall’intensità del colore, con aree più scure che indicano una correlazione più forte.

Queste mappe sono fondamentali per visualizzare come le variazioni di temperatura nell’area specifica del Niño 3.4 siano fortemente correlate con gli indicatori globali dell’ENSO, evidenziando così l’importanza di questa regione nel monitoraggio e nella comprensione dell’ENSO. Le analisi come queste sono essenziali per prevedere gli impatti degli eventi ENSO, che possono includere variazioni climatiche estreme a livello globale.

3 | RISULTATI

La Figura 2 mostra la serie temporale dell’Indice Oceanico Niño di Ensemble (Ensemble ONI), colorata per mostrare i valori positivi in rosso e i valori negativi in blu. La distribuzione complessiva dalla Figura 2 è leggermente inclinata positivamente (skewness = 0.43) rispetto a una distribuzione normale, con l’intervallo minimo e massimo che va da −2.14 a 2.81K e i valori mediani negativi e positivi dell’Ensemble ONI uguali in magnitudine a −0.44 e +0.44. In linea con ricerche precedenti riguardo lo stato di ENSO e la dinamica del feedback di Bjerknes (An e Jin, 2004; Okumura e Deser, 2010), i nostri risultati mostrano che gli El Niño più forti sono più intensi delle La Niña più forti.

L’Ensemble ONI ha raggiunto un picco su scala secolare alla fine del 1800 e ancora nella parte finale del record, con un periodo relativamente tranquillo dall’inizio alla metà del 1900 (Figura 2), in linea con studi precedenti (Garcia-Herrera et al., 2008; Giese e Ray, 2011; Wolter e Timlin, 2011; Ray e Giese, 2012; McGregor et al., 2013). Una media mobile di 40 anni dei valori di Ensemble ONI superiori a +1 (Figura 3) suggerisce che le condizioni di El Niño più forti sono più frequenti e hanno ampiezze maggiori a cavallo del 20° e 21° secolo rispetto alla metà del 20° secolo, con un periodo di anomalie SST positive più fredde da circa il 1900 al 1960. Questo comportamento non stazionario su scala multidecennale a secolare in condizioni di El Niño più forti è stato notato da altri studi (Enfield e Cid, 1991; Garcia-Herrera et al., 2008). Le anomalie SST negative (non mostrate), che corrisponderebbero ai mesi tendenti verso le condizioni di La Niña, non mostrano alcun comportamento multidecennale dal tardo 1800.

La Figura 4a mostra l’Ensemble ONI delimitato dai valori percentili del 15.865% e 84.135% (Tabella S3), la cui differenza corrisponde numericamente all’intervallo di confidenza del 68.27% (CI) per renderlo comparabile, almeno in termini di grandezza, con la deviazione standard tipicamente riportata. Specificamente, riportiamo l’incertezza come metà della differenza dei valori percentili del 15.865% e 84.135%, similmente a come la deviazione standard è spesso riportata come incertezza 1-sigma. La deviazione standard, tuttavia, è meglio interpretata quando i dati sono normalmente distribuiti e senza outlier influenti, mentre l’uso della mediana e dell’intervallo percentuale non implica assunzioni parametriche ed è molto meno sensibile agli outlier. Un altro vantaggio dell’uso dell’intervallo percentuale come base per la stima dell’incertezza è che cattura l’asimmetria variabile nel tempo rispetto alla stima centrale, e ciò rivela quantitativamente come i dataset di input (Tabella 1) a volte tendano verso anomalie SST più positive o negative (Figura S1). Similmente all’Ensemble ONI, l’incertezza è riportata come una media mobile di 3 mesi.La Figura 4b mostra la serie temporale dell’incertezza nell’Indice Oceanico Niño di Ensemble (Ensemble ONI), calcolata come descritto precedentemente in modo che i valori siano numericamente simili alla deviazione standard. Questa incertezza è determinata dalla variabilità inter-dataset della SST nella regione Niño3.4 (Figura S1). La Figura 4b mostra anche l’incertezza totale di HadSST4 (Kennedy et al., 2019) in due domini spaziali: la regione Niño3.4 e una regione Niño3.4 estesa (definita come 10°S–10°N, 80°W–170°W). Per calcolare l’incertezza totale di HadSST4, propaghiamo l’incertezza totale specifica del riquadro di griglia alle regioni spaziali più ampie seguendo la propagazione standard degli errori, come indicato in Kennedy et al. (2019). La cosiddetta regione Extended Niño3.4 aumenta il numero massimo di riquadri di griglia di 5° di latitudine per 5° di longitudine a 80, rispetto ai 20 nella regione Niño3.4, notando che solo un sottoinsieme di riquadri di griglia ha effettivamente dati in un determinato mese. La media del numero di riquadri di griglia con dati dal 1850 al 2021 è di 10 nella regione Niño3.4 e 47 nella regione Extended Niño3.4. Dopo il 1960, i dati in entrambe le regioni sono quasi completi al 100%, ma dal 1850 al 1960, entrambe le regioni sono più variabili, variando dal 0 al 75% di completezza. Definiamo la regione Extended Niño3.4 come un modo per limitare la nostra valutazione dell’ampiezza dell’incertezza dell’Ensemble ONI, come descritto nella sezione 4.1.

Il nostro metodo di stima dell’incertezza deriva strettamente dalla variabilità inter-dataset, che di per sé è un calcolo relativamente semplice, ma simile a una stima dell’incertezza strutturale dovuta alle variazioni tra molteplici stime delle anomalie SST. La variabilità inter-dataset è un modo significativo per valutare l’incertezza (ad esempio, Thorne et al., 2005; Parker, 2016; Kent et al., 2017) poiché ogni dataset produce una propria storia di anomalie SST nella regione Niño3.4 e la variabilità riflette differenze nelle analisi o nelle scelte di input specifiche delle istituzioni. La Figura S1 mostra come le serie temporali mensili dei valori SST di Niño3.4 dai dataset di input tendano a convergere ai giorni nostri ma rivelano anche la relativamente ampia diffusione nel 19° secolo. Il nostro metodo non cattura specificamente l’incertezza parametrica (ad esempio, Liu et al., 2015) dovuta alla variabilità derivante dai parametri associati alle scelte che facciamo nei nostri calcoli. Tuttavia, mostriamo di seguito che il nostro calcolo fornisce una stima ragionevole dell’incertezza complessiva e argomentiamo che il nostro metodo è un modo più efficiente per calcolare l’incertezza rispetto a un’esplorazione iterativa dello spazio dei parametri.Conformemente all’incertezza di HadSST4, l’incertezza dell’Ensemble ONI diminuisce nel tempo (Figura 4b), riflettendo l’aumento della densità di campionamento, della qualità e della consistenza delle osservazioni SST (Freeman et al., 2017; Kennedy et al., 2019), e, in parte, il numero di dataset di input (Figura 4c). Il trend nell’incertezza riflette i trend nella densità e qualità del record strumentale (Kennedy et al., 2011a; Kennedy et al., 2011b; Kent et al., 2013; Hirahara et al., 2014; Kennedy, 2014; Karl et al., 2015; Hausfather et al., 2017; O’Carroll et al., 2019), ma anche le differenze intrinseche nei dataset stessi. Ad esempio, alcuni dei nostri dataset di input (Kaplan et al., 1998) hanno utilizzato versioni precedenti di ICOADS (Woodruff et al., 1987; Woodruff et al., 2011) e variano nelle fonti dei dati osservativi. Queste caratteristiche sono parte di qualsiasi dataset di rianalisi o osservativo (ad esempio, Parker, 2016). Sosteniamo che il nostro approccio ensemble nel calcolare l’ONI rafforza l’interpretazione della stima centrale includendo un intervallo di confidenza asimmetrico (Figura 4a) che cattura le differenze variabili nel tempo tra i dataset di input.

Sebbene il trend generale nell’incertezza sia in diminuzione nel tempo, sono evidenti tre periodi in cui l’incertezza aumenta nel tempo in Figura 4b: prima dell’El Niño del 1877-78, e durante la prima e seconda guerra mondiale. L’aumento dell’incertezza prima del 1877-1878 e della prima guerra mondiale è ampiamente spiegato dalla mancanza di fonti di dati e osservazioni nella regione Niño3.4 (Thompson et al., 2008; Giese et al., 2010; Freeman et al., 2017; Carella et al., 2018). Per la prima guerra mondiale, le navi venivano impiegate per la guerra e spesso distrutte. Per la seconda guerra mondiale, l’aumento dell’incertezza era dovuto sia alla perdita simile di dati a causa della perdita di navi sia ai cambiamenti nel modo in cui venivano effettuate le osservazioni SST. Molte navi passarono dall’utilizzo di secchi isolati a prese d’acqua della sala macchine (ERI) per le misurazioni SST, che hanno un bias elevato rispetto alle misurazioni con secchio (Kennedy et al., 2019). Inoltre, l’incertezza/cambio di campionamento potrebbe derivare dai cambiamenti nell’orario in cui la maggior parte delle osservazioni venivano raccolte (Figura S2) a causa delle condizioni di campionamento più sicure durante il giorno in tempo di guerra, poiché l’utilizzo di luci a bordo di notte per effettuare misurazioni SST con il metodo tradizionale del secchio poteva attrarre navi nemiche (Freeman et al., 2017; Kent et al., 2017). Inoltre, il modo in cui questo rapido cambio di paradigma nelle osservazioni SST è stato affrontato variava tra i curatori dei dataset e contribuisce all’incertezza dell’Ensemble ONI in questo periodo. Ad esempio, dataset più vecchi come Kaplan Extended SSTv2 (Kaplan et al., 1998) e HadISST (Rayner et al., 2003) non applicavano alcuna correzione per il bias ERI, mentre iterazioni successive di ERSST (Huang et al., 2017) correggevano il bias delle osservazioni delle navi rispetto alle temperature dell’aria marina notturna (Kent et al., 2013), in modo alquanto analogo a Folland et al. (1984), e COBE SST2 (Hirahara et al., 2014) applicava una correzione del bias medio globale. Affermiamo quindi che le discrepanze variabili nel tempo tra i dataset SST e la rianalisi riflettono cambiamenti reali nell’incertezza nel corso del record strumentale.

La Figura 2 presenta la serie temporale dell’Indice Oceanico Niño di Ensemble (Ensemble ONI), che visualizza le anomalie mensili della temperatura superficiale del mare (SST) nella regione Niño 3.4 dal gennaio 1850 al maggio 2021. Questo grafico è cruciale per analizzare l’evoluzione temporale e la variabilità degli eventi associati all’El Niño-Southern Oscillation (ENSO).

Le anomalie positive di temperatura, rappresentate in rosso, indicano periodi di El Niño dove le temperature sono significativamente superiori alla media stagionale. Questi periodi sono noti per causare varie alterazioni climatiche globali, come precipitazioni intense e temperature elevate in diverse parti del mondo. Inversamente, le anomalie negative, mostrate in blu, denotano periodi di La Niña, caratterizzati da temperature sotto la media, che spesso portano a condizioni meteorologiche opposte, come temperature più fredde e incremento delle precipitazioni in regioni alternate rispetto a quelle affette da El Niño.

La linea tratteggiata orizzontale rappresenta il valore zero, il quale funge da baseline indicando la media a lungo termine delle SST per la regione specifica. Osservazioni al di sopra o al di sotto di questa linea indicano deviazioni significative rispetto alla norma climatologica.

Questo grafico non solo illustra la variabilità interannuale e decennale dell’ENSO, ma mette anche in evidenza eventi estremamente potenti di El Niño o La Niña, come quelli caratterizzati da picchi molto elevati o cali profondi. Tali eventi sono di particolare interesse per i climatologi e gli scienziati atmosferici poiché spesso coincidono con estremi climatici globali che influenzano la biodiversità, l’agricoltura, e le dinamiche socio-economiche su scala mondiale.

L’analisi dettagliata di questa serie temporale è fondamentale per migliorare la comprensione di come le variazioni nei pattern di ENSO influenzano i cambiamenti climatici globali. Studiare questa variabilità aiuta inoltre a perfezionare i modelli climatici e migliorare la precisione delle previsioni meteorologiche e climatiche a lungo termine. Questa comprensione approfondita è essenziale per preparare strategie di adattamento e mitigazione più efficaci contro gli impatti avversi dei cambiamenti climatici.

La Figura 3 è suddivisa in due parti, (a) e (b), che insieme forniscono una panoramica approfondita della frequenza e intensità degli eventi El Niño, analizzati tramite una media mobile di 40 anni.

Parte (a)

Questa sezione del grafico mostra la media mobile di 40 anni dei valori dell’Indice Oceanico Niño di Ensemble (Ensemble ONI) che superano il valore di +1, un indicatore degli eventi El Niño particolarmente intensi. I valori sono stati normalizzati per essere impostati a zero nel primo periodo di 40 anni, permettendo di visualizzare il comportamento relativo di questi eventi El Niño forti nel corso del tempo. L’area ombreggiata in rosso attorno alla linea del grafico rappresenta l’errore standard tra i mesi contribuenti, fornendo una misura della variabilità o incertezza nelle medie calcolate.

Il trend evidenziato in (a) dimostra una diminuzione significativa nella frequenza e intensità degli eventi El Niño dalla fine del 1800 fino agli anni ’60, seguito da un incremento marcato verso la fine del XX secolo e l’inizio del XXI secolo. Questa variazione può riflettere cambiamenti nei meccanismi oceanici e atmosferici, potenzialmente influenzati da fattori globali legati al clima.

Parte (b)

Questa sezione del grafico visualizza il numero (N) di occorrenze in cui eventi El Niño con un Ensemble ONI superiore a +1 si sono verificati in ciascun periodo di 40 anni. La grafica a barre fornisce una rappresentazione diretta della frequenza di tali eventi intensi, complementando i dati mostrati nella parte (a).

Le barre evidenziano un aumento nel numero di eventi El Niño forti negli ultimi due segmenti di 40 anni rispetto ai periodi precedenti, confermando l’osservazione di un aumento della frequenza di El Niño visualizzata nella parte (a).

In conclusione, la Figura 3 offre un’analisi esaustiva dell’attività di El Niño su un arco temporale esteso, illustrando come la frequenza e l’intensità di questi eventi siano mutate nel tempo. Questi dati sono cruciali per una comprensione più profonda delle forze e delle possibili cause dietro ai cambiamenti nei pattern di El Niño, che sono essenziali per la ricerca climatica e per la preparazione a questi potenti fenomeni meteorologici. Questa analisi contribuisce significativamente al campo della climatologia, evidenziando come i cambiamenti climatici possano influenzare eventi climatici estremi come El Niño.

La Figura 4 si compone di tre parti distintive (a), (b) e (c), che insieme forniscono un’analisi approfondita e dettagliata dell’Indice Oceanico Niño di Ensemble (Ensemble ONI), dell’incertezza associata e della densità dei dataset di input nel corso del tempo.

Parte (a)

Questa sezione del grafico mostra l’Ensemble ONI mensile (in nero) con i percentili del 15.865% e 84.135% (in rosa-viola). La gamma totale tra questi due percentili rappresenta l’intervallo di confidenza del 68.27% (1-sigma). Questo intervallo è fondamentale per visualizzare la variabilità e l’incertezza dell’indice nel tempo, offrendo una rappresentazione visiva dell’ampiezza con cui gli eventi di El Niño e La Niña hanno fluttuato attraverso gli anni.

Parte (b)

In questa parte del grafico, l’incertezza dell’Ensemble ONI è rappresentata in viola. Viene inoltre mostrata l’incertezza totale derivante dal dataset HadSST4 per la regione Niño3.4 (in blu chiaro) e per la regione Niño3.4 estesa (definita come 10°S–10°N, 80°W–170°W, in verde). L’incertezza di HadSST4 è smussata su un periodo di 12 mesi per fornire una visione più chiara delle tendenze nel tempo. Le lacune nella serie temporale rappresentano i periodi in cui i dati erano scarsi o non disponibili, illustrando la variabilità nella disponibilità di dati nella regione.

Parte (c)

Questa parte del grafico visualizza il numero di dataset di input utilizzati per l’Ensemble ONI ogni mese, evidenziato in colore oro. Questo mostra la quantità di dataset che contribuiscono all’indice in un determinato mese, evidenziando come la densità dei dati e la qualità delle misurazioni siano cambiate nel tempo. Un incremento nel numero di dataset indica generalmente una maggiore affidabilità e minor incertezza nell’indice calcolato.

Complessivamente, la Figura 4 fornisce un’analisi complessiva dell’evoluzione e della robustezza dell’Ensemble ONI nel tempo, sottolineando sia la variabilità dell’indice che l’incertezza associata alle misurazioni. La comprensione dettagliata di queste dinamiche è cruciale per affinare le previsioni climatiche legate agli eventi ENSO, i quali hanno un impatto significativo sul clima globale e regionale. Questa visualizzazione aiuta i ricercatori a valutare la qualità e l’affidabilità delle misure di SST utilizzate per monitorare e prevedere questi importanti fenomeni climatici.

4 | DISCUSSIONE

4.1 | Valutazione dell’incertezza

Calcoliamo l’incertezza dell’Ensemble ONI da dataset che non sono completamente indipendenti l’uno dall’altro, quindi discutiamo sia la sensibilità dell’incertezza ai dataset stessi, sia metodi per lo più o completamente indipendenti per giustificare la magnitudine e la sensibilità della nostra stima di incertezza. Sosteniamo che la variabilità tra i dataset di input nella regione Niño3.4 (Figura S1) sia un modo valido per calcolare l’incertezza (Parker, 2016), mostrando che la nostra incertezza è sia conservativa sia in linea con la magnitudine di altri metodi con cui l’incertezza nello stato dell’ENSO può essere e è stata stimata.

Iniziamo valutando la sensibilità dell’incertezza all’inclusione di dataset di rianalisi e modelli con input sovrapposti (non indipendenti) dai dataset SST. L’incertezza media nella Figura 4b è di 0.29 K, ma escludendo 15 dataset di rianalisi/modelli (dataset elencati con asterischi nella Tabella 1), l’incertezza effettivamente diminuisce a 0.27 K (Figura 5). Questo risultato controintuitivo di maggiore dispersione quando sono inclusi dataset di rianalisi/modelli è coerente con le discussioni sul valore degli interconfronti tra ciò che sembrerebbero dataset di rianalisi simili (ad esempio, Thorne et al., 2005; Parker, 2016) e suggerisce che le interdipendenze delle rianalisi sui dataset SST non portano a una sotto-dispersione dell’incertezza nell’Ensemble ONI. Una spiegazione plausibile per questo risultato apparentemente contraddittorio potrebbe essere che le tecniche applicate ai dati SST in situ da diverse istituzioni contribuiscono a meno diversità rispetto all’uso dello stesso dataset SST in diversi modelli di rianalisi. In particolare, i modelli di rianalisi potrebbero avere output SST che hanno interagito con altri campi del modello di rianalisi e potrebbero essere matematicamente rilassati verso il SST in situ, e ci sono differenze nei metodi di assimilazione dei dati, nelle parametrizzazioni specifiche del modello, nella risoluzione spaziotemporale e nella dimensione dell’ensemble (ad esempio, Laloyaux et al., 2018). Inoltre, i dataset SST in situ ricostruiscono le SST di fine XIX e inizio-metà XX secolo assumendo che la variabilità delle SST sia la stessa di quella della parte moderna del record, mentre le SST basate su rianalisi in questo stesso periodo sono meno dipendenti da questa assunzione di quanto non lo siano dagli aspetti dei modelli stessi (ad esempio, Giese e Ray, 2011).

Sebbene non mostriamo il risultato, abbiamo scoperto che raggruppare dataset con progenie simile (ad esempio, interdipendenza su un singolo dataset SST, come ERA20C, ERA20CM, NOAA20CRv3, CERA-20C, ORAS5, e ERA-5 tutti utilizzando HadISSTv2) ha anche risultato in meno dispersione rispetto al considerare i dataset indipendentemente, specialmente prima della metà del XX secolo, quando si sa meno sulla variabilità dell’ENSO basata su strumenti e le stime di incertezza dovrebbero essere più conservative. Questo è generalmente coerente con la nostra discussione sull’effetto dei dataset di rianalisi/modelli sulla dispersione delle SST di Niño3.4.Per l’Ensemble ONI, l’influenza più significativa dei dataset di rianalisi sull’aumento della dispersione si verifica tra il 1850 e il 1900 (Figura 5), quando esistono meno dataset (Figura 4c) per limitare l’incertezza nell’Ensemble ONI. Durante questo periodo, l’incertezza media è di 0.45 K quando tutti i 32 dataset sono inclusi, ma si riduce a 0.37 K quando i dataset di rianalisi/modelli sono esclusi. Le differenze sono particolarmente notevoli tra il 1850 e il 1880, quando l’incertezza media è di 0.52 K (tutti i dataset) rispetto a 0.41 K (senza dataset di rianalisi/modelli). In altre parole, includere i dataset di rianalisi/modelli aumenta l’incertezza del 27% prima del 1880. Dal 1900 al 1950, l’incertezza media è circa la stessa, mentre per il periodo 1950-2000 l’aumento medio è del 7% e dal 2000 al presente, i dataset di rianalisi/modelli riducono la dispersione dell’11% (Figura 5b-d). Questi risultati suggeriscono che includere più dataset, indipendentemente dalle loro interdipendenze, aumenta la dispersione nella regione Niño3.4 e porta a un intervallo di incertezza più conservativo per l’Ensemble ONI.

Un modo per valutare la grandezza e l’evoluzione temporale della nostra incertezza riportata è confrontarla direttamente con la stima complessiva dell’incertezza totale di HadSST4 (Kennedy et al., 2019). In un confronto mese per mese, l’incertezza dell’Ensemble ONI è inferiore all’incertezza di HadSST4 Niño3.4 nel 49% dei 1842 mesi, e inferiore all’incertezza di HadSST4 Extended Niño3.4 nel 2,5% dei mesi (Figura 4b). L’incertezza mediana dell’Ensemble ONI prima del 1950 è 0.39, mentre le corrispondenti incertezze Niño3.4 e Extended Niño3.4 per HadSST4 sono rispettivamente 0.36 e 0.16. Dopo il 1950, le incertezze medie sono più piccole e sono 0.15, 0.13, e 0.05 per l’Ensemble ONI, HadSST4 Niño3.4, e HadSST4 Extended Niño3.4, rispettivamente. La differenza nei calcoli di HadSST4 deriva dal fatto che ci sono molte meno osservazioni SST nella regione Niño3.4 rispetto alla nostra regione Extended Niño3.4 definita autonomamente, coerente con il minimo osservazionale documentato nel Pacifico tropicale centrale e orientale evidenziato in ICOADS (Freeman et al., 2017) e HadSST4 (Kennedy et al., 2019) a causa della mancanza di rotte navali che passavano attraverso Niño3.4 prima della metà del 1950. In termini di grandezza, la nostra incertezza 1-sigma dell’Ensemble ONI segue più da vicino l’incertezza della regione Niño3.4 di HadSST4 sia prima che dopo il 1950, che è la stima più conservativa di incertezza nel confronto.

La correlazione tra l’incertezza dell’Ensemble ONI e l’incertezza di HadSST4 Niño3.4 prima del 1950 è 0.42, mentre dopo il 1950 è 0.62, e simili (0.42, 0.71) per la regione Extended Niño3.4. L’entità della correlazione è meno rilevante per questa discussione rispetto ai confronti relativi. In particolare, correlazioni simili suggerirebbero che utilizzare l’incertezza di HadSST4 nella regione Extended Niño3.4 come limite inferiore per valutare l’incertezza del nostro Ensemble ONI è ragionevole, e interpretiamo l’incertezza di HadSST4 in Niño3.4 come vicina a un limite superiore poiché molteplici fonti di incertezza sono incluse nel calcolo dell’incertezza totale riportata da Kennedy et al. (2019). Mentre la nostra stima dell’incertezza per l’Ensemble ONI è strutturale (derivante dalla variabilità tra i dataset), sosteniamo che, poiché l’incertezza di HadSST4 in Niño3.4 è comparabile, questo indica che la nostra stima dell’incertezza è un’approssimazione ragionevole dell’incertezza reale nell’Ensemble ONI.

Inoltre, l’incertezza di HadSST4 è leggermente (ma consistentemente) meglio correlata con la nostra stima dell’incertezza dell’Ensemble ONI quando i dataset di rianalisi/modelli sono inclusi (correlazione di Pearson di 0.69 e 0.63, per le regioni Niño3.4 e Extended Niño3.4) piuttosto che esclusi (0.63 e 0.56, per le regioni Niño3.4 e Extended Niño3.4) dai nostri calcoli generali (Tabella 1 e Figura 5), probabilmente a causa della sotto-dispersione quando i 15 dataset di rianalisi/modelli sono esclusi, come discusso sopra.

Un altro metodo per valutare l’accuratezza dell’incertezza del nostro Ensemble ONI (Figura 4) è considerare gli eventi di El Niño forti che sono stati ben documentati numericamente e/o attraverso resoconti storici (Kiladis e Diaz, 1986; McPhaden, 1999; Huang et al., 2016a; L’Heureux et al., 2017; Huang et al., 2020). Poiché il feedback di Bjerknes che porta a un evento El Niño è ben compreso (Bjerknes, 1966; McPhaden et al., 2020), sosteniamo che lo stato del Pacifico tropicale in Niño3.4 prima di un forte evento El Niño debba riflettere anomalie SST che suggeriscono l’inizio del feedback di Bjerknes, e che questo requisito fisico aiuti a limitare anche l’incertezza corrispondente. In particolare, nei mesi estivi e all’inizio dell’autunno prima di un evento El Niño forte, l’anomalia SST di Niño3.4 è molto probabilmente positiva. Di conseguenza, l’intervallo di valori dell’Ensemble ONI determinato da qualsiasi stima dell’incertezza è improbabile che sia realistico se l’intervallo si estende a valori negativi prima dei mesi del picco di qualsiasi forte evento El Niño.

Ci sono stati diversi eventi di El Niño forti prima del 1950 che fungono da vincolo fisico sull’incertezza (Figura 6). L’El Niño del 1877-1878 è tra i più forti nel registro osservazionale (Huang et al., 2020; Sanchez et al., 2020). È stato associato a siccità e carestie prolificate che hanno colpito l’India e la Cina dal 1876 al 1877 (Lin et al., 2020) quando si stima che il 3% della popolazione mondiale sia morto, un impatto paragonabile a quello della pandemia di influenza del 1918-1919 (Singh et al., 2018). Inoltre, i registri dei coralli del Pacifico equatoriale centrale hanno trovato prove di un significativo riscaldamento nelle Isole della Linea settentrionali 12-18 mesi prima del picco dell’evento El Niño del 1876-1878 alla fine del 1877 (Sanchez et al., 2020), analogo al ben documentato El Niño del 2015-2016 (Levine e McPhaden, 2016). Infine, la pressione atmosferica al livello del mare (SLP) osservata a Santiago, Cile, era già tre deviazioni standard sotto la norma nel settembre 1876 e rimase sotto 1,5 deviazioni standard per il resto del 1876, suggerendo che un significativo evento El Niño fosse già in corso prima del 1877 (Kiladis e Diaz, 1986). Pertanto, l’estate-autunno del 1877 dovrebbe avere valori positivi dell’Ensemble ONI. L’El Niño del 1899-1900 è stato collegato alla siccità in India e ha catturato l’interesse di Sir Gilbert Walker mentre formulava il quadro dell’Oscillazione Meridionale (McPhaden et al., 2020). Il forte El Niño del 1918-1919 coincise con il fallimento del Monsoon Indiano (Quinn et al., 1978; Giese et al., 2010), e l’El Niño del 1888-1889 fu associato a estreme carestie in Etiopia (Wolde-Georgis, 1997) e confermato da registri scritti globali (ad esempio, Quinn, 1993; Garcia-Herrera et al., 2008).In questi casi menzionati, affermiamo che le estati precedenti questi eventi di El Niño sono fisicamente vincolate a valori positivi dell’Ensemble ONI, anche quando si considera l’intera gamma di incertezza (Figura 6). Basandoci su questa affermazione, il nostro intervallo di incertezza riportato (l’intervallo percentuale del 68.27%) è più appropriato rispetto, ad esempio, a un intervallo percentuale più ampio corrispondente all’intervallo del 95% (cioè, un intervallo di 2-sigma), perché l’intervallo percentuale più ampio potrebbe risultare in anomalie SST di Niño3.4 negative nelle estati precedenti gli El Niño forti.

Figura 6 evidenzia questa discrepanza, con particolare attenzione sull’El Niño del 1877-1878 (Figura 6b). L’intervallo di incertezza di 2-sigma nel 1877 suggerisce che ci fosse il potenziale per lo sviluppo di una La Niña fino a giugno o luglio, il che contraddice fortemente le evidenze (Kiladis e Diaz, 1986; Singh et al., 2018; Lin et al., 2020; Sanchez et al., 2020) che uno degli El Niño più forti registrati (Huang et al., 2020) stesse già iniziando a svilupparsi.

Figura 6c mostra l’El Niño del 1888-1889 ed è un caso in cui sia l’intervallo di incertezza di 1-sigma sia quello di 2-sigma suggeriscono almeno un’anomalia SST di Niño3.4 positiva, ma un esame più attento mostra che anche nell’estate del 1888, il limite inferiore dell’intervallo di 2-sigma tende verso condizioni neutrali, il che è altrettanto improbabile date le evidenze documentarie indipendentemente derivate (Quinn, 1993; WoldeGeorgis, 1997; Garcia-Herrera et al., 2008). Le Figure 6d-e mostrano casi ancora più chiari in cui l’intervallo di 2-sigma è troppo conservativo, producendo valori di anomalie SST di Niño3.4 vicini allo zero o addirittura negativi nelle estati precedenti gli El Niño ben documentati del 1899-1900 e 1918-1919 (Quinn et al., 1978; Giese et al., 2010).

Pertanto, gli studi di casi di El Niño precedenti agli anni ’50 rivelano prove sostanziali che l’intervallo di incertezza più ampio di 2-sigma non è coerente con la fisica del feedback di Bjerknes o con dati e registrazioni indipendentemente derivati.

Figura 5 presenta diverse sezioni che illustrano in modo dettagliato le variazioni e le tendenze dell’incertezza nell’Ensemble ONI nel tempo, utilizzando diversi set di dati di input.

Parte (a)

Questa sezione del grafico mostra l’incertezza nell’Ensemble ONI utilizzando tutti i 32 dataset di input dalla Tabella 1 (rappresentati in rosa-viola) e escludendo 15 dataset nella Tabella 1 che utilizzano modellazione o rianalisi (rappresentati in verde). Entrambe le curve sono mostrate con la rispettiva linea di tendenza lisciata su 12 mesi sovrapposta, permettendo di osservare come l’esclusione di specifici dataset influenzi l’incertezza complessiva dell’indice.

Parte (b)

Il grafico temporale dal 1850 al 1880 mostra la differenza nell’incertezza dell’Ensemble ONI calcolata utilizzando i 32 dataset di input rispetto all’incertezza calcolata utilizzando solo 17 dataset di input, con una linea di tendenza lisciata su 10 anni sovrapposta in nero. Questo evidenzia l’effetto delle variazioni nei dataset di input sull’incertezza misurata in questo specifico intervallo temporale.

Parte (c)

Simile alla parte (b), ma per il periodo dal 1880 al 1930, notando la differenza nella scala dell’asse y. Questo segmento continua a esplorare le variazioni dell’incertezza, mostrando come la discrepanza tra i due metodi di calcolo si sviluppi nel tempo, sottolineando l’impatto della selezione dei dataset sulla stima dell’incertezza.

Parte (d)

Come per la parte (b), ma per il periodo dal 1930 al 2021, notando ancora la differenza nella scala dell’asse y. Questa sezione estende ulteriormente l’analisi temporale dell’incertezza dell’Ensemble ONI fino al presente, permettendo di osservare le tendenze di lungo periodo e come queste possano essere influenzate dalla scelta dei dataset di input.

In sintesi, Figura 5 offre una visione approfondita su come l’inclusione o l’esclusione di specifici dataset di input influenzi l’incertezza dell’Ensemble ONI nel tempo, evidenziando periodi specifici con significative differenze tra i calcoli di incertezza basati su diversi insiemi di dati. Questo aiuta a comprendere meglio la robustezza e la sensibilità dell’indice ONI rispetto alle scelte metodologiche e al tipo di dati utilizzati.

Figura 6 fornisce una rappresentazione dettagliata dell’Indice Oceanico Niño di Ensemble (Ensemble ONI) nel tempo, concentrandosi specificamente sugli eventi di El Niño che si sono verificati prima del 1950 e sull’incertezza associata a questi eventi.

Parte (a)

Questa sezione mostra la serie temporale dell’Ensemble ONI dal 1850 al 1950. La linea nera rappresenta il valore centrale dell’Ensemble ONI, mentre l’ombreggiatura rosa-viola indica l’intervallo di incertezza del 1-sigma (68% di probabilità), e l’ombreggiatura grigia copre l’intervallo di incertezza del 2-sigma (95% di probabilità). Questo fornisce una visione chiara delle fluttuazioni della temperatura superficiale del mare nella regione Niño3.4 e delle incertezze associate nel tempo.

Parti (b)-(e)

Queste parti del grafico si focalizzano su quattro specifici eventi di El Niño avvenuti prima del 1950, mostrando dettagli maggiori per ciascuno di questi periodi: 1877-1878 (b), 1888-1889 (c), 1899-1900 (d) e 1918-1919 (e). Ogni sottosezione illustra l’Ensemble ONI e le relative incertezze per quegli anni specifici, con linee verticali tracciate a metà dell’anno precedente l’inizio dell’evento El Niño e a metà dell’anno seguente il picco dell’evento El Niño. Questi dettagli aiutano a visualizzare come le temperature e le incertezze si comportano durante e intorno agli eventi di El Niño.

Parte (b): Dettaglia l’evento El Niño 1877-1878, mostrando come le condizioni di El Niño fossero già evidenti dai documenti storici già dall’estate del 1876. Questo è visualizzato dalle linee verticali che coprono due anni per evidenziare la durata prolungata e l’anticipazione dell’evento.
Parte (c): Analizza l’evento El Niño del 1888-1889, evidenziando come l’intervallo di incertezza del 1-sigma e del 2-sigma si comporti durante questo periodo critico.
Parte (d) e (e): Esaminano gli eventi 1899-1900 e 1918-1919, rispettivamente, sottolineando come gli intervalli di incertezza possano variare notevolmente in prossimità di tali eventi climatici significativi.

In sintesi, Figura 6 illustra non solo le fluttuazioni dell’Ensemble ONI durante gli eventi di El Niño significativi, ma anche come l’incertezza associata a questi valori sia cruciale per la valutazione dell’affidabilità delle previsioni basate su tali dati. L’analisi dettagliata offerta da questa figura aiuta a comprendere meglio la robustezza delle misurazioni e la sensibilità delle stime dell’incertezza relative agli eventi di El Niño.

4.2 | Valutazione degli eventi ENSO a partire dal 1850 Abbiamo condotto una valutazione comparativa tra l’ONI dell’Ensemble e l’ONI NOAA esistente, disponibile dal 1950 al 2020 (Barnston et al., 1997; Huang et al., 2017), e confrontato questi dati con ulteriori indici ENSO che hanno origine prima del 1950 (Figura S3). Le discrepanze rispetto all’ONI NOAA sono contenute entro 0,23 K, e l’incertezza associata all’ONI dell’Ensemble (Figura 4b) si rivela superiore alla differenza nel 75% dei mesi analizzati. I coefficienti di correlazione dell’ONI dell’Ensemble per il periodo pre-1950 con l’indice Relativo Niño3.4 (RelNiño; van Oldenborgh et al., 2021), l’indice della Lingua Fredda (CTI; Deser e Wallace, 1987), l’indice dell’Oscillazione Meridionale (SOI; Ropelewski e Jones, 1987; Allan et al., 1991; Troup, 1965) e l’indice Bivariato della Serie Temporale EnSo (BEST; Smith e Sardeshmukh, 2000) sono rispettivamente 0,78, 0,78, 0,54 e 0,89. È importante notare che abbiamo moltiplicato l’SOI per −1 per facilitare il confronto con gli indici basati sulla temperatura superficiale del mare (SST).

Nel periodo post-1950, gli indici basati sulla SST mostrano correlazioni migliorate, variando dal 0,71 al 0,99, quasi certamente a causa della maggiore copertura e qualità delle osservazioni in situ. La correlazione più elevata si registra con l’ONI NOAA, che rappresenta la metodologia standard di riferimento per l’ONI dell’Ensemble, sebbene l’ONI NOAA utilizzi unicamente un singolo set di dati di input. L’SOI mostra una correlazione inferiore con l’ONI dell’Ensemble, probabilmente poiché si basa su dati di pressione atmosferica a livello del mare che incorporano una proporzione maggiore di variabilità atmosferica substagionale ad alta frequenza.

Il bias nell’ONI dell’Ensemble rispetto agli altri indici (Figura S3) è variabile e tende ad essere minore dopo il 1950, conformemente alle aspettative data la convergenza di tutti i set di dati di input man mano che procediamo verso il presente (Figura S1). Si osserva un leggero, ma non costante, bias caldo nell’ONI dell’Ensemble rispetto a SOI e BEST, e un bias freddo rispetto a CTI. Esiste un bias caldo leggermente maggiore in confronto a RelNiño, tuttavia la serie temporale dei bias mostra variazioni significative, con bias caldi notevoli (l’ONI dell’Ensemble risulta più caldo di RelNiño) prima del 1870 e durante la seconda guerra mondiale, e bias freddi nei primi anni del 1900. Questi bias non sistematici indicano differenze che emergono direttamente dai dati di input stessi e non sono semplicemente artefatti derivati da differenze metodologiche, riaffermando il potere esplicativo della variabilità inter-dataset come principale fonte di incertezza nell’ONI dell’Ensemble.Per caratterizzare più accuratamente gli eventi ENSO, abbiamo implementato nuovamente un approccio basato su un vasto insieme di dati, questa volta applicando 33 definizioni di ENSO basate su studi accademici, per ridurre la soggettività nella nostra interpretazione dei dati. Queste definizioni dello stato ENSO (Tabella 2) sono state applicate all’ONI dell’Ensemble per identificare i periodi corrispondenti agli eventi ENSO. Abbiamo utilizzato queste definizioni sull’ONI dell’Ensemble e abbiamo conteggiato gli anni con eventi ENSO, considerando come “anno El Niño” o “anno La Niña” qualsiasi anno, definito come i mesi invernali boreali di dicembre-febbraio, durante i quali almeno un mese soddisfa oltre il 60% delle definizioni. Con questa metodologia di conteggio, tra il 1850 e il 2021 si sono verificati 42 eventi El Niño e 35 eventi La Niña, ossia circa un evento El Niño o La Niña ogni 4-5 anni. Questa frequenza si colloca nel mezzo del range di ritorno di 2-7 anni evidenziato in studi precedenti come Quinn et al., 1978; Ramesh e Murtugudde, 2013; Santoso et al., 2017.

Applicando le definizioni all’ONI dell’Ensemble, calcolato utilizzando l’intero intervallo di incertezza (Figura 4), la frequenza degli eventi El Niño varia da 3 a 6 anni, e quella degli eventi La Niña da 3 a 9 anni, risultati coerenti con la frequenza di ritorno basata sulla letteratura (ad esempio, McPhaden et al., 2020). Utilizzando le definizioni di anno ENSO e le definizioni basate sulla letteratura precedentemente citate, abbiamo scoperto che la transizione da El Niño a La Niña avviene circa il doppio delle volte rispetto alla transizione da La Niña a El Niño, in linea con i lavori precedenti (Kessler, 2002; Ohba e Ueda, 2009; Okumura e Deser, 2010; Ohba e Watanabe, 2012; Choi et al., 2013; An e Kim, 2017; An e Kim, 2018). La Figura 7a mostra la serie temporale della frazione di definizioni soddisfatte (valori nella Tabella S4).

Ampliando l’analisi oltre le definizioni basate su studi precedenti, abbiamo potenziato la nostra valutazione degli eventi ENSO confrontando l’ONI dell’Ensemble con i record proxy e documentari sia di eventi El Niño che La Niña. Il confronto dell’ONI dell’Ensemble con i record proxy aiuta anche a comprendere le incertezze nelle misure di ENSO basate su strumenti (Anderson et al., 2013; Kennedy, 2014). Il valore di questo confronto deriva dal fatto che i record proxy sono completamente indipendenti dai dati di input utilizzati (Tabella 1) per l’ONI dell’Ensemble e sono meno soggetti a potenziali problemi di sotto-dispersione che possono emergere da bias condivisi tra i dataset di SST e le rianalisi a causa delle loro simili costruzioni metodologiche (Kennedy, 2014; Pillar et al., 2018). Le sfide nel confrontare l’ONI dell’Ensemble con i record proxy includono il fatto che i risultati dei proxy sono riportati con una risoluzione temporale annuale (McGregor et al., 2013), possono essere sensibili a manifestazioni o variazioni di ENSO che si discostano da Niño3.4 (Ashok et al., 2007), e sono indirettamente collegati alle anomalie SST. Tuttavia, come discuteremo in seguito, l’allineamento degli eventi ENSO basati su proxy con gli eventi ENSO e le relative incertezze dall’ONI dell’Ensemble è eccellente.

Utilizziamo record proxy e documenti scritti provenienti da 13 fonti letterarie, tutte documentano eventi El Niño e 11 documentano La Niña, durante un periodo di sovrapposizione tra il 1850 e il 1977 (Quinn et al., 1987; Stahle et al., 1998; Cook et al., 2008; Braganza et al., 2009; Gergis e Fowler, 2009; McGregor et al., 2010; Wilson et al., 2010; Li et al., 2011; Hakim et al., 2016; Anderson et al., 2019; Freund et al., 2019; Tardif et al., 2019; Dätwyler et al., 2020; Sanchez et al., 2020). La maggior parte di questi record proxy presenta unità e variabili diverse, mentre i documenti scritti classificano qualitativamente gli eventi ENSO. Per facilitare un confronto tra questi e l’ONI dell’Ensemble, adottiamo un approccio modificato da Wolter e Timlin (2011) e analizziamo i ranghi percentili annuali derivati dall’ONI dell’Ensemble e da ciascun record proxy durante il periodo 1850–1977 (Tabella S5), quando si verifica la loro sovrapposizione. I terzili superiore, medio e inferiore rappresentano rispettivamente El Niño, ENSO Neutrale e La Niña, eccetto per Stahle et al. (1998), che è un indice proxy basato sull’SOI con i segni invertiti. Successivamente, analizziamo la percentuale di proxy che rispettano questa definizione basata sui percentili di ENSO come funzione del tempo.

Nella Figura 7a, la linea nera sovrapposta sulla frazione delle definizioni di ENSO basate sulla letteratura mostra la frazione dei proxy (valori nella Tabella S5) che hanno segnalato un El Niño (su 13 proxy) o una La Niña (su 11) tra il 1850 e il 1977, evidenziando che i risultati dei proxy sono a risoluzione temporale annuale. Sono stati identificati 42 El Niños e 41 La Niñas di varia intensità e durata. È rilevante notare che esistono solo due eventi ENSO, entrambi La Niñas, che non sono stati identificati da alcun proxy ma che hanno soddisfatto almeno il 50% delle definizioni basate sulla letteratura di essere La Niñas: 1856–1857 e 1903–1904. L’evento del 1856–1857 presenta un’incertezza del 105% mentre quello del 1903–1904 ha un’incertezza del 58% (Figura 4) attorno al valore centrale dell’ONI dell’Ensemble, dove le percentuali sono calcolate come l’incertezza media da luglio a marzo divisa per l’ONI medio dell’Ensemble da luglio a marzo. Questi valori sono elevati rispetto all’incertezza negli eventi ENSO nei loro rispettivi periodi temporali (93% in media dal 1850 al 1869, e 37% dal 1890 al 1909), suggerendo la possibilità che l’ONI dell’Ensemble abbia segnalato uno stato di La Niña eccessivamente marcato, o che una La Niña sia effettivamente avvenuta e non si sia manifestata nei record proxy. La conclusione principale della Figura 7 è che la stragrande maggioranza degli eventi ENSO sono confermati da record completamente indipendenti provenienti da più proxy.

Riconoscendo i risultati della nostra valutazione dell’incertezza e dei confronti con le definizioni basate sulla letteratura e i risultati basati sui proxy, procediamo a categorizzare gli eventi El Niño e La Niña dal 1850 in base al valore massimo dell’ONI dell’Ensemble durante i mesi di ottobre-marzo. Specificiamo “El Niños Forti” quando i valori di picco variano da +1.5°C a +2.0°C, e “La Niñas Forti” sono valori inferiori a -1.5°C, mentre gli “El Niños Super” sono eventi con picchi che superano i +2.0°C. A causa dei loro impatti climatici e su larga scala, gli El Niños Super sono una categoria discussa ampiamente nella letteratura oltre alla nostra classificazione operativa (Latif et al., 2015; Chen et al., 2016; Bing e Xie, 2017; Hameed et al., 2018).

Identifichiamo sei El Niños Super (Figura 8a) negli anni 1877-1878, 1997-1998, 2015-2016, 1982-1983, 1972-1973 e 1888-1889. I primi quattro hanno mantenuto valori medi dell’ONI dell’Ensemble superiori a +2.0°C da ottobre a marzo, separandoli dagli eventi del 1972-1973 e del 1888-1889. I primi tre El Niños Super presentano intervalli di incertezza che li distinguono statisticamente da altri eventi ENSO dal 1850. Inoltre, gli El Niños Super hanno anomalie globali della temperatura ben documentate (Morice et al., 2021) e impatti (Slingo e Annamalai, 2000; van der Werf et al., 2004; Zhu et al., 2018). La Figura S4 mostra i risultati della Figura 8 ma confronta l’ampiezza del picco dell’evento ENSO da ONI NOAA (Barnston et al., 1997) e Niño3.4 Relativo (van Oldenborgh et al., 2021), entrambi basati su un unico set di dati di input a differenza dei 32 set di dati di input per l’ONI dell’Ensemble. I migliori 20 risultati ONI NOAA sono molto simili, ma Niño Relativo produce più El Niños Super.

Nonostante le La Niñas del 1988-1989 e del 1916-1917 siano le più forti dal 1850 (Figura 8b), non distinguiamo Super da Strong La Niñas perché l’incertezza nell’ONI dell’Ensemble impedisce una distinzione chiara tra queste e le La Niñas leggermente più deboli, ma ancora intense. La Figura 8 mostra anche come l’incertezza asimmetrica derivata dalla variabilità tra i dataset possa risultare in alcuni dei primi 20 eventi ENSO prima del 1950 che si spostano verso Super El Niños (1896-1897, 1902-1903) o verso Moderate El Niños (1930-1931, 1899-1900) man mano che vengono considerati più dati.

Tutti i primi 20 eventi El Niño sono stati registrati nei record proxy riassunti nella Figura 7, con una media dell’81% dei proxy che segnalano un evento El Niño nei primi 20 anni rispetto a una media del 52% negli anni non top 20. Analogamente, tutti tranne l’evento La Niña del 1856-1857 (0 proxy lo hanno notato) sono stati registrati nei record proxy (Figura 7), con una media del 77% che segnala La Niñas negli anni corrispondenti ai primi 20 La Niñas rispetto a una media del 46% negli anni non top 20. L’interpretazione è che gli eventi top 20 sono più probabilmente evidenti nelle fonti documentarie, nei record proxy e nelle variabili di stato fisico come le anomalie della SST nella regione Niño3.4, e che l’ONI dell’Ensemble fornisce stime realistiche dell’ENSO anche quando le osservazioni SST in situ sono scarse nel XIX e nei primi-metà del XX secolo.

Di seguito una spiegazione dettagliata e scientificamente accurata della Tabella 2, che elenca 33 definizioni basate sulla letteratura degli eventi ENSO (El Niño Southern Oscillation), con le parti rilevanti evidenziate in grassetto:

Institution/reference: Questa colonna elenca le istituzioni o le fonti bibliografiche che hanno fornito ciascuna definizione. Queste possono includere agenzie meteorologiche nazionali, istituti di ricerca climatica, o singoli studi accademici.
Criteria amplitude: Questa colonna descrive i criteri di ampiezza termica, specificando le deviazioni della temperatura superficiale del mare (SST) dalla norma che devono essere soddisfatte per classificare un episodio come El Niño o La Niña. Ad esempio, una definizione potrebbe richiedere una deviazione di “+/- 0.4°C SST”, indicando che la temperatura deve essere almeno 0.4°C al di sopra o al di sotto della media per soddisfare il criterio di un evento ENSO. Le ampiezze variano significativamente tra le fonti, riflettendo diverse soglie per identificare e classificare gli eventi ENSO.
Criteria length: Indica la durata necessaria affinché i criteri di ampiezza siano mantenuti per riconoscere formalmente un evento ENSO. Le lunghezze variano da definizioni che richiedono una deviazione per un singolo mese, come “Any month”, a quelle che richiedono condizioni sostenute per periodi più estesi, come “5 consecutive tri-monthlies”, che implica che la deviazione deve persistere per cinque periodi trimestrali consecutivi. Questo parametro è cruciale perché stabilisce il tempo durante il quale le anomalie devono essere presenti per considerare l’evento significativo dal punto di vista climatologico.

La varietà nelle definizioni riflette le diverse interpretazioni e approcci metodologici adottati dalle varie istituzioni e studi nella classificazione degli eventi ENSO. Questo spiega perché può esserci una sostanziale diversità nei dati e nelle conclusioni tra diversi studi, dato che la definizione di ciò che costituisce un evento El Niño o La Niña può influenzare notevolmente i risultati della ricerca e le decisioni politiche correlate. La comprensione di queste definizioni è fondamentale per l’analisi dei dati climatici e per garantire la coerenza tra gli studi che esaminano le tendenze climatiche e le variazioni globali.

La Figura 7 illustra due aspetti cruciali relativi agli eventi ENSO (El Niño Southern Oscillation) dal 1850 al 2021, usando due sottopannelli (a) e (b) per visualizzare la percentuale di accordo con le definizioni basate sulla letteratura e i valori ONI dell’Ensemble, rispettivamente.

(a) Percentuale di accordo con le definizioni basate sulla letteratura e i record proxy:
- Questo pannello mostra la percentuale di accordo con 33 definizioni basate sulla letteratura di El Niño e La Niña. Le definizioni sono prese da diverse fonti accademiche e istituzionali come specificato nella Tabella 2.
- El Niño è rappresentato da valori positivi colorati in rosso chiaro, mentre La Niña da valori negativi colorati in blu chiaro.
- Le linee nere indicano l’accordo con i record proxy multipli degli eventi ENSO dal 1850 al 1977. Queste linee servono a mostrare quanto frequentemente i dati provenienti da diverse fonti proxy confermano gli eventi ENSO identificati tramite le definizioni letterarie.
(b) Valori ONI dell’Ensemble colorati secondo l’accordo delle definizioni:
- Il secondo pannello mostra i valori dell’ONI dell’Ensemble, dove solo i valori che corrispondono a più del 60% delle definizioni letterarie sono colorati: El Niños in rosso e La Niñas in blu.
- I valori in grigio rappresentano i periodi in cui né le condizioni di El Niño né quelle di La Niña sono state riconosciute dal 60% delle definizioni. Questo indica una mancanza di consenso tra le definizioni letterarie riguardo la classificazione di questi periodi come eventi ENSO.

Rilevanza scientifica della Figura 7:

La Figura 7 è fondamentale per comprendere la variabilità e la concordanza tra le diverse metodologie utilizzate per classificare e rilevare gli eventi ENSO nel tempo.
Offre una rappresentazione visiva della frequenza e intensità degli eventi ENSO e fornisce una valutazione critica di come questi eventi siano stati documentati e confermati da diverse fonti.
Illustra l’importanza dell’analisi interdisciplinare e della validazione incrociata tra definizioni letterarie e dati proxy per una comprensione più accurata e completa dei fenomeni climatici globali come El Niño e La Niña.

In sintesi, la Figura 7 dimostra non solo le tendenze temporali degli eventi ENSO ma anche la coerenza, o la mancanza di essa, tra le diverse definizioni e osservazioni nel corso degli anni, offrendo una panoramica essenziale per studi climatologici avanzati.

(a) I 20 eventi El Niño più forti

La parte superiore del grafico, (a), illustra i 20 eventi El Niño più intensi identificati dall’ONI dell’Ensemble. Ogni evento è rappresentato da un quadrato rosso che mostra il valore di picco dell’ONI raggiunto tra ottobre e marzo dell’anno indicato.
Le categorie di intensità degli eventi El Niño sono indicate sull’asse y e includono:
- Moderato: valori ONI tra 1.0°C e 1.5°C,
- Forte: valori ONI tra 1.5°C e 2.0°C,
- Super: valori ONI superiori a 2.0°C.
Le barre di errore visualizzate sono asimmetriche, indicando la variabilità dell’incertezza tra i diversi set di dati di input. Queste barre illustrano quanto la stima del picco possa variare a seconda delle differenze nei dati utilizzati per calcolare l’ONI.

(b) I 20 eventi La Niña più forti

La parte inferiore del grafico, (b), presenta i 20 eventi La Niña più intensi, anch’essi determinati dai valori di picco dell’ONI dell’Ensemble tra ottobre e marzo.
Ogni evento La Niña è rappresentato da un quadrato blu, e le categorie di intensità sono:
- Debole: valori ONI tra -1.0°C e -1.5°C,
- Moderato: valori ONI tra -1.5°C e -2.0°C,
- Forte: valori ONI inferiori a -2.0°C.
Anche in questo caso, le barre di errore asimmetriche mostrano l’incertezza nei valori di picco dell’ONI, evidenziando la dipendenza dai set di dati di input e la variabilità introdotta dai diversi metodi di misurazione e analisi.

Significato e Utilizzo della Figura 8

La Figura 8 fornisce un’analisi comparativa visiva e quantitativa degli eventi El Niño e La Niña più significativi nel periodo osservato, sottolineando non solo l’intensità ma anche la certezza delle nostre misurazioni.
L’illustrazione degli eventi attraverso l’uso di categorie di intensità aiuta a comprendere meglio la gravità e l’impatto potenziale di questi fenomeni climatici, sia in termini di variabilità climatica che di influenze meteorologiche estreme.
La presenza delle barre di errore enfatizza l’importanza dell’accuratezza nei set di dati e nell’analisi statistica nell’interpretazione degli eventi climatici, fornendo così una base per ulteriori ricerche e decisioni politiche informate riguardo ai cambiamenti climatici e alla gestione delle risorse naturali.

In conclusione, la Figura 8 è un potente strumento visivo che mette in evidenza la complessità e la dinamica degli eventi ENSO, offrendo una prospettiva cruciale per la ricerca scientifica e la pianificazione politica nel contesto dei cambiamenti climatici globali.

5 | CONCLUSIONI

L’Indice Oceanico Niño Ensemble (Ensemble ONI) utilizza un insieme di dataset di input per sviluppare un nuovo indice ENSO basato sulle anomalie della temperatura superficiale del mare (SST) nella regione Niño3.4. Utilizziamo metodi simili all’ONI NOAA esistente (Barnston et al., 1997), ma il nostro lavoro incorpora un insieme di 32 dataset di SST (Tabella 1), si estende fino al 1850, è disponibile quasi in tempo reale, e utilizza l’insieme per quantificare l’incertezza (Figura 4).

La nostra metodologia usa sia una mediana delle climatologie di base che cambiano nel tempo (per tenere conto del riscaldamento evidente nella regione Niño3.4, Figura S1) sia una anomalia SST mediana attraverso l’insieme dei 32 dataset. La scelta di una mediana aiuta a resistere all’influenza dei valori anomali che possono sorgere in qualsiasi mese dal 1850 all’interno dei singoli dataset. In altre parole, i nostri metodi non cercano di diagnosticare problemi, artefatti o metodologie di ciascun dataset, ma considerano invece ciò che l’insieme nel suo complesso suggerisce sulle SST di Niño3.4. I nostri metodi possono quindi facilmente integrare ulteriori dati sia a ritroso nel tempo che man mano che il futuro si svolge. Un insieme più grande di valori in un dato mese rafforza la stima centrale dell’Ensemble ONI, e troviamo che la variabilità tra tutti i dataset, indipendentemente dalle somiglianze nelle SST in situ sottostanti, produce l’intervallo di incertezza più conservativo (Figure 4 e 5).

Discutiamo l’evoluzione temporale delle nostre stime di incertezza e confrontiamo la loro magnitudine con l’incertezza totale di HadSST4 per la regione Niño3.4 (Kennedy et al., 2019). Avanziamo anche la discussione sulla stima dell’incertezza sostenendo che le nostre migliori stime sono vincolate semi-quantitativamente da eventi ENSO ben documentati, un insieme di 33 diverse definizioni basate sulla letteratura, e confronti con 13 record proxy degli eventi ENSO dal 1850 (Figura 7). Sosteniamo che la nostra incertezza, determinata dalla variabilità attraverso il nostro insieme di 32 dataset, offre un modo per affinare le future stime di incertezza negli indici ENSO rispetto a fonti diverse.

I nostri risultati mostrano che c’è una distinzione statistica tra gli El Niños Super e quelli Forti, ma lo stesso non si applica alle La Niñas. In termini di classifica, l’El Niño del 1877-1878 è il più forte, ma l’incertezza nella magnitudine di picco dell’evento non esclude la possibilità che gli El Niños del 1982-1983, 1997-1998 o 2015-2016 fossero almeno altrettanto forti, in linea con Huang et al. (2020). Tuttavia, i nostri risultati non escludono nemmeno la possibilità che il 1877-1878 fosse ancora più forte della nostra stima centrale (ad es., Sanchez et al., 2020), poiché un grave campionamento insufficiente nel nucleo del Pacifico centrale e la somiglianza nei metodi tra i curatori dei dataset SST potrebbero sottovalutare l’ampiezza “reale” dell’evento (Kaplan et al., 1998).I registri dei coralli, ad esempio da Fanning e Palmyra Islands (Sanchez et al., 2020), suggeriscono che l’ampiezza dell’El Niño del 1877–1878 era più di una deviazione standard superiore rispetto al successivo El Niño più forte (1997–1998). In ogni caso, quei quattro El Niños sono molto probabilmente Super El Niños in termini di ampiezza di picco, condizioni medie nei mesi invernali boreali, e impatto globale documentato.

In linea con l’asimmetria ENSO (An e Kim, 2018), non facciamo una distinzione per le “Super” La Niñas, ma le due più forti sono il 1916–1917 e il 1988–1989, con quest’ultima così intensa che ha portato alla definizione del termine La Niña nella letteratura più di 30 anni fa (Philander, 1990; McPhaden et al., 2015). Infine, l’arco temporale del nostro lavoro mostra che gli eventi El Niño erano più intensi all’inizio sia del 20° che del 21° secolo, con una pausa a metà del 1900 (Figura 3), simile ad altri studi (Giese e Ray, 2011; Wolter e Timlin, 2011; McGregor et al., 2013), alcuni dei quali hanno suggerito che questa variabilità secolare nell’ampiezza ENSO esiste da almeno gli ultimi centinaia di anni o più (Enfield e Cid, 1991; Garcia-Herrera et al., 2008; Langton et al., 2008; Li et al., 2011; Tindall et al., 2016; Liu et al., 2017), sebbene il nostro lavoro non tenti di diagnosticare il meccanismo causale (ad esempio, Karnauskas et al., 2012; Lewis e LeGrande, 2015) e potrebbe sottovalutare la variabilità secolare (ad esempio, Wittenberg, 2009; Ault et al., 2013).

L’Ensemble ONI e la relativa incertezza (Figura 4) stabiliscono una base affidabile con cui confrontare e possibilmente vincolare altri dataset SST, modelli di rianalisi, ricostruzioni proxy e documentarie, così come modelli climatici. I futuri sviluppi dell’Ensemble ONI includono l’incorporazione di dati pre-1850 man mano che vengono compilati nuovi record (Giese et al., 2016; Freeman et al., 2017; Slivinski et al., 2019), esplorando le varietà di El Niño (Ashok et al., 2007), il ricalcolo dell’ONI rispetto ai trend di riscaldamento degli oceani tropicali (van Oldenborgh et al., 2021), e ulteriormente affinando la stima dell’incertezza per i dati pre-1950. Dataset di rianalisi o osservazionali aggiuntivi o aggiornati possono anche essere incorporati facilmente, e i nostri metodi possono essere adattabili per esplorare altre regioni Niño per affrontare interconnessioni dinamiche (Xie et al., 2009; Ummenhofer et al., 2011). Infine, i nostri metodi potrebbero essere adattati per combinare i dati SST con ulteriori dimensioni (Wolter e Timlin, 2011), come i record a lungo termine della pressione atmosferica al livello del mare (Quinn et al., 1978; Ropelewski e Jones, 1987; Allan et al., 2002; Cram et al., 2015), per un indice ENSO multivariato a ensemble.

https://www.researchgate.net/publication/358278595_The_Ensemble_Oceanic_Nino_Index?enrichId=rgreq-473c941698438579fb5a79495378ae5f-XXX&enrichSource=Y292ZXJQYWdlOzM1ODI3ODU5NTtBUzoxMTUyMjAwOTQ4NjI5NTA2QDE2NTE3MTc1MjEzMzU%3D&el=1_x_2&_esc=publicationCoverPdf

Pubblicato da Alessandro il Dicembre 21, 2024Dicembre 21, 2024

1. Introduzione: la rilevanza di ENSO e dell’ONI

2. Obiettivo e contesto dello studio di Webb e Magi

3. Struttura generale dello studio

4. Metodologia di costruzione dell’Ensemble Oceanic Niño Index

5. Principali risultati e implicazioni

6. Confronto con l’ONI classico: punti di forza e limitazioni

7. Impatti operativi e possibili sviluppi futuri

8. Conclusioni complessive

Parte (a)

Parte (b)

Parte (a)

Parte (b)

Parte (c)

Parte (a)

Parte (b)

Parte (c)

Parte (d)

Parte (a)

Parti (b)-(e)

(a) I 20 eventi El Niño più forti

(b) I 20 eventi La Niña più forti

Significato e Utilizzo della Figura 8

0 commenti

Lascia un commento Annulla risposta

posts recenti

El Niño 2026 e vulnerabilità climatica del Pacifico orientale: interpretazione scientifica del bollettino ESPOL del 1 giugno 2026

Flusso verso est indotto dalla salinità nella primavera boreale favorisce eventi di El Niño estremi

Diversity of ENSO Events Unified by Convective Threshold Sea Surface Temperature: A Nonlinear ENSO Index (Ian N. Williams & Christina M. Patricola, 2018)

Indice Oceanico Niño di Ensemble

Pubblicato da Alessandro il Dicembre 21, 2024Dicembre 21, 2024

1. Introduzione: la rilevanza di ENSO e dell’ONI

2. Obiettivo e contesto dello studio di Webb e Magi

3. Struttura generale dello studio

4. Metodologia di costruzione dell’Ensemble Oceanic Niño Index

5. Principali risultati e implicazioni

6. Confronto con l’ONI classico: punti di forza e limitazioni

7. Impatti operativi e possibili sviluppi futuri

8. Conclusioni complessive

Parte (a)

Parte (b)

Parte (a)

Parte (b)

Parte (c)

Parte (a)

Parte (b)

Parte (c)

Parte (d)

Parte (a)

Parti (b)-(e)

(a) I 20 eventi El Niño più forti

(b) I 20 eventi La Niña più forti

Significato e Utilizzo della Figura 8

0 commenti

Lascia un commento Annulla risposta

posts recenti

Articoli correlati

El Niño 2026 e vulnerabilità climatica del Pacifico orientale: interpretazione scientifica del bollettino ESPOL del 1 giugno 2026

Flusso verso est indotto dalla salinità nella primavera boreale favorisce eventi di El Niño estremi

Diversity of ENSO Events Unified by Convective Threshold Sea Surface Temperature: A Nonlinear ENSO Index (Ian N. Williams & Christina M. Patricola, 2018)