Using large ensembles to quantify the impactof sudden stratospheric warmings and theirprecursors on the North Atlantic Oscillation

Impiego di grandi ensemble per analizzare l’impatto dei riscaldamenti stratosferici improvvisi e dei loro precursori sull’Oscillazione Nord Atlantica

Riassunto. I riscaldamenti stratosferici improvvisi (SSW) portano spesso a notevoli conseguenze climatiche e meteorologiche al suolo. Questi eventi influenzano l’Oscillazione Nord Atlantica (NAO), causando periodi di freddo estremo in Europa e Nord America. Precedenti studi hanno tentato di individuare caratteristiche atmosferiche ante-SSW che potrebbero prevedere gli impatti successivi a livello superficiale, utilizzando osservazioni e modelli climatici liberi. La scarsità di dati osservativi, però, rende difficile una quantificazione precisa di queste relazioni. Per superare questo limite, il nostro studio impiega un vasto ensemble di previsioni stagionali retrospettive per testare la fedeltà con cui riproducono gli SSW osservati e i loro effetti superficiali.

Abbiamo constatato che le simulazioni sono statisticamente equivalenti alle osservazioni riguardo al rischio annuale di un SSW (56%), la frequenza degli SSW che provocano una risposta negativa della NAO (65%), l’intensità di tali risposte, e la prevalenza degli SSW dominati dal numero d’onda 2 (26%). Abbiamo anche esaminato le correlazioni tra le condizioni precedenti e la risposta della NAO nei 30 giorni successivi a un SSW, scoprendo che le variabili precedenti offrono limitati indizi sul comportamento successivo della NAO, a causa dell’ampia variabilità naturale tra gli eventi SSW.

Le relazioni più significative con la risposta della NAO si osservano nelle anomalie di pressione al livello del mare sopra il polo e nelle anomalie dei venti zonali nella bassa stratosfera, entrambe con correlazioni intorno a 0,3. Le condizioni della NAO pre-SSW sembrano avere minima influenza sul suo stato successivo. Similmente, la forza delle anomalie dei venti zonali pre-SSW a 10 hPa non mostra una correlazione significativa con la risposta della NAO.

Infine, abbiamo riscontrato che la risposta media della NAO nei primi 10 giorni dopo un SSW dominato dal numero d’onda 2 è nettamente più negativa rispetto ai casi di numero d’onda 1. Tuttavia, nei giorni successivi (11-30), la risposta è comparabile indipendentemente dal numero d’onda predominante. In ogni situazione, le medie delle risposte sono frutto di distribuzioni molto ampie dei singoli eventi SSW, sottolineando la necessità di un’analisi probabilistica attraverso l’uso di grandi ensemble.

1. Introduzione

Fin dalla loro scoperta nel 1952 da Scherhag, i riscaldamenti stratosferici improvvisi (SSW) sono stati identificati come alcuni tra gli eventi più straordinari nell’atmosfera terrestre. Questi fenomeni si verificano quando i robusti venti del vortice polare stratosferico invernale (SPV) vengono interrotti o addirittura invertiti dalla disgregazione delle onde di Rossby di scala planetaria, che salgono dalla troposfera. Questo processo provoca la discesa di aria sopra il polo, causando un riscaldamento adiabatico con un aumento della temperatura di diverse decine di gradi Kelvin in pochi giorni, come documentato da Baldwin e altri nel 2021.

La firma zonale media di questo disturbo si propaga verso il basso, influenzando a volte la superficie terrestre, come dimostrato da studi quali quelli di Baldwin e Dunkerton nel 1999 e 2001 e Christiansen nel 2001. Questi impatti sono amplificati da retroazioni di vortici in modi solo parzialmente compresi, come evidenziato da Kidston e altri nel 2015 e Kunz e Greatbatch nel 2013. Nell’emisfero nord, i cambiamenti nella circolazione troposferica sono spesso caratterizzati da anomalie negative nell’Oscillazione Artica (AO) e nell’Oscillazione del Nord Atlantico (NAO), che portano a uno spostamento equatoriale del flusso a getto e del percorso delle tempeste.

Queste alterazioni si traducono in cambiamenti meteorologici specifici, come anomalie di calore nell’est del Canada e anomalie di freddo negli Stati Uniti orientali e nel nord dell’Eurasia, come riportato da Butler e altri nel 2017 e King e altri nel 2019. Le regioni del nord Europa, inclusi Scandinavia e le Isole Britanniche, tendono a registrare una diminuzione delle precipitazioni, mentre l’Europa centrale e meridionale esperisce condizioni più umide del normale. In Asia orientale, gli SSW possono alterare il monsone invernale, con la Cina che generalmente sperimenta condizioni più miti, come mostrato da Lim e altri nel 2019, mentre l’Asia in generale può subire un aumento del rischio di intense ondate di freddo, documentato da Huang e altri nel 2021.

In sintesi, gli SSW sono associati a estremi climatici superficiali, con possibili gravi ripercussioni sulla salute e il benessere delle persone, come evidenziato da Charlton-Perez e altri nel 2021.

Sebbene i riscaldamenti stratosferici improvvisi (SSW) siano prevedibili con una certa determinazione su scale temporali di 1 o 2 settimane (Taguchi, 2016), il loro prolungato effetto sulla stratosfera e l’impatto sulla superficie terrestre aumentano la prevedibilità del clima superficiale per periodi fino a 1 o 2 mesi (Scaife et al., 2022; Sigmond et al., 2013). Questa prevedibilità è migliore nei modelli che rappresentano con maggiore dettaglio la stratosfera (Marshall e Scaife, 2010). Tuttavia, questa è una condizione necessaria ma non sufficiente per una buona rappresentazione degli SSW: ad esempio, Chávez et al. (2022) hanno scoperto che l’uso di un modello oceanico accoppiato ha un impatto maggiore rispetto alla risoluzione verticale. Il rischio che un SSW si verifichi durante l’inverno può anche essere previsto con una certa precisione mesi in anticipo (Scaife et al., 2016), sebbene la precisione di queste previsioni dipenda da altri fattori climatici contemporanei come El Niño.

Gli SSW sono stati osservati verificarsi circa sei volte per decennio nell’Emisfero Nord (Bancalá et al., 2012; Charlton e Polvani, 2007), e solo circa due terzi di questi eventi sono seguiti da effetti tangibili sulla superficie, come precedentemente descritto (ad esempio, White et al., 2019). Diverse ricerche hanno sfruttato i dati delle rianalisi per esaminare i possibili precursori degli SSW sia nelle caratteristiche climatiche superficiali sia nelle dinamiche delle onde troposferiche e nelle proprietà del vortice stesso (ad esempio, Bao et al., 2017; Cohen e Jones, 2011; Domeisen et al., 2020; Martius et al., 2009; Mitchell et al., 2013; Nakagawa e Yamazaki, 2006; Polvani e Waugh, 2004; Seviour et al., 2013; Shen et al., 2020; Xu et al., 2022). Tuttavia, la variabilità osservata tra differenti SSW e le condizioni climatiche in cui si verificano, unita alla loro bassa frequenza e al limitato archivio di osservazioni disponibili, ha reso difficile formulare affermazioni definitive su quale precondizione, se esistente, possa causare impatti più marcati sulla superficie dopo un SSW piuttosto che un altro.

Riconoscendo la limitatezza dei campioni osservativi, alcuni ricercatori hanno cercato di ampliare le loro basi di dati utilizzando modelli climatici liberi (come mostrato in Garfinkel et al., 2010; Karpechko et al., 2017; Kolstad et al., 2010; Kolstad e Charlton-Perez, 2011; Maycock e Hitchcock, 2015), conducendo esperimenti specifici con modelli (per esempio de la Cámara et al., 2017; White et al., 2021) o impiegando “ensemble di opportunità” derivati da esperimenti modellistici ideati per altri studi (come in White et al., 2019). Questi metodi sono utili, ma presentano delle problematiche. Le simulazioni modellistiche usate potrebbero non essere adatte a replicare il clima del periodo osservato e possono essere influenzate da distorsioni o tendenze che si sviluppano durante le simulazioni. Differenti modelli manifestano varie distorsioni, rendendo complicata l’interpretazione dei risultati relativamente all’incertezza. Hall et al. (2022) hanno scoperto che, nonostante i modelli del recente Progetto di Interconfronto dei Modelli Accoppiati 6 (CMIP6) abbiano risposto adeguatamente agli SSW, hanno evidenziato precursori troposferici differenti dalle osservazioni. Tyrrell et al. (2022) hanno osservato che una Vortice Polare Stratosferico (SPV) debole nei loro modelli produceva troppi SSW e hanno dimostrato che un metodo di correzione per distorsione tramite nudging potrebbe migliorare questa condizione. Tuttavia, la risposta della pressione media al livello del mare agli SSW nei loro modelli non era né distorta né alterata dalla correzione di distorsione. Un’alternativa è il bootstrap del campione osservativo stesso (come suggerito da Oehrlein et al., 2021), che consente di valutare l’incertezza nel campione osservato. Nonostante ciò, i risultati non coprono necessariamente l’intero spettro di variabilità del clima attuale a causa delle limitazioni intrinseche del numero di osservazioni disponibili.

A fronte delle limitazioni esistenti, gli studi in questo campo non sono sempre allineati. Ad esempio, Mitchell et al. (2013) e Seviour et al. (2013) hanno scoperto che la modalità di manifestazione di un SSW, sia essa la scissione del vortice o il semplice spostamento, influisce significativamente sulla risposta superficiale successiva. Al contrario, Charlton e Polvani (2007), Cohen e Jones (2011) e Maycock e Hitchcock (2015) hanno rilevato che le differenze sono minime, dipendenti dalla variabilità del campione e non stabili di fronte a cambiamenti metodologici o nei dati. Le incertezze dovute al ridotto campione osservativo, aggravate da potenziali errori nei modelli climatici, hanno impedito di raggiungere un consenso su queste questioni.

In questo studio, utilizziamo un vasto ensemble di simulazioni climatiche inizializzate, prodotte come previsioni stagionali retrospettive. Queste simulazioni, a differenza dei modelli climatici liberi, sono più accuratamente vincolate a riflettere la variabilità del clima osservato di recente, offrendo allo stesso tempo un set di dati molto più ampio. Seguendo l’approccio UNSEEN (UNprecedented Simulated Extremes using ENsembles), utilizziamo un ampio ensemble di previsioni retrospettive inizializzate per aumentare notevolmente le dimensioni dei campioni e quantificare la probabilità di stati climatici plausibili ma non osservati. Questo metodo è stato già applicato agli SSW per valutare scenari come il rischio di riscaldamenti improvvisi nell’emisfero australe e le condizioni climatiche estreme nei continenti subtropicali australi, studiare gli impatti sub-stagionali sull’Oscillazione Artica e analizzare l’influenza del tempismo degli SSW sul meteo superficiale.

In questo lavoro, ci concentriamo su come le caratteristiche del clima pre-SSW influenzino la probabilità di condizioni negative della NAO che determinano la risposta meteorologica a livello superficiale. Dettaglieremo i dati del modello e osservativi utilizzati nella Sezione 2, dove descriveremo anche come caratterizziamo gli SSW e le loro risposte. Nella Sezione 3, dimostreremo l’accuratezza dei nostri dati di modello nel rappresentare gli SSW e i loro impatti superficiali, confrontandoli con le osservazioni e l’incertezza del campionamento. Nella Sezione 4, analizzeremo quali fattori determinano la risposta della NAO agli SSW, considerando i precursori sia a livello di superficie che nella stratosfera. I risultati saranno discussi e riassunti nella Sezione 5.

2. Dati e Metodi

2.1 Dati di retrospettiva del modello climatico e dati basati su osservazioni

Utilizziamo i dati di retrospettiva del sistema di previsione stagionale GloSea5 (MacLachlan et al., 2015), basato sul modello climatico accoppiato HadGEM3-GC2 (Williams et al., 2015). Questo modello dispone di una griglia atmosferica con una risoluzione di 0.833° in longitudine e 0.556° in latitudine, con 85 livelli verticali che raggiungono un’altezza di 85 km. GloSea5 è riconosciuto per la sua efficace rappresentazione della varianza totale dell’Oscillazione Nord Atlantica (NAO) (Scaife et al., 2014). I dati di retrospettiva coprono 23 inverni, dal 1993/94 al 2015/16, utilizzando dati giornalieri per il periodo esteso di inverno (dicembre-marzo, DJFM), con previsioni inizializzate in tre momenti all’inizio di novembre (25 ottobre, 1 novembre, e 9 novembre). Queste date di inizializzazione sono scelte per bilanciare il tempo necessario per la stabilizzazione del modello e l’inclusione di informazioni sul clima stagionale precedente ciascun inverno. Disponiamo di 14 membri dell’ensemble per ogni data di inizializzazione, risultando in un ensemble di 42 membri per inverno, per un totale di 966 inverni.

Il record osservativo utilizzato proviene da ERA5 (Bell et al., 2021; Hersbach et al., 2020), che include dati su 72 inverni dal 1950/51 al 2021/22, con una risoluzione di griglia di 0.25° per 0.25° e 37 livelli verticali. Le medie giornaliere sono calcolate dai dati orari disponibili.

Per confronti equi tra i dati del modello e quelli di ERA5, rielaboriamo i dati del modello in 1000 ensemble, ciascuno con lo stesso numero di inverni delle osservazioni. Questo ci permette di verificare se il campione osservativo di 72 anni sia rappresentativo della distribuzione dei possibili campioni di 72 anni generati dalle retrospettive del modello, consentendoci di considerare l’incertezza del campionamento legata alla variabilità climatica. In ciascuno dei 1000 riassemblaggi, un membro dell’ensemble viene scelto casualmente dalla retrospettiva (con possibilità di ripetizione), sia dallo stesso anno (per i 23 anni del periodo di retrospettiva) che dall’intero campione di 966 inverni (per gli anni rimanenti).

2.2 Metodi

Per il nostro studio, abbiamo utilizzato dati giornalieri relativi alla pressione media al livello del mare (PMSL), al vento zonale e all’altezza geopotenziale (GPH). Abbiamo creato climatologie giornaliere per ciascuna variabile, applicando un filtro gaussiano con una deviazione standard di 10 giorni per levigare i dati. Queste climatologie sono state calcolate separatamente ma seguendo lo stesso metodo sia per i dati di reanalisi che per quelli di retrospettiva del modello. La principale differenza sta nel periodo considerato: 72 inverni per la reanalisi e 966 per i dati del modello. Abbiamo accertato l’assenza di tendenze che potessero necessitare di correzioni nei dati di entrambe le fonti.

Un evento di riscaldamento stratosferico improvviso (SSW) è definito come il primo giorno, in un periodo DJF escludendo i giorni bisestili, in cui il vento zonale medio zonale a 60°N e 10 hPa diventa negativo, in linea con quanto stabilito da Charlton e Polvani nel 2007. Di conseguenza, registriamo un massimo di un SSW per inverno. Limitando la definizione degli SSW al periodo DJF piuttosto che DJFM, evitiamo di confondere questi eventi con il riscaldamento finale di fine inverno, assicurando inoltre di disporre di almeno 30 giorni di dati post-evento per valutare l’impatto seguente.

Per alcune analisi, è necessario disporre di un numero fisso di giorni prima di ogni SSW per esaminare l’influenza delle condizioni climatiche antecedenti. Generalmente, consideriamo un intervallo di 10 giorni, il che limita il nostro campione di SSW a quelli che si verificano dall’11 dicembre in poi, dato che i nostri dati iniziano dal 1° dicembre.

Il nostro studio si concentra sull’impatto degli SSW sull’Oscillazione del Nord Atlantico (NAO). L’indice di anomalie NAO è calcolato come la differenza tra le anomalie della PMSL in due specifiche zone: una vicino alle Azzorre (36-40°N, 28-20°W) e l’altra sopra l’Islanda (63-70°N, 25-16°W), seguendo il metodo di Dunstone et al. (2016). Oltre alle anomalie NAO pre e post SSW, consideriamo anche le anomalie NAO climatologiche, calcolate come la media in 5000 periodi casuali di 30 giorni che iniziano in DJF, estratti dai nostri 966 inverni modello, per stabilire la percentuale di anomalie NAO negative (43%).

Caratterizziamo i nostri eventi di riscaldamento stratosferico improvviso (SSW) analizzando il numero d’onda zonale dominante nel vortice, seguendo gli studi di Martius et al. (2009) e Nakagawa e Yamazaki (2006). Misuriamo le ampiezze delle onde zonali 1 e 2 (A₁ e A₂) attraverso la trasformata di Fourier dell’altezza geopotenziale media giornaliera a 60°N e 50 hPa, dove i risultati a 10 hPa mostrano comportamenti simili. Diamo priorità ai numeri d’onda zonali 1 e 2, considerando trascurabili i contributi di numeri d’onda superiori a queste altitudini.

Classifichiamo un evento SSW come dominato dall’onda 2 se A₂ è maggiore di A₁ alla data dell’SSW, e come dominato dall’onda 1 se A₂ è minore di A₁. Gli SSW dominati dall’onda 1 generalmente corrispondono a eventi di spostamento del vortice, mentre quelli dominati dall’onda 2 comportano una scissione del vortice. È importante notare che tutti gli eventi includono una combinazione di vari numeri d’onda, e la nostra classificazione basata sul dominio dell’onda 1 o 2 non corrisponde direttamente a una classificazione basata sulla geometria del vortice di spostamento o divisione.

Per l’analisi statistica, calcoliamo gli intervalli di confidenza al 95% sulle correlazioni utilizzando una trasformazione di Fisher Z, e sugli intervalli di Wilson per proporzioni e frequenze. Applichiamo un test binomiale standard per confrontare le proporzioni del campione con una distribuzione binomiale, utilizziamo metodi gaussiani standard per testare la differenza significativa tra due proporzioni di campione, e il test t di Student per confrontare due medie. Questi test sono condotti al livello del 5% di significatività.

Il Sistema di Previsione Stagionale Rappresenta Accuratamente il Coupling Stratosfera-Troposfera?

Nello studio delle interazioni tra stratosfera e troposfera, vengono analizzate la frequenza dei Riscaldamenti Stratosferici Improvvisi (SSW) e il loro impatto sull’Oscillazione del Nord Atlantico (NAO). I dati mostrano che il 56% degli inverni (545 su 966) nel modello esperisce almeno un SSW, una percentuale significativamente diversa dal 50% basata su test statistici. In confronto, i dati osservativi di ERA5 indicano che il 47% degli inverni (34 su 72) presenta SSW, una percentuale che non differisce statisticamente dal 50%.

L’intervallo di incertezza nei dati ricampionati dal modello, che varia dal 41% al 72%, copre il valore osservato, evidenziando una maggiore incertezza dovuta alla dimensione più limitata del campione osservativo. Pertanto, la frequenza osservata dei SSW è statisticamente indistinguibile dalla stima più robusta fornita dal modello.

Inoltre, viene esaminata la risposta del NAO a seguito di un SSW. Circa due terzi dei SSW sono seguiti da un’anomalia negativa del NAO entro 30 giorni, in linea con studi precedenti. Il modello mostra che il 65% dei SSW porta a un NAO negativo (353 su 545), mentre i dati osservativi indicano una proporzione simile del 68% (23 su 34). Tuttavia, il modello suggerisce che la gamma potenziale per questa frequenza potrebbe variare dal 50% al 79% in un campione equivalente al periodo osservativo di 72 anni.

Quando non segue un SSW, la probabilità di incontrare un periodo di 30 giorni con un’anomalia NAO negativa durante dicembre-febbraio è del 43% nel modello e del 46% nelle osservazioni, riflettendo la distribuzione negativamente asimmetrica delle anomalie del NAO. Il risultato del modello, che mostra una probabilità del 65% di un NAO negativo seguendo un SSW, indica un aumento significativo della probabilità di tali condizioni rispetto a periodi casuali.

La distribuzione delle reazioni individuali del NAO successivamente ai Riscaldamenti Stratosferici Improvvisi (SSW) è rappresentata nella Figura 1c, mentre la distribuzione delle medie delle reazioni del NAO, calcolate su tutti gli SSW, è mostrata nella Figura 1d. Il modello propone un’ampia varietà di possibili reazioni del NAO, sia positive che negative, anche se la tendenza prevalente è verso condizioni negative del NAO. Osservazioni e modello mostrano intervalli molto simili e medie delle reazioni praticamente indistinguibili tra loro dal punto di vista statistico. Da questo possiamo dedurre che la reazione del NAO agli SSW nel nostro modello è praticamente indistinguibile da quella osservata.

Abbiamo condotto un’analisi analoga considerando l’Oscillazione Artica (AO), definita come la differenza tra le anomalie medie della pressione al livello del mare tra la zona dai 40 ai 60 gradi Nord e quella dai 60 gradi Nord al polo. I risultati sono simili: sia per le distribuzioni delle reazioni medie dell’AO sia per la frequenza delle reazioni negative dell’AO, i dati del modello e le osservazioni non presentano differenze statistiche significative.

I profili verticali medi delle anomalie del vento zonale a 60 gradi Nord sono illustrati nella Figura 2, seguendo l’esempio di studi precedenti come quello di Baldwin e Dunkerton (2001). Questi profili mostrano l’evoluzione media verticale delle anomalie nella circolazione zonale dopo un SSW, evidenziando anche l’impatto della diversa grandezza dei campioni sui risultati. Il composito delle osservazioni risulta visibilmente più “rumoroso” rispetto ai dati del modello a causa del numero limitato di eventi. Tuttavia, le osservazioni sono in linea generale coerenti con i dati ricampionati del modello: le uniche significative discrepanze si notano a livelli superiori nella stratosfera (sopra i 20 hPa), immediatamente prima degli SSW e tra i 35 e i 70 giorni successivi, periodi durante i quali il numero di eventi osservati nel nostro campione diminuisce progressivamente.

Sia il modello che le osservazioni evidenziano un’anomalia easterly vicino alla superficie per almeno i primi 30 giorni dopo un SSW. Questo sostiene l’utilizzo del periodo di 30 giorni successivo a un SSW per valutare le reazioni del NAO. Inoltre, sia nel modello che nelle osservazioni si registra un segnale consistente di anomalie easterly attraverso la stratosfera e la troposfera, iniziando circa 10 giorni prima dell’SSW. Per questo motivo, considereremo questo intervallo di 10 giorni pre-SSW in seguito, quando esamineremo i precursori degli eventi SSW.

Concludendo questa sezione, la Figura 3 mostra le medie composite della pressione al livello del mare nei 30 giorni seguenti gli SSW. Qui è evidente la risposta media negativa del NAO, già osservata nella Figura 1d. Sebbene la risposta nel modello appaia nominalmente più debole, non emergono differenze statisticamente significative tra modello e osservazioni nelle regioni dell’Atlantico Nord e dell’Artico: le osservazioni rientrano nei limiti previsti dai ricampionamenti del modello.

Tuttavia, due regioni nelle osservazioni – una che va dall’Europa orientale al nord-est dell’Africa e un’altra dagli Stati Uniti centrali all’America Centrale – si collocano al di fuori dell’intervallo del 95% dei ricampionamenti del modello, mostrato con un’incrocio in viola, e presentano differenze significative rispetto alla media del modello. Nonostante queste risposte possano meritare ulteriori indagini, non prevediamo che influenzino i risultati del nostro studio. La Figura 3 concorda ampiamente con i risultati precedenti sia di modelli che di rianalisi.

Possiamo pertanto concludere che il modello è indistinguibile dalle osservazioni per quanto riguarda gli aspetti chiave di questo studio: la frequenza degli SSW, la distribuzione e l’intensità delle reazioni medie del NAO nei 30 giorni successivi agli SSW, e la frequenza delle reazioni negative del NAO.

Di seguito una descrizione dettagliata e fluente della Figura 1 che mostra la frequenza dei Riscaldamenti Stratosferici Improvvisi (SSW) e le risposte corrispondenti dell’Oscillazione del Nord Atlantico (NAO):

• Pannello (a): Questa parte del grafico ci indica quanti inverni, durante i mesi di dicembre, gennaio e febbraio, hanno vissuto almeno un evento di SSW. Una linea verticale rossa rappresenta la percentuale calcolata dal modello di simulazione, mentre una linea nera segnala la percentuale effettivamente osservata. Intorno a queste, un’istogramma in blu mostra quanto spesso tale percentuale appare nei diversi ricampionamenti del modello, che rappresenta una sorta di verifica interna della variabilità del modello su un periodo di 72 anni.
• Pannello (b): Qui il focus è sulla frazione di SSW che portano a una risposta negativa del NAO, cioè un abbassamento della pressione nell’Atlantico Nord, nel periodo di 30 giorni seguente all’SSW. Ancora una volta, le linee verticali solide in rosso e nero indicano rispettivamente le misurazioni del modello e quelle reali, con l’istogramma blu che fornisce la variazione del modello.
• Pannello (c): In questo pannello vediamo come sono distribuite le anomalie del NAO dopo un SSW, raccolte da tutti gli eventi considerati. Un’istogramma rosso descrive questa distribuzione come prevista dal modello, mentre piccoli segni neri in basso raffigurano la stessa distribuzione derivante dai dati osservati. Le linee verticali, solide in rosso e nero, marcano le medie calcolate da modello e osservazioni, con linee tratteggiate che indicano il punto di equilibrio, ovvero l’assenza di anomalie.
• Pannello (d): Questa sezione presenta le medie delle anomalie del NAO dopo un SSW, calcolate su tutti gli eventi. Le medie sono rappresentate da linee solide, in rosso per il modello e in nero per le osservazioni, mentre l’istogramma blu riflette la variazione delle medie del modello attraverso il ricampionamento.
• L’intera Figura 1 funge da confronto tra le osservazioni reali e le simulazioni del modello, mostrando la capacità del modello di riprodurre fenomeni osservabili e rafforzando la nostra comprensione della dinamica tra SSW e NAO. Il fatto che le linee delle medie osservate si sovrappongano in gran parte con l’istogramma del modello suggerisce una buona coerenza tra le previsioni del modello e le osservazioni reali.

La Figura 2 mostra come si sviluppano le anomalie dei venti zonali in media, associati agli eventi di Riscaldamento Stratosferico Improvviso (SSW), sia attraverso i modelli di simulazione che mediante le osservazioni reali.

• Pannello (a): Questo grafico rappresenta i risultati del modello GloSea, considerando 545 eventi SSW in un totale di 966 inverni. Le anomalie sono medie standardizzate del vento zonale a 60°N, centrate intorno alla data di ogni SSW (dove il lag, ovvero il ritardo temporale, è zero). I dati sono limitati ai mesi da dicembre a marzo (DJFM) e mostrano un diradarsi degli eventi SSW mano a mano che ci si allontana dalla data di picco (lag maggiore o minore di zero). Le zone con una trama a griglia segnalano dove le anomalie non si discostano in modo significativo dal valore zero.
• Pannello (b): Presenta le anomalie osservate utilizzando i dati ERA5, dove sono stati registrati 34 SSW in 72 inverni. Anche qui, le anomalie del vento zonale medio a 60°N sono visualizzate come medie composite e centrate sulla data dell’SSW di ciascun inverno (lag = 0). L’incrocio rosa indica dove le anomalie osservate superano il range del 95% previsto dai ricampionamenti dei modelli, suggerendo che queste osservazioni sono particolarmente estreme o inattese rispetto alle previsioni del modello.

In entrambi i grafici, l’asse verticale mostra la pressione atmosferica in scala logaritmica, che rappresenta i diversi strati dell’atmosfera dalla superficie terrestre alla stratosfera. L’asse orizzontale indica il tempo in giorni rispetto all’SSW (con il giorno dell’evento contrassegnato come zero). I colori variano dal blu al rosso, indicando rispettivamente anomalie negative (venti orientali o più deboli del normale) e anomalie positive (venti occidentali o più forti del normale).

La Figura 2 ci offre quindi una visione comparativa tra quello che i modelli prevedono e ciò che viene effettivamente osservato negli eventi SSW, permettendoci di osservare come cambiano i venti a diverse altitudini e in momenti diversi rispetto all’SSW. Queste informazioni sono preziose per comprendere la dinamica atmosferica in corrispondenza di questi fenomeni.

La Figura 3 illustra le variazioni atmosferiche a livello del suolo che seguono gli eventi di Riscaldamento Stratosferico Improvviso (SSW), mostrando come queste variazioni vengano catturate da un modello di simulazione e confrontate con le osservazioni reali.

• Pannello (a): Questa parte della figura ci presenta un quadro complessivo fornito dal modello, che ha incluso 545 SSW. Il campo medio composito della pressione al livello del mare (PMSL) è rappresentato qui, mettendo in evidenza dove e quanto la pressione si è discostata dalla norma nei 30 giorni successivi a un SSW. Le aree in rosso indicano pressioni più elevate rispetto alla media, mentre le aree in blu indicano pressioni più basse.
• Pannello (b): Mostra i dati osservati raccolti durante 34 eventi SSW. Qui, le medie delle pressioni al livello del mare seguono lo stesso modello di anomalie del pannello precedente, ma basandosi su eventi reali. Le regioni con la trama viola sono quelle in cui le osservazioni superano le aspettative del modello oltre il 95% dei casi, suggerendo anomalie notevoli rispetto a ciò che il modello predice.
• Pannello (c): Nel terzo pannello, viene evidenziata la differenza tra i dati del modello e quelli osservati, mostrando dove queste divergenze sono statisticamente significative (rappresentate con una punteggiatura). Questo ci dice che, in quelle aree specifiche, le variazioni tra il modello e la realtà non sono dovute al caso ma indicano discrepanze che potrebbero richiedere ulteriori indagini o aggiustamenti del modello.

Ogni pannello offre una vista del globo dall’alto, centrata sul polo nord, il che permette di osservare immediatamente l’impatto degli SSW su scala planetaria. Questa rappresentazione visiva ci aiuta a comprendere meglio la correlazione tra gli eventi di SSW e le loro conseguenze atmosferiche, nonché a valutare l’accuratezza delle previsioni del modello rispetto ai dati reali. La Figura 3 è quindi un elemento chiave per valutare la capacità del modello di riprodurre con precisione le dinamiche climatiche associate agli SSW.

La Figura 4 esplora la relazione tra i segnali che precedono gli eventi di Riscaldamento Stratosferico Improvviso (SSW) a livello del suolo e le conseguenze di questi eventi sull’Oscillazione del Nord Atlantico (NAO).

• Pannello (a): Il primo pannello traccia questa relazione nel modello climatico, basandosi su 507 SSW. Utilizzando una gamma di colori che vanno dal blu scuro al rosso vivo, il grafico evidenzia le correlazioni positive e negative tra le condizioni atmosferiche precedentemente osservate e i cambiamenti successivi del NAO. Le aree tratteggiate segnalano dove la correlazione non è statisticamente significativa, mentre la linea di contorno segna il confine entro cui le correlazioni sono considerate affidabili al 95%.
• Pannello (b): Questo grafico si basa su osservazioni reali raccolte durante 32 SSW, e presenta le stesse misure di correlazione del pannello (a), permettendoci di confrontare direttamente quanto bene il modello simula i legami tra i precursori superficiali e le risposte dell’NAO.
• Pannello (c): Il terzo pannello offre uno sguardo specifico a un caso selezionato tra i ricampionamenti del modello che mostra la più alta somiglianza con le osservazioni reali per le regioni a nord dei 40°N. Questo esempio è scelto per dimostrare un’occorrenza in cui il modello corrisponde notevolmente bene con la realtà osservata.

In ognuno dei pannelli, i contorni blu demarcano aree chiave che sono state utilizzate per l’analisi: i rettangoli che rappresentano le zone standardizzate dell’NAO, una regione sugli Urali, e la zona della calotta polare. Queste aree sono di particolare interesse perché sono significative per il calcolo dell’indice NAO e possono fornire spunti utili sui potenziali precursori o indicatori delle risposte climatiche dopo un SSW.

In sostanza, la Figura 4 mette in luce come alcune condizioni atmosferiche misurate prima di un SSW possano essere connesse a come si comporterà l’atmosfera in seguito, fornendo così indizi vitali per anticipare gli effetti dei cambiamenti climatici e per migliorare le previsioni meteorologiche.

4. Quali fattori influenzano la risposta dell’NAO ai Riscaldamenti Stratosferici Improvvisi?

Avendo confermato l’affidabilità del nostro vasto insieme di modelli, ci siamo poi dedicati all’analisi delle caratteristiche atmosferiche che potrebbero influenzare in modo significativo la risposta dell’Oscillazione del Nord Atlantico (NAO).

4.1 I precursori troposferici delle risposte negative dell’NAO

Facendo seguito alla Figura 2, abbiamo scelto di esaminare un periodo di 10 giorni precedenti un SSW per studiare l’effetto dei precursori superficiali sulla risposta dell’NAO nei successivi 30 giorni. Come abbiamo discusso nella Sezione 2.2, questo ha portato a un leggero decremento nel numero di SSW considerati: 507 eventi nel modello, anziché 545, e 32 secondo i dati ERA5, anziché 34. Abbiamo osservato per primo che l’NAO pre-SSW non è un indicatore forte di una successiva risposta negativa dell’NAO. Nel modello, la correlazione tra le anomalie dell’NAO pre e post-SSW è modesta, soltanto 0,19, pur essendo statisticamente significativa. Questo rispecchia quanto osservato da Christiansen nel 2005 per l’Oscillazione Artica (AO) e da Domeisen e colleghi nel 2020, che hanno adottato un approccio basato sui regimi del tempo per analizzare le dinamiche troposferiche in corrispondenza degli SSW.

Per valutare l’influenza di possibili precursori, un’altra strategia è quella di classificare gli eventi SSW in terzili, per esempio, e comparare la probabilità di risposte negative dell’NAO all’interno di questi sottogruppi. Selezionando gli SSW in base ai terzili superiori e inferiori dell’NAO pre-SSW, la probabilità di una risposta negativa dell’NAO post-SSW varia dal 65% del campione totale al 66% e al 72% rispettivamente; tuttavia, questi valori non mostrano differenze statisticamente rilevanti.

Mappando la correlazione tra la PMSL pre-SSW e le anomalie dell’NAO post-SSW, identifichiamo altre regioni che potrebbero funzionare come precursori a livello di superficie per le risposte negative dell’NAO (come mostrato nella Figura 4). Le deboli correlazioni evidenziate dai dati del modello sottolineano la notevole variabilità da un evento SSW all’altro, fornendo un contesto importante per l’interpretazione dei risultati. Ampie zone della PMSL che coprono la calotta polare, il Nord Atlantico subtropicale e il Nord Pacifico mostrano correlazioni statisticamente significative con le risposte dell’NAO seguite agli SSW.

La maggior parte delle aree indicate non presenta una significatività statistica o non è fortemente correlata nella mappa basata su osservazioni reali. Invece di focalizzarsi sull’intera area polare, le osservazioni indicano una correlazione particolarmente marcata sulla Siberia, con punti di massima intensità sugli Urali e nell’Estremo Oriente russo. Analizzando le anomalie della pressione media al livello del mare (PMSL) su queste aree, osserviamo che nel modello la correlazione della regione degli Urali prima dell’SSW con l’NAO successivo all’SSW è leggera (−0,21), anche se significativamente diversa da zero. Selezionando gli eventi SSW in base ai terzili superiore e inferiore delle anomalie di PMSL pre-SSW degli Urali, notiamo che la probabilità di una risposta negativa dell’NAO nel modello passa dal 65% al 74% e al 56%, rispettivamente, valori questi statisticamente differenti tra loro.

Considerando, invece, una regione che comprende la calotta polare (anomalie della PMSL medie al di sopra dei 60°N), troviamo che le probabilità di una risposta negativa dell’NAO dopo l’SSW sono più marcatamente distinte, risultando essere del 78% e del 53% per i terzili superiore e inferiore delle anomalie della PMSL pre-SSW, con una correlazione più evidente, pari a −0,34. In passato, è stato spesso riscontrato che una pressione alta o un blocco atmosferico sull’Eurasia, e frequentemente sulla calotta polare, possano agire da precursori agli SSW in generale. I nostri risultati però vanno oltre, quantificando l’effetto di queste regioni come precursori delle condizioni negative dell’NAO in seguito agli SSW.

Questo studio sottolinea come la sola osservazione potrebbe non essere sufficiente per identificare le aree ottimali da monitorare come possibili precursori degli SSW. L’uso dei dati provenienti dai modelli permette di distinguere segnali più robusti dal “rumore” di fondo, garantendoci maggior fiducia nei risultati. Inoltre, la Figura 4 ci mostra la mappa di correlazione tratta dal campione di modelli di 72 inverni che presenta la più alta correlazione spaziale con le osservazioni al di sopra dei 40°N, confermando che il modello può produrre dinamiche simili a quelle effettivamente osservate; le discrepanze con la mappa complessiva del modello sono quindi imputabili soprattutto a una migliore campionatura.

4.2 Precursori del Vento Zonale

Approfondendo la metodologia menzionata precedentemente, abbiamo esaminato come la risposta dell’NAO successiva a un SSW si modifica quando si selezionano gli SSW in base alle anomalie del vento zonale medio a 60°N (ZMZW), a diverse quote e in vari momenti antecedenti l’SSW. L’effetto sulla probabilità di una risposta negativa dell’NAO è rappresentato nella Figura 5, che mostra la differenza tra le probabilità derivanti dalla scelta dei terzili inferiore e superiore di ZMZW a ciascun livello di pressione; una differenza positiva suggerisce che una risposta negativa dell’NAO è più probabile per gli SSW preceduti da anomalie del ZMZW più orientali a una determinata quota e tempo prima dell’evento. Nello specifico per i 10 giorni immediatamente precedenti l’SSW (la colonna più a destra nella Figura 5), come analizzato nella sezione precedente, si evidenzia che lo ZMZW nella bassa stratosfera e nella troposfera può effettivamente influenzare la probabilità di una risposta negativa dell’NAO: selezionando gli SSW appartenenti ai terzili superiore e inferiore dello ZMZW a 100 hPa, le probabilità che seguano un NAO negativo sono del 56% e del 73%, rispettivamente. La correlazione tra lo ZMZW a 100 hPa e l’NAO post-SSW è di 0,30, un valore che risulta anch’esso statisticamente significativo.

Focalizzandoci sul livello di pressione di 10 hPa, che utilizziamo per stabilire la presenza di un SSW, emerge che non c’è una relazione significativa tra i valori misurati nei 10 giorni precedenti l’SSW e le variazioni dell’NAO successivi all’evento. La selezione basata sui terzili altera leggermente le probabilità di una risposta negativa dell’NAO, portandole al 61% e 67%, ma senza una differenza statisticamente rilevante, e la correlazione con l’NAO è solo di 0,09, anch’essa non significativa.

La Figura 5 evidenzia inoltre come cambiano queste dinamiche se si esaminano periodi pre-SSW più distanti nel tempo. Sebbene ci siano segnali che lo ZMZW a 10 hPa potrebbe essere un importante precursore circa 2-3 settimane prima dell’SSW, i segnali più forti e differenziati rimangono nei differenti quantili. Se consideriamo i quintili esterni delle anomalie di PMSL pre-SSW nella regione della calotta polare, ottenendo così campioni più ristretti, le probabilità di una risposta negativa dell’NAO post-SSW si attestano all’82% e al 49%.

Nella bassa stratosfera, i terzili di ZMZW nei 21-30 giorni pre-SSW a 100 hPa possono ancora distinguere le probabilità di una risposta negativa dell’NAO post-SSW in 61% e 75%. Questa connessione tra la bassa stratosfera pre-SSW e l’NAO post-SSW rimane significativa anche analizzando periodi di 10 giorni fino a 3-4 settimane prima dell’SSW. Di conseguenza, la selezione degli SSW basata sui venti zonali medi nella bassa stratosfera si dimostra un metodo efficace per identificare gli eventi che hanno una maggiore o minore probabilità di provocare una risposta negativa dell’NAO.

La Figura 5 si propone di illustrare come varia la probabilità di una risposta negativa dell’Oscillazione del Nord Atlantico (NAO) in seguito a un Riscaldamento Stratosferico Improvviso (SSW), in base ai precursori del vento zonale medio (ZMZW) a 60° Nord. L’analisi si concentra sul confronto tra gli SSW selezionati dal terzile inferiore e quelli dal terzile superiore di ZMZW, per diversi livelli di pressione atmosferica e tempi pre-evento.

La colorazione dei punti sulla grafica riflette l’ultimo giorno di un periodo pre-SSW di 10 giorni preso in considerazione. Aree con una trama a tratteggio segnalano dove le differenze nella probabilità di una risposta negativa dell’NAO non sono statisticamente significative, cioè dove l’influenza del vento zonale medio non è distinguibile dal caso.

Il grafico è disposto in modo che l’asse verticale mostri vari livelli di pressione, indicando altitudini diverse all’interno della stratosfera e della troposfera, mentre l’asse orizzontale mostra il tempo che precede l’SSW, estendendosi fino a 30 giorni prima dell’evento. Le tonalità più scure indicano una maggiore differenza nella probabilità di risposte negative dell’NAO, evidenziando che determinate condizioni di vento zonale sono associate a un maggiore impatto sull’NAO dopo un SSW.

Questa visualizzazione ci offre un quadro dettagliato su come specifiche condizioni atmosferiche precedenti un SSW possano essere indicatori significativi della risposta climatica successiva, offrendo preziose informazioni per comprendere e anticipare le complesse dinamiche che seguono a questi potenti eventi meteorologici.

4.3 Precursori delle Onde Zonali

Abbiamo classificato gli eventi di Riscaldamento Stratosferico Improvviso (SSW) distinguendo quelli caratterizzati principalmente da onde di tipo 2 da quelli caratterizzati da onde di tipo 1. Questa distinzione è basata sul rapporto tra le ampiezze delle prime due onde zonali a 60°N nell’altezza geopotenziale delle perturbazioni a 50 hPa nel giorno dell’SSW. Un SSW è definito dominato dall’onda 2 se questo rapporto è maggiore di 1, e dominato dall’onda 1 se è minore di 1. La frequenza degli SSW dominati dall’onda 2 e la differenza nelle risposte medie dell’NAO a 30 giorni tra gli SSW dominati dalle onde 2 e 1 sono rappresentati nella Figura 6. Il modello indica 140 SSW su 545 dominati dall’onda 2 (26%, con un intervallo di confidenza del 95% che va dal 22% al 30%). I dati osservativi mostrano percentuali molto simili, con 13 SSW su 34 (38%) classificati come dominati dall’onda 2. L’intervallo centrale del 95% dei ricampionamenti del modello è compreso tra il 13% e il 40%, che interpretiamo come indicativo dell’incertezza nella frequenza osservata. Questo conferma ancora una volta che il modello è in linea con le osservazioni in questo aspetto e mette in evidenza l’alta incertezza delle osservazioni.

Abbiamo anche esplorato l’uso delle ampiezze delle onde all’altezza di 10 hPa anziché a 50 hPa. Tuttavia, dato che le onde con lunghezze d’onda minori hanno minor capacità di raggiungere altezze superiori, in linea con il teorema di Charney-Drazin, si registra sistematicamente un numero inferiore di eventi dominati dall’onda 2: 82 su 545 eventi nel modello (15%) e 9 su 34 nelle osservazioni (26%). Queste proporzioni nel modello e nelle osservazioni sono ancora una volta indistinguibili statisticamente, ma preferiamo utilizzare il livello di 50 hPa per ottenere una rappresentazione più accurata della prevalenza dell’onda 2 nella stratosfera.

La Figura 6b indica che le risposte medie dell’NAO a 30 giorni agli SSW dominati sia dall’onda 2 che dall’onda 1 hanno un intervallo simile. Gli SSW dominati dall’onda 2 tendono ad avere una proporzione maggiore di risposte negative dell’NAO e meno risposte positive rispetto agli SSW dominati dall’onda 1. Tuttavia, le probabilità di una risposta negativa dell’NAO nei casi dominati dalle onde 1 e 2 (63% e 72%, rispettivamente, nel modello) non mostrano differenze statisticamente significative.

La correlazione tra il rapporto ampiezze delle onde, espressa in termini di logaritmo decimale del rapporto A₂ su A₁ (poiché il rapporto stesso presenta una forte asimmetria), e la risposta dell’NAO successiva a un SSW è di -0,07, non abbastanza significativa da essere rilevante. Tuttavia, analizzando le risposte medie dell’NAO nel modello, emergono differenze significative. Queste differenze sono rappresentate nella Figura 6b e osservabili più dettagliatamente nella Figura 7, che mostra le mappe composite medie della risposta della pressione al livello del mare (PMSL) in seguito a SSW dominati dall’onda 1 e dall’onda 2: è evidente una netta risposta negativa dell’NAO in entrambi i casi, ma con una risposta più forte per gli eventi dominati dall’onda 2. Questa osservazione è coerente con studi precedenti come quelli di Seviour e colleghi.

In sintesi, anche se si può notare una differenza nella risposta media dell’NAO a 30 giorni tra gli SSW dominati dalle onde 2 e quelle 1, l’impatto di questa distinzione è molto meno marcato rispetto ad altri precursori esaminati. Le caratteristiche del numero d’onda di un SSW non sembrano quindi predire fortemente la sua influenza sull’NAO nel successivo mese.

Alcuni studi hanno suggerito che un aspetto rilevante nella distinzione tra gli SSW che portano a divisione del vortice e quelli che comportano uno spostamento, è la velocità con cui la risposta si propaga verso il basso. Gli eventi di divisione del vortice si traducono in una reazione più immediata dalla stratosfera alla superficie, mentre gli eventi di spostamento hanno un impatto sulla superficie che si estende su periodi più prolungati.

La Figura 8 separa le risposte agli SSW dominati dalle onde 1 e 2 nei primi 10 giorni rispetto ai giorni 11-30 successivi all’evento, mettendo in luce differenze evidenti nelle reazioni a questi due tipi di SSW immediatamente dopo l’evento stesso.

Gli eventi classificati come onda-2, generalmente associati a divisioni del vortice, presentano notevoli differenze nelle anomalie medie composite della pressione al livello del mare (PMSL) in Nord America e Scandinavia, delineando un pattern più marcato di NAO negativo. In contrasto, le risposte che si manifestano più tardi per gli eventi dominati da onda-1 e onda-2 tendono ad assomigliarsi (come illustrato nelle figure 8e–g). Le differenze discrete, ma significative, che abbiamo osservato per la risposta media complessiva dei 30 giorni (viste nella Figura 7) sono in realtà il risultato di una combinazione tra una risposta rapida ed evidente e una risposta di più lungo termine che è comune a entrambi i tipi di eventi.

La comprensione di queste risposte medie composite è facilitata dalle distribuzioni sottostanti che mostrano le reazioni dell’NAO a ciascun evento individuale (come si vede nelle figure 8d e h). Sia per i periodi di risposta iniziale che per quelli successivi, le distribuzioni relative agli SSW dominati da onda-1 e onda-2 restano ampie. Per quanto riguarda le risposte di breve termine, si nota che gli eventi dominati da onda-2 presentano una prevalenza di anomalie dell’NAO particolarmente negative, mentre quelli dominati da onda-1 mostrano una tendenza a risposte positive dell’NAO. Questo enfatizza il fatto che tali risultati devono essere interpretati con un approccio probabilistico quando si prendono in considerazione eventi futuri, nonostante le evidenti differenze nelle medie composite.

La Figura 6 esamina la frequenza degli SSW dominati da onde zonali di tipo 2 e le loro conseguenti reazioni nell’Oscillazione del Nord Atlantico (NAO).

• Pannello (a): Qui si confronta la frequenza con cui gli SSW sono dominati da onde di tipo 2 secondo il modello climatico e secondo i dati osservati. Le linee verticali segnano la frequenza registrata nelle osservazioni e prevista dal modello, mentre l’istogramma mostra la variazione di questa frequenza all’interno di diverse simulazioni effettuate dal modello. Il layout si rifà al formato già visto nella Figura 1b, offrendo un immediato riferimento visivo di come la previsione del modello si allinea con le osservazioni.
• Pannello (b): Questo pannello presenta la distribuzione normalizzata delle risposte NAO relative agli SSW dominati da onde di tipo 2 a confronto con quelli dominati da onde di tipo 1. Gli istogrammi tracciano queste distribuzioni come previste dal modello, mentre i segni verticali in basso illustrano gli stessi dati come osservati nella realtà, separati verticalmente per una maggiore leggibilità. Le frecce colorate nella parte alta del grafico indicano le medie calcolate dal modello per ciascuna categoria.

In sintesi, il Pannello 6a mostra quanto sia comune che un SSW sia influenzato maggiormente dalle onde di tipo 2, sia dal punto di vista delle previsioni del modello sia attraverso i dati raccolti. Nel Pannello 6b, vediamo le variazioni nelle risposte dell’NAO associate a ciascun tipo di SSW, rivelando come questi diversi pattern influenzino l’atmosfera. Questa visualizzazione ci consente di comprendere se esiste una tendenza di risposte negative più frequente dell’NAO in seguito agli SSW dominati da un certo tipo di onda zonale.

La Figura 7 ci presenta come la superficie terrestre risponde agli eventi di Riscaldamento Stratosferico Improvviso (SSW) che sono influenzati prevalentemente da due diversi tipi di onde zonali.

• Pannello (a): A sinistra, osserviamo le anomalie medie della pressione al livello del mare (PMSL) nei 30 giorni seguenti gli SSW dominati da onde di tipo 1. L’analisi si basa su 405 di tali eventi SSW e mostra le variazioni di pressione rispetto alla media in questo contesto.
• Pannello (b): Al centro, la figura mostra le anomalie medie della PMSL per gli SSW dominati da onde di tipo 2, utilizzando un campione di 140 eventi. Anche qui, il focus è sulle variazioni della pressione nei 30 giorni post-SSW.
• Pannello (c): A destra, troviamo la differenza tra le risposte medie composite per gli SSW dominati dalle onde 1 e 2 (onda 1 meno onda 2), con la punteggiatura che indica dove le differenze sono statisticamente significative.

La colorazione dal blu al rosso illustra l’intensità delle anomalie di PMSL, con le sfumature più fredde che rappresentano pressioni inferiori alla norma e le sfumature più calde che indicano pressioni superiori alla norma. Le anomalie medie per ogni categoria di SSW sono evidenziate con frecce colorate nella parte superiore.

In sintesi, la Figura 7 offre uno sguardo approfondito su come gli SSW influenzati maggiormente dalle onde di tipo 1 o di tipo 2 possano portare a risposte differenti nel comportamento atmosferico post-evento. In particolare, si nota come gli SSW dominati da onde di tipo 2 tendano ad avere una risposta NAO negativa più accentuata rispetto a quelli dominati da onde di tipo 1. Queste informazioni sono preziose per comprendere meglio come i diversi pattern di SSW possano influenzare le condizioni climatiche a terra.

la Figura 8 analizza le variazioni climatiche che seguono un Riscaldamento Stratosferico Improvviso (SSW), dividendo le osservazioni in due fasi: la risposta immediata nei primi 10 giorni dopo l’evento e la risposta successiva nei giorni dall’11 al 30.

Nella fila superiore della figura:

• Pannello (a): Ci mostra le variazioni della pressione al livello del mare (PMSL) dopo gli SSW influenzati prevalentemente dalle onde di tipo 1, utilizzando la media composita dei primi 10 giorni.
• Pannello (b): Fa lo stesso per gli SSW dominati dalle onde di tipo 2.
• Pannello (c): Evidenzia la differenza tra le due medie composite, con le aree punteggiate che segnalano le differenze statisticamente significative.
• Pannello (d): Presenta un confronto delle distribuzioni delle anomalie NAO associate a ciascun tipo di SSW.

Nella fila inferiore:

• Pannello (e): Ripete l’analisi per gli SSW dominati da onda 1, ma considerando il periodo di tempo che va dall’11° al 30° giorno dopo l’evento.
• Pannello (f): Analizza gli SSW dominati da onda 2 per lo stesso periodo di tempo.
• Pannello (g): Mostra la differenza tra le risposte di onda 1 e onda 2 in questa fase più tardiva.
• Pannello (h): Illustra le distribuzioni delle anomalie NAO per le due tipologie di SSW in questo intervallo di tempo successivo.

Le mappe sfruttano un gradiente di colori che va dal blu per le anomalie negative (pressione inferiore alla norma) al rosso per quelle positive (pressione superiore alla norma). Le distribuzioni delle anomalie NAO negli istogrammi ci danno una visione della variabilità e dell’intensità delle risposte NAO dopo questi fenomeni.

In sintesi, la Figura 8 ci offre una visione dettagliata di come le risposte immediate e a medio termine alla superficie terrestre differiscono tra gli SSW dominati da onda 1 e onda 2. Si evidenzia che gli SSW dominati da onda 2 tendono a produrre una risposta NAO negativa più accentuata nei primi 10 giorni, mentre nei giorni successivi le differenze tra i due tipi di eventi diventano meno marcate, come si vede dalla somiglianza delle mappe e delle distribuzioni nelle fasi successive all’evento.

5 Discussione e conclusione

Abbiamo dimostrato che il nostro insieme di simulazioni di modelli climatici inizializzati non si distingue statisticamente dalle osservazioni, sia per quanto riguarda la frequenza dei riscaldamenti stratosferici improvvisi (SSW), sia per la distribuzione delle loro risposte alla Oscillazione Nord Atlantica (NAO) e per la proporzione dominata da onde di tipo 1 e 2. Studi recenti hanno ottenuto risultati simili impiegando modelli inizializzati su scale temporali sub-stagionali e stagionali. I nostri risultati concordano con altre ricerche in questo campo, come la frequenza di circa sei SSW per decennio, confermata da numerosi studi, che si inserisce comodamente nell’intervallo ottenuto dai nostri modelli. Anche la percentuale di SSW che provocano risposte negative della NAO è in linea con altre analisi che hanno esplorato le probabilità di impatti a livello del suolo in seguito a SSW. Tuttavia, le ricerche sugli effetti che si propagano verso il basso dagli SSW mostrano una grande variabilità di frequenze, a seconda delle definizioni e dei dataset utilizzati.

I nostri dati ci hanno permesso di identificare con precisione le condizioni che precedono un SSW e che influenzano significativamente la probabilità di successive condizioni negative della NAO. Grazie alla dimensione del nostro insieme e alla sua coerenza con le osservazioni, abbiamo potuto effettuare queste valutazioni con maggiore affidabilità e robustezza rispetto a quanto avremmo potuto fare basandoci esclusivamente sulle osservazioni.

Figure 9: Sintesi dei Risultati Principali

La Figura 9 riassume i nostri risultati chiave relativi alle correlazioni con la risposta della NAO e alle variazioni nella probabilità di risposte negative della NAO sotto diverse condizioni. Abbiamo stabilito che né l’entità dello stato precedente della NAO né la forza del vento zonale medio a 60°N a 10 hPa prima dell’SSW influenzano significativamente lo stato medio successivo della NAO. Inoltre, anche se la risposta della NAO nei primi 10 giorni dopo un SSW è mediamente più marcata per gli SSW dominati dall’onda-2 rispetto a quelli dell’onda-1, l’effetto rimane comunque debole rispetto ad altri fattori. Questa osservazione vale anche per le risposte medie calcolate su un periodo di 30 giorni.

Al contrario, le anomalie del PMSL sulla calotta polare e lo ZMZW a circa 100 hPa, entrambi calcolati nei 10 giorni precedenti un SSW, influenzano significativamente la probabilità di successive condizioni negative della NAO. Questi fattori possono modificare la probabilità dal valore di base di circa due terzi fino a circa il 55% o aumentarla fino al 75%, a seconda del terzile del precursore analizzato. Tuttavia, anche le probabilità ridotte restano superiori alla probabilità climatologica del 43% di condizioni negative della NAO a 30 giorni, evidenziando come la presenza di un SSW incrementi sempre la probabilità di una NAO negativa, nonostante questi fattori modulanti.

Le correlazioni più forti identificate con il post-SSW NAO si attestano intorno a 0,3. Data la vastità del nostro campione, queste correlazioni sono statisticamente significative, ma è importante sottolineare che restano comunque deboli.

Le correlazioni osservate, benché non mostrate, sono coerenti con i valori del modello, ma a causa della ridotta dimensione del campione, presentano intervalli di confidenza più ampi. I test di significatività confermano i risultati del modello. Ad esempio, per il precursore del PMSL sulla calotta polare, la correlazione osservata con il post-SSW NAO è di -0,59, con intervalli di confidenza tra -0,78 e -0,31, che includono il valore del modello di -0,34. Per quanto riguarda la correlazione tra il rapporto di ampiezza dell’onda e il post-SSW NAO, il valore osservato di 0,22 è nominalmente di segno opposto rispetto al risultato del modello di -0,07, ma gli ampi intervalli di confidenza, da -0,13 a +0,52, coprono sia lo zero che il valore del modello, e la correlazione del modello non risulta statisticamente significativa.

I precursori degli SSW che abbiamo identificato sono in linea con quanto riportato da altri studi. Per esempio, Karpechko et al. (2017) e Oehrlein et al. (2021) hanno osservato che gli SSW con anomalie più intense nella bassa stratosfera tendono a influenzare maggiormente la superficie, e che lo stato del vortice polare a 10 hPa ha una correlazione molto limitata con la risposta della NAO, risultati che corrispondono ai nostri.

È stato riscontrato che una pressione insolitamente alta su Eurasia e/o sulla calotta polare precede gli SSW in numerosi studi (es. Cohen e Jones, 2011; Kolstad et al., 2010; Kolstad e Charlton-Perez, 2011; Mitchell et al., 2013; Seviour et al., 2013; White et al., 2019), similarmente a quanto abbiamo individuato come fattore che incrementa la probabilità di una risposta negativa della NAO (vedi Figura 4). Tuttavia, le variazioni nei metodi di analisi e nei set di dati, inclusi i diversi approcci nella costruzione degli ensemble di modelli, rendono complesso il confronto diretto.

Inoltre, molteplici studi hanno esplorato la relazione tra i diversi modelli di disintegrazione del vortice (divisioni versus spostamenti) e i relativi impatti successivi. Questo confronto è complicato dalla varietà dei metodi di analisi, che portano a risultati diversi (ad esempio, Maycock e Hitchcock, 2015; Mitchell et al., 2013). Abbiamo utilizzato i numeri d’onda dominanti nell’altezza geopotenziale dell’eddy a 50 hPa per dimostrare che gli eventi dominati dall’onda-2 generano una risposta negativa della NAO molto più marcata nei primi 10 giorni rispetto agli eventi di onda-1, ma che la risposta nei successivi 20 giorni è simile indipendentemente dal numero d’onda. Questo è stato precedentemente osservato in studi basati su osservazioni (ad esempio, Hall et al., 2021) e in studi di modellazione dedicati (White et al., 2021); i nostri risultati confermano per la prima volta tali osservazioni nei dati modellistici da ensemble di hindcast inizializzati. È fondamentale enfatizzare che le risposte medie aggregate si basano su distribuzioni molto variegate degli eventi SSW, sottolineando l’importanza di utilizzare grandi ensemble in questi studi, in accordo con quanto suggerito da Maycock e Hitchcock (2015).

L’impatto della variabilità interna, che spesso nasconde il potenziale effetto dei precursori sulla risposta superficiale, è un tema ricorrente nella letteratura scientifica (per esempio, Hitchcock e Simpson, 2014; Oehrlein et al., 2021; White et al., 2019). Questo si riflette nelle basse correlazioni che abbiamo osservato nelle nostre analisi.

Anche se il nostro studio si è concentrato sui precursori degli impatti superficiali, analizzando i campi di pressione superficiale marina (PMSL) e del vento zonale medio zonale (ZMZW) prima degli SSW, è importante riconoscere che ci sono molte altre caratteristiche climatiche che influenzano il comportamento e l’evoluzione degli SSW, aumentando così la probabilità di impatti estremi sulla superficie. È noto da tempo, ad esempio, che il vortice polare stratosferico è più debole e gli SSW sono più frequenti quando l’Oscillazione Quasi-Biennale (QBO) nella stratosfera tropicale è nella fase orientale (Anstey e Shepherd, 2014). Anche l’Oscillazione El Niño-Southern (ENSO) ha un impatto sulla stratosfera, con gli eventi El Niño che aumentano la probabilità di occorrenza degli SSW (Domeisen et al., 2019). Inoltre, le fasi 6 e 7 dell’Oscillazione Madden-Julian (MJO), caratterizzate da una convezione intensificata nell’ovest del Pacifico tropicale, sono state collegate sia al triggering degli SSW sia all’aumento della probabilità di impatti superficiali come pattern NAO o AO negativi. Nonostante la complessità nel distinguere gli effetti di questi diversi fenomeni, alcuni studi hanno ottenuto risultati promettenti (Liu et al., 2014; Ma et al., 2020).

Dato che la dimensione ridotta dei campioni osservativi limita la capacità di trarre conclusioni definitive, questo ambito di ricerca emerge come particolarmente promettente per ulteriori studi, utilizzando l’approccio basato su hindcast che abbiamo implementato.

Ci auguriamo che i nostri risultati, focalizzati su caratteristiche come la pressione superficiale e i venti del vortice polare, contribuiscano a migliorare la precisione delle valutazioni previsionali basate sullo stato del sistema climatico prima degli eventi SSW. Benché i precursori siano presenti, è fondamentale sottolineare che essi influenzano solo moderatamente la probabilità che un SSW sia seguito da una NAO negativa e dai relativi impatti.

Riassunto dell’Influenza di Diversi Fattori sulla Risposta della NAO Seguente agli SSW

La Figura 9 è composta da due pannelli che sintetizzano come vari fattori pre-SSW influenzino la risposta media della NAO a 30 giorni successiva a questi eventi atmosferici particolari.

Pannello (a) – Correlazione Il primo pannello illustra la correlazione tra i fattori considerati e l’anomalia della NAO post-SSW, ciascuno accompagnato da un intervallo di confidenza del 95%. Vi sono quattro elementi principali in esame:

1. La pressione a livello del mare (PMSL) nella regione polare nei 10 giorni precedenti l’SSW.
2. Il vento zonale medio a 60°N a due diverse quote atmosferiche (100 hPa e 10 hPa) sempre nei 10 giorni precedenti l’SSW.
3. La dominanza dell’onda-1 o dell’onda-2 a 50 hPa, quantificata tramite il logaritmo del rapporto tra le ampiezze delle due onde.

Qui vediamo barre verticali verdi che rappresentano la grandezza delle correlazioni, mentre le estensioni orizzontali indicano l’affidabilità di queste stime (gli intervalli di confidenza). Per agevolare il confronto, le correlazioni per il PMSL e il numero d’onda sono state invertite.

Pannello (b) – Probabilità di una NAO Negativa Il secondo pannello mostra come la selezione di specifici terzili dei precursori influenzi la probabilità di una NAO negativa.

• I cerchi rossi indicano una maggiore probabilità di NAO negativa quando si selezionano i terzili superiori di ciascun precursore.
• I cerchi blu rappresentano una minore probabilità quando si selezionano i terzili inferiori.
• Le differenze sono evidenziate da cerchi pieni quando le variazioni di probabilità sono statisticamente significative.

Inoltre, il pannello confronta l’impatto della dominanza di onda-1 (in ciano) rispetto a quella di onda-2 (in rosa) sulla NAO nei primi 10 giorni (“Early”) e nei giorni dal 11° al 20° (“Late”) successivi all’SSW. La linea viola orizzontale indica il tasso generale di risposte negative della NAO a seguito di SSW, come osservato in precedenti figure, mentre la linea nera mostra la frequenza climatologica di condizioni negative della NAO durante periodi casuali di 30 giorni in inverno, con il relativo intervallo di confidenza in grigio.

In sintesi, la Figura 9 dimostra come la selezione di precursori specifici prima di un SSW possa influenzare in modo significativo la probabilità di una risposta negativa della NAO successiva a questi eventi, pur sottolineando che le correlazioni osservate sono generalmente basse, suggerendo una moderata influenza di questi fattori sul clima.

https://wcd.copernicus.org/articles/4/213/2023