La concentrazione di CO2 in Europa


Questa attività è stata svolta in collaborazione con il Dipartimento di Scienze Pure e Applicate (DiSPeA) dell’Università degli Studi di Urbino Carlo Bo e in particolare con Francesco Graziosi e la Prof.ssa Michela Maione.

Al fine di valutare la variabilità temporale e spaziale della CO2 atmosferica in Europa si sono analizzati i dati di concentrazione ricavati dalle osservazioni da stazioni di monitoraggio europee, disponibili nei data base Integrated Carbon Observation System (ICOS) e World Data Centre for Greenhouse Gases (WDCGG).  In questa prima parte dell’attività, sono state analizzate le serie temporali di otto stazioni di monitoraggio, dislocate all’interno del dominio di studio, rappresentative di aree differenti dal punto di vista meteo-climatico e influenzate in maniera differente dai flussi di CO2: CMN Monte Cimone (Italia), IZO Izaña, Tenerife, Canary Islands (Spagna), JFJ Jungfraujoch (Svizzera), LMP Lampedusa (Italia), MHD Mace Head (Irlanda), PAL Pallas (Finlandia), PRS Plateau Rosa (Italia), PUY Puy de Dome (Francia). A titolo esplicativo in figura 1 sono riportate le tre stazioni rappresentanti, la più meridionale (IZO), la stazione continentale di montagna (PRS) e la stazione più settentrionale (PAL). A queste stazioni si aggiungeranno poi quella di Sonnblick (SNB, Austria) e Zugspitze (ZUG, Germania).

Figura 1: Gli Year-Wise Box a sinistra indicano la media annuale delle concentrazioni di CO2 e la variabilità intra annuale; i Month-Wise Box a destra rappresentano le medie mensili per tutto il periodo di analisi e la variabilità mensile.

Per un composto a tempo di vita elevato, come la CO2, le variazioni temporali su scala annuale sono influenzate dall’andamento della concentrazione su scala globale. Tutte le stazioni in esame mostrano un aumento della concentrazione negli anni, evidenziando un accumulo della CO2 in atmosfera. Questo indica, a livello globale, uno squilibrio positivo tra i flussi di emissione e quelli di consumo di questo gas serra. La variabilità intra annuale, espressa dalla barra dei box, è una caratteristica sito specifica e dipende essenzialmente dalle particolari condizioni delle zone poste intorno alle stazioni di monitoraggio. É, infatti, possibile distinguere una diversa variabilità tra stazioni continentali, influenzate da sorgenti antropiche e/o caratterizzate da una maggiore variabilità biogenica, e stazioni di fondo oceaniche (per esempio, IZO), che presentano una minore variabilità temporale.

Questa prima analisi è stata realizzata utilizzando i dati disponibili per ciascuna stazione di misura, ben undici anni (dal 2008 al 2018), senza aver applicato nessun criterio per distinguere le condizioni rappresentative del fondo atmosferico. Una ulteriore analisi è stata perciò condotta su alcune stazioni applicando però il criterio di selezione BaDS (Background Data Selection) messo a punto nel corso della Ricerca di Sistema. Questo criterio è stato descritto e utilizzato anche in un recente articolo riguardante l’analisi dei dati di trent’anni di misure di CO2 effettuate nella stazione di monitoraggio RSE del Plateau Rosa. In questo modo è stato possibile ricavare i tassi di crescita e gli andamenti caratteristici e confrontarli con quelli ottenuti senza tale approccio al fine di valutare la rappresentatività effettiva della stazione di monitoraggio.

Il criterio di selezione BaDS è stato leggermente modificato poiché troppo restrittivo per alcune stazioni di misura ma la sua applicazione è risultata ampiamente soddisfacente. Un esempio dell’applicazione è proposto nelle successive tre figure (Figura 2, Figura 3 e Figura 4) per la stazione dello Jungfraujoch (JFJ) mentre in tabella sono riportati i tassi di crescita ottenuti utilizzando tutti i dati della stazione oppure soltanto quelli distinti come rappresentativi del valore di fondo. L’ultima colonna a destra mostra invece la percentuale dei dati considerati non di fondo. Particolarmente interessante sarebbe poter confrontare il criterio adottato con altri criteri disponibili in letteratura. Un primo confronto è stato realizzato nell’articolo di recente pubblicazione (Trisolino et al., 2021) in cui però BaDS è stato applicato nella sua versione originale specificatamente adattata alla stazione di misura del Plateau Rosa.

Figura 2: Selezione dei dati di fondo per la stazione JFJ (periodo dal 2013 al 2019), utilizzando il criterio BaDS. In verde sono riportati i dati di fondo (circa l’80%) mentre in rosso i dati considerati, non rappresentativi del fondo.

Figura 3: Confronto tra gli andamenti delle medie mensili di fondo (MedMenG) e le medie mensili (Media mensile) analizzate presso la stazione dello Jungfraujoch (JFJ) (periodo dal 2013 al 2019).

Figura 4: Andamento concentrazioni medie mensili di fondo e relativo trend ottenuto per la stazione dello Jungfraujoch (JFJ).

É evidente che i tassi di crescita annui, per le stazioni appartenenti all’area europea, sono tra loro molto simili, variando tra 2.24 e 2.35 ppm/anno (in questo caso si sono utilizzate le serie più complete e il periodo analizzato parte dal 01/01/2013 sino al 31/12/2019). Dati più recenti non erano disponibili per la maggior parte delle stazioni di misura. La stazione di Mauna Loa (MLO, U.S.A), gestita dalla NOAA (National Oceanic and Atmospheric Administration), è stata analizzata quale stazione baseline di riferimento e insieme a quella di Izaña (IZO, Tenerife – Spagna) è indubbiamente molto rappresentativa delle condizioni di fondo in quanto i dati non considerati tali sono ridotti a pochi percento dei dati disponibili.

Le restanti stazioni, pur essendo soggette a una maggiore presenza di dati non di fondo mostrano trend molto simili e comunque una elevata percentuale di dati rappresentativi del fondo atmosferico (prossima all’80% dei dati disponibili) confermando la loro rappresentatività quali stazioni baseline

La tabella 1 riporta i tassi di crescita annui di alcune stazioni poste nel continente europeo e per confronto  è riportato anche il valore relativo alla stazione di misura di Mauna Loa (MLO) della NOAA.

Tabella 1: Tassi di crescita annuali calcolati a partire dalle medie mensili e medie mensili di fondo e percentuale di dati rigettati (periodo utilizzato 2013 – 2019).

Stazione CO2 (ppm/yr) CO2 (ppm/yr) (Background) Dati non di fondo (%)
Izaña (IZO, Spagna) 2,34 2,35 3,8
Jungfraujoch (JFJ, Svizzera) 2,34 2,35 20,5
Lampedusa (LMP, Italia) 2,29 2,28 21,5
Mauna Loa (MLO, U.S.A) 2,40 2,40 1,5
Plateau Rosa (PRS, Italia) 2,29 2,26 16,9
Sonnblinck (SNN, Austria) 2,29 2,29 21,2
Zugspitze (ZUG, Germania) 2,22 2,24 22,2

In Figura 5, per completezza, sono mostrate le posizioni geografiche delle stazioni di misura e i loro rispettivi trend di crescita annuali desunti dai valori medi mensili di fondo, espressi in ppm yr-1, per le stazioni europee e mondiali analizzate  BHD, CMN, IZO, JFJ, LMP, MLO, PAL, PRS, SNB, SSL, ZUG. Le serie di dati delle stazioni utilizzate corrispondono a quelle che, al momento dell’analisi, presentavano una copertura dati maggiore nel periodo analizzato 2013-2019. La stazione di Baring Head (BHD, Nuova Zelanda) è collocata fuori dal dominio europeo e insieme a quella di Mauna Loa (MLO, U.S.A) è posta nel riquadro in basso a destra della mappa.

Figura 5: Tassi di crescita annui della concentrazione media mensile di fondo (espressa in ppm yr-1) della CO2: in verde le stazioni italiane, in rosso le europee e in azzuro quelle poste fuori dal dominio europeo (periodo 2013 ÷ 2019, applicando BaDS modificato).

CAMS

Al fine di indagare la distribuzione e la variabilità temporale delle concentrazioni di CO2 sull’area europea, abbiamo analizzato i dati di concentrazione tri-orari disponibili sul Copernicus Atmosphere Monitoring Service (CAMS) implementato da European Centre for Medium-Range Weather Forecasts (ECMWF). Brevemente: le concentrazioni di CO2 sono ricavate dalle osservazioni del satellite “second Orbiting Carbon Observatory” (OCO­2). OCO-2 è un satellite NASA (National Aeronautics and Space Administration, USA) che orbita da polo a polo, attraversando l’equatore nelle prime ore del pomeriggio. Le misurazioni avvengono attraverso uno spettrometro in grado di misurare la luce riflessa dalla terra e dalla sua atmosfera in una banda nella regione del vicino IR (0.765, 1.61 e 2.06 micron) con un’elevata risoluzione spettrale (>~ 20,000) in modo da poter risolvere l’assorbimento di singole specie gassose. I dati ottenuti dalle misurazioni satellitari sono poi corretti con diversi algoritmi.

La pulsazione stagionale e la variabilità spaziale delle concentrazioni di CO2 è stata valutata ricavando la media giornaliera delle celle del dominio globale, considerando il primo livello verticale vicino al suolo (Animazione). In questo caso è possibile vedere la distribuzione delle concentrazioni, maggiori nell’emisfero nord, e la diversa pulsazione tra i due emisferi durante le diverse stagioni. Il trasporto su larga scala attraverso pattern meteorologici è visibile più chiaramente ricavando la distribuzione della concentrazione dei livelli verticali dell’alta troposfera (non mostrata).

Figura 6: Ciclo giornaliero stagionale della concentrazione media (in ppm) di CO2 per l’anno 2018 con passo temporale tri-orario.

Partendo dall’immagine in alto a sinistra, la figura 6 mostra il ciclo giornaliero stagionale per DJF (Dicembre, Gennaio, Febbraio), MAM (Marzo, Aprile, Maggio), JJA (Giugno, Luglio, Agosto) e SON (Settembre, Ottobre, Novembre), con passo temporale tri-orario, corrispondente alle ore 0.00- 2.00, mentre nell’immagine in basso a destra è mostrato il ciclo giornaliero corrispondente alle ore 21.00-23.00. Da questa analisi grafica si evince la ciclicità giornaliera per ogni stagione; questa è legata alla sovrapposizione della variazione di intensità dell’attività antropica e del consumo biogenico.

Da questa analisi grafica si evince quindi la ciclicità giornaliera per ogni stagione; questa è legata alla sovrapposizione della variazione di intensità dell’attività antropica e del consumo biogenico. La figura 7 mostra come questa ciclicità risulti più marcata durante la stagione JJA e MAM a causa dell’intensa attività biogenica e della maggior variazione dell’altezza dello strato limite. Per contro, la variabilità giornaliera minore si riscontra durante il periodo DJF. Inoltre, al fine di evidenziare le aree del dominio con differente pattern di concentrazione, abbiamo analizzato la distribuzione spaziale del 10° e del 90° percentile stagionale e loro differenza, eseguendo uno smoothing su nove punti. Lo smoothing viene ottenuto moltiplicando tutti i nove punti di griglia considerati per il loro peso, poi sommandoli e infine dividendo per il peso totale.

Figura 7: Differenza dei valori di concentrazione di CO2 nel corso del ciclo giornaliero stagionale per l’anno 2018 con passo temporale tri-orario.

Figura 8: Variazione stagionale della concentrazione di CO2 media (Mean), del 10° percentile con smoothing (10th perc smt) e del  90° percentile con smoothing (90th perc smt).

La figura 8 mostra la distribuzione spaziale (con uno smoothing su 9 punti griglia) della concentrazione di CO2 media (colonna a sinistra), del 10° (colonna centrale) e del 90 ° (colonna a destra) percentile nelle diverse stagioni. Questa analisi ci consente di valutare l’ampiezza della variabilità della CO2 sia intra-stagionale che tra le stagioni, così come la sua distribuzione spaziale.

Valori delle componenti delle concentrazioni di CO2 ottenute dal prodotto Carbon Tracker della NOAA, versione CT2019B

Il Carbon Tracker (CT) è un prodotto “open” dell’Earth System Research Laboratory della NOAA. Lo scopo del programma CT è quello di produrre una stima quantitativa del consumo e del rilascio di CO2 dalla superficie terrestre che sia consistente con le osservazioni in atmosfera. CT è un modello di inversione su scala globale in grado di modellare la CO2 misurata in atmosfera aggiustando i flussi (emissione e consumo) di CO2 in modo che essi si accordino nel miglior modo possibile con le osservazioni. Le mappe di concentrazione ricavate dalle matrici del CT, consentono di avere informazioni sulla distribuzione spaziale della concentrazione di CO2 in atmosfera a una risoluzione spaziale di 2° x 3° lat lon, su 25 livelli verticali e a un passo temporale tri-orario. Inoltre, a differenza del modello utilizzato in CAMS, il progetto CT è in grado di produrre i valori di concentrazione della frazione molare di CO2 per diverse “componenti”. Queste rappresentano i fattori coinvolti nei processi di emissione e consumo di CO2 in atmosfera. Queste componenti sono: fondo (bg, background), biogenica (bio), combustibili fossili (ff, fossil fuel), incendi (fires), oceano (ocean).

Per caratterizzare l’andamento delle concentrazioni registrate in otto stazioni (CMN, IZO, JFJ, LMP, MHD, PAL, PRS e PUY) abbiamo estrapolato il valore delle varie componenti di CO2. Estrapolando dalle mappe di concentrazione del CT il valore relativo al punto di analisi delle diverse stazioni utilizzate per il confronto, otteniamo le serie temporali di concentrazione di CO2 per ogni componente. Questa analisi mostra come la crescita della componente di “bg” in Europa, sia dovuta principalmente alla componente “ff” e in parte alla componente “fires”, contrastata dai processi di consumo, rappresentati principalmente dalla componente “bio”, il cui valore assoluto mostra una elevata  stagionalità, e in misura minore e costante nel tempo dalla componente “ocean”. A titolo di esempio, in Figura 9, per la stazione di misura del Plateau Rosa (PRS), si mostra l’andamento temporale di ogni componente calcolato mediante Carbon Tracker e le percentuali dovute al contributo della produzione e al consumo di CO2 atmosferica. Percentuali analoghe (differenze < 1 %) sono state ottenute per le altre stazioni analizzate e non mostrate.

Figura 9: Serie temporali di CO2 osservata (obs) e delle componenti calcolate dal CT (grafico in alto). Con bg, bio, ff, fires, ocean è indicata rispettivamente la serie dei componenti di background, biogenico, combustibili fossili, fuochi, e oceano. In basso sono posti i due grafici a torta che indicano le percentuali di variabilità delle componenti
negative (ocean/bio) e positive (ff/ fires).

Da questa analisi notiamo come le serie temporali simulate riescano a riprodurre correttamente il valore medio e la ciclicità stagionale guidata dalla variabilità biogenica. L’alta variabilità delle concentrazioni “inquinate” osservate, dovute essenzialmente alle sorgenti di combustibili fossili, non viene sempre riprodotta a un’intensità paragonabile a quelle osservate. Il modello riesce a ricreare correttamente il valore medio e la variabilità stagionale, mentre la forte variabilità caratteristica di un punto di misura non può essere rappresentata da un modello che ha una risoluzione spaziale di 2° x 3° lat lon. Questo è il motivo principale dell’uniformità delle percentuali di contributo delle diverse componenti tra i vari siti di misura estrapolati. Lo scopo dell’analisi delle componenti delle serie temporali è stato quello di avere una statistica dell’impatto delle diverse componenti sui livelli di CO2 in atmosfera osservati, la loro distribuzione spaziale e variabilità temporale.

Inversione modellistica.

Al fine di stimare oltre alla localizzazione delle sorgenti l’intensità emissiva, abbiamo utilizzato il metodo di inversione Bayesiana sviluppato da Stohl et al. (2009). Il modello di inversione necessita di tre componenti, un campo a priori, le osservazioni atmosferiche, e una simulazione del trasporto della massa d’aria che raggiunge il recettore.

Simulazione modellistica eseguita con il modello FLEXPART in modalità backward, per le stazioni di CMN, PRS, JFJ e ZUG. **

** In caso di problemi nella visualizzazione, fare click con il tasto destro del mouse e selezionare “Apri link in una nuova scheda/finestra”.

Bibliografia

Apadula, F., Cassardo, C., Ferrarese, S., Heltai, D., Lanza, A., 2019. Thirty Years of Atmospheric CO2 Observations at the Plateau Rosa Station, Italy. Atmosphere, 10, 418.

Chevallier, F., Remaud, M., O’Dell, C. W., Baker, D., Peylin, P., and Cozic, A.: Objective evaluation of surface- and satellite-driven CO2 atmospheric inversions, Atmos. Chem. Phys. Discuss., https://doi.org/10.5194/acp-2019-213, in review, 2019

Jacobson, K. N. Schuldt, J. B. Miller, T. Oda, P. Tans, A. Andrews, J. Mund, L. Ott, G. J. Collatz,T. Aalto, S. Afshar, K. Aikin, S. Aoki, F. Apadula, B. Baier, P. Bergamaschi, A. Beyersdorf, S. C. Biraud,A. Bollenbacher, D. Bowling, G. Brailsford, J. B. Abshire, G. Chen, H. Chen, L. Chmura, Sites Climadat,A. Colomb, S. Conil, A. Cox, P. Cristofanelli, E. Cuevas, R. Curcoll, C. D. Sloop, K. Davis, S. D. Wekker,M. Delmotte, J. P. DiGangi, E. Dlugokencky, J. Ehleringer, J. W. Elkins, L. Emmenegger, M. L. Fischer,G. Forster, A. Frumau, M. Galkowski, L. V. Gatti, E. Gloor, T. Griffis, S. Hammer, L. Haszpra, J. Hatakka,M. Heliasz, A. Hensen, O. Hermanssen, E. Hintsa, J. Holst, D. Jaffe, A. Karion, S. R. Kawa, R. Keeling,P. Keronen, P. Kolari, K. Kominkova, E. Kort, P. Krummel, D. Kubistin, C. Labuschagne, R. Langenfelds,O. Laurent, T. Laurila, T. Lauvaux, B. Law, J. Lee, I. Lehner, M. Leuenberger, I. Levin, J. Levula, J. Lin,M. Lindauer, Z. Loh, M. Lopez, I. T. Luijkx, C. Lund Myhre, T. Machida, I. Mammarella, G. Manca, A. Manning, A.Manning, M. V. Marek, P. Marklund, M. Y. Martin, H. Matsueda, K. McKain, H. Meijer, F. Meinhardt, N.Miles, C. E. Miller, M. Molder, S. Montzka, F. Moore, J.-A. Morgui, S. Morimoto, B. Munger, J. Necki, S. Newman, S. Nichol, Y. Niwa, S. ODoherty, M. Ottosson-Lofvenius, B. Paplawsky, J. Peischl, O. Peltola, J.-M. Pichon, S. Piper, C. Plass-Dolmer, M. Ramonet, E. Reyes-Sanchez, S. Richardson, H. Riris, T. Ryerson, K. Saito, M. Sargent, M. Sasakawa, Y. Sawa, D. Say, B. Scheeren, M. Schmidt, A. Schmidt, M. Schumacher, P. Shepson,M. Shook, K. Stanley, M. Steinbacher, B. Stephens, C. Sweeney, K. Thoning, M. Torn, J. Turnbull, K.Tørseth, P. V. D. Bulk, D. V. Dinther, A. Vermeulen, B. Viner, G. Vitkova, S.Walker, D. Weyrauch, S. Wofsy, D. Worthy, D. Young, and M. Zimnoch. CarbonTracker CT2019B, 2020.DOI: 10.25925/20201008.

Stohl, A., Hittenberger, M., and Wotawa, G.: Validation of the Lagrangian particle dispersion model FLEXPART against large scale tracer experiment data, Atmos. Environ., 32, 4245–4264, 1998. Stohl, A., Forster, C., Frank, A., Seibert, P., and Wotawa, G.: The Lagrangian particle dispersion model FLEXPART version 6.2, Atmos. Chem. Phys., 5(9), 2461–2474, 2005.

Stohl, A., Seibert, P., Arduini,J., Eckhardt, S., Fraser, P., Greally, B. R., Lunder, C., Maione, M., Mühle, J., O’Doherty ,S., Prinn, R. G., Reimann, S., Saito, T., Schmidbauer, N., Simmonds, P. G., Vollmer, M. K., Weiss, R. F., and Yokouchi, Y.: An analytical inversion method for determining regional and global emissions of greenhouse gases: Sensitivity studies and application to halocarbons, Atmos. Chem. and Phys. 9, 1597-1620, 2009.

Trisolino, P., di Sarra, A., Sferlazzo, D., Piacentino, S., Monteleone, F., Di Iorio, T., Apadula, F., Heltai, D., Lanza, A., Vocino, A., Caracciolo di Torchiarolo, L., Bonasoni, P., Calzolari, F., Busetto, M.,  Cristofanelli, P., 2021. Application of a common methodology to select in-situ CO2 observations representative of the atmospheric background to an Italian collaborative network, Atmosphere, 12, 246.