Discovering large-scale climate signals for seasonal meteorological forecasts in Africa

Extreme climate events are frequently generating catastrophic impacts worldwide and, particularly, in poor or developing countries. The prediction of these events can be crucial for mitigating their damages and, in general, for supporting better water systems management strategies. This thesis contributes to a novel seasonal precipitation forecast system over the African continent, based on large-scale climate signals. The analysis builds on the Multi Variate NIPA (MV-NIPA), which generates seasonal precipitation forecasts based on pre-season global Sea Surface Temperatures. In this method, information coming from different climate signals (like El Niño Southern Oscillation (ENSO), the North Atlantic Oscillation (NAO), the Pacific Decadal Oscillation (PDO), the Atlantic Multi-decadal Oscillation (AMO), and the Indian Ocean Dipole (IOD)) is used for binning the historical years into phases and building separate linear models for seasonal precipitation prediction. The procedure is applied over the entire African continent on homogeneous precipitation regions identified via hierarchical cluster-based climate regionalization, and at the scale of the Omo River basin, in Ethiopia. Numerical results show that different climate indexes are selected for the construction of precipitation forecasts in each region. In fact, the application of MV-NIPA successfully attains high values of correlation between observation and hindcast time-series, and suggests that the proposed method has the potential for providing reliable seasonal precipitation forecasts. In addition, MV-NIPA shows promising skills in predicting extremely dry and wet events, with low or high precipitation often occurring during specific phases of the selected climate signals, as well as in capturing the inter-annual variability of the observed precipitation. Therefore, the information obtained from the prediction model can be used to implement actions for preventing or mitigating extreme climate events.

Spesso, eventi climatici estremi generano impatti catastrofici a livello mondiale, in particolare nei Paesi più poveri o in via di sviluppo. L’anticipazione di tali eventi può essere cruciale per mitigare le loro conseguenze e, in generale, per supportare migliori strategie di gestione dei sistemi idrici. Questa tesi contribuisce ad un innovativo sistema di previsione delle precipitazioni stagionali sul continente africano, basato sui segnali climatici a larga scala. L’analisi utilizza il Multi-Variate Niño Index Phase Analysis (MV-NIPA), che genera la previsione delle precipitazioni stagionali basandosi sulle temperature superficiali degli oceani nella stagione precedente. In questo metodo, l’informazione derivante da diversi segnali climatici (come El Niño Southern Oscillation (ENSO), la North Atlantic Oscillation (NAO), la Pacific Decadal Oscillation (PDO), l’Atlantic Multidecadal Oscillation (AMO) e l’Indian Ocean Dipole (IOD)) è usata per dividere gli ’anni storici’ in fasi e, per ogni fase, costruire differenti modelli lineari per la previsione stagionale delle precipitazioni. La procedura è applicata all’intero continente africano previamente diviso in regioni omogenee dal punto di vista delle precipitazioni, identificate tramite regionalizzazione climatica gerarchica cluster-based. L’analisi, inoltre, è applicata alla scala del bacino del fiume Omo, in Etiopia. I risultati numerici mostrano che, in ogni regione, diversi indici climatici sono selezionati per la costruzione del modello previsionale delle precipitazioni. Infatti, l’applicazione del MV-NIPA raggiunge alti valori di correlazione tra le serie temporali delle osservazioni e previsioni, e suggerisce che il metodo proposto ha il potenziale di fornire attendibili previsioni stagionali di pioggia. Inoltre, il MV-NIPA mostra promettenti prestazioni nel caso di eventi estremamente piovosi o secchi, spesso con precipitazioni alte o basse relazionate alla fase selezionata dell’indice climatico. Tale metodo mostra anche ottime capacità nel catturare la variabilità intra-annuale delle osservazioni. L’informazione ottenuta dal modello predittivo può, quindi, essere usata per implementare azioni di prevenzione o mitigazione degli eventi climatici estremi.