La pbl_met cresce…

Un problema piccolo, ma concreto

Molte grandezze meteorologiche e micro-meteorologiche sono misurate in un numero finito di punti, ma definite in uno spazio a più dimensioni: la superficie della Terra, oppure l’atmosfera, oppure ancora gli interstizi del suolo.

E’ lì, e non solo nei punti di misura, che vorremmo conoscere lo stato delle cose. A chiederlo sono la logica elementare, ma anche (in casi specifici come quello dell’inquinamento dell’aria) la normativa.

Nasce così il problema, annoso, di “spazializzare le misure”, locuzione non proprio elegantissima, ma di grande valore pratico.

Un modo sensato (tra i tanti, sensati, possibili) per estendere un insieme di misure finito ad una regione dello spazio è di usare tutte le conoscenze disponibili, racchiuderle in un modello fisico, ed applicarlo alle misure – direttamente, o dopo una fase di assimilazione.

Nel caso, il modello fisico produce delle previsioni spaziali, che sono valutate in corrispondenza di una griglia di punti recettori nello spazio. Griglia ancora finita, ma talmente fitta da permettere di ricostruire una buona immagine della grandezza che ci interessa.

Il passo successivo è, appunto, ricostruire l’immagine.

Nella pratica, ciò può essere fatto campionando i risultati del modello fisico su una griglia ancora più fitta, usando questa volta un metodo di interpolazione (molto più economico del modello fisico, in termini computazionali). E su quel campione, applicare finalmente una delle tante tecniche di rendering delle immagini, come ad esempio la costruzione delle curve di iso-livello.

Nella pbl_met

Proprio in questo momento, la pbl_met si sta arricchendo di una nuova classe, TwoDimensionalField, deputata proprio al trattamento di campi bidimensionali, ricostruiti a partire da un insieme di punti sperimentali (che, incidentalmente, non sono costretti a stare su di una grigliaa regolare).

Il lavoro è in progresso, e farò sapere quando sarà finalmente completato.

Posso però dire, che i metodi che prevedo di implementare sono molto semplici (per ora):

  • Inverso del quadrato (o di una potenza sensata qualsiasi) della distanza.
  • Metodo di Cressmann.

In futuro, vedremo. In letteratura ci sono dei bellissimi metodi molto più promettenti di questi, ad esempio quello descritto in F. Uboldi, C. Lussana, M. Salvati, “Three-dimensional spatial interpolation of surface observations from high-resolution local networks”, Meteorol. Appl., 2008.

Vi terrò informat*. 🙂

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *