Assessing the Evolution of Rainfall Trends in India through Historical Analysis, Forecasting, and Comparison with the CMIP-6 SSP585 Scenario

Sintesi Tecnica: Valutazione dell'evoluzione delle tendenze delle precipitazioni in India attraverso l'analisi storica, la previsione e il confronto con lo scenario CMIP-6 SSP585

Problematica
Il cambiamento climatico sta guidando una diffusa variabilità degli eventi meteorologici estremi, ponendo sfide significative alle risorse idriche, all'agricoltura e alla stabilità economica, particolarmente nelle regioni subtropicali come l'India. Le precipitazioni, un motore fondamentale del ciclo idrologico, mostrano irregolarità crescenti che portano a siccità, inondazioni e fallimenti dei raccolti. Sebbene studi precedenti abbiano analizzato le tendenze delle precipitazioni a livello globale o nazionale, è necessaria un'analisi completa, spazio-temporalmente estesa, che integri il rilevamento dei trend storici con l'avanzato apprendimento automatico per le previsioni e il confronto con scenari climatici ad alte emissioni. Inoltre, i metodi statistici tradizionali spesso faticano con dati non distribuiti normalmente, l'autocorrelazione e l'identificazione di rotture strutturali (changepoints) in serie temporali a lungo termine, il che può portare a conclusioni fuorvianti.

Metodologia
Lo studio conduce un'analisi rigorosa dei dati sulle precipitazioni che copre 122 anni (1901–2022) in tutta l'India, risolti in sei Regioni Omogenee (HR) e trentantaquattro Sottodivisioni Meteorologiche (MSD). La metodologia integra quattro distinti componenti analitici:

1. Rilevamento delle Tendenze: Lo studio impiega tecniche statistiche non parametriche, specificamente il test di Mann-Kendall (MK) e lo stimatore della pendenza di Sen, per identificare tendenze monotone nelle precipitazioni annuali, stagionali e mensili. Per affrontare i limiti relativi all'autocorrelazione e all'omogeneità dei dati, gli autori hanno integrato test di omogeneità (Pettitt, Buishand Range e Standard Normal Homogeneity Test) per rilevare i punti di cambiamento (break years) prima di applicare l'analisi delle tendenze.
2. Analisi delle Tendenze Innovativa (ITA): Per validare e perfezionare i risultati, lo studio utilizza il metodo ITA (Şen, 2012). Questa tecnica grafica non parametrica gestisce dati autocorrelati e outlier senza richiedere assunzioni rigide sulla dimensione del campione o sulla linearità, permettendo il rilevamento di sottotendenze e combinazioni di tendenze distinte all'interno delle serie temporali.
3. Analisi Meccanicistica: Per comprendere i driver fisici delle variazioni osservate, lo studio analizza i dati di rianalisi ERA5 (1940–2022). Le variabili chiave includono le precipitazioni convettive, la copertura nuvolosa bassa e la divergenza dell'umidità integrata verticalmente. Un punto di cambiamento è stato identificato nel 1956, e le differenze nei modelli di circolazione tra i periodi 1940–1956 e 1957–2022 sono state valutate.
4. Previsione e Confronto con Scenari: Un modello di Rete Neurale Artificiale a Perceptron Multistrato (ANN-MLP) è stato addestrato sui dati storici per prevedere le precipitazioni annuali fino all'anno 2050. Le prestazioni del modello sono state ottimizzate utilizzando l'Errore Quadratico Medio (RMSE) e l'Errore Assoluto Medio (MAE). Queste previsioni basate sul machine learning sono state poi giustapposte alle proiezioni del Progetto di Confronto tra Modelli Accoppiati Fase 6 (CMIP-6) sotto lo scenario Shared Socioeconomic Pathway 5-8.5 (SSP585), che rappresenta una traiettoria climatica "business-as-usual" di tipo peggiore. Il confronto ha utilizzato un ensemble multi-modello (MME) di tre modelli climatici globali CMIP-6 (CanESM5, BCC-CSM2-MR e IITM-ESM).

Risultati Chiave

• Tendenze Storiche: Il test MK e l'ITA hanno rivelato una significativa tendenza negativa nelle precipitazioni annuali per la HR del Nord-Est e sette specifiche MSD (tra cui Arunachal Pradesh, Assam Meghalaya e NMMT). Al contrario, nove MSD, inclusi Coastal Andhra Pradesh e Punjab, hanno mostrato tendenze positive significative. L'analisi stagionale ha indicato tendenze negative nella HR del Nord-Est durante la stagione dei monsoni, mentre Coastal Andhra Pradesh e Punjab hanno mostrato un aumento delle precipitazioni monsoniche.
• Punti di Cambiamento (Changepoints): I test di omogeneità hanno identificato che la maggior parte delle regioni ha subito una rottura strutturale nei modelli di precipitazione dopo gli anni '50. L'analisi post-cambiamento ha confermato che la HR del Nord-Est e diverse suddivisioni orientali hanno subito significativi cali nelle precipitazioni monsoniche negli ultimi 70 anni.
• Driver Fisici: L'analisi ERA5 ha attribuito le variazioni delle precipitazioni alle fluttuazioni nelle precipitazioni convettive, all'aumento della copertura nuvolosa bassa e a un'inadeguata divergenza dell'umidità verticale. Nello specifico, l'intensificarsi dei venti da nord-est ha ridotto l'intrusione di aria più fresca, diminuendo le piogge invernali, mentre l'aumento della divergenza dell'umidità nelle regioni occidentali e centrali ha contribuito a condizioni più secche.
• Previsione (2050): Il modello ANN-MLP prevede un declino complessivo delle precipitazioni annuali in tutta l'India entro il 2050. Sebbene la HR del Nord-Est dovrebbe mantenere le precipitazioni medie più elevate (circa 1920 mm), la HR del Nord-Ovest è proiettata verso le riduzioni più significative.
• Confronto con CMIP-6 SSP585: Un risultato critico è che le previsioni ANN-MLP per tutte le sei HR e 28 delle 34 MSD prevedono livelli di precipitazioni inferiori alle proiezioni MME di CMIP-6 sotto lo scenario SSP585. Ciò suggerisce che le precipitazioni reali future potrebbero scendere anche al di sotto delle proiezioni dei modelli climatici peggiori, indicando una grave traiettoria verso la scarsità idrica. Solo sette MSD, principalmente costiere e alcune regioni interne, dovrebbero superare i livelli di precipitazioni dello scenario SSP585.

Significatività e Rivendicazioni
Gli autori affermano che questo studio fornisce una valutazione critica e multifocale dell'evoluzione delle precipitazioni in India, collegando l'analisi delle tendenze storiche con la previsione futura e la validazione dei modelli climatici. L'integrazione del rilevamento dei punti di cambiamento con i metodi MK e ITA offre una comprensione più robusta delle tendenze non monotoniche rispetto agli approcci tradizionali da soli.

Lo studio asserisce che il suo confronto tra le previsioni del machine learning e le proiezioni CMIP-6 SSP585 offre un quadro unico per valutare gli impatti climatici regionali, rivelando che l'India potrebbe affrontare deficit di precipitazioni che eccedono persino gli scenari più pessimistici dei modelli climatici. Questi risultati sono presentati come vitali per i decisori politici, gli idrologi e i pianificatori agricoli per formulare strategie adattive per l'irrigazione, la gestione delle risorse idriche e la resilienza climatica. Gli autori riconoscono i limiti, notando che la scala spaziale ampia dello studio (40 regioni) preclude l'analisi a livello micro (distretto/blocco/villaggio) e che la mancanza di dati giornalieri limita la granularità dell'attuale rilevamento delle tendenze. Suggeriscono che lavori futuri debbano impiegare il deep learning avanzato (es. LSTM) e il telerilevamento basato su griglia per affinare queste intuizioni.