A seconda che una previsione meteorologica dipenda dalle condizioni iniziali o da quelle al contorno, sono definiti due tipi di predicibilità (Lorenz 1975, [9]):
• predicibilità del I tipo: `e riferita alla dipendenza dalle condizioni iniziali e dunque riguarda le previsioni a breve e medio termine, per le quali non `e possibile ottenere
risultati affidabili oltre il limite teorico delle due settimane (Lorenz 1963, [10]);
• predicibilità del II tipo: `e riferita alla dipendenza dalle condizioni al contorno e dunque riguarda le previsioni a lungo termine (mensili, stagionali, …) per le quali si rende necessario un approccio probabilistico o statistico, che faccia emergere i pattern e le configurazioni che caratterizzano l’andamento medio deltempo atmosferico nel periodo considerato (Shukla 1981, [14]).
Per quanto detto, quindi, le previsioni meteorologiche mensili si distinguono da quelle a breve o medio termine per la scala spazio-temporale che le caratterizza e per la metodologia usata (probabilistica invece di deterministica).
A distanza di trenta giorni, infatti, nessuno potrà mai formulare una previsione sulla temperatura massima o sulla quantità di neve o di pioggia previste in un certo luogo.
Sarà invece più naturale esprimersi in termini di probabilità di anomalie (di temperatura, pressione, precipitazioni) riferite a certe aree (ad esempio l’Italia, l’Europa settentrionale, il Mediterraneo centrale), dove per anomalia si intende la differenza tra il valore della previsione p (o del dato osservato o) e quello della media climatologica, c (il diverso approccio nei due tipi di previsione `e ben mostrato dalla figura (2.1)):
p
0 = p − c (2.1)
o
0 = o − c (2.2)
Sotto quest’ultimo aspetto le previsioni mensili hanno più a che vedere con le previsioni stagionali o multi-stagionali, benchè rispetto a queste trenta giorni restino un periodo di tempo troppo breve per poter sfruttare la variabilità temporale di alcune grandezze, come il contenuto di calore degli oceani e dunque l’andamento della loro temperatura (Sea Surface Temperature, SST), che ha cicli di variazione più lunghi e più lenti.
Tuttavia, alle previsioni mensili sono di supporto fonti alternative di predicibilità, fornite da fenomeni atmosferici caratterizzati da una scala di variabilità temporale interstagionale che negli anni sono stati studiati ed approfonditi.
Tra le più utilizzate e conosciute vi sono l’oscillazione di Madden-Julian (Madden-Julian Oscillation, MJO), le condizioni iniziali della stratosfera, l’innevamento del suolo e l’oscillazione nord-atlantica (North Atlantic Oscillation, NAO) ([18]).
Esempio di rappresentazione di una previsione mensile: anomalia prevista per il campo di temperatura a 2 metri. Fonte: isac.cnr.it 
Esempio di rappresentazione di una previsione a medio termine: campo previsto dell’altezza geopotenziale a 500 hPa e della pressione
al suolo. Fonte: wetterzentrale.de
L’interesse e l’attenzione rivolti allo sviluppo delle previsioni mensili sono frutto soprattutto di questa particolare condizione “intermedia” che le contraddistingue, questo appartenere ad un sorta di “terra di nessuno”, caratterizzata da un range temporale troppo lungo per essere oggetto di previsioni deterministiche e troppo breve per applicare le tecniche di previsione stagionale.
Le previsioni mensili, elaborate dal ECMWF*, sono operative sin da Ottobre 2004. Attualmente esse sono generate 2 volte a settimana estendendo a 32 giorni le previsioni probabilistiche del modello deterministico o più tecnicamente esse sono prodotte dal sistema ENS (Medium-Range / Monthly Ensemble Forecast), componente chiave del sistema integrato di previsioni (IFS) del ECMWF.
Il sistema ENS comprende 51 membri con una risoluzione orizzontale di circa 32 km fino al decimo giorno di previsione e di circa 65 km dal 11-esimo giorno fino al 32–esimo. La risoluzione verticale comprende 91 livelli, con il limite superiore a 0.01 hPa. L’accoppiamento con il modello dell’Oceano (NEMO) viene effettuato durante la corsa del modello ogni 3 ore. La climatologia del modello è calcolata a partire da un ensemble di 5 membri ciascuno di 32 giorni di integrazione, inizializzati nei 20 anni antecedenti e nella stessa data (stesso giorno, stesso mese) della previsione in real-time.
L’output del modello produce previsioni di tipo probabilistico delle variabili meteorologiche quali il campo di pressione, la temperatura e la quantità di precipitazioni cumulate, che vengono successivamente elaborate mediando temporalmente i valori delle variabili su un periodo di sette giorni. I risultati vengono poi visualizzati in termini di anomalia rispetto alla climatologia del modello nelle 4 settimane successive per una migliore fruibilità all’utente finale.
L’attendibilità delle previsioni mensili viene misurata attraverso degli indici di performance denominati “skill score”. Tali indici mostrano valori abbastanza alti nella seconda settimana mentre nella terza settimana risultano più bassi, e quindi meno affidabili, ma comunque superiori alle previsioni statistiche e a quelle ottenute attraverso la persistenza. Nella quarta settimana i valori degli indici di “skill score” , anche se positivi e quindi più performanti della climatologia, assumono valori di circa la metà di quelli della terza settimana.
Uno degli strumenti a cui si ricorre più spesso nella verifica di una previsione `e il calcolo dei cosiddetti skill score, ovvero dei “punteggi” il cui valore dovrebbe fornire un’informazione quantitativa sulla qualità di una previsione meteorologica.
Gli skill score sono solitamente espressi in termini di miglioramento percentuale rispetto ad una previsione assunta come riferimento, quale può essere la media climatica, una previsione di persistenza (cioè assumere che il tempo atmosferico non cambi rispetto al periodo precedente), o anche una previsione casuale (riferita all’occorrenza statistico-climatica di un determinato fenomeno osservato).
Nel caso più generale, uno skill score SS in termini di punti percentuali `e definito come:
dove Aperf` e il valore dell’accuratezza che dovrebbe raggiungere una previsione perfetta e Aref quello della previsione presa come riferimento.
I due valori estremi SS = 0% e SS = 100% si ottengono rispettivamente per i casi A = Aref e A = Aperf . SS può assumere anche valori negativi, in tal caso significa che l’accuratezza della previsione `e valutata come inferiore rispetto a quella presa come riferimento.
Un secondo importante aspetto di cui tener conto nella fase di verifica `e l’incidenza e il peso del bias (o errore sistematico) che affligge un modello, definito come lo scostamento di una previsione (p) per un certo campo meteorologico (ψ) dall’effettivo comportamento dell’atmosfera (o):
B
ψ = p − o (2.5)
Valutare l’andamento spaziale e temporale di tale fattore permette di conoscere preventivamente eventuali sovrastime e sottostime di un modello, correggendole opportunamente.
Per il calcolo del bias si ricorre solitamente al calcolo di una sorta di “clima del modello” attraverso un gran numero di simulazioni di reforecast, al fine di confrontarlo con il “clima reale” rappresentato dalle reanalisi.
Le previsioni mensili pur mostrando una tendenza dello stato dell’atmosfera a non essere predicibile con la stessa accuratezza mostrata dal modello deterministico a 10 giorni, tuttavia danno indicazioni più affidabili delle previsioni statistiche ed evidenziano, in particolari condizioni dello stato dell’atmosfera, dei segnali da non sottovalutare su scadenza intra-stagionale.
Per ulteriori approfondimenti sull’argomento si rimanda al sito web del ECMWF:
http://www.ecmwf.int/en/forecasts/documentation-and-support/extended-range-forecasts