La conoscenza dello stato dei singoli componenti del ciclo idrologico è essenziale sia per la gestione delle risorse idriche che per l'adattamento al cambiamento climatico nelle regioni di montagna. Esistono diversi approcci per monitorare le risorse idriche montane, tra cui le misurazioni in situ, il telerilevamento e la modellazione idrologica. Tutti i metodi hanno vantaggi e svantaggi specifici, soprattutto se applicati nelle regioni di montagna. Per superare i limiti degli approcci convenzionali nelle regioni di montagna, viene proposto un approccio basato sull'assimilazione di più dataset utilizzando fonti di informazione complementari. L'approccio innovativo incorpora un modello idrologico della neve basato sul bilancio energetico, una nuova generazione di dati spaziali ad alta risoluzione e ad alta precisione e nuovi dati in situ da Cosmic-Ray Neutron Sensing (CRNS). Il vantaggio principale della misura a terra con CRNS è l'ampia copertura areale delle misure, il che significa che il segnale non è influenzato da piccole anomalie di umidità del suolo e Snow Water Equivalent (SWE). I prodotti basati su dati satellitari, invece, hanno il potenziale di mappare aree molto estese. L'assimilazione di diversi dataset basata su un algoritmo di tipo Particle Batch Smoother permette di combinare queste fonti di informazione complementari con le prestazioni della modellazione idrologica. Viene utilizzato un modello idrologico adatto a modellare i flussi di massa e di energia nelle regioni di montagna. I diversi dataset vengono perfezionati per migliorare la loro accuratezza e quindi il loro contributo per lo schema di assimilazione. Si cerca di semplificare la calibrazione del CRNS in ambienti alpini per condizioni completamente innevate e senza neve e di separare i contributi di SWE e di umidità del suolo durante la fase di fusione della neve. Vengono sviluppati nuovi approcci per la generazione di dati SCF (Snow Cover Fraction) ad alta risoluzione che sfruttano un concetto innovativo per l'integrazione di immagini satellitari multi-source basate sull'apprendimento automatico (machine learning). I prodotti derivanti dagli sviluppi relativi al CRNS e all’SCF vengono utilizzati in uno schema di assimilazione di dati. Inoltre, i dati migliorati vengono utilizzati insieme ai dati di umidità del suolo per l'assimilazione dei dati su scala regionale e di bacino. La combinazione di modelli spaziali di SCF e di umidità del suolo dello strato superiore con osservazioni CRNS temporalmente continue permette una nuova qualità dell'analisi delle risorse idriche.

Il progetto rientra nel piano di finanziamento provinciale L.P.14. L'obiettivo finale del progetto è il miglioramento della stima dei parametri relativi alle risorse idriche (in particolare, SWE e umidità del suolo) attraverso un approccio di assimilazione dei dati. In particolare, per Eurac questo progetto supporta il consolidamento dei prodotti di neve e umidità del suolo. Il ruolo di Eurac riguarda, nella prima fase del progetto, l'implementazione di algoritmi per una nuova generazione di dati spaziali ad alta risoluzione e ad alta precisione riguardanti la SCF e l'umidità del terreno. Successivamente, il team di Eurac contribuirà allo schema di assimilazione come descritto sopra.

Persone di riferimento: Giovanni Cuozzo giovanni.cuozzo@eurac.edu, Claudia Notarnicola, Claudia.notarnicola@eurac.edu and Ludovica De Gregorio, Ludovica.DeGregorio@eurac.edu