Introduzione

L’erosione del suolo causata da intense precipitazioni piovose è globalmente riconosciuta come una delle maggiori problematiche che colpiscono gli ecosistemi agricoli e forestali (Beguería et al. 2018). Le forti piogge sono responsabili di frane superficiali, inquinamento dei corpi idrici, perdita di suolo e possono inoltre diminuire la produttività delle colture (Xin et al. 2011). Materialmente l’erosione scaturisce con il distacco di particelle di suolo dovuto all'impatto delle gocce di pioggia a terra e il successivo trasporto a valle del materiale (Lim et al. 2015), tuttavia è bene ricordare che si tratta di un fenomeno complesso in cui entrano in gioco molteplici fattori come l’intensità e durata delle precipitazioni nonché le proprietà del suolo, le caratteristiche topografiche e le pratiche agroforestali applicate. Di conseguenza, studi sull’erosione sono fondamentali per limitare la perdita di suolo garantendo la conservazione e la protezione dell’ambiente (Apollonio et al. 2021). L’erosione viene generalmente calcolata applicando l’Equazione Universale dell’Erosione del Suolo (Universal Soil Loss Equation, USLE), nata dagli studi di Wischmeier & Smith (1965, 1978). Essa prende in esame i sei principali fattori agenti nel processo erosivo il cui prodotto fornisce il valore medio annuale delle perdite di suolo in t/ha. La formula viene successivamente modificata per essere applicata in ambiente GIS (Revised Universal Soil Erosion Equation, RUSLE) (Renard et al. 1997; Foster 2004). Uno dei fattori dell’equazione, il Fattore R, rappresenta la capacità che ha la pioggia di erodere il suolo. Di fatto, nella pratica, costituisce la potenza erosiva che ha la pioggia in un determinato luogo. Nella formulazione originale (Wischmeier & Smith 1978) si definisce come somma dell'energia totale della tempesta (E) di un evento di pioggia erosiva moltiplicata dalla corrispondente intensità massima a 30 minuti (I30) entro un certo periodo di tempo (Brown & Foster 1978).

Problematica comune nel calcolo del Fattore R è la mancata disponibilità di dati di precipitazione continui ad alta risoluzione (30 minuti). I motivi sono generalmente legati al numero ridotto di stazioni pluviometriche con disponibilità di tali dati pluviografici, nonché della loro ineguale distribuzione spaziale, condizioni che causano una scarsa disponibilità di valori accurati del Fattore R per molti paesi (Cecílio et al. 2013; Panagos et al. 2015; Isikwue et al. 2015). Per ovviare tale problema, sono state create diverse equazioni empiriche alternative per il calcolo del Fattore R, in cui sono presenti semplici informazioni pluviometriche come le quantità di precipitazioni annuali, mensili o giornaliere (Yu et al. 2001; Davison et al. 2005; Capolongo et al. 2008). Tali formule vanno applicate con cautela a causa di alcuni limiti: uno di questi è l’impossibilità di rilevare le elevate intensità delle precipitazioni che, di solito, si verificano su scale temporali molto brevi e hanno un’influenza significativa sull’erosività (Panagos et al. 2015).

Il lavoro qui presentato, pubblicato sulla rivista Hydrology da Petroselli et al. (2021), si è proposto di applicare ad un caso studio, la provincia di Rieti (Lazio, Italia centrale), una selezione di formule empiriche per la stima dell'erosività delle precipitazioni attraverso l'approccio USLE e analizzando dettagliatamente i più frequenti Fattori R impiegati nel bacino mediterraneo ed in Italia. Lo scopo è quello di valutare la formula migliore da utilizzare all’interno del territorio in esame tramite un indice di affidabilità che considera l’incertezza nella stima dell’erosività delle precipitazioni dovuta alla specifica formula applicata.

Figura 1. Localizzazione dell’area di studio. A sinistra, in grigio, è rappresentata l’Italia, in rosso la regione Lazio e la provincia di Rieti è rappresentata dalla zona in verde. A destra è rappresentato il DEM (modello digitale di elevazione) della provincia e le stazioni termo-pluviometriche utilizzate per questo studio.

Materiali e metodi

Area di studio

L'area di studio scelta è la provincia di Rieti, situata all’interno della regione Lazio. Ha un'estensione pari a 2.749 km² e comprende 73 comuni con un numero totale di abitanti superiore a 155.000. Il paesaggio, la vegetazione e il clima sono estremamente variabili: il range altitudinale oscilla dai 25 m s.l.m. fino a quasi 2.500 m s.l.m. Sono presenti le tipiche valli alluvionali, come quelle del fiume Tevere e del fiume Velino nonché rilievi appenninici elevati, come il Terminillo (2.217 m s.l.m.) e il Monte Navegna (1.508 m s.l.m.).

La provincia di Rieti appartiene alla divisione eco-regionale temperata (Blasi et al. 2014). Questa divisione abbraccia la parte settentrionale e interna della penisola italiana, comprese le principali catene orografiche delle Alpi e degli Appennini. È caratterizzata da un clima temperato, con temperature medie annuali superiori a 5°C e 4-8 mesi con temperature medie inferiori a 10°C. I settori montani al di sopra dei 1.500 m presentano una stagione invernale prolungata. L'escursione termica annuale è marcata. Le temperature minime del mese più freddo (gennaio) sono sempre inferiori a 3°C, senza escludere la possibilità di gelate, mentre le temperature massime superano i 30°C nei mesi più caldi (luglio e agosto) alle quote collinari. Le precipitazioni annue variano quasi ovunque da 800 mm fino a oltre 2.000 mm, per cui il regime pluviometrico può essere considerato continentale (con un minimo invernale) o appenninico (con un minimo estivo e due massimi in autunno e primavera). Nella stagione estiva, il periodo di aridità è generalmente non notevole e comunque inferiore ai 2 mesi. Con specifico riferimento alla provincia di Rieti, le precipitazioni annue variano da 1.200 a 1.600 mm, con ottobre, novembre e dicembre come mesi più piovosi (Bartolucci 2006). Le precipitazioni hanno due massimi, il principale in autunno e il secondo in tarda primavera (Anderlini et al. 2013). Il periodo di aridità estiva è limitato ai mesi di luglio e agosto (Bartolucci 2006). La stagione invernale dura generalmente 140 giorni e copre parte della primavera (Anderlini et al. 2013).

Figura 2. Precipitazioni mensili osservate nella provincia di Rieti durante il periodo 2008-2018.
 

Le stazioni termo-pluviometriche

Per quanto riguarda i dati pluviometrici, sono state selezionate tutte le stazioni pluviometriche situate all'interno dell'area di studio e nelle immediate vicinanze, individuate tramite gli uffici idrografici regionali. Sono state scelte con il compromesso di avere sia un numero elevato di stazioni, al fine di descrivere accuratamente la distribuzione spaziale delle precipitazioni, sia un numero adeguato di anni osservati di dati pluviometrici, al fine di caratterizzare accuratamente la distribuzione temporale delle precipitazioni. Sono state quindi selezionate 30 stazioni (fig.1) caratterizzate da una disponibilità continua di dati pluviometrici giornalieri che vanno dal 2008 al 2018, per un totale di 11 anni. Nonostante l’intervallo considerato non sia elevato per un'accurata stima statistica delle precipitazioni, va considerato il fatto che la scarsità di dati è un problema comune per i ricercatori e gli operatori del settore, che conduce di frequente ad analizzare un numero limitato di dati pluviometrici per simili studi. Ad esempio, alcuni studi hanno analizzato stazioni con soli 4 o 5 anni di dati per la stima dell'erosività delle piogge utilizzando la formulazione USLE (Diodato & Bellocchi 2010; Porto 2016). Le stazioni pluviometriche considerate si trovano in Lazio, gran parte in provincia di Rieti e alcune in provincia di Roma. Una piccola parte di trova in Umbria, nelle province di Perugia e Terni.

Il calcolo del Fattore R

Quando non sono disponibili dati pluviometrici ad alta risoluzione, si possono utilizzare approcci alternativi per calcolare l'erosività delle precipitazioni. Quasi tutti questi approcci utilizzano i dati cumulativi mensili e annuali delle precipitazioni o l'indice di Fournier modificato (Fournier 1960; Arnoldus 1980). Da un'ampia analisi della letteratura sono state identificate 12 formule empiriche (per l’elenco completo si rimanda a Petroselli et al. 2021) che sono state spesso applicate nei Paesi mediterranei e nelle aree semiaride. L'utilizzo di tali formule ha permesso di calcolare il Fattore R per tutte le stazioni pluviometriche selezionate. Per il calcolo sono stati utilizzati i dati giornalieri di precipitazioni registrati nel periodo 2008-2018. Dai valori così ottenuti, tramite una tecnica di interpolazione (Kriging), utilizzata in ambiente GIS, sono state create le mappe del Fattore R di tutta la provincia di Rieti.

Figura 3. Valori medi di erosività delle precipitazioni ottenuti con le 12 formule selezionate, per ciascuna stazione pluviometrica. Le stazioni sono state numerate in ordine decrescente di precipitazioni cumulate annue osservate.

  

Risultati

Dopo aver dopo aver calcolato, per ogni singolo anno, i valori di erosività, sono stati esaminati i valori medi, massimi e minimi per ogni equazione per l’intero periodo. Il grafico riporta i valori medi del Fattore R: le stazioni pluviometriche sono state numerate in ordine decrescente di precipitazioni cumulate annue osservate. I valori di erosività sono stati poi interpolati in ambiente GIS ed infine, le mappe ottenute sono state mediate per ottenere la mappa del Fattore R della provincia di Rieti per ogni singola formula utilizzata

Figura 4. Mappe del Fattore R create utilizzando le 12 formule. Tutte le equazioni sono espresse in MJ * mm * ha−1 * h−1 * anno−1.

Dalle cartografie è evidente che i valori massimi di erosività sono sempre localizzati nell'area del Monte Terminillo, dove si trovano i rilievi più alti della provincia. È interessante inoltre osservare che nonostante nella parte sud-orientale della provincia di Rieti si trovino delle montagne piuttosto alte, in questi casi non si sono ottenuti valori di erosività così elevati. Il grafico mostra i valori minimi, medi e massimi di erosività delle precipitazioni per le formule indagate, considerando tutti gli anni dal 2008 al 2018. Non ci sono differenze apprezzabili tra i valori medi di tutte le formule se non per i valori di R2, R6 e R10 che sono abbastanza differenti, con R2 e R6 che hanno un valore più alto della media mentre R10 ha un valore inferiore alla media. Per quanto riguarda i valori minimi di erosività delle precipitazioni, anch'essi sono simili e le differenze sono trascurabili. Si osservano invece forti differenze tra tutte le formule dei valori massimi di erosività delle precipitazioni. I valori in questo caso possono variare da circa 8.000 MJ * mm * ha^-1 * h^-1 * anno^-1), cioè il più basso valore massimo (R10), a più di 24.000 MJ * mm * ha^-1 * h^-1 * anno^-1) per R4 e R6.

Figura 5. Valori di erosività minima, media e massima delle precipitazioni ottenuti con le 12 formule selezionate.

Da tale analisi non è possibile individuare un'equazione di riferimento per stimare l’erosività delle precipitazioni, molto probabilmente a causa della già citata scarsa disponibilità di dati pluviometrici. Il campione di dati analizzato, in questo caso, non è “idrologicamente” significativo. Al fine di sopperire alla richiesta di dati e di individuare una equazione di riferimento per il Fattore R, è stata condotta un'analisi aggiuntiva, utilizzando i dati provenienti dalla stazione pluviometrica di Colle sul Velino (stazione n. 13, fig.3) che può considerarsi rappresentativa della provincia. Attraverso un generatore stocastico di piovosità (Stochastic Rainfall Generator, SRG) è stata creata una serie pluviometrica simulata di 50 anni. I dati così ottenuti sono stati mediati e sono stati calcolati i valori del Fattore R per tutte le 12 formule utilizzate in precedenza. Successivamente, i valori ottenuti sono stati comparati con i valori reali del Fattore R per quella stazione.

Figura 6. Il grafico rappresenta i valori di erosività delle precipitazioni ottenuti dalle 12 equazioni analizzate, rispettivamente con i valori reali e quelli simulati. La linea rossa rappresenta la media dei 12 valori ottenuti considerando i dati di precipitazione simulati, mentre la linea nera tratteggiata rappresenta la media dei 12 valori ottenuti considerando i dati osservati. La tabella a destra mostra i valori del grado di affidabilità assegnati a ciascuna equazione applicata.

Nel grafico sono riportati i valori medi di 12 dati simulati e osservati, dove la linea rossa rappresenta la media dei 12 valori ottenuti considerando i dati di precipitazione simulati, mentre la linea nera tratteggiata rappresenta la media dei 12 valori ottenuti considerando i dati osservati. Al fine di stabilire il grado di affidabilità di ciascuna equazione è stato calcolato, per entrambe le serie di dati (simulati e osservati), il rapporto adimensionale tra il valore di erosività delle precipitazioni e il suo valore medio. Ad ogni risultato del rapporto è stato assegnato, secondo i criteri riportarti in Petroselli et al. (2021), un grado di affidabilità alto, medio o basso dell’equazione. Dai risultati dell’analisi si evince che le formule che più si adattano alla provincia di Rieti sono la formula R7, la formula R11 e la formula R12.

Conclusioni

I rapporti del Gruppo Intergovernativo sui Cambiamenti Climatici (IPCC) mostrano, per il prossimo secolo, una tendenza nell’aumento delle precipitazioni, soprattutto di grandi intensità, aumentando il rischio di perdita di suolo a causa dello scorrimento superficiale delle acque. Di conseguenza la valutazione dell'erosività delle precipitazioni è di fondamentale importanza, dato che la sua determinazione influisce sulla corretta valutazione dell'erosione del suolo. Per quanto concerne la provincia di Rieti, i risultati evidenziano che l’equazione R7 (Yu & Rosewell 1996), risulta essere quella che si adatta di più all’area di studio, nonché tra le più utilizzate in letteratura. Inoltre, le formule R11 (De Santos Loureiro & De Azevedo Coutinho 2001) e R12 (Ferreira & Panagopoulos 2014), sviluppate per l’ambiente mediterraneo, possiedono un buon adattamento all’area di studio. L’utilizzo di una serie temporale sintetica delle precipitazioni potrebbe aiutare a risolvere il problema della scarsità di dati idrologici e, di conseguenza, garantire maggiore accuratezza nella stima del Fattore R per la valutazione dell’erosione del suolo. La creazione di mappe di erosione delle precipitazioni per la provincia di Rieti è di fondamentale importanza per la pianificazione e la gestione del territorio, come lo è anche l’individuazione delle zone in cui si suppone ci sia un valore elevato del Fattore R. Ciò permetterebbe di localizzare efficacemente le aree soggette a erosione del suolo e rischio idrogeologico. Infine, con l’installazione di nuove stazioni pluviometriche e la disponibilità di ulteriori dati per la provincia di Rieti, sarebbe possibile una più accurata gestione dei bacini idrografici, migliorando la stima dell’erosione di suolo.

Bibliografia

Anderlini, M., De Santoli, L., & Fraticelli, F. (2013). Distributed energy generation: Case study of a mountain school campus in Italy. Hydrol. Process., 30, 1551–1562.

Apollonio, C., Petroselli, A., Tauro, F., Cecconi, M., Biscarini, C., Zarotti, C., & Grimaldi, S. (2021). Hillslope erosion mitigation: An experimental proof of a nature-based solution. Sustainability, 13(11), 6058. https://doi.org/10.3390/su13116058

Arnoldus, H. M. J. (1980). An approximation of the rainfall factor in the Universal Soil Loss Equation. In Assessment of Erosion (pp. 127–132). John Wiley and Sons Ltd.

Bartolucci, F. (2006). Contributo alla conoscenza della flora dei monti carseolani (settore laziale): Monte Navegna (Lazio, Rieti). Informatore Botanico Italiano, 38(1), 3–35.

Beguería, S., Serrano-Notivoli, R., & Tomas-Burguera, M. (2018). Computation of rainfall erosivity from daily precipitation amounts. Science of the Total Environment, 637–638, 359–373. https://doi.org/10.1016/j.scitotenv.2018.05.061

Blasi, C., Capotorti, G., Copiz, R., Guida, D., Mollo, B., Smiraglia, D., & Zavattero, L. (2014). Classification and mapping of the ecoregions of Italy. Plant Biosystems, 148(6), 1255–1345. https://doi.org/10.1080/11263504.2014.985756

Brown, L. C., & Foster, G. R. (1978). Storm erosivity using idealized intensity distribution. Transactions of the ASAE, 30(2), 379–386. https://doi.org/10.13031/2013.34915

Capolongo, D., Diodato, N., Mannaerts, C. M., Piccarreta, M., & Strobl, R. O. (2008). Analyzing temporal changes in climate erosivity using a simplified rainfall erosivity model in Basilicata (southern Italy). Journal of Hydrology, 356(1-2), 119–130. https://doi.org/10.1016/j.jhydrol.2008.03.021

Cecílio, R. A., Moreira, M. C., Pezzopane, J. E. M., Pruski, F. F., & Fukunaga, D. C. (2013). Assessing rainfall erosivity indices through synthetic precipitation series and artificial neural networks. Anais da Academia Brasileira de Ciências, 85(4), 1523–1535. https://doi.org/10.1590/0001-3765201390712

Davison, P., Hutchins, M. G., Anthony, S. G., Betson, M., Johnson, C., & Lord, E. I. (2005). The relationship between potentially erosive storm energy and daily rainfall quantity in England and Wales. Science of the Total Environment, 344(1-3), 15–25. https://doi.org/10.1016/j.scitotenv.2005.02.006

De Santos Loureiro, N., & De Azevedo Coutinho, M. (2001). A new procedure to estimate the RUSLE EI30 index, based on monthly rainfall data and applied to the Algarve region, Portugal. Journal of Hydrology, 250(1-4), 12–18. https://doi.org/10.1016/S0022-1694(01)00387-0

Diodato, N., & Bellocchi, G. (2010). MedREM, a rainfall erosivity model for the Mediterranean region. Journal of Hydrology, 387(3-4), 119–127. https://doi.org/10.1016/j.jhydrol.2010.03.038

Ferreira, V., & Panagopoulos, T. (2014). Seasonality of soil erosion under Mediterranean conditions at the Alqueva dam watershed. Environmental Management, 54(1), 67–83. https://doi.org/10.1007/s00267-014-0287-3

Foster, G. R. (2004). User’s reference guide. Revised universal soil loss equation version 2 (RUSLE2). National Sedimentation Laboratory, USDA-Agricultural Research Service.

Fournier, F. G. A. (1960). Climat et Erosion: La Relation Entre L’érosion du Sol par L’eau et les Précipitations Atmosphériques (1st ed.). PUF.

Isikwue, M., Ocheme, J., & Aho, M. (2015). Evaluation of rainfall erosivity index for Abuja, Nigeria using Lombardi method. Nigerian Journal of Technology, 34(1), 56–60. https://doi.org/10.4314/njt.v34i1.7

Lim, Y. S., Kim, J. K., Kim, J. W., Park, B. I., & Kim, M. S. (2015). Analysis of the relationship between the kinetic energy and intensity of rainfall in Daejeon, Korea. Quaternary International, 384, 107–117. https://doi.org/10.1016/j.quaint.2014.12.051

Panagos, P., Ballabio, C., Borrelli, P., Meusburger, K., Klik, A., Rousseva, S., Tadić, M. P., Michaelides, S., Hrabalíková, M., Olsen, P., et al. (2015). Rainfall erosivity in Europe. Science of the Total Environment, 511, 801–814. https://doi.org/10.1016/j.scitotenv.2014.12.008

Petroselli, A., Apollonio, C., De Luca, D. L., Salvaneschi, P., Pecci, M., Marras, T., & Schirone, B. (2021). Comparative evaluation of the rainfall erosivity in the Rieti province, central Italy, using empirical formulas and a stochastic rainfall generator. Hydrology, 8(4), 171. https://doi.org/10.3390/hydrology8040171

Porto, P. (2016). Exploring the effect of different time resolutions to calculate the rainfall erosivity factor R in Calabria, southern Italy. Hydrological Processes, 30(10), 1551–1562. https://doi.org/10.1002/hyp.10760

Renard, K. G., Foster, G. R., Weesies, G. A., McCool, D. K., & Yoder, D. C. (1997). Predicting soil erosion by water: A guide to conservation planning with the Revised Universal Soil Loss Equation (RUSLE). Agriculture Handbook No. 703. United States Department of Agriculture.

Wischmeier, W. H., & Smith, D. D. (1965). Predicting rainfall-erosion losses from cropland east of the Rocky Mountains. Guide for selection of practices for soil and water conservation. Agriculture Handbook No. 282. US Department of Agriculture.

Wischmeier, W. H., & Smith, D. D. (1978). Predicting rainfall-erosion losses: A guide to conservation farming. Agricultural Handbook 537. US Department of Agriculture.

Xin, Z., Yu, X., Li, Q., & Lu, X. X. (2011). Spatiotemporal variation in rainfall erosivity on the Chinese Loess Plateau during the period 1956–2008. Regional Environmental Change, 11(1), 149–159. https://doi.org/10.1007/s10113-010-0130-9

Yu, B., & Rosewell, C. J. (1996). Technical notes: A robust estimator of the R-factor for the universal soil loss equation. Transactions of the ASAE, 39(2), 559–561. https://doi.org/10.13031/2013.27600

Yu, B., Hashim, G. M., & Eusof, Z. (2001). Estimating the R-factor with limited rainfall data: A case study from Peninsular Malaysia. Journal of Soil and Water Conservation, 56(2), 101–105.