Dependence of daily rainfall on wet-spell duration over Europe (1981-2020)

This thesis develops a reproducible workflow to quantify how daily precipitation intensity depends on wet-spell duration across Europe using E-OBS (1981–2020). Wet days are defined by RR ≥ 1 mm and wet spells are grouped by duration. For each grid cell, duration-conditioned arithmetic and geometric means are normalized and summarized with a log-growth model, yielding fitted magnitude fields (AM_tot, GM_tot) and parameters (a-hat, b-hat). Phase 1 produces domain-wide maps and diagnostics of these fitted products. Phase 2 screens candidate predictors through spatial correlations, and Phase 3 fit-quality diagnostics (MAD/MD, relative MAD, and curve correlation) show that the log-growth form is generally adequate with localized reductions in complex regions. Phase 4 clusters (AM_tot, GM_tot, a-hat, b-hat) into three coherent regimes, and Phase 5 models these regimes with machine-learning methods (Decision Trees and Random Forests) using compact, physically interpretable predictor sets (e.g., elevation, T_mean, wet-day frequency, relative humidity, annual mean precipitation RR-bar, distance to coast, and Koppen–Geiger class); non-spatial variants show that much of the structure is recoverable without coordinates. The regimes align with recognizable climate zones: a northern–eastern cluster with weak duration dependence, a Mediterranean/southern cluster with strong dependence and higher intensities, and a central–western transition cluster with intermediate behaviour. Overall, the workflow provides interpretable maps of wet-spell dependence and a transparent basis for linking regional precipitation regimes to climate controls.

Questa tesi sviluppa un workflow riproducibile per quantificare come l’intensità della precipitazione giornaliera dipenda dalla durata degli episodi piovosi in Europa utilizzando E-OBS (1981–2020). I giorni piovosi sono definiti da RR ≥ 1 mm e gli episodi sono raggruppati per durata. Per ogni griglia, le medie aritmetiche e geometriche condizionate alla durata sono normalizzate e sintetizzate con un modello di crescita logaritmica, ottenendo campi di magnitudine (AM_tot, GM_tot) e parametri (â, b̂). La Fase 1 produce mappe e diagnostiche di questi prodotti stimati. La Fase 2 seleziona i predittori tramite correlazioni spaziali, e le diagnostiche di qualità della Fase 3 (MAD/MD, MAD relativa e correlazione di curva) mostrano che il modello logaritmico è generalmente adeguato con riduzioni localizzate in aree complesse. La Fase 4 raggruppa (AM_tot, GM_tot, â, b̂) in tre regimi coerenti, e la Fase 5 modella questi regimi con metodi di machine learning (alberi decisionali e random forest) usando insiemi compatti e fisicamente interpretabili di predittori (ad es. elevazione, T_mean, frequenza dei giorni piovosi, umidità relativa, precipitazione media annua RR‑bar, distanza dalla costa e classe Köppen–Geiger); le varianti non spaziali mostrano che gran parte della struttura è recuperabile senza coordinate. I regimi corrispondono a zone climatiche note: un cluster nord‑orientale con dipendenza debole, un cluster mediterraneo/meridionale con dipendenza forte e intensità più elevate, e una fascia di transizione centro‑occidentale con comportamento intermedio. In sintesi, il workflow produce mappe interpretabili e una base trasparente per collegare i regimi di precipitazione ai controlli climatici.