ICON-CH1-DS-SM

Downscaling a 90 m per San Marino — Documentazione tecnica e divulgativa
Sistema v3.4 — 48 mappe DS-SM 90 m (per San Marino) + 23 mappe ICON-CH1-EPS 1 km ensemble (per Alpi e Italia centro-settentrionale) — 7 settori DS-SM + 6 settori ICON-CH1-EPS nativi (CNV, WND, PL, GEN, MSC, PRP), UTCI completo, gradiente ML atmosferico bi-variabile (T + Td con P ICON effettiva), cloud immersion, 5 pacchetti di parametri fisici DS-SM (LCL/cloud immersion, fog split radiativo/versante, visibilità Gultepe 2006, ET0 aspect-corrected, CAPE/CIN Surface-Based Bolton 1980) — Aggiornato 21 aprile 2026

Glossario e acronimi

Cos'è il downscaling e perché serve

I modelli meteorologici numerici come ICON-CH1-EPS simulano l'atmosfera su una griglia regolare. ICON-CH1-EPS ha una risoluzione di circa 1 km: ogni cella rappresenta un quadrato di 1 km di lato, con un'unica quota media che "liscia" il terreno reale. Per San Marino, dove in meno di 1 km si passa dai 50 m della pianura ai 750 m di Monte Titano, questa approssimazione può causare errori importanti nella previsione.

Il downscaling ICON-CH1-DS-SM trasforma le previsioni dalla griglia originale a 1 km a una griglia a 90 m di risoluzione, utilizzando un modello digitale del terreno (DEM) ad alta risoluzione e diverse correzioni fisiche. Il risultato è una previsione che "vede" le valli, le creste, i versanti esposti al sole e quelli in ombra.

Panoramica del sistema

Parametri diretti (downscalati dalla griglia ICON)

Parametri derivati, organizzati per settore d'impiego

GEN — Meteo base (uso generale)

PRP — Precipitazione e neve (viabilità, turismo montano)

AGR — Agricoltura e zootecnia

NRG — Energia e radiazione

SAF — Sicurezza e comfort (lavoro, turismo, droni)

FIR — Incendi boschivi (protezione civile)

CNV — Convezione (parametri con valore aggiunto orografico 90 m)

Come funziona: le correzioni fisiche

Il cuore del sistema è una catena di correzioni che trasformano il valore a 1 km nel valore a 90 m. Ogni correzione aggiunge un'informazione fisica che il modello originale non risolve.

1. Interpolazione IDW (base)

Ogni pixel a 90 m riceve un valore interpolato dai 4 punti ICON più vicini, pesati per l'inverso della distanza al quadrato. Questo produce un campo liscio — la stessa temperatura per il fondovalle e per la cresta.

2. Correzione di quota (gradiente termico atmosferico)

La temperatura diminuisce con la quota, ma non in modo costante: il gradiente varia nello spazio e nel tempo. Per la temperatura a 2 m, il sistema calcola il gradiente direttamente dal profilo verticale del modello: la regressione lineare della temperatura sui 5 livelli più bassi (da ~50 a ~500 m sopra il suolo) fornisce il gradiente atmosferico puro, senza contaminazione da effetti di superficie. Questo gradiente viene poi applicato alla differenza di quota tra il DEM a 90 m e l'orografia del modello:

T_90m = T_interpolata + gradiente_atmosferico × (quota_DEM − quota_modello)

Il vantaggio di usare il profilo verticale anziché la regressione spaziale (metodo precedente, basato su 12 punti ICON vicini a quote diverse) è che separa nettamente la componente atmosferica da quella superficiale (uso del suolo, esposizione, ristagno freddo), evitando il doppio conteggio con le correzioni 4–7 che correggono specificamente gli effetti di superficie.

Se i dati del profilo verticale non sono disponibili, il sistema ricade automaticamente sulla regressione spaziale a 12 vicini.

• Gradiente medio: −6,5 °C per km di dislivello (atmosfera standard)
• Range ammesso: da −12 °C/km (forte instabilità) a +5 °C/km (inversione termica)
• Per il punto di rugiada: dal 18 aprile 2026 il gradiente Td è calcolato dallo stesso profilo verticale usato per T. Ai 21 livelli modello 60–80 il sistema scarica anche l'umidità specifica (QV) e ricostruisce Td via mixing ratio + vapor pressure + Magnus inversa (Bolton 1980 eq. 11), usando la P ICON effettiva ai livelli modello (da 2026-04-19; fallback a P_ISA dell'atmosfera standard se p non disponibile nel NPZ). La regressione verticale Td vs z elimina così la dipendenza dalla scala dei 12 vicini (~12 km), catturando per-pixel l'asciugatura/umidificazione locali (valle umida vs cresta secca). Clip fisico: −12 a +3 °C/km. Fallback automatico alla regressione spaziale se QV non disponibile nel NPZ pre-estratto.

3. Inversioni termiche (correzione non lineare del profilo)

Nota importante: questa correzione è aggiuntiva rispetto al gradiente lineare del passo 2, non alternativa. Il passo 2 applica un gradiente costante (ad esempio −6,5 °C/km) lungo tutta la colonna d'aria. Ma in realtà il profilo termico reale non è mai perfettamente lineare: nelle notti serene si formano inversioni — strati dove la temperatura aumenta con la quota.

Per catturare queste strutture, il sistema usa i dati di temperatura ai 21 livelli verticali più bassi del modello (dal suolo fino a ~2000 m) per ricostruire il profilo reale. Poi calcola la differenza tra ciò che dice il profilo reale e ciò che dice il gradiente lineare già applicato al passo 2:

ΔT = T_profilo_reale(quota_DEM) − T_gradiente_lineare(quota_DEM)

Questa differenza è zero quando il profilo è effettivamente lineare (nessuna correzione aggiuntiva), e diventa significativa solo in presenza di inversioni o strati isotermi. Può valere fino a +5 °C nelle valli in condizioni di inversione notturna.

In sintesi: il passo 2 stabilisce la pendenza media del profilo, il passo 3 ne corregge le deviazioni.

Riferimenti: Whiteman (2000), Sheridan et al. (2014), Lundquist et al. (2008).

4. Ristagno di aria fredda (Cold Air Pooling)

Le valli strette e i fondovalle accumulano aria fredda per gravità: l'aria più densa scivola verso il basso lungo i pendii (flusso catabatico). L'intensità del fenomeno dipende dalla morfologia del terreno (indice CAPI, pre-calcolato dal DEM) e dalla stabilità dello strato limite atmosferico (flusso di calore sensibile dal modello). Quando lo strato è stabile (aria più calda sopra aria più fredda), il ristagno si intensifica.

Riferimenti: Holden et al. (2011), Lundquist et al. (2008).

5. Modulazione notturna con la radiazione infrarossa

Il raffreddamento radiativo a onda lunga (la radiazione infrarossa emessa dalla superficie verso lo spazio) controlla l'intensità del ristagno freddo notturno. In notti serene, la superficie perde molto calore per irraggiamento (−100 W/m²) e il ristagno freddo si amplifica del 50%. In notti nuvolose, le nubi restituiscono parte della radiazione (−20 W/m²) e il ristagno si riduce al 30%.

6. Riscaldamento solare differenziale

L'irraggiamento solare varia enormemente a 90 m: un versante esposto a sud riceve fino a 5 volte più energia di un fondovalle in ombra. Il sistema calcola l'anomalia di irraggiamento rispetto alla media del dominio e la converte in differenza di temperatura. L'effetto è attenuato gradualmente nelle celle immerse nella nube, in base allo spessore ottico della copertura nuvolosa (indice CLDEPTH).

Riferimenti: Barry & Hall (1982), Foley et al. (2003).

7. Inerzia termica (uso del suolo)

Superfici diverse rispondono diversamente al riscaldamento e al raffreddamento: l'urbano si scalda e si raffredda velocemente, il bosco attenua le escursioni, l'acqua stabilizza la temperatura. Il sistema usa la carta dell'uso del suolo CORINE Land Cover a 100 m per modulare l'effetto della temperatura superficiale prevista dal modello.

Riferimenti: Oke (1987), Stull (1988).

8. Immersione nella nube

Novità 2026. Il sistema calcola l'altezza della base delle nubi (ceiling) dalla copertura nuvolosa su 80 livelli verticali del modello e la confronta con il DEM a 90 m. Se la quota del terreno supera la base della nube, quel pixel si trova dentro la nube.

La base delle nubi è un campo atmosferico che varia lentamente nello spazio (su scala chilometrica), quindi si presta bene all'interpolazione da 1 km a 90 m. La variabilità del terreno è catturata interamente dal DEM ad alta risoluzione: il sistema distingue una cresta che emerge dalla nube da una valle che ne è immersa.

Effetti sulle celle immerse:

• Il riscaldamento solare viene fortemente attenuato (dentro la nube non arriva radiazione diretta)
• Il ristagno freddo viene soppresso (la turbolenza interna alla nube distrugge la stratificazione stabile)
• La correzione per inversione viene soppresso (dentro la nube il profilo termico segue l'adiabatica umida, circa −5,5 °C/km, diverso dal profilo del modello)
• La correzione per inerzia termica viene soppressa (l'accoppiamento tra suolo e aria è irrilevante all'interno della nube)

L'algoritmo per il calcolo del ceiling è identico a quello utilizzato dal servizio meteorologico tedesco (DWD) nel modello ICON: la base della nube corrisponde al primo livello dal basso in cui la copertura nuvolosa supera il 50%.

9. Downscaling del vento (WindNinja)

Il campo di vento è downscalato con WindNinja, un modello fluidodinamico sviluppato dal Servizio Forestale degli Stati Uniti (USFS) specificamente per simulare il flusso d'aria su terreni complessi. WindNinja risolve le equazioni del moto su una griglia tridimensionale ancorata al DEM a 90 m, producendo velocità e direzione del vento che riflettono la canalizzazione nelle valli, l'accelerazione sulle creste e le deviazioni attorno ai rilievi.

Le raffiche vengono stimate applicando al campo di vento medio il modello di Beljaars (1987) nella formulazione adottata da ICON (Schulz 2008), che calcola un fattore di raffica in funzione della rugosità del terreno.

10. Downscaling solare (3 componenti)

Il modello solare a 90 m è il componente più sofisticato. Separa la radiazione in tre contributi fisici:

Componente diretta: il raggio solare diretto, attenuato dalle ombre del terreno. Le ombre sono calcolate con angoli d'orizzonte pre-computati su 72 direzioni e fino a 18 km di distanza, con transizione graduale (penombra ±0,5°) per evitare ombre binarie irrealistiche.

Componente diffusa: la luce diffusa dal cielo, calcolata con il modello Hay-Davies (1980). Distingue tra componente isotropica (cielo uniforme) e circumsolare (concentrata attorno al disco solare). È pesata per il fattore di vista del cielo (SVF): in un fondovalle stretto il cielo visibile è ridotto, quindi la radiazione diffusa è minore.

Componente riflessa: la luce riflessa dal terreno circostante, con trattamento anisotropo (il versante illuminato dal sole riflette di più del versante in ombra). L'albedo (la capacità di riflessione della superficie) varia con il mese e l'altitudine: da 0,18 per erba e roccia a 0,55 per neve invecchiata.

11. Base nubi (LCL, Bolton 1980) — novità 2026-04-18

L'LCL (Lifting Condensation Level) è la quota alla quale una particella d'aria sollevata dal suolo raggiunge la saturazione. Fisicamente corrisponde alla base inferiore delle nubi cumuliformi (stratocumuli, cumuli) generate per convezione termica. A differenza del metodo "ceiling" del passo 8 (che usa la copertura nuvolosa su 80 livelli ICON), l'LCL calcolato localmente può essere più basso di 100–500 m nei fondovalle freddi umidi, catturando strutture che ICON a 1 km non risolve.

La formula di Bolton (1980) eq. 22 è un'approssimazione empirica con accuratezza ±0,1 K, calcolata da T2m e Td2m già downscalati a 90 m (quindi include lapse rate locale e inversioni ML):

T_LCL [K] = 1 / [1/(T_d − 56) + ln(T/T_d)/800] + 56
h_LCL_AGL = c_p · (T − T_LCL) / g    (c_p = 1005,7 J/kg/K, g = 9,81 m/s²)
LCL_MSL = h_LCL_AGL + z_DEM

Il flag cloud_in_cloud combina LCL_MSL con il DEM a 90 m e con la copertura nuvolosa ICON (CLCT ≥ 50%): restituisce 1 dove il terreno supera l'altezza base nubi e c'è effettiva copertura. Questo è il parametro più utile per il Monte Titano (749 m): permette di distinguere "cresta nella nube" da "valle sotto la nube". Visualizzazione: rosso semi-trasparente (alpha 60%) per lasciare visibile il terreno sottostante.

Riferimento: Bolton D. (1980). The computation of equivalent potential temperature. Mon. Weather Rev. 108, 1046–1053.

12. Split del parametro "nebbia" in radiativo vs di versante — novità 2026-04-18

Il vecchio parametro fog monolitico (basato su immersione nella nube) non distingueva tra due fenomeni fisicamente molto diversi, che richiedono condizioni e previsioni diverse:

• Nebbia radiativa (fog_radiative): si forma in notti serene, calme, umide, nei fondovalle dove l'aria fredda ristagna per drenaggio catabatico. La superficie perde calore per irraggiamento a onda lunga e raffredda l'aria sovrastante fino a saturazione. È il fenomeno classico delle "nebbie del mattino" nelle valli chiuse.
• Nebbia di versante (fog_slope, o "upslope fog"): si forma quando una massa d'aria viene forzata a salire contro un pendio. Può verificarsi in qualsiasi ora del giorno, non richiede cielo sereno, richiede invece vento diretto verso la montagna e quota del pendio ≥ LCL locale.

Il downscaling a 90 m è particolarmente adatto a distinguerli: l'indice CAPI morfologico (Holden et al. 2011) identifica precisamente i fondovalle, l'aspect del DEM determina se un versante è esposto al vento, e la combinazione LCL + DEM dà la quota di intercettazione della nube per-pixel.

Il metodo usa fuzzy logic (Tag & Peak 1996): ogni condizione è valutata con una "membership function" smooth_step che restituisce un grado di adesione in [0,1], e la probabilità finale è la media geometrica dei gradi:

fog_radiative = (μ_notte · μ_calma · μ_umidità · μ_cielo_sereno · μ_CAPI · μ_saturazione)^(1/6)
fog_slope     = (μ_intercetto · μ_CLCL · μ_vento_advettivo · μ_upslope)^(1/4)

Riferimenti: Whiteman C.D. (2000) Mountain Meteorology cap. 6, Oxford Univ. Press. Tag P.M., Peak T.E. (1996) Machine learning of maritime fog forecast rules. J. Appl. Meteorol. 35, 714–724.

13. Visibilità Gultepe 2006 + RUC — novità 2026-04-18

La visibilità orizzontale in metri è calcolata combinando tre contributi fisici tramite l'equazione di Koschmieder (1924):

1/V_tot = 1/V_fog + 1/V_precip + 1/V_aerosol

V_fog dalla formula empirica di Gultepe et al. (2006) eq. 8, validata dal progetto FRAM-L (Fog Remote sensing and modeling):

V_fog [km] = 41,66 · RH^(-0,7155) · exp(-0,0024 · C)

con RH in % e C = intensità precipitazione in mm/h. Applicata solo per RH ≥ 80% (regime fog), altrove V_fog → ∞.

V_precip dal modello RUC (Rapid Update Cycle) di Stoelinga & Warner (1999), che distingue pioggia da neve:

V_rain = 1,1 · P^(-0,75) [km]
V_snow = 1,0 · P^(-1,00) [km]

V_aerosol è una costante (30 km) che rappresenta l'attenuazione dovuta a polveri e aerosol in aria relativamente pulita (rural background).

Boost fog_radiative: quando la diagnosi fuzzy del passo 12 dà alta probabilità di nebbia radiativa, la V_fog viene ridotta fino al 50% (V_fog_boosted = V_fog · (1 − 0,5 · prob_nebbia)). Questo compensa il caso in cui l'RH2m downscalato non cattura esattamente la saturazione (es. errore Td dell'ordine di 1–2 K) ma le altre condizioni fisiche indicano chiaramente la presenza di nebbia.

Unità di misura: metri (standard WMO, coerente con AROME-PI nowcasting). Range fisico: da 20 m (nebbia fittissima) a 50 km (aria limpidissima). I valori interni del modello sono calcolati in km e convertiti in metri per coerenza con le altre mappe di visibilità del sito.

Riferimenti: Gultepe I. et al. (2006) Pure Appl. Geophys. 164, 1121–1159. Stoelinga M., Warner T. (1999) J. Appl. Meteorol. 38, 385–404. Koschmieder H. (1924) Theorie der horizontalen Sichtweite. Beitr. Phys. Atmos. 12.

14. CAPE/CIN Surface-Based pseudoadiabatico — novità 2026-04-18, riorganizzato 2026-04-20

Questo passo descrive ora solo la parte che resta in DS-SM 90 m, ovvero il CAPE/CIN Surface-Based (SB). Le varianti Most-Unstable (MU), LFC, EL sono state migrate al modello ICON-CH1-EPS nativo a 1 km (vedi sezione “ICON-CH1-EPS Convection Diagnostics” in fondo).

Il CAPE (Convective Available Potential Energy) e il CIN (Convective INhibition) misurano rispettivamente la quantità di energia che un’ascesa convettiva può liberare e quella che deve essere vinta prima dell’innesco. Il valore aggiunto del downscaling 90 m per il Surface-Based sta nel parcel iniziale: i fondovalle freddi mattutini hanno CAPE fortemente ridotto e CIN amplificato rispetto ai versanti sud già riscaldati dal sole. ICON a 1 km media questi contrasti; il DS-SM a 90 m li risolve pixel per pixel grazie a T2m/Td2m downscalati ai quali il parcel aderisce.

Il parcel ambientale sopra il suolo (profilo T + QV ai livelli modello 60–80) è lo stesso per tutto il dominio San Marino (~10×7 km) — varia poco a scala sub-kilometrica. Il metodo “B-lite” usa un profilo per ogni pixel ICON nativo (~1 km) e associa ogni pixel DEM 90 m al pixel ICON più vicino (nearest-neighbor via KDTree in coordinate WGS84). Questa scelta scala naturalmente a domini più grandi (es. Romagna, 80×60 km, dove il gradiente sinottico tra costa Adriatica e crinale Appennino richiede profili distinti).

Due tipologie di parcel:

• Surface-Based (SB): il parcel parte dal DEM con T2m e Td2m downscalati. Pressione iniziale dalla formula ISA standard. Lo stato di partenza differisce per ogni pixel 90 m. È il tipico caso della convezione diurna termica.
• Most-Unstable (MU): per ogni pixel ICON 1 km si cerca tra i livelli modello dei primi ~1200 m AGL (livelli 70–80) il parcel con θ_e più alta, poi si solleva quello. Robusto alle inversioni superficiali notturne: può identificare convezione “elevated” che parte dal top dell’inversione, non dal suolo.

Ascesa del parcel — pseudoadiabatica WMO:

• Sotto l’LCL: ascesa adiabatica secca (conservazione di θ, T scende ~9.8 °C/km).
• Sopra l’LCL: conservazione di θ_e (Bolton 1980 eq. 38). Per ogni livello successivo la temperatura del parcel è trovata con iterazione Newton (5 passi, tolleranza 0.05 K) che risolve θ_e(T, p, qv_sat(T,p)) = θ_e_iniziale.
• Correzione della temperatura virtuale T_v = T·(1+0.608·qv) applicata sia al parcel che all’ambiente: le condizioni umide aumentano il galleggiamento e quindi il CAPE di 5–15% rispetto al calcolo senza T_v (Doswell & Rasmussen 1994).

Integrazione:

CAPE = g · ∫(LFC → EL) (Tv_parcel − Tv_env) / Tv_env dz    [positivo, J/kg]
CIN  = g · ∫(start → LFC) (Tv_env − Tv_parcel) / Tv_env dz dove buoyancy < 0

L’LFC (Level of Free Convection) è il primo crossing dove il parcel diventa più caldo dell’ambiente, interpolato linearmente tra i due livelli adiacenti. L’EL (Equilibrium Level) è l’ultimo crossing dove il parcel torna negativo (non il primo, per non fermarsi a oscillazioni minori della curva): questo allinea il nostro calcolo con SPC e MetPy.

La pressione ai livelli ambientali è calcolata dalla formula ISA standard dalle altezze HHL (già disponibili). L’uso di P ICON effettiva (già scaricato, non ancora usato qui) è previsto come miglioramento successivo: ridurrebbe l’errore su CAPE di ~50 J/kg in anticicloni/cicloni estremi.

Output DS-SM 90 m: 2 mappe in categoria CNV — cape_sb, cin_sb (le uniche dove il downscaling 90 m ha valore fisico reale grazie ai parcel T2m/Td2m downscalati).

Test fisici: 9 test pytest validano contro valori pubblicati: sounding analitico Weisman-Klemp (1982) con CAPE ~2200 J/kg riprodotto entro ±400 J/kg; inversione superficiale notturna con CIN > 30 J/kg; aria secca stabile con CAPE = 0; parcel elevato con MU_CAPE sensibilmente maggiore di SB_CAPE.

Riferimenti: Bolton D. (1980) Mon. Weather Rev. 108, 1046–1053 (θ_e eq. 38, T_LCL eq. 21/22). Emanuel K.A. (1994) Atmospheric Convection, Oxford Univ. Press. Weisman M.L., Klemp J.B. (1982) Mon. Weather Rev. 110, 504–520 (sounding analitico per test). Doswell C.A., Rasmussen E.N. (1994) Weather Forecasting 9, 625–629 (Tv correction).

15. ET0 aspect-corrected (FAO-56 con radiazione orografica) — novità 2026-04-18

L'evapotraspirazione di riferimento ET0 standard utilizza la radiazione globale orizzontale (GHI), trattando il terreno come un piano. Ma su un territorio con forte variabilità orografica come San Marino, la radiazione reale ricevuta da una coltura dipende fortemente dall'inclinazione e dall'esposizione del versante.

Il DS-SM ha già un modello solare a 3 componenti che produce il GTI (Global Tilted Irradiance): la radiazione effettiva su superficie inclinata reale, che include aspect, slope, ombre dell'orizzonte e riflessione anisotropa. La versione aspect-corrected dell'ET0 semplicemente sostituisce GHI con GTI nel bilancio radiativo della Penman-Monteith oraria (ASCE 2005 eq. 1):

ET0 = [0,408 · Δ · (R_n − G) + γ · (C_n/(T+273)) · u_2 · (e_s − e_a)]
      ---------------------------------------------------------------
                        Δ + γ · (1 + C_d · u_2)

R_n = (1 − α) · rad_gti + athb_s_ICON      (versione DS-SM)
R_n = (1 − α) · rad_ghi − R_nl                (versione standard piatta)

dove Δ è la pendenza della curva di saturazione (kPa/°C), γ la costante psicrometrica, C_n=37 e C_d=0,24 (diurno) o 0,96 (notturno) sono i coefficienti FAO-56 Tab. 1 per short reference crop. La pressione atmosferica è calcolata dalla quota DEM con formula ISA standard.

Il risultato è che nelle ore centrali della giornata:

• Versante sud soleggiato: ET0 aumenta del 30–50% rispetto al calcolo piatto (più radiazione ricevuta)
• Versante nord in ombra: ET0 diminuisce del 20–30%
• Fondovalle mattutino in inversione: ET0 diminuisce ulteriormente perché la T2m downscalata è più fredda

Questa informazione è rilevante per la programmazione irrigua locale e per la gestione differenziata dei vigneti esposti diversamente (resa e qualità del grappolo).

Riferimenti: Allen R.G., Pereira L.S., Raes D., Smith M. (1998) FAO Irrigation and Drainage Paper 56, eq. 6. ASCE-EWRI (2005) Standardized Reference Evapotranspiration, Walter I.A. et al., eq. 1.

16. Cloud top + cloud thickness — migrato a ICON-CH1-EPS nativo (2026-04-20)

Parametri precedentemente in DS-SM, ora calcolati sul modello ICON-CH1-EPS nativo a 1 km (dove il profilo verticale CLC risiede fisicamente). Vedi “ICON-CH1-EPS Convection Diagnostics” in fondo. La descrizione tecnica del calcolo resta valida:

Due mappe diagnostiche derivate dal profilo verticale di copertura nuvolosa (CLC) ai 80 livelli modello ICON, già scaricato per il calcolo del ceiling (passo 8 “Immersione nella nube”).

• Cloud top (m s.l.m.): quota della sommità delle nubi. Si trova scansionando dall'alto verso il basso il profilo CLC e prendendo il primo livello dove CLC ≥ 50%. È il complemento del ceiling (base nubi) già calcolato.
• Cloud thickness (m): spessore verticale dello strato nuvoloso, calcolato come cloud_top − ceiling_msl, clampato a non negativo. Indicatore convezione vs stratificazione: < 500 m tipico di strati bassi (stratocumulo, nebbia stratiforme), 500–3000 m convezione moderata (cumuli), > 3 km tipico di cumulonembo/altocumulus castellanus (instabilità profonda).

Entrambe sono calcolate su cesta durante l'estrazione dei profili ICON (nessun GRIB aggiuntivo da scaricare: CLC già presente). Propagate dai pixel ICON 1 km ai pixel DEM 90 m via nearest-neighbor (B-lite), stessa logica delle altre diagnostiche ML.

Utilità operativa: aviazione VFR/IFR (quota sommità per decisione di volo), parapendio (rilevamento strati di convezione potenziale, termiche in sviluppo), turismo montano (previsione “mare di nubi” visibile dalle creste).

17. Pressione ICON effettiva nel gradiente Td — novità 2026-04-19

Il passo 2 (“Correzione di quota”) descrive come il gradiente verticale del punto di rugiada Td sia stato esteso dal metodo “12 vicini spaziali” al metodo verticale basato sull'umidità specifica QV ricostruita per ciascun livello modello (fix 18 aprile). La formula richiede la pressione ai livelli, che inizialmente era stimata con l'atmosfera standard ISA.

Dal 19 aprile il sistema scarica ed estrae anche la pressione effettiva ICON (shortName p) ai 31 livelli modello 50–80, già disponibile come variabile downloadata dal pacchetto STAC MeteoSwiss. La funzione compute_ml_lapse_rate_td() ora preferisce la pressione ICON effettiva se presente nel NPZ, con fallback automatico a ISA se assente.

Accuratezza attesa: +0.2 °C su Td in condizioni anticicloniche (P sfc > 1020 hPa) o cicloniche (P sfc < 990 hPa), dove lo scostamento da ISA (1013 hPa) ha effetto non trascurabile sul calcolo di e_vapor = P · QV / (ε + QV). In regime barometrico normale la correzione è marginale.

18. PWAT / TWATER — migrato a ICON-CH1-EPS nativo (2026-04-20)

Parametro precedentemente in DS-SM 90 m, ora fornito dal modello nativo come TWATER (Total Column Water, includes vapor + liquid + ice + precip): campo single-level nativo MeteoSwiss, disponibile per tutti 11 membri ensemble, zero calcolo custom. Vedi “ICON-CH1-EPS Convection Diagnostics” in fondo.

PWAT (Precipitable Water) è la quantità d'acqua totale presente nella colonna atmosferica verticale, espressa come altezza di acqua equivalente (mm). Se tutta l'umidità dell'atmosfera sopra un punto condensasse e precipitasse, PWAT sarebbe la pioggia totale teoricamente possibile.

PWAT = (1/g) · ∫sfctop QV dp   [kg/m² = mm con ρacqua=1000]

Discretizzazione trapezoidal sui 31 livelli modello 50–80:

PWAT = (1/g) · Σi 0.5 · (QVi + QVi+1) · |Pi − Pi+1|

Range tipici: 5–15 mm in inverno (aria fredda secca), 15–30 mm in estate mediterranea, > 40 mm solo in avvezioni umide sub-tropicali estreme (“atmospheric rivers”). PWAT è un indicatore chiave di intensità precipitativa potenziale: a parità di shear e CAPE, temporali con PWAT più alto producono più pioggia per unità di tempo.

Utilità: monitoring siccità atmosferica, confronto con osservazioni GNSS-PWAT (ZTD da ricevitori GPS), identificazione flussi umidi di origine marina. Mappa in categoria MSC, scala colormap BuPu (bianco = secco, viola scuro = umido).

Riferimento: AMS Glossary — Precipitable Water.

19. Wind shear + BRN + wind a quote pressione — migrato a ICON-CH1-EPS nativo (2026-04-20)

Parametri precedentemente calcolati in DS-SM 90 m (shear 0-1/0-3 km, BRN, wind @ 850 hPa), ora migrati al modello ICON-CH1-EPS nativo a 1 km — dove sono calcolati sui profili U/V multilivello di tutti 11 membri ensemble, abilitando mean/spread/probabilità. È stato aggiunto anche shear 0-6 km (deep-layer shear, utile per mesocicloni) e wind @ 500/700 hPa (jet stream, analisi sinottica). Vedi sezione finale.

Sfruttando il download di U/V (vento zonale/meridionale) ai 31 livelli modello 50–80, il sistema produce 5 nuove mappe diagnostiche per la previsione di temporali organizzati e per l'analisi del vento in quota.

Il forcing del vento al suolo è invariato: WindNinja CFD continua a ricevere come input U/V a 10 m ICON. Le nuove mappe sono diagnostiche pure aggiunte accanto alla pipeline esistente, non sostituiscono nulla.

Wind @ 850 hPa (modulo km/h + direzione °): il vento alla quota di circa 1500 m AGL, classico livello di riferimento meteorologico per l'analisi sinottica (fronti, avvezione termica). Calcolato per interpolazione log-pressione sui livelli modello. Utile per vedere la struttura del flusso atmosferico senza il disturbo dell'orografia presente nel vento a 10 m.

Bulk wind shear (m/s): modulo vettoriale della differenza di vento tra due quote sopra il suolo locale (AGL):

shearA→B = √((uB − uA)² + (vB − vA)²)

• Shear 0–1 km: differenza tra vento a 10 m e a 1 km AGL. Indicatore di turbolenza dello strato limite (PBL): valori > 10 m/s sono associati a rotori orografici e turbolenza significativa (rischio parapendio, droni, aviazione leggera).
• Shear 0–3 km: differenza tra vento a 10 m e a 3 km AGL. Ingrediente classico dei temporali organizzati: valori > 15 m/s favoriscono multicell, > 20 m/s possono sostenere supercelle (comunque rare nel regime convettivo mediterraneo).

BRN (Bulk Richardson Number): indice dimensionale che misura il rapporto tra l'energia termodinamica convettiva (CAPE) e l'energia dinamica (shear):

BRN = CAPEMU / (0.5 · shear0−3km²)

Classificazione operativa (Weisman & Klemp 1982, NOAA SPC):

• BRN < 10: shear dominante, rischio di temporali supercellulari severi (regime USA Great Plains, raro in Italia);
• BRN 10–50: regime convezione organizzata (multicell, supercelle isolate possibili);
• BRN > 50: shear insufficiente per organizzare la convezione, solo temporali ordinari non-severi.

Il BRN combina CAPE_MU già calcolato nella mappa CAPE (passo 14) con il nuovo shear 0–3 km: zero costo aggiuntivo di estrazione. È classificato in categoria CNV (Convezione) perché è direttamente collegato alla previsione di temporali.

Scelte di design: (a) il profilo U/V ambientale è unico per pixel ICON 1 km e propagato via nearest-neighbor ai pixel 90 m (metodo B-lite, scalabile automaticamente al futuro dominio Romagna); (b) shear 0–6 km è volutamente non prodotto — il regime SPC-classico “deep-layer shear” richiederebbe livelli modello più alti (45 o inferiore) ed è poco rilevante per la convezione mediterranea/appenninica, più shallow-based; (c) lo Storm-Relative Helicity (SRH) è escluso perché richiede un vettore di moto della tempesta parametrico (Bunkers et al. 2000) che ha scarso valore discriminante alle nostre latitudini.

Riferimenti: Weisman M.L., Klemp J.B. (1982) Mon. Weather Rev. 110, 504–520 (BRN supercell regimes). Rasmussen E.N., Blanchard D.O. (1998) Weather Forecasting 13, 1148–1164 (parametri sondaggi convezione). NOAA SPC Mesoscale Analysis (shear operational).

Punti di forza

1. Fisicamente motivato: ogni correzione ha una base fisica documentata da pubblicazioni scientifiche peer-reviewed, non è un adattamento statistico.
2. Risoluzione del terreno reale: il DEM a 90 m cattura valli, creste, versanti e ombre che la griglia a 1 km non distingue.
3. Adattivo nello spazio e nel tempo: gradiente termico, stabilità atmosferica, irraggiamento e immersione nelle nubi cambiano ad ogni ora previsionale.
4. Vento fisicamente downscalato: WindNinja simula la fluidodinamica del terreno, non solo l'interpolazione.
5. Consistenza con ICON: gli algoritmi per base delle nubi e nebbia sono identici a quelli del servizio meteorologico tedesco.
6. Velocità: l'intero downscaling di 34 ore previsionali con 60 mappe si completa in ~180 secondi.
7. Degradazione graduale: se un dato manca (copertura nuvolosa su livelli, profili verticali, radiazione), il sistema disabilita solo la correzione corrispondente senza bloccare la produzione.
8. Test fisici automatizzati: oltre 64 test pytest validano le formule dei nuovi parametri (LCL, visibilità, ET0 aspect, fog split, CAPE/CIN, wind shear/BRN) contro valori di riferimento pubblicati (Bolton 1980 θ_e eq. 38, Weisman-Klemp 1982 sounding analitico CAPE ~2200 J/kg e BRN supercell regimes, FAO-56 Tab. 2.3/2.4, Gultepe 2006, Stoelinga-Warner 1999).
9. Output uniforme WebP lossless: migrazione PNG→WebP completata 18 aprile 2026. Stessa qualità di PNG (lossless su colormap discrete), ma −30% dimensione file e decodifica hardware-accelerated sui browser moderni.

Limiti, punti di debolezza e sviluppi futuri

Limiti strutturali

1. La precipitazione non è downscalata fisicamente. La precipitazione è interpolata dalla griglia a 1 km senza correzione altimetrica (a differenza della temperatura). La mappa mostra l'intensità oraria (mm/h) e l'accumulo progressivo (mm), ma senza l'effetto orografico locale (più pioggia sul versante sopravvento, meno sul sottovento).
   Sviluppo futuro: sfruttare il campo di vento WindNinja a 90 m per stimare il forzante orografico e applicare un fattore di correzione sopravvento/sottovento, seguendo approcci tipo PRISM (Daly et al. 1994) o modelli di sollevamento forzato (Smith & Barstad 2004). Prerequisito: validazione con dati pluviometrici locali.
2. L'orografia del modello limita la risoluzione effettiva. Anche con il DEM a 90 m, la fisica atmosferica (trasporto, turbolenza) è simulata sulla griglia a 1 km. Il downscaling aggiunge la componente termodinamica legata al terreno, ma non la dinamica a piccola scala.
3. Nessun feedback atmosferico. Il downscaling è unidirezionale: il terreno modifica la previsione, ma la previsione modificata non modifica a sua volta la circolazione. In un modello numerico a 90 m, ad esempio, la brezza di valle modificherebbe il campo di temperatura — qui no.
4. WindNinja simula il vento medio, non la turbolenza. Le raffiche sono stimate con un modello parametrico, non simulate dinamicamente. In terreni molto frastagliati l'errore può aumentare.

Limiti delle correzioni

Nota 18 aprile 2026: la limitazione precedentemente elencata qui (gradiente del punto di rugiada stimato da 12 punti spaziali anziché dal profilo verticale) è stata risolta. Ora il sistema scarica l'umidità specifica QV ai livelli modello 60–80 e calcola Td ai livelli via QV + T + P_ISA, applicando la stessa regressione verticale usata per T. Vedi passo 2 in "Come funziona: le correzioni fisiche".

5. L'albedo è stagionale, non dinamico. La neve fresca (albedo 0,80–0,90) non è distinta dalla neve invecchiata (0,55).
   Sviluppo futuro: utilizzare l'albedo previsto dal modello (alb_rad, già scaricato e mappato) per aggiornare la riflettività in tempo reale dopo ogni nevicata.
6. Il ristagno freddo non è calibrato localmente. I coefficienti (ampiezza della correzione, normalizzazione del flusso di calore sensibile, modulazione infrarossa) sono basati sulla letteratura scientifica internazionale, non calibrati specificamente sulle valli sammarinesi.
   Sviluppo futuro: raccolta di almeno una stagione invernale di dati da stazioni in fondovalle e su cresta per calibrare i coefficienti del ristagno freddo con validazione leave-one-out.
7. La transizione nube/sereno è graduale ma approssimata. La trasmittanza solare nelle celle immerse nella nube usa lo spessore ottico (CLDEPTH) come indicatore, non un modello completo di trasferimento radiativo.
   Sviluppo futuro: implementare un modello di trasmittanza parametrica basato su CLDEPTH con calibrazione sulle osservazioni di radiazione delle stazioni locali.
8. Mancano gli indici cumulativi stagionali. Gradi-giorno di crescita (GDD), ore di freddo (chill hours), indice di Huglin e deficit idrico richiedono un accumulo dall'inizio della stagione vegetativa, che non può partire dall'inizio della previsione (33 ore).
   Sviluppo futuro: prodotto separato che inizializza i cumuli dalle osservazioni storiche della rete di stazioni (~15–20 stazioni nel dominio, interpolate a 90 m), poi estende con la previsione a breve termine. Richiede un pipeline analisi + previsione con carry-over giornaliero.

Validazione: come verificare se il downscaling migliora le previsioni

La domanda fondamentale: il downscaling a 90 m è più accurato della previsione originale a 1 km?

Cosa confrontare

Stazioni di validazione

• Posizione nota con precisione GPS (< 10 m) e quota verificata
• Sensori calibrati (reti istituzionali o stazioni amatoriali con schermo solare adeguato)
• Serie storica di almeno 30 giorni continuativi
• Non usata per il training MOS: se una stazione è usata per calibrare il Point Forecast, non può essere usata per validare quel Point Forecast (confronto circolare). Usare stazioni "held-out" o validazione leave-one-out.

Metriche

Stratificazione (fondamentale!)

Il downscaling dovrebbe migliorare di più in certe condizioni. La validazione va suddivisa per:

• Tipo di terreno: fondovalle (< 200 m sul mare) vs cresta (> 500 m) vs versante
• Condizione meteorologica: notte serena vs nuvolosa, giorno soleggiato vs coperto, nebbia
• Ora del giorno: 06 UTC (inversione massima), 12 UTC (sole massimo), 00 UTC (notte)
• Stagione: inverno (inversioni frequenti, neve) vs estate (riscaldamento solare dominante)

Protocollo consigliato

1. Periodo: minimo 30 giorni, idealmente 3 mesi che coprano condizioni diverse.
2. Raccolta: per ogni ora e stazione, registrare osservazione + RAW + PF + DS.
3. Calcolo metriche: per ogni stazione e per ogni sottocategoria (notte/giorno, valle/cresta, sereno/coperto).
4. Test di significatività: il miglioramento è reale o potrebbe essere casuale? Usare il test di Diebold-Mariano (1995) sulle differenze di errore quadratico per verificare la significatività statistica.
5. Caso critico: nelle notti con inversione termica (flusso di calore sensibile positivo, raffreddamento infrarosso < −60 W/m²), il downscaling deve mostrare il miglioramento maggiore. Se non lo fa, i coefficienti del ristagno freddo vanno ricalibrati.

Risultato atteso

Il downscaling non dovrebbe peggiorare la previsione in nessuna condizione. Se lo fa, indica un errore nel codice o un coefficiente da ricalibrare.

Confronto con il Point Forecast (PF)

• Alle stazioni usate dal MOS: il PF sarà probabilmente migliore del downscaling, perché il filtro di Kalman corregge l'errore sistematico locale.
• Lontano dalle stazioni: il downscaling è potenzialmente migliore, perché il PF non ha informazione spaziale e degrada rapidamente lontano dai punti di training.
• Per parametri spaziali (radiazione solare, neve, vento): il downscaling è nettamente migliore, perché produce mappe continue basate sulla fisica del terreno.

ICON-CH1-EPS Convection Diagnostics — novità aprile 2026

A partire dal 20 aprile 2026, la diagnostica convettiva “non-downscalabile a 90 m” è stata spostata dal dominio DS-SM 90 m al modello sinottico ICON-CH1-EPS nativo a 1 km, dove gira sull'intera area alpi-europa-centrale (~1800×1300 km) e sfrutta l'ensemble 11 membri per produrre statistiche probabilistiche (mean, spread, P>soglia).

Perché la migrazione

Il downscaling 90 m aggiunge valore fisico solo dove il DEM ad alta risoluzione influenza realmente il risultato: temperatura (gradiente + inversioni + CAPI), vento (WindNinja CFD), radiazione (aspect + ombre + SVF), CAPE Surface-Based (parcel T2m/Td2m locale).

I parametri che dipendono dal profilo verticale del modello (CAPE_MU con parcel elevato, LFC, EL, shear, BRN, PWAT, cloud_top da CLC ai 80 livelli, wind a quote pressione) variano sulla scala del km del modello madre — non sub-chilometrica. Il downscaling a 90 m produceva solo mappe monocromatiche tipo “celle Voronoi 1 km interpolate” senza informazione nuova. Portandoli sul modello nativo:

1. Scala coerente: dati sinottici su griglia sinottica (1.15 milioni di celle icosaedriche ~1 km).
2. Area estesa: copertura Alpi+Europa centrale invece del solo cluster San Marino. Utenti da Bolzano a Firenze vedono le stesse mappe.
3. Ensemble probabilistico: 11 membri ICON-CH1-EPS abilitano automaticamente mean, spread, P(X>soglia) per parametri convettivi. Impossibile a 90 m (DS-SM ha solo ctrl). Questo è il vero salto qualitativo operativo per la previsione di temporali severi.

Parametri nativi MeteoSwiss aggiunti al download (Fase A)

Il catalogo ufficiale params_icon-ch1-eps.csv di MeteoSwiss elenca 64 parametri. Di questi, 9 rilevanti per convezione/moisture erano già calcolati da MeteoSwiss ma non scaricati dal nostro sistema. Sono stati aggiunti all'ensemble download (11 membri per ciascuno):

Parametri calcolati da profilo modello (Fase B)

13 parametri derivati via nuovo modulo python/mapgen/convection_diagnostics.py, chiamato da batch_native_maps.py dopo il plot principale. Funzioni pure vectorized su 1.15 M celle icosaedriche. U/V multilivello sono ora scaricati per tutti 11 membri (abilitando shear/wind@P ensemble); T/QV/CLC/P multilivello restano solo sul membro ctrl.

Probabilità ensemble

Per ogni parametro ensemble-enabled, oltre a mean e spread (std dev) vengono calcolate probabilità P(X>soglia) o P(X<soglia):

• CAPE_MU: soglie 500, 1000, 1500, 2500 J/kg (regimi weak/marginal/moderate/strong instability)
• CIN_MU: P(CIN > −50 J/kg) = capping quasi assente, convezione possibile
• SI: P(SI < 0), P(SI < −3) — Showalter thresholds
• SLI: P(SLI < 0), P(SLI < −4), P(SLI < −8) — Galway/NWS thresholds
• SDI_2: P(SDI_2 > 0.003) — regime supercellulare (Ramsay & Doswell)
• TWATER: soglie 30, 40, 50 kg/m² (flash-flood proxy, eventi estremi > 40)
• DBZ_850: P(dBZ > 30), P(dBZ > 45) (precip leggera / heavy)
• shear_0_3km, shear_0_6km, wind_500hpa_mag, brn: soglie operative storm-forecasting

Architettura

• Moduli fisici: python/mapgen/convection_diagnostics.py — funzioni pure numpy vectorized (shear, BRN, EL, cloud_top/thickness, interp_wind_at_pressure). Performance: 0.42 s per shear su 1.15 M celle.
• Orchestrator: compute_all() chiama tutte le funzioni con input (T, QV, U/V×11 membri, P, CLC, HHL, HSURF, CAPE_MU×11 membri, LFC_ML) e restituisce dict strutturato con ctrl + ensemble members.
• Integration hook: generate_convection_diagnostic_maps() in batch_native_maps.py, dispatchato via YAML composite “convection_diagnostics” nel modello ICON-CH1-EPS. Pattern mirror del composite cloud_diagnostics esistente.
• Error handling: try/except per FHR non-bloccante. Se un FHR fallisce (es. GRIB ML mancante), la pipeline procede al FHR successivo senza interrompere il ciclo.
• Test: 14 test pytest in tests/test_convection_diagnostics.py. Include Weisman-Klemp analytic sounding per validazione EL, linear shear synthetic per validazione shear_bulk, log-linear profile per interp_wind_at_pressure, BRN regimi Weisman 1982.

Cosa resta in DS-SM 90 m (parametri convettivi)

Solo i parametri dove il DEM 90 m aggiunge informazione fisica reale:

• cape_sb, cin_sb (parcel T2m/Td2m 90 m downscalati)
• cloud_base (LCL calcolato localmente da T2m/Td2m 90 m con Bolton 1980)
• cloud_in_cloud (flag DEM vs LCL)
• fog_radiative, fog_slope (fuzzy logic con CAPI 90 m, aspect 90 m)
• visibility (Gultepe con fog boost 90 m)
• et0_aspect (Penman-Monteith con GTI 90 m aspect/slope/shadows)

Cleanup effettuato (Task R1 — 2026-04-20)

• Eliminati: run_wind_shear_downscaling.py, run_pwat_downscaling.py
• Ridotti: run_cape_downscaling.py (solo SB), run_cloud_diag_downscaling.py (solo cloud_base/cloud_in_cloud)
• Rimosse 12 entries variable_mapping obsolete da icon-ch1-ds-sm.yaml
• Rimosse invocazioni corrispondenti da bin/process-cycle-incremental.sh

Documento di design e plan implementativo: docs/superpowers/specs/2026-04-19-icon-ch1-eps-convection-diagnostics-design.md + docs/superpowers/plans/2026-04-20-icon-ch1-eps-convection-diagnostics-plan.md.

Riferimenti scientifici

• Alduchov & Eskridge (1996). Improved Magnus form approximation of saturation vapor pressure. J. Appl. Meteor., 35.
• Barry & Hall (1982). Recent advances in energy budget studies. Phys. Geogr., 3.
• Beljaars (1987). The parametrization of surface fluxes in large-scale models under free convection. Quart. J. Roy. Meteor. Soc., 121.
• Diebold & Mariano (1995). Comparing predictive accuracy. J. Bus. Econ. Statist., 13.
• Hay & Davies (1980). Solar radiation on inclined surfaces. Proc. Canadian Solar Radiation Workshop.
• Holden et al. (2011). Empirical downscaling of daily minimum air temperature. Agric. For. Meteorol., 151.
• Liljegren et al. (2008). Modeling WBGT. J. Occup. Environ. Hyg., 5.
• Liou (2002). An Introduction to Atmospheric Radiation. Academic Press.
• Lundquist et al. (2008). Automated mapping of cold-air pooling. J. Geophys. Res., 113.
• Matsuo et al. (1981). Precipitation types and surface elements. J. Met. Soc. Japan, 59.
• Oke (1987). Boundary Layer Climates. Routledge.
• Osczevski & Bluestein (2005). New wind chill chart. Bull. Amer. Meteor. Soc., 86.
• Schulz (2008). Revision of the turbulent gust diagnostics. COSMO Newsletter, 8.
• Sheridan et al. (2014). Flow interaction with valley cold pools. Tellus A, 66.
• Stull (1988). An Introduction to Boundary Layer Meteorology. Kluwer.
• Van Wagner (1987). Canadian Forest Fire Weather Index System. Forestry Tech. Rep., 35.
• Smith & Barstad (2004). A linear theory of orographic precipitation. J. Atmos. Sci., 61.
• Daly et al. (1994). A statistical-topographic model for mapping climatological precipitation. J. Appl. Meteor., 33.
• Bröde et al. (2012). Deriving the operational procedure for the UTCI. Int J Biometeorol, 56, 481–494.
• Matzarakis et al. (2010). Modelling mean radiant temperature. Int J Biometeorol, 54, 131–139.
• NRC (1971). A guide to environmental research on animals. National Academy of Sciences.
• Penman (1948). Natural evaporation from open water, bare soil and grass. Proc. Roy. Soc. A, 193.
• Monteith & Unsworth (2008). Principles of Environmental Physics. Academic Press.
• Stull (2011). Wet-bulb temperature from relative humidity and air temperature. J. Appl. Meteor. Climatol., 50.
• Buck (1981). New equations for computing vapor pressure and enhancement factor. J. Appl. Meteor., 20.
• Whiteman (2000). Mountain Meteorology. Oxford University Press.
• Bolton D. (1980). The computation of equivalent potential temperature. Mon. Weather Rev., 108, 1046–1053. [LCL formula eq. 22]
• Lawrence M.G. (2005). The relationship between relative humidity and the dewpoint temperature in moist air: a simple conversion and applications. BAMS, 86, 225–233. [approssimazione LCL Espy]
• Gultepe I., Tardif R., Michaelides S.C. et al. (2006). Fog research: a review of past achievements and future perspectives. Pure Appl. Geophys., 164, 1121–1159. [visibilità fog eq. 8, FRAM-L]
• Stoelinga M., Warner T. (1999). Nonhydrostatic, mesobeta-scale model simulations of cloud ceiling and visibility for an East Coast winter precipitation event. J. Appl. Meteorol., 38, 385–404. [visibilità precipitazione, RUC]
• Koschmieder H. (1924). Theorie der horizontalen Sichtweite. Beitr. Phys. Atmos., 12. [equazione combinazione visibilità]
• Allen R.G., Pereira L.S., Raes D., Smith M. (1998). Crop evapotranspiration: Guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper 56. [Penman-Monteith eq. 6, costanti Tab. 1]
• ASCE-EWRI (2005). Walter I.A. et al., The ASCE standardized reference evapotranspiration equation. Env. Water Resources Inst. [ASCE-PM hourly eq. 1, short/tall crop]
• Tag P.M., Peak T.E. (1996). Machine learning of maritime fog forecast rules. J. Appl. Meteorol., 35, 714–724. [fuzzy logic per fog]
• Emanuel K.A. (1994). Atmospheric Convection. Oxford University Press. [pseudoadiabatic ascent, CAPE/CIN chap. 6]
• Weisman M.L., Klemp J.B. (1982). The dependence of numerically simulated convective storms on vertical wind shear and buoyancy. Mon. Weather Rev., 110, 504–520. [analytic sounding CAPE test]
• Doswell C.A., Rasmussen E.N. (1994). The effect of neglecting the virtual temperature correction on CAPE calculations. Weather Forecasting, 9, 625–629. [T_v correction motivation]
• Showalter A.K. (1953). A stability index for thunderstorm forecasting. Bull. Amer. Meteor. Soc., 34, 250–252. [Showalter Index SI]
• Galway J.G. (1956). The lifted index as a predictor of latent instability. Bull. Amer. Meteor. Soc., 37, 528–529. [Surface Lifted Index SLI]
• Ramsay H.A., Doswell C.A. (2005). A sensitivity study of hodograph-based methods for estimating supercell motion. Weather Forecasting, 20, 954–970. [SDI_2 Supercell Detection Index]
• Rasmussen E.N., Blanchard D.O. (1998). A baseline climatology of sounding-derived supercell and tornado forecast parameters. Weather Forecasting, 13, 1148–1164. [shear/BRN baseline parameters]
• MeteoSwiss (2024). params_icon-ch1-eps.csv: Parameter catalog for ICON-CH1-EPS STAC collection. Retrieved from data.geo.admin.ch/api/stac/v1/collections/ch.meteoschweiz.ogd-forecasting-icon-ch1. [native parameters catalog]

Documento aggiornato il 2026-04-21. Sistema ICON-CH1-DS-SM v3.4 — 48 mappe DS-SM 90 m in 7 settori (solo parametri fisicamente downscalabili) + 23 mappe ICON-CH1-EPS nativo 1 km ensemble in 6 settori (diagnostica convettiva MeteoSwiss nativa + derivati U/V multilivello), UTCI completo 210 termini, gradiente ML atmosferico bi-variabile (T + Td con P ICON effettiva), cloud immersion, 5 pacchetti di parametri fisici DS-SM (LCL Bolton 1980, fog split fuzzy, visibilità Gultepe 2006 + RUC, ET0 aspect-corrected FAO-56, CAPE/CIN Surface-Based Bolton 1980), 1 modulo ICON-CH1-EPS nativo (convection_diagnostics: shear/BRN/EL/wind@P derivati). Output WebP lossless. Ensemble 11 membri per tutti i parametri convettivi chiave (CAPE_MU, LCL, LFC, SI, SLI, SDI_2, CEILING, TWATER, DBZ_850, shear, wind@P) con statistiche mean/spread/P>soglia.
meteo.sm