2018 BERT S220976 Relazioni

- Relazioni di Idrologia -
Docente: Pierluigi Claps
Studente: Roberto Bert
Matricola: s - 220976
A.A. 2014/2015
Relazioni di Idrologia Bert Roberto - s 220976
Indice
1 Analisi esplorativa di una serie di dati. 4
1.1 Analisi dei colmi di piena del Chisone a San Martino (TO). . . . . . . . . . . . . . . . . 4
1.1.1 Diagramma cronologico della serie. . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Diagramma a punti della serie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Tracciamento del diagramma delle frequenze assolute e relative. . . . . . . . . . . 5
1.1.4 Calcolo dei valori centrali e dei momenti campionari. . . . . . . . . . . . . . . . . 6
1.1.5 Costruzione del diagramma delle frequenze cumulate. . . . . . . . . . . . . . . . 7
1.2 Analisi dei massimi annui di precipitazione in 24 h a Pragelato. . . . . . . . . . . . . . . 7
1.2.1 Diagramma cronologico della serie. . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Diagramma a punti della serie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.3 Tracciamento del diagramma delle frequenze assolute e relative. . . . . . . . . . . 7
1.2.4 Calcolo dei valori centrali e dei momenti campionari. . . . . . . . . . . . . . . . . 9
1.2.5 Costruzione del diagramma delle frequenze cumulate. . . . . . . . . . . . . . . . 9
2 Esempio introduttivo di inferenza statistica finalizzata alla stima della grandezza

di progetto. 10
2.1 Costruzione del diagramma delle frequenze cumulate e della curva di probabilità cumu-
lata della distribuzione normale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Costruzione diagramma di probabilità normale e delle frequenze di classe. . . . . . . . . 11
2.3 Verifica preliminare. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Definizione della condizione di progetto e del relativo quantile. . . . . . . . . . . . . . . 11
3 Applicazione della distribuzione Log-Normale e di Gumbel. 13

3.1 Stima dei parametri delle distribuzioni Log-Normale e di Gumbel con il metodo dei
momenti. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.1 Log-Normale: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.2 Gumbel: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2 Verifica grafica dell’adattamento al campione delle funzioni di probabilità Log-Normale
e Gumbel, con parametri stimati con il metodo dei momenti, usando la relativa carta
probabilistica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.1 Log-Normale: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.2 Gumbel: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3 Stima delle portate di progetto xt su entrambe le distribuzioni (con parametri stimati
con il metodo dei momenti) per valori di periodo di ritorno T pari a 50, 100, 200 anni. . 15
4 Applicazione del metodo degli L-momenti. 17

4.1 Stima dei parametri delle distribuzioni Log-Normale e di Gumbel con il metodo degli
L-momenti. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.1.1 Log-Normale: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.1.2 Gumbel: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2 Verifica grafica dell’adattamento al campione delle funzioni di probabilità Log-Normale
e Gumbel, con parametri stimati con il metodo degli L-momenti, usando la relativa carta
probabilistica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2.1 Log-Normale: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2.2 Gumbel: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1
4.3 Stima delle portate di progetto xt su entrambe le distribuzioni (con parametri stimati
con il metodo degli Lmomenti) per valori di periodo di ritorno T pari a 50, 100, 200 anni. 20
4.4 Stima dei parametri della distribuzione GEV con il metodo degli L-momenti. . . . . . . 20
4.5 Verifica grafica dell’adattamento al campione delle funzioni di probabilità GEV con
parametri stimati con il metodo degli L-momenti, usando la relativa carta probabilistica. 21
4.6 Stima delle portate di progetto xt con utilizzo della distribuzione GEV per valori di
periodo di ritorno T pari a 50, 100, 200 anni. . . . . . . . . . . . . . . . . . . . . . . . . 22
5 Utilizzo dei test statistici. 23

5.1 Test del χ2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.1.1 Log-Normale: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.1.2 Gumbel: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.1.3 GEV: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.2 Test di Anderson- Darling. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.2.1 Log-Normale: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2.2 Gumbel: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2.3 GEV: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
6 Stima delle curve di possibilità pluviometrica IDF. 28

6.1 Determinare la relazione che lega la media dei massimi di precipitazione hd alle durate. 28
6.2 Utilizzare la legge di Gumbel nella forma di dipendenza da media e coefficiente di
variazione (parametri stimati con il metodo dei momenti )per rappresentare i quantili
di precipitazione relativi alla generica durata d una volta fissato il periodo di ritorno T. 29
6.3 Sempre per la durata d = 6 ore, si stimino i primi tre L-momenti e si utilizzi la
distribuzione GEV per determinare il valore di precipitazione h6,100 . . . . . . . . . . . . 31
7 Stima delle curve di possibilità pluviometrica IDF con distribuzione GEV. 31

7.1 Utilizzando i dati riportati nel testo dell’Esercitazione precedente, utilizzare la GEV per
rappresentare i quantili di precipitazione relativi alla generica durata d una volta fissato
il periodo di ritorno T. Si costruiscano le curve corrispondenti a T = 10, 50 e 100 anni
rappresentandole in coordinate cartesiane ed in scala bi-logaritmica. . . . . . . . . . . . 31
8 Ricostruzione di un idrogramma di piena con il metodo cinematico. 34

8.1 Calcolo del tempo di corrivazione e realizzazione dello ietogramma. . . . . . . . . . . . . 34
8.2 Curve ipsografica, ipsometrica e area-tempi. . . . . . . . . . . . . . . . . . . . . . . . . . 35
8.3 Idrogramma unitario e Idrogramma di piena. . . . . . . . . . . . . . . . . . . . . . . . . 37
9 Ricostruzione di un idrogramma di piena con il metodo cinematico con rimozione

ipotesi di terreno impermeabile. 39
9.1 CN(medio) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
9.2 CN(II)-Normal condition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
9.3 CN(III)-Wet condition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
10 Valutazione dell’infiltrazione con il metodo Green-Ampt. 44

10.1 Limo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
10.2 Argilla. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2
11 Modello di infiltrazione di Horton. 47

11.1 Caso A: w1 =12 [mm/h] - w2 =25 [mm/h]: . . . . . . . . . . . . . . . . . . . . . . . . . . 47
11.2 Caso B: w1 =25 [mm/h] - w2 =12 [mm/h]: . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3
1 Analisi esplorativa di una serie di dati.

Nel corso della presente esercitazione si sono effettuate un insieme di operazioni di base utili al
trattamento statistico dei dati di un campione con lo scopo di un successivo impiego per operare
l’inferenza statistica.
1.1 Analisi dei colmi di piena del Chisone a San Martino (TO).
La prima serie presa in considerazione riguarda le portate di massima registrate sul sul fiume
Chisone a San Martino in provincia di Torino
1.1.1 Diagramma cronologico della serie.

Il diagramma cronologico della serie si ottiene diagrammando su un istogramma le registrazioni
effettuate con l’intento di estrapolare dei valori rappresentativi da poter estendere a tutta la popolazio-
ne, ovvero l’insieme di dati sulla base dell’ipotesi di stazionarietà cosı̀ da poter ricostruire l’andamento
dei colmi di piena occorsi in passato e prevenire quelli futuri evidenziando eventuali trend.
La base di partenza è data da un insieme di 33 valori di portata massima registrati negli anni
compresi tra il 1955 e il 2010. Si ricopre dunque un lasso temporale di 55 anni dei quali negli intervalli
che vanno dal 1971 al 1976, dal 1978 al 1992 e nel biennio 1995-1996 si ha un’interruzione delle
osservazioni(vedi figura 1). Fra essi il massimo occorso nel 1977 è pari a 1493 m3 /s e il minimo del
1967 di soli 18 m3 /s.
Figura 1: Diagramma cronologico dei colmi di piena annui a San Martino
1.1.2 Diagramma a punti della serie.

La realizzazione del diagramma a punti consente di ottenere informazioni sulla distribuzione dei
valori registrati e sull’ampiezza del campione. Si va dunque riordinare in senso crescente gli elementi
e ad ognuno di essi corrisponde un punto sul grafico (vedi figura 2).
4
Figura 2: Diagramma a punti dei colmi di piena annui a San Martino
1.1.3 Tracciamento del diagramma delle frequenze assolute e relative.

Operazione preliminare per la scelta della popolazione quale passo dell’inferenza statistica, è la
preparazione dei dati per la “sovrapposizione” con le funzioni di densità di probabilità e le funzioni
di probabilità cumulata. A tal fine si devono dapprima ordinare i dati in ordine crescente e quindi
suddividerli in k classi, con k dato dalla relazione di Kurges:
K = int(1 + 3.3 log10 (N ))
ove N che indica la numerosità del campione. Dall’applicazione della formula si individuano sei classi e
successivamente, contando il numero di campioni che ricadono all’interno di ognuna di esse, si ottiene
la frequenza assoluta (vedi figura 3).
Figura 3: Diagramma delle frequenze assolute
La frequenza relativa si ricava a partire da quella assoluta semplicemente dividendo il valore cor-
rispondente alle diverse classi per la numerosità del campione (vedi figura 4). Una cosa importante
da notare e che le forme dei due istogrammi rimangono identiche e cambia solamente il valore delle
ordinare che risulta scalato di una quantità pari alla dimensione del campione.
5
Figura 4: Diagramma delle frequenze relative
1.1.4 Calcolo dei valori centrali e dei momenti campionari.

Utili al fine della descrizione del campione e della successiva scelta della popolazione con adat-
tamento dei parametri delle possibili distribuzioni corrispondenti, sono alcuni valori caratteristici, di
estrema importanza per un qualsiasi insieme di dati. Nel seguito sono dunque calcolati la media, ovvero
il valore attorno al quale si addensano i dati:
N
1 X
x= xi
N
k=1
la varianza campionaria e la varianza campionaria indistorta (considera che i dati di partenza sono
rappresentati da una popolazione limitata di elementi) ovvero gli indice della dispersione dei valori:
N
1 X
s2 = (xi − x)2
N
k=1
lo scarto quadratico medio ottenuto come radice quadrata della varianza indistorta:
√
s = s2
e infine il coefficiente di asimmetria (skewness) e il coefficiente di asimmetria indistorto:
1 PN 3
N k=1 (xi − x)
γ=
s3
PN 3
N k=1 (xi − x)
γ=
(N − 1)(N − 2) s3
I risultati ottenuti per il caso in esame vengono riportati nella tabella seguente:
Media 267.61 m3 /s
Varianza campionaria 77641 (m3 /s)2
Varianza campionaria indistorta 80067 (m3 /s)2
Scarto quadratico medio 282.96 m3 /s
Coefficiente di asimmetria 2.73
Coefficiente di asimmetria indistorta 3.00
6
1.1.5 Costruzione del diagramma delle frequenze cumulate.

Per il confronto tra il campione e la distribuzione scelta per descrivere la popolazione, risulta di
fondamentale importanza, ancor più che la sovrapposizione tra le PDF, la sovrapposizione tra la CDF
e le funzioni di probabilità cumulata, che per definizione risultano essere:
Fx (x)i = P [X ≤ x1 ]
Riferendoci nuovamente ai valori ordinati della serie e assegnando il numero d’ordine rispettivo, si può
procedere al calcolo e alla successiva rappresentazione della probabilità cumulata come (vedi figura 5):
i
Fi =
N
Figura 5: Frequenza cumulata dei colmi di piena a San Martino
1.2 Analisi dei massimi annui di precipitazione in 24 h a Pragelato.

La stessa procedura viene applicata anche all’analisi dei dati riguardanti le precipitazioni registrare
in un lasso temporale pari 24h a Pragelato (TO) cosı̀ che risulta pressoché sufficiente riportare i grafici
che ne derivano e i valori statistici in forma tabulata.
1.2.1 Diagramma cronologico della serie.

La serie di dati in questione è composta da 26 valori registrati fra il 1955 e il 1986 con delle
mancanze di informazioni nell’anno 1960, e nei bienni 1967-1968 e 1977-1978 (vedi figura 6).
1.2.2 Diagramma a punti della serie.

I valori di estremo rispettivamente di 27[mm] e 139[mm] risultano visibili in modo più efficace nel
diagramma a punti (vedi figura 7) che esplica una minore dispersione rispetto al caso precedente.
1.2.3 Tracciamento del diagramma delle frequenze assolute e relative.

Data la minore numerosità dei dati l’applicazione della legge di Kurges origina 5 classi e come nel
caso precedente si ha che il grafico di destra risulta uguale a quello di sinistra scalato di una quantità
pari a N (vedi figure 8 e 9).
7
Figura 6: Diagramma cronologico dei massimi annui di precipitazione in 24h a Pragelato
Figura 7: Diagramma a punti dei massimi annui di precipitazione in 24h a Pragelato
Figura 8: Diagramma delle frequenze assolute Figura 9: Diagramma delle frequenze relative
8
1.2.4 Calcolo dei valori centrali e dei momenti campionari.

L’applicazione delle relazioni statistiche utilizzate anche nel caso precedente ci consente di ottenere
i seguenti valori:
Media 62.19 m3 /s
Varianza campionaria 830.92 (m3 /s)2
Varianza campionaria indistorta 864.16 (m3 /s)2
Scarto quadratico medio 29.40 m3 /s
Coefficiente di asimmetria 0.95
Coefficiente di asimmetria indistorta 1.06
1.2.5 Costruzione del diagramma delle frequenze cumulate.
Figura 10: Frequenze cumulate dei massimi annui di precipitazione in 24h a Pragelato
9
2 Esempio introduttivo di inferenza statistica finalizzata alla stima

della grandezza di progetto.
Il quesito da affrontare in questa seconda esercitazione è relativo alla stima della massima portata
delle piene fluviali per assegnate probabilità di superamento necessaria per poter verificare la fattibilità
di un attraversamento stradale. Si fa ancora riferimento al caso di San Martino dove l’opera dovrà
essere realizzata e in prima battuta si ricorre all’uso della distribuzione Normale per poter familiarizzare
con le rappresentazioni grafiche.
2.1 Costruzione del diagramma delle frequenze cumulate e della curva di proba-
bilità cumulata della distribuzione normale.
Per lo svolgimento dell’esercizio è stato necessario in primo luogo andare ad ordinare i valori per
poter calcolare la frequenza empirica di non superamento attraverso l’espressione:
i
F (i) =
n+1
dove i rappresenta il campione i-esimo e n il numero totale di misurazioni effettuate, nel nostro caso
33. Successivamente si provvede al computo della media e della deviazione standard con le seguenti
formule:
µ = θ1 = x
σ = θ2 = s
ottenendo i valori trovati al punto 1.1.4. e che sono rispettivamente 267.61 e 282.96. Infine si procede
al calcolo della CDF (Cumulative Distribution Function) mediante la funzione di matlab p = normc-
df(x,mu,sigma) e si vanno a rappresentare su un grafico i due andamenti ottnuti come riportato in
figura 11.
Figura 11: Sovrapposizione delle curve di frequenza empirica con l’andamento della funzione di probabilità
cumulata normale
10
2.2 Costruzione diagramma di probabilità normale e delle frequenze di classe.

Partendo dal grafico relativo alla frequenza relativa ricavato al punto 1.1.3. per il sito di San
Germano Chisone si può operare una sovrapposizione con la PDF (Probability Density Function) Y =
normpdf(X,mu,sigma) ottenendo come riportato in figura 12 che il trend dei due andamenti è simile
anche se non vi è una buona aderenza dei risultati.
Figura 12: Distribuzione di probabilità normale stimata dalla serie in sovrapposizione al diagramma delle
frequenze relative di classe
2.3 Verifica preliminare.

Per andare a stabilire se la Distribuzione Normale si presta a rappresentare in modo sostanzioso
i dati che possediamo si è proceduto alla creazione della carta probabilistica normale procedendo nel
seguente modo:
• Tracciamento della retta relativa alla distribuzione normale utilizzando la variabile ridotta u,
definita dalla relazione:
x − θ1
u=
θ2
• Inversione della funzione Normale Standardizzata Cumulata, calcolata con il comando matlab
ui = norminv(F (i)) applicata alla serie fornita
• Rappresentazione delle due variabili ridotte associate ai calori di portata registrati in ascissa
(vedi figura 13).
Ad un rapido sguardo si vede come le osservazioni si discostano in modo importante dalla retta cosı̀
che la Distribuzione Normale non è idonea a rappresentarle e sarà necessario ricorrere a una differente
distribuzione.
2.4 Definizione della condizione di progetto e del relativo quantile.

Per la risoluzione si parte dalla conoscenza di alcune formule fondamentali per il calcolo del rischio
residuo in n prove:
Rn = [1 − (1 − P r(s))n ]
11
Figura 13: Retta relativa alla distribuzione Normale e valori di portata in funzione dell’inversa della funzione
Normale Standardizzata Cumulata
dove Pr rappresenta la probabilità di superamento legata al periodo di ritorno T:

1
P r(s) = 1 − F =
T
dalle quali è possibile ricavare le relazioni inverse per il calcolo della frequenza:
T −1
F =
T
e del tempo di ritorno:
1
T = √ N
1 − 1 − Rn
T è il numero medio di prove (anni) affinché un dato evento venga eguagliato e/o superato (ossia
affinché si abbia un insuccesso). I risultati ottenuti sono riportati nella tabella seguente in cui i valori
in grassetto indicano i valori incogniti che sono stati ricavati.
N [anni] Rn T [anni] F Q[m3 /s]

Caso 1 10 0.050 195.5 0.99488 994.2
Caso 2 10 0.049 200 0.99500 996.5
Nel caso 1 essendo noti Rn ed N si è potuto risalire direttamente a T e di conseguenza a F tramite le

formule inverse sopra enunciate mentre nel caso 2 essendo noto il valore di T pari a 200 anni si è ricavato
P r(s) e di conseguenza dalla formula diretta Rn ed F come nella situazione precedente. Per entrambi il
valore della portata è stato calcolato col la funzione X = norminv(P,mu,sigma) che restituisce l’inversa
della distribuzione normale cumulativa per la media e la deviazione standard specificate.
12
3 Applicazione della distribuzione Log-Normale e di Gumbel.

Lo sviluppo seguente si pone come conseguente all’esercitazione 2 in cui si era ricorso alla distribu-
zione Normale la quale però non era adatta al trattamento delle portate di colmo registrate. Si procede
dunque all’utilizzo di due nuove distribuzioi: Log-Normale e Gumbel.
3.1 Stima dei parametri delle distribuzioni Log-Normale e di Gumbel con il me-
todo dei momenti.
3.1.1 Log-Normale:
Per realizzare una distribuzione Log-Normale si può procedere in due modi:
• servirsi dei dati della Log-Normale e quindi delle relative formule per il calcolo dei valori σ e
µ nel caso di utilizzo della teoria dei momenti, o i corrispondenti valori di λ1 e λ2 nel caso di
utilizzo della teoria degli LMomenti come di seguito indicato e in ogni caso andarsi a calcolare i
valori di θ1 e θ2
• in alternativa, poiché dalla definizione di distribuzione Log-Normale si ha che x ha una distribu-

zione LogNormale, se il ln(x) ha una distribuzione normale, possiamo calcolare in primo luogo il
logaritmo naturale delle portate, ln(Q), e utilizzare i dati logaritmici come se stessimo trattando
una distribuzione normale.
Per lo svolgimento dell’esercitazione si è proceduto con il secondo metodo, cosı̀ facendo i parametri
θ1 e θ2 corrispondono rispettivamente ai valori di media e scarto quadratico medio calcolati come
nell’ercitazione precedente e che per i dati in forma logaritmica valgono rispettivamente 5.22 [m3 /s]
e 0.87 [m3 /S]. Una volta realizzato questo passaggio è stato possibile confrontare nuovamente la
distribuzione delle Frequenze cumulate ottenuta al punto 2.1. con la CDF calcolata questa volta con
riferimento hai dati logaritmici ottenendo quanto riportato in seguito (vedi figura 14).
cumulata Log-normale
Si precisa che se non si fosse ricorso a questo artificio le formule per ottenere le variabili θ avreb-
bero richiesto l’uso di media e scarto quadratico calcolati per la serie normale e sarebbero state
13
rispettivamente:
σ2

1
θ1 = ln µ − ln 1 + 2
2 µ
s
σ2

θ2 = ln 1 + 2
µ
3.1.2 Gumbel:
Nel caso della distribuzione di Gumbel il calcolo dei parametri avviene tramite le relazioni:
√
6
θ1 = µ − 0.5772σ
π
√
6
θ2 = σ
π
i cui valori (θ1 =140.27, θ2 =220.62) inseriti nella relazione:
x − θ1
−
θ2
F (x) = exp− exp
ci consentono di ricavare l’andamento della CDF. Come in precedenza l’andamento delle due funzioni
è riportato nella figura seguente(vedi figura 15).
cumulata Gumbel
3.2 Verifica grafica dell’adattamento al campione delle funzioni di probabilità Log-

Normale e Gumbel, con parametri stimati con il metodo dei momenti, usando
la relativa carta probabilistica.
3.2.1 Log-Normale:
Per la realizzazione della Carta Probabilistica si seguito lo stesso procedimento già adottato in
precedenza disegnando la retta della distribuzione normale utilizzando la variabile ridotta u (con le
14
portate in forma logaritmica), definita dalla solita relazione:

x − θ1
u=
θ2
e riportato sullo stesso grafico semi-logaritmico i valori di portata campionari e le relative variabili
ridotte ottenute mediante inversione della funzione Normale Standardizzata Cumulata, calcolata con
il comando X = norminv(P) (vedi figura 16).
Figura 16: Retta relativa alla distribuzione Normale e valori di portata in funzione dell’inversa della funzione
Log-Normale Standardizzata Cumulata
3.2.2 Gumbel:
Allo stesso modo si procede per la realizzazione della Carta Probabilistica per la distribuzione di
Gumbel utilizzando nella formula della u i valori di θ1 e θ2 relativi adottando l’accortezza di andare a
riportare le u(i) ricavate a partire dalle x(F), che costituiscono l’inverso della F(x), ottenibile mediante
la seguente formula:
x(F ) = θ1 − θ2 ln[− ln(F (x))]
e calcolando succesivamente:
x(F ) − θ1
ui =
θ2
Dalla sovrapposizione risulta (vedi figura 17).
Andando ad osservare le due carte probabilistiche ricavate per le due diverse distribuzioni si può
affermare che esse risultano più adatte alla descrizione dei dati di portata rilevati. Quanto detto è valido
in particolare modo per la distribuzione Log-Normale in cui i valori della ui si addensano nell’intorno
della retta u.
3.3 Stima delle portate di progetto xt su entrambe le distribuzioni (con parametri

stimati con il metodo dei momenti) per valori di periodo di ritorno T pari a
50, 100, 200 anni.
Per il calcolo della portata di progetto è necessario calcolare il valore della frequenza F:
T −1
F =
T
15
Figura 17: Retta u relativa alla distribuzione Gumbel e andamento della ui
dimodoché è stato possibile ricavare i valori cercati con una distinzione per le due distribuzioni. Per
quanto riguarda la distribuzione Log-Normale è stato necessario applicare il comando X = nor-
minv(P,mu,sigma) e successivamente fare l’esponenziale per ottenere il valore della portata come
indicato nella relazione:
xt = exp(ln(Q))
Per la distribuzione di Gumbel invece la formulazione è differente e vale:

1
x(F ) = θ1 − θ2 ln ln
F
Dai calcoli svolti con il programma di calcolo Matlab si sono ottenute le seguenti portate in forma
tabulata:
• Distribuzione Log-Normale:
T [anni] F ln Q[m3 /s] Q[m3 /s]

50 0.9800 6.9935 1089.5
100 0.9900 7.2296 1379.7
200 0.9950 7.4457 1712.6
• Distribuzione di Gumbel:
T [anni] F Q[m3 /s]

50 0.9800 1001.1
100 0.9900 1155.2
200 0.9950 1308.7
16
4 Applicazione del metodo degli L-momenti.

La presente esercitazione è la prosecuzione delle precedenti in cui si vuole ricorrere all’uso del
metodo degli L-momenti.
4.1 Stima dei parametri delle distribuzioni Log-Normale e di Gumbel con il me-
todo degli L-momenti.
4.1.1 Log-Normale:
La prima operazione è quella di convertire i dati in valori logaritmici per poi applicare il metodo
degli L-momenti per il calcolo dei parametri:
θ1 = L1
√
θ2 = ΠL2
dove:
L1 = b0
L2 = 2b1 − b0
con:
n
1X
b0 = xj
n
j=1
n
1 X (j − 1)xj
b1 =
n (n − 1)
j=1
I risultati ottenuti in forma tabulata sono:
b0 b1 L1 L2 θ1 θ2
5.22 2.85 5.22 0.48 5.22 0.86
Come nelle esercitazioni precedenti si provvede a graficare l’andamento del diagramma delle fre-
quenze cumulate in sovrapposizione alla CDF ricavata con riferimento alle portate in forma logaritmica
e utilizzando i valori di θ1 e θ2 appena calcolati (vedi figura 18).
4.1.2 Gumbel:
Usiamo lo stesso procedimento visto ma stavolta utilizzando la distribuzione di Gumbel:
n
1X
b0 = xj
n
j=1
n
1 X (j − 1)xj
b1 =
n (n − 1)
j=1
L1 = b0
L2 = 2b1 − b0
17
cumulata Log-normale con gli L-momenti
θ1 = L1 − 0.5772 θ2
L2
θ2 =
ln 2
b0 b1 L1 L2 θ1 θ2
267.61 195.82 267.61 124.02 164.34 178.92
Ancora una volta i due andamenti sono rappresentati sullo stesso grafico (vedi figura 21).
cumulata Gumbel con gli L-momenti
18
4.2 Verifica grafica dell’adattamento al campione delle funzioni di probabilità Log-

Normale e Gumbel, con parametri stimati con il metodo degli L-momenti,
usando la relativa carta probabilistica.
4.2.1 Log-Normale:
Si procede in maniera analoga a quanto fatto al punto 3.2.1. ottenendo quanto segue:
Figura 20: Verifica grafica dell’adattamento al campione delle funzioni di probabilità Log-Normale con metodo
degli L-momenti
4.2.2 Gumbel:
La procedura è quella adottata al punto 3.2.2. ma con i parametri θ valutati nella sezione precedente
con gli L-momenti:
Figura 21: Verifica grafica dell’adattamento al campione delle funzioni di probabilità Gumbel con metodo degli
L-momenti
19
4.3 Stima delle portate di progetto xt su entrambe le distribuzioni (con parametri

stimati con il metodo degli Lmomenti) per valori di periodo di ritorno T pari
a 50, 100, 200 anni.
L’unica differenza rispetto all’esercitazione precedente è il calcolo dei parametri cosı̀ che si ottengono
i seguenti valori di portata:
T [anni] F ln Q[m3 /s] Q[m3 /s]

50 0.9800 6.9935 1072.3
100 0.9900 7.2296 1355.1
200 0.9950 7.4457 1677.6
• Distribuzione di Gumbel:
T [anni] F Q[m3 /s]

50 0.9800 862.5
100 0.9900 987.4
200 0.9950 1111.9
4.4 Stima dei parametri della distribuzione GEV con il metodo degli L-momenti.
Procediamo ora ad una nuova scelta, con una distribuzione atta a descrivere le distribuzioni
dei massimi, ovvero la Generalized Extreme Value (G.E.V.). Si sono dapprima calcolati i PWM
campionari:
n
1X
b0 = xj
n
j=1
n
1 X (j − 1)xj
b1 =
n (n − 1)
j=1
n
1 X (j − 1)(j − 2)xj
b2 =
n (n − 1)(n − 2)
j=1
Si sono quindi ricavati gli L-momenti campionari:
L1 = b0
L2 = 2b1 − b0
L3 = 6b2 − 6b1 + b0
E considerando che τ3 , L-asimmetria, è definito come rapporto tra L3 e L2 e risulta essere pari a 0,47,
si ricavano in sequenza i tre parametri della GEV, dopo aver preventivamente definito la quantità c:
2 ln(2)
c= −
3 + τ3 ln(3)
θ2
θ 1 = L1 − (1 − Γ(1 + θ3 ))
θ3
20
θ3 L2
θ2 = −θ
(1 − 2 3 ) Γ (1 + θ3 )
θ3 ' 7.8590 c + 2.9554 c2
b0 b1 b2 L1 L2 L3 c θ1 θ2 θ3
34.08 20.55 15.03 34.08 7.02 0.95 0.01 28.49 10.63 0.05
Dove la funzione Γ indica la funzione Gamma di Eulero (implementata in matlab da Y = gam-

ma(X)). Si sono dunque elaborate le frequenze cumulate della GEV avente i parametri ottenuti e si è
proceduto alla sovrapposizione grafica di esse con le frequenze cumulate campionarie (vedi figura 22):
cumulata con distribuzione GEV
Per il calcolo dei valori della CDF e della x (F(i)) si sono usate le seguenti espressioni:
−1
−θ3 log{1 − θ3 (x − θ1 )/θ2 } θ3 6= 0
y=
(x − θ1 )/θ2 θ3 = 0
−y
F (x) = exp−exp
θ1 + θ2 [1 − (− log(F ))θ3 ]/θ3 θ3 6= 0

y=
θ1 − θ2 log(− log(F )) θ3 = 0
4.5 Verifica grafica dell’adattamento al campione delle funzioni di probabilità GEV

con parametri stimati con il metodo degli L-momenti, usando la relativa carta
probabilistica.
Per la realizzazione della Carta Probabilistica si è prima disegnata la retta della distribuzione
campionaria:
x − θ1
u=
θ2
e in seguito riportato i valori di portata campionari e le relative variabili ridotte. Tali punti vengono
quindi poi confrontati con i valori ricavati per inversione della distribuzione GEV per mezzo della
21
formula seguente:
θ2
x(F ) = θ1 + [1 − (−ln(F ))θ3 ]
θ3
E poi si calcola:
x(F ) − θ1
ui =
θ2
La carta probabilistica ottenuta è riportata di seguito (vedi figura 23).
Figura 23: Verifica grafica dell’adattamento al campione adottando la distribuzione GEV
4.6 Stima delle portate di progetto xt con utilizzo della distribuzione GEV per
valori di periodo di ritorno T pari a 50, 100, 200 anni.
La procedura seguita è la medesima di quella adottata per il calcolo delle portate con le precedenti
distribuzioni probabilistiche e i valori che si ricavano sono i seguenti:
T [anni] F Q[m3 /s]

50 0.9800 1128.3
100 0.9900 1543.3
200 0.9950 2095.7
22
5 Utilizzo dei test statistici.

La seguente esercitazione si pone come consecutiva alle Esercitazioni precedenti nelle quali si era
potuto visualizzare mediante delle verifiche preliminari, fondate su un confronto grafico (puramente
soggettivo) degli andamenti delle distribuzioni sulla carta probabilistica, come solamente le distribu-
zioni Gumbel, LogNormal e GEV calcolata con gli LMomenti fossero adatte a descrivere la serie storica
dei massimi annui dei colmi di piena osservati alla stazione San Martino del fiume Chisone. Avendo la
necessità di avere un parere oggettivo si introducono i test statistici. Data una qualsiasi ipotesi stati-
stica H0 , occorre misurarne la validità di fronte all’ipotesi alternativa H1 , anche se non esplicitamente
formulata. Un test statistico è un procedimento che consente di decidere, sulla base delle osservazioni
a disposizione, se accettare l’ipotesi H0 oppure rigettarla. Si dice livello di significatività del test la
probabilità α di rigettare l’ipotesi H0 quando essa è vera (errore di tipo I), mentre si definisce potenza
del test la probabilità di rigettare H0 quando essa è falsa. Questa probabilità vale 1-β, dove β è la
probabilità di commettere un errore di tipo II (accettare H0 quando vale H1 ).
5.1 Test del χ2 .

Il test di Pearson si pone come obiettivo quello di verificare l’esattezza di un’ipotesi H0 . L’ipotesi
nel nostro caso risulta essere: “la distribuzione presa in considerazione (Lognormale, Gumbel o GEV) è
adattabile al campione di dati delle portate”. Per verificare l’esattezza dell’ipotesi si deve costruire un
“oggetto” chiamato statistic test (T.STAT) X 2 , da confrontare con un valore limite di χ2 . Questo valore
limite è desumibile da tabelle riportate nella figura successiva (vedi figura 25) per una determinata
necessita del livello di sensitività del test α e del numero di gradi di libertà f della chi2 pari a:
f =k−s−1
dove s è il numero di parametri della distribuzione presa in esame; k rappresenta il numero di intervalli
nei quali si richiede venga suddiviso il campo di esistenza delle variabili Q: tali intervalli devono
essere equiprobabili e mutuamente escludentisi per massimizzare la potenza del test, dimodoché risulti
p1 = p2 = . . . = pk = k/n con
k = int[2 n0.4 ]
e n pari al numero di osservazioni. La T.STAT può essere costruita tenendo conto della sua formula-
zione:
k
X (ni − n pi )2
X2 =
n pi
i=1
Il termine ni è il numero di osservazioni che effettivamente ricadono nel i-esimo intervallo, ottenibile
tramite la costruzione del diagramma di frequenza di classe assoluta, già visto nell’Esercitazione 1,
tenendo però conto del fatto che le classi sono già determinate, e non dipendenti dai valori massimo e
minimo. Invece n pi è il numero atteso di elementi nell’intervallo i-esimo, che non cambierà da intervallo
a intervallo, avendoli scelti equiprobabili. Di fatto il test di Pearson consiste nel vedere quanto questi
due valori si discostano l’uno dall’altro.
Quanto detto in termini teorici nella pratica consiste in:
• creare i k intervalli equiprobabili con ampiezza pari a p e valori limite ben definiti;
• ricavare i quantili della distribuzione, ovvero le x(F), calcolandoli nei valori limite dei k intervalli
(escludendo 0 e 1), per “popolare” gli intervalli stessi;
23
• contare il numero effettivo di valori ricadenti negli intervalli per poi inserire tutto nella formula
di cui sopra.
Se il valore X 2 cosı̀ ottenuto dovesse risultare superiore al valore limite χ2 il test risulta non
superato. Si potrebbe allora decidere di cambiare il livello di sensibilità del test rendendolo meno
severo, ovvero riducendo il valore di α, in modo da passare il test. Vengono dunque riassunti nel
seguito i risultati ottenuti dal test delle tre distribuzioni prese in esame con livello di sensibilità α pari
a 0,05.
Figura 24: Valori limite di χ2
Per le distribuzione in questione si è andata ad individuare l’ampiezza di ogni classe in modo tale da
avere una medesima probabilità e successivamente si è calcolata la numerosità del campione all’interno
di ognuna di esse ni . Le formule usate per le seguenti casistiche sono:
24
X = norminv(P, mu, sigma)
• Distribuzione Gumbel:
X = θ1 − θ2 (log(− log(P ))
• Distibuzione GEV:
X = θ1 + (θ2 (1 − (− log(P ))θ3 )/θ3
con l’inserimento dei rispettivi valori di θ. Con lo stesso software sono stati calcolati anche i valori di
k, X 2 ed f mentre i valori di χ2 da utilizzare per il confronto sono reperibili, come detto in precedenza,
nella figura sopra riportata.
Quanto ottenuto è riportato in seguito in forma tabulata:
5.1.1 Log-Normale:
k 8
pi 0.125
numero classi 1 2 3 4 5 6 7 8
limite inf eriore [m3 /s] 18 69.2 104 141 185.1 243.2 329.7 495.4
limite superiore [m3 /s] 69.2 104 141 185.1 243.2 329.7 495.4 1493
occorrenze 4 3 2 8 7 0 5 4
X2 11.36
s 2
f 5
χ2 (da tab.) 11.1
X 2 > χ2 test N ON superato
5.1.2 Gumbel:
k 8
pi 0.125
limite inf eriore [m3 /s] 18 33.3 105.9 167.8 229.9 299.4 387.3 524.6
limite superiore [m3 /s] 33.3 105.9 167.8 229.9 299.4 387.3 524.6 1493
occorrenze 1 6 6 10 1 4 2 3
X2 16.21
s 2
f 5
χ2 (da tab.) 11.1
X 2 > χ2 test N ON superato
25
5.1.3 GEV:
k 8
pi 0.125
limite inf eriore [m3 /s] 18 75.7 108.7 141.5 179.6 229.2 304.6 458.1
limite superiore [m3 /s] 75.7 108.7 141.5 179.6 229.2 304.6 458.1 1493
occorrenze 4 3 2 6 8 1 5 4
X2 8.45
s 3
f 4
χ2 (da tab.) 9.49
X 2 < χ2 test superato
5.2 Test di Anderson- Darling.

Il test di Anderson-Darling si basa sulla misura dello scostamento della funzione di frequenza
cumulata dalla CDF teorica, propria della distribuzione da testare. Il test tende a privilegiare i valori
che si trovano nelle code delle distribuzioni; è dunque molto adatto per lo studio della distribuzione
dei massimi, quali ad esempio i massimi di portata, oggetto della nostra trattazione. Per eseguire il
test occorre andare a costruire un’altra T.STAT , A2 , che ha la seguente espressione:
(Φ(x) − Fx (x))2
Z
2
A =n fx (x)dx
Fx (x)(1 − Fx (x))
Si può evitare di calcolare l’integrale utilizzando la formula:

n
1X
A2 = −n − (2i − 1) ln(Fx (xi )) + (2n + 1 − 2i) ln(1 − Fx (xi ))
n
i=1
Nelle applicazioni pratiche conviene trasformare la variabile A2 tramite le relazioni:
ηp

2
A − ξ

p 0.851

se1.2 ξp ≤ A2


 0.0403 + 0.116

 βp
ω= ηp

2
 A − ξp 0.851  A2 − 0.2ηp
se1.2 ξp > A2

0.0403 + 0.116

 
βp ηp

  

Dove ηp , βp ed ξp sono dei coefficienti che dipendono dal tipo di distribuzione (vedi figura ??).
Una volta effettuata la trasformazione bisogna verificare che il valore di ω sia inferiore ad un ωL IM
che, per il livello di significatività richiesto α = 0.05 è pari a 0,461.
Per ogni distribuzione abbiamo calcolato il valore di A2 , ricavato da tabella i coefficienti in funzione
della distribuzione adottata, verificato la casistica relativa e calcolato il valore di ω da confrontare con
ωL IM per determinare il superamento o non superamento del test (si ricorda che il test è superato se
ω < ωLIM ).
26
Figura 25: Valori assunti dai parametri in funzione del tipo di distribuzione
5.2.1 Log-Normale:
A2 0.4193
ξp 0.167
βp 0.229
ηp 1.147
ω 0.172
ωLIM 0.461
ω < ωLIM test superato
5.2.2 Gumbel:
A2 1.5073
ξp 0.169
βp 0.229
ηp 1.141
ω 1.277
ωLIM 0.461
ω > ωLIM test N ON superato
5.2.3 GEV:
A2 0.3611
ξp 0.143
βp 0.183
ηp 1.198
ω 0.188
ωLIM 0.461
ω < ωLIM test superato
Andando a ricapitolare, mettendo in un’unica tabella i risultati derivanti dall’applicazione dei due
diversi test per le tre tipologie di distribuzioni probabilistiche, si ottengono i seguenti risultati:
27
T est del χ2
Distribuzione Log − N ormale test N ON superato
Distribuzione Gumbel test N ON superato
Distribuzione GEV test superato
T est di Anderson − Darling
Distribuzione Log − N ormale test superato
Distribuzione Gumbel test N ON superato
Distribuzione GEV test superato
Ne segue che la funzione di probabilità di Gumbel non risulta idonea alla descrizione del nostro
campione mentre, poichè per entrambe le tipologie di test si ha avuto esito positivo, quella GEV è la
più consigliata ai fini statistici. Per quanto concerne la distribuzione Log-Normale si può dire che può
essere utilizzata anche alla luce del fatto che il test del χ2 non è stato superato di poco.
6 Stima delle curve di possibilità pluviometrica IDF.

La seguente esercitazione ha come scopo quello di determinare le curve di possibilità pluviometrica
(CPP), chiamate anche IDF (Intensity – Duration – Frequency) per la sezione pluviografica di Pra-
gelato, nel bacino del Chisone, utilizzando il metodo della precipitazione indice. I dati relativi alle
precipitazioni fanno riferimento ai valori massimi annui registrati in un lasso temporale di 24h (per gli
intervalli 1h, 3h, 6h, 12h, 24h) in un periodo che va dal 1955 al 2009 con mancanza di dati nel solo anno
1960, e nei bienni 1967-1968 e 1977-1978. I dati da noi in possesso sono stati caricati direttamente in
matlab utilizzando un file txt. Si procede di seguito allo svolgimento dei vari punti.
6.1 Determinare la relazione che lega la media dei massimi di precipitazione hd

alle durate.
Innanzitutto si vanno a calcolare gli indici statistici (media, varianza, scarto quadratico medio
e coefficiente di variazione) dei massimi annui registrati nelle cinque durate che sono riportati nella
tabella seguente:
1h 3h 6h 12h 24h
media 14.24 23.96 34.08 50.11 64.10
varianza 37.51 85.12 149.38 371.73 851.13
sqm 6.12 9.23 12.22 19.28 29.17
CV 0.43 0.385 0.36 0.38 0.46
p = polyf it(x, y, n) Andando a graficare in scala logaritmica hd , valor medio del massimo annuo di
precipitazione in d ore, in funzione di d, si può procedere ad un’interpolazione di potenza per ottenere
la retta che meglio approssima la relazione tra le due grandezze sopracitate. Tale retta è individuata da
due parametri, intercetta e coefficiente angolare, indicati rispettivamente con m ed n. Il procedimento
è schematizzato nelle formule seguenti:
ln(hd ) = m + n ln(d)
28
dalla quale si eleva all’esponenziale in modo da poter semplificare il logaritmo:
expln(hd ) = exp m + n ln(d)
per arrivare a scrivere:

hd = a dn
Tramite regressione lineare con matlab adoperando il comando p = polyf it(x, y, n) si sono ricavati i
valori dell’intercetta e del coefficiente angolare che sono rispettivamente 14.2820e 0.4841 come si vede
nella figura seguente (vedi figura 26).
Figura 26: Diagramma dei massimi annui
Possiamo sfruttare la regressione per calcolare il valor medio della precipitazione per qualsiasi
durata, e non solo per le cinque assegnate. Il passo successivo consiste nel determinare la stima del
valor medio del massimo annuo di precipitazione in funzione di una specifica durata d e di un tempo
di ritorno T, tramite l’utilizzo della funzione di crescita k(T ).
z}|{
hd = hd K(T )
La funzione di crescita K(T) ha una formulazione ben precisa dipendente dalla tipologia di distribuzione
scelta.
6.2 Utilizzare la legge di Gumbel nella forma di dipendenza da media e coefficiente

di variazione (parametri stimati con il metodo dei momenti )per rappresentare
i quantili di precipitazione relativi alla generica durata d una volta fissato il
periodo di ritorno T.
Nel caso di dati distribuiti con distribuzione di tipo Gumbel, la funzione di crescita risulta essere
funzione esclusivamente del rapporto:
σ
CV =
µ
La funzione di crescita K(T) è data dalla relazione:
" √
#
6 T
K(T ) = 1 − CV 0.45 + ln ln
π T −1
29
dove si sceglie come valore del CV il valore mediato sulle 5 ore di riferimento fornite e pari a :
CV = 0.4
Fatto ciò è possibile andare a definire per ogni periodo di ritorno la corrispettiva funzione di crescita
z}|{
e moltiplicare quest’ultima per il valore medio in modo tale da ottenere il valore stimato di hd,T per le
varie durate oggetto di indagine:
( " √ #)
z}|{ 6 T
hd = hd 1 − CV 0.45 + ln ln
π T −1
Graficando i valori delle altezze di precipitazione hd in funzione della durata d espressa in ore per un
tempo di ritorno T fissato di hanno dei valori di altezza di precipitazione più alti per tempi di ritorno
maggiori come era lecito aspettarsi. L’andamento della curva IDF viene nel seguito rappresentata sia
in coordinate cartesiane (vedi figura 27) che in scala bi-logaritmica (vedi figura 28).
Figura 27: Curva IDF in coordinate cartesiane per la distribuzione Gumbel
Figura 28: Curva IDF in scala bi-logaritmica per la distribuzione Gumbel
30
Per quanto riguarda il valore di precipitazione per la durata di 6 ore e tempo di ritorno pari a 100
anni applicando la medesima formula si ottiene che:
hd,T = h6,100 = 76.95 mm
6.3 Sempre per la durata d = 6 ore, si stimino i primi tre L-momenti e si utilizzi
la distribuzione GEV per determinare il valore di precipitazione h6,100 .
Per quanto riguarda il caso di dati avente distribuzione GEV, il calcolo di K(T) ha una formulazione
differente che dipende dai parametri della distribuzione θ1 , θ2 e θ3 e risponde alla relazione:
T
 !!! 
θ1 θ2  −θ3 − ln ln
K(T ) = + 1 − exp T −1 
b0 b0 θ3

Come già noto dalle precedenti esercitazioni è quindi necessario calcolare i parametri della GEV me-
diante il metodo degli L-Momenti e ricavare i valori di L1 , L2 e L3 mediante i PWM. Ottenuti tali
z}|{
valori si calcola la funzione di crescita che moltiplicata per il valore medio consente di ricavare gli hd,T .
Poichè le formulazioni e i risultati sono analoghi a quelle calcolati al punto 4.4 si riportano solamente
i risultati:
b0 b1 b2 L1 L2 L3 c θ1 θ2 θ3
34.08 20.55 15.03 34.08 7.02 0.95 0.01 28.49 10.63 0.05
Svolgendo il calcolo si ottiene dunque:

T
  !!! 
−θ3 − ln ln
 
z }| {  θ1 θ2  T −1

h6,100 = h6,100 K(T ) = + 1 − exp  = 71.53 mm


 b0 b0 θ3 

7 Stima delle curve di possibilità pluviometrica IDF con distribu-

zione GEV.
7.1 Utilizzando i dati riportati nel testo dell’Esercitazione precedente, utilizzare
la GEV per rappresentare i quantili di precipitazione relativi alla generica
durata d una volta fissato il periodo di ritorno T. Si costruiscano le curve cor-
rispondenti a T = 10, 50 e 100 anni rappresentandole in coordinate cartesiane
ed in scala bi-logaritmica.
Nella precedente esercitazione abbiamo stimato, con la distribuzione GEV, un valore di precipita-
zione per una determinata durata (6 ore) e per un determinato periodo di ritorno (100 anni). Per poter
superare il limite della determinazione del terzo parametro previsto per tale distribuzione, andremo a
31
fare un’operazione simile a quella fatta per la distribuzione Gumbel:

La funzione di crescita per la distribuzione GEV è la seguente:
T
 !!! 
θ1 θ2  −θ3 − ln ln
K(T ) = + 1 − exp T −1 
b0 b0 θ3

che può anche scriversi nella forma:

T
 !!! 
α −k − ln ln
K(T ) = ε + 1 − exp T −1 
k

dove si è posto:
θ1
ε=
b0
θ2
α=
b0
k = θ3
essendo ε, α e k le notazioni ”storiche” della distribuzione GEV.
Calcoliamo i parametri θ1 , θ2 e θ3 per tutte le cinque durate caratteristiche (1h, 3h, 6h, 12h, 24h)
facendo ancora riferimento ai dati pluviometrici utilizzati nell’esercitazione precedente, e ricaviamo
anche i fattori adimensionali prima introdotti e riportati nella tabella successiva:
durata 1h 3h 6h 12h 24h
b0 14.24 23.96 34.08 50.11 64.10
θ1 11.18 19.56 28.49 41.11 49.61
θ2 3.06 7.11 10.63 15.46 21.01
θ3 -0.03 -0.04 0.05 0 -0.1
ε 0.79 0.82 0.84 0.82 0.77
α 0.22 0.3 0.31 0.31 0.33
k -0.3 -0.04 0.05 0 -0.1
L’approssimazione che si va a fare è di considerare i valori medi dei fattori ε, α e k che si possono
in effetti ritenere abbastanza costanti. L’approssimazione risulta un po’ forte solo per il fattore k che
presenta una maggiore variabilità.
ε 0.81
α 0.29
k -0.08
Utilizzando a questo punto l’espressione del fattore di crescita prima richiamata e applicando la
solita formula per la valutazione della stima delle precipitazioni nella forma:
T
  !!! 
−k − ln ln
 
z}|{  α T − 1

hd = hd ε + 1 − exp

k


 

otteniamo per i tempi di ritorno pari a 10, 50, e 100 anni i grafici in forma cartesiana (vedi figura29)
e bi-logaritmica (vedi figura 30)
32
Figura 29: Curva IDF in coordinate cartesiane per la distribuzione GEV
Figura 30: Curva IDF in scala bi-logaritmica per la distribuzione GEV
33
i cui valori nei punti significativi sono riportati in tabella:

z}|{
hd
h T=10 anni T=50 anni T=100 anni
1 21.7905 30.5903 34.6722
3 37.0899 52.0682 59.0161
6 51.8793 72.8301 82.5483
12 72.5658 101.8706 115.4639
24 101.5009 142.4907 161.5043
8 Ricostruzione di un idrogramma di piena con il metodo cinemati-

co.
La seguente esercitazione ha come scopo quello di determinare l’idrogramma di piena del bacino
del Chisone a Fenestrelle corrispondente ad un tempo di ritorno di 100 anni.
I dati relativi al bacino sono stati desunti dall’ ”Atlante dei bacini imbriferi piemontesi” consultabile al
seguente indirizzo http : //www.idrologia.polito.it/web2/open−data/Renerf or/atlanteb acinip iemontesiL R.pdf
e riportati in tabella:
Quota minima [m] Quota massima [m] ∆z [m] Quota media [m] Area bacino [km2 ] LDP [km]
1160 3234 2074 2154 154.21 26.439
Dall’Esercitazione precedente sono stati invece presi i dati relativi alle precipitazioni per la rico-
struzione della curva di possibilità pluviometrica con tempo di ritorno pari a 100 anni che valgono:
a n K(100)
14.282 0.4841 2.26325
8.1 Calcolo del tempo di corrivazione e realizzazione dello ietogramma.

Il tempo di corrivazione viene ricavato utilizzando la formula di Giandotti
√
4 A + 1.5L
tc = √
0.8 Hmedia − Hmin
e andando a sostituire i valori otteniamo che vale 3.54 ore. Considerando quindi una partizione di tale
tempo in m = 10 intervalli si ricavano le altezze di pioggia con tempo di ritorno di 100 anni e durata
pari agli m sottomultipli del tempo di corrivazione:
hj = KT =100 a tnj
con:
tj = ∆t j
34
dove:
tc
∆t =
m
Lo ietogramma di progetto è quindi direttamente ricavabile ponendo come intensità di precipitazione
nell’intervallo j la quantità:
hj − hj−1
tj =
∆t
il cui grafico è riportato in figura (vedi figura 31).
Figura 31: Ietogramma di progetto
8.2 Curve ipsografica, ipsometrica e area-tempi.

Si vanno dunque ad analizzare le caratteristiche del bacino determinanti gli afflussi ovvero si passa
alla determinazione della curva aree-tempi in cui si racchiudono le informazioni riguardo le aree con-
tribuenti al deflusso nel generico istante di tempo: per far ciò si parte dai dati dell’”Atlante dei bacini
imbriferi piemontesi” per costruire la curva ipsografica e la curva ipsometrica. In figura 32 è riportata
la curva ipsografica, che ha in ascisse l’area sovrastante as , calcolata come frazione dell’area totale, e
in ordinate la quota.
In figura 33 è riportata invece la curva ipsometrica, che altro non è che la curva ipsografica
adimensionalizzata. Nelle ordinate è infatti riportata la quantità:
z − zmin
ζ=
zmax − zmin
Si può notare anche come i due grafici presentino la stessa forma e lo stesso andamento.
Non essendo quindi possibile rifarsi ad una formulazione analitica di tali curve, stante la necessità
di andare ad individuare gli m quantili della curva ipsometrica, si deve procedere per interpolazione
lineare. Per non eseguire tale procedura per via grafica con il rischio conseguente di grossolane appros-
simazioni, si opera per regressione lineare utilizzando il comando di matlab [p, S] = polyf it(x, y, n)
annidato all’interno di un ciclo for e andando ad approssimare la curva ad una spezzata per poi
calcolare il valore adimensionale dell’area sovrastante ogni 10% di quota e quindi l’area sottostante
(contribuente) come complemento della prima all’area totale del bacino. In accordo con l’ipotesi che
le isocorrive possano approssimarsi alle isoipse (ovvero che il tempo di corrivazione delle singole aree
35
Figura 32: Curva ipsografica
Figura 33: Curva ipsometrica
36
dipenda esclusivamente dalle differenze di quota) è quindi immediato ottenere la curva aree-tempi (vedi
figura 34) in cui in ascissa si riportano i tempi di corrivazione tj e in ordinata l’area aj il cui tempo di
corrivazione è minore o uguale a t. La funzione ha quindi un andamento monotono crescente e aj ed
tj rispondono alle seguenti formulazioni:
aj = A(1 − xj )
tj = ζj tc
Figura 34: Curva area-tempi
8.3 Idrogramma unitario e Idrogramma di piena.

Facendo le differenze fra i valori successivi di aj e dividendole per l’area del bacino A si ottiene:
aj − aj − 1
Uj =
A
e diagrammando in funzione di tj si ha l’idrogramma unitario (vedi figura 35):
Andando quindi ad ottenere in forma adimensionalizzata l’incremento di area contribuente Uj ad
ogni step temporale, si può applicare la formula razionale per ottenere la portata per unità di area del
bacino:
qk = sumkj=1 tj Uk−j+1
Effettuando la convoluzione di tale formula ovvero sommando tutti i contributi relativi alle aree
contribuenti nei singoli step temporali si opera semplicemente la trasformazione:
A
Qk = qk Ψ
3.6
con Ψ posto in prima approssimazione unitario. Andando a riferire le portate Qk al tempo loro
associato si ottiene l’idrogramma di piena riportato in figura (vedi figura 36).
37
Figura 35: Idrogramma unitario
Figura 36: Idrogramma di piena
38
9 Ricostruzione di un idrogramma di piena con il metodo cinematico

con rimozione ipotesi di terreno impermeabile.
Tale esercitazione è una sorta di ripetizione della Esercitazione precedente in cui si applica il metodo
cinematico con schema della convoluzione a partire da uno ietogramma di progetto, ma rimuovendo
l’ipotesi di bacino impermeabile. A tal fine si userà il metodo SCS-CN. Questo modello prescinde dalla
reale evoluzione del tasso di infiltrazione durante l’evento ed è basato su formulazioni empiriche che
trovano scarse basi teoriche ma risultano comunque di comprovata efficacia. Il metodo elaborato dal
Soil Conservation Service, detto Curve Number, assume che la prima parte della precipitazione finisca
interamente infiltrata nel terreno. Questa quantità è assunta pari al 20% della massima capacità di
ritenzione del terreno S. Quest’ultima è inoltre ottenuta per mezzo della valutazione del Curve Number,
numero che ingloba la valutazione dei fattori che influenzano l’infiltrazione quali le condizioni di umidità
all’inizio dell’evento e l’uso del suolo che ne determina la capacità di infiltrazione e di conseguenza la
capacità di generare deflusso (detto talvolta anche ruscellamento superficiale).

100
S = 254 −1
CN
Ia = 0.2 S
L’indice CN è un numero adimensionale compreso tra 0 e 100 i cui valori sono tabulati in funzione della
tipologia di suolo. SCS ha classificato i vari tipi di suolo in quattro gruppi A, B, C e D sulla base della
capacità di assorbimento del terreno nudo a seguito di prolungato adacquamento. Inoltre il metodo si
basa sulle condizioni di pioggia antecedente (AMC): in base a quanta pioggia è caduta sul bacino, il
suolo avrà un diverso stato di imbibimento, e quindi sarà più o meno propenso a generare un deflusso.
Tuttavia nella corrente esercitazione non si andranno a considerare le condizioni antecedenti poiché
useremo un pluviogramma di progetto e non un pluviogramma osservato; andremo invece ad effettuare
una scelta progettuale, se metterci in condizioni normali CN(II) o se metterci in wet conditions CN
(III). I valori dei CN sono desumibili dall’Atlantedeibaciniimbrif eripiemontesi. L’analisi delle piogge
nette secondo il metodo CN prevede un’analisi temporale step by step: infatti anzitutto si determina
il volume di pioggia lorda cumulata P fino all’istante considerato; quando risulti quindi che P sia
inferiore all’assorbimento iniziale I0 non si ha alcun deflusso superficiale mentre quando P sia maggiore
è possibile calcolare il volume netto per mezzo della formula:
(P − Ia )2
Pe =
P − Ia + S
Calcolando tale quantità per ogni step temporale è quindi immediato ottenere le intensità nette come
rapporto incrementale della pioggia netta cumulata sul tempo.
In questa esercitazione si è preferito partire da uno ietogramma Chicago ottenuto utilizzando le intensità
ricavate nell’esercitazione precedente ponendo il valore di massimo in posizione centrale andando poi
ad alternare alla sua destra e sinistra le rimanenti cosı̀ come visibile nella figura (37):
Si applica poi l’integrale di convoluzione al fine di determinare i valori di portata ai vari intervalli
con le diverse intensità ricavate come sopra:
n
X
qk = ik−j+1 Uj
j=1
da cui è possibile ricavare il valore della portata di colmo ottenuta moltiplicando tale valore per l’area
e per il coefficiente ( nel nostro caso posto pari a 1) e rapportandolo a 3,6 per ottenere un risultato
39
Figura 37: Ietogramma Chicago
espresso in m3 /s:
A
Qk = qk Ψ
3.6
Otteniamo dunque l’idrogramma di piena netto, che verrà rappresentato in sovrapposizione all’idro-
gramma lordo (vedi figura 38) ricavato come in precedenza assumendo ancora una volta il terreno
impermeabile ma riferendosi alla nuova distribuzione temporale delle precipitazioni.
Figura 38: Idrogramma di piena con nuova distribuzione delle precipitazioni
Si riportano ora di seguito i grafici relativi allo svolgimento dell’esercitazione distinguendo i casi con
CN(medio) CN (II) e CN (III) i cui valori sono reperibili dall’Atlantedeibaciniimbrif eripiemontesi
relativamente al sito di Fenestrelle:
CN(I) CN(II) CN(III) CN(medio)

49.3 68.3 83.3 66.96
40
9.1 CN(medio)
A partire dal nuovo ietogramma si può andare a ricavare quello netto considerando il volume di
pioggia lorda cumulata a partire dal momento in cui essa supera il valore di assorbimento iniziale.
Cosı̀ facendo si va a considerare solamente quella quota che effettivamente va a generare un deflusso
superficiale e che divisa per l’intervallo i-esimo ci dà l’intensità netta (vedi figura 39).
Figura 39: Ietogramma netto con CN(medio)
Con il procedimento prima enunciato si risale dunque all’idrogramma di piena netto(vedi figura
40) dal cui confronto con quello lordo emerge che:
• il picco risulta sensibilmente inferiore a causa dei fenomeni di assorbimento ad opera del suolo;
• il picco risulta spostato verso destra e quindi si verifica per tempi maggiori.
Figura 40: Confronto fra l’idrogramma lordo e quello netto ricavato assumendo CN(medio)
41
9.2 CN(II)-Normal condition

Si effettua lo stesso procedimento andando a variare solamente il coefficiente CN che essendo simile
a quello medio non porta a una sostanziale variazione dell’andamento come si può evincere dalle figure
successive (figura 41 e figura 42):
Figura 41: Ietogramma netto con CN(II)
Figura 42: Confronto fra l’idrogramma lordo e quello netto ricavato assumendo CN(II)
9.3 CN(III)-Wet condition

In quest’ultimo caso analizzato con l’adozione di CN(III), che fa riferimento ad un suolo bagnato,
si ha una diminuzione della capacità di assorbimento ad opera del suolo con conseguente aumento
del fenomeno di ruscellamento superficiale. Partendo dal nuovo ietogramma (vedi figura 43)si ottiene
l’andamento visibile in figura (44) per il quale:
• il picco risulta più alto e in una posizione più simile a quella dell’idrogramma lordo;
• la diminuzione della forbice tra l’idrogramma netto e quello lordo evidenzia la minore quantità
di pioggia infiltrata nel terreno e che quindi non genera deflusso.
42
Figura 43: Ietogramma netto con CN(III)
Figura 44: Confronto fra l’idrogramma lordo e quello netto ricavato assumendo CN(III)
Nella tabella che segue si riportano ai fini di un confronto i valori di portata di picco Q[m3 /s] per i
cinque idrogrammi ottenuti a partire dagli ietogrammi di partenza e Chicago con assunzione di suolo
impermeabile e con la rimozione dell’ipotesi di impermeabilità facendo variare CN:
Caso Portata di picco [m3 /s] tempo [h]
Suolo impermeabile, ietogramma di partenza 922.65 2.48
Suolo impermeabile, ietogramma Chicago 997.83 3.54
Suolo permeabile, ietogramma Chicago e CN(medio) 140.39 4.25
Suolo permeabile, ietogramma Chicago e CN(II) 156.76 4.25
Suolo permeabile, ietogramma Chicago e CN(III) 467.04 3.89
In definitiva possiamo dire che:
• Tanto più il valore di CN è prossimo allo zero tanto più si ha un terreno capace di assorbire le
precitazioni e diminuisce il fenomeno del ruscellamento;
• Al crescere di CN il picco di piena aumenta, si verifica per tempi inferiori e la campana risulta
meno schiacciata tendendo alla condizione di idrogramma lordo.
43
10 Valutazione dell’infiltrazione con il metodo Green-Ampt.

La seguente esercitazione ha come scopo quello di determinare l’evoluzione dell’infiltrazione cumu-
lata (F) e del tasso di infiltrazione (f) entro le prime tre ore di una pioggia con intensità w costante
pari a 20 mm/h, per un terreno limoso ed uno argilloso (le cui caratteristiche sono riportate in tabella)
caratterizzati da un grado di saturazione iniziale del 30%. Viene inoltre richiesto di valutare cosa
accade dopo la terza ora quando l’intensità di pioggia si riduce a 5 mm/h (vedi figura 45).
Figura 45: Confronto fra l’idrogramma lordo e quello netto ricavato assumendo CN(III)
Tipo di suolo Limo Argilla

Porosità (n,θs ) 0.486 0.385
Contenuto d’acqua iniziale θi 0.146 0.116
∆θ 0.340 0.270
Potenziale di suzione Ψ [mm] 166.8 316.3
Conducibilità saturazione Ks [mm/k] 6.5 0.3
Una volta valutato il ∆θ come differenza tra il contenuto d’acqua a saturazione e quello iniziale, è
possibile determinare il tempo di ponding, ossia il tempo che intercorre tra l’inizio della precipitazione
e l’inizio del deflusso superficiale, tramite la seguente formula:
Ks Ψ∆θ
tp =
w(w − Ks )
A tale istante l’altezza di acqua infiltrata, Fp , può essere valutata come:
Fp = w tp
Questo valore è necessario per calcolare l’evolversi di F in funzione del tempo t per istanti successivi
al tempo di ponding. A tal fine si utilizza la formula:

Ψ∆θ + F
F = Fp + Ks (t − tp ) + Ψ∆θ ln
Ψ∆θ + Fp
Poiché F compare in entrambi i membri, bisogna utilizzare il metodo delle successive sostituzioni,
utilizzando un valore di primo tentativo pari ad esempio a Fp , e arrestando il processo quando due
44
successivi valori di F differiscono di un valore che chiameremo tolleranza. In questa esercitazione

abbiamo assunto la tolleranza pari ad un millesimo del valore delle due intensità di precipitazione. Il
passo temporale utilizzato nel calcolo è stato di 0,5 h fino ad arrivare a un tempo di 6 ore. Per ogni F
calcolata possiamo ricavare il corrispondente tasso di infiltrazione, f, tramite la formula:

Ψ∆θ
f = Ks +1
F
A partire dalla procedura generale descritta vediamo in dettaglio i due casi trattati:
10.1 Limo.
Calcoliamo il tempo di ponding e il corrispondente valore di acqua infiltrata tramite le formule
sopra citate:
tp [h] Fp [mm]
1.37 27.32
A questo punto calcoliamo l’infiltrazione cumulata con la formula sopra vista a partire da un
tempo di 1,5h (ovvero il primo tempo di riferimento successivo al punto di ponding) con un intervallo
temporale ∆t = 0,5h, arrivando al tempo t = 3h nel quale c’è la variazione di intensità. Il valore di
infiltrabilità ricavato per t = 3h (13,44 mm/h) risulta maggiore della nuova intensità di precipitazione,
pari a 5 mm/h. Ne segue che il tasso d’infiltrabilità reale coinciderà da questo istante in poi, con il
valore di w. Invece per il calcolo di F, non si farà più riferimento all’equazione finora utilizzata, ma
semplicemente esso sarà uguale a:
Fi = Fi−1 + ∆tw
Gli andamenti dell’infiltrazione cumulata F e del tasso di infiltrazione f sono riportati nelle figure (46)
e (47).
Figura 46: Andamento dell’infiltrazione cumulata per il terreno limoso
10.2 Argilla.
Procediamo in maniera analoga per il terreno argilloso calcolando il tempo di ponding e il corri-
spondente valore di altezza di acqua infiltrata:
45
Figura 47: Andamento del tasso di infiltrazione per il terreno limoso
tp [h] Fp [mm]
0.06 1.30
A questo punto calcoliamo l’infiltrazione cumulata con la solita formula utilizzando lo stesso passo
temporale ma partendo da un tempo di 0,5h fino al momento in cui avviene la variazione di intensità.
Il valore di infiltrabilità ricavato per t = 3h (2,30 [mm/h]) risulta stavolta minore della nuova intensità
di precipitazione, pari a 5 [mm/h]. Ne segue che il tasso d’infiltrabilità reale continuerà a coincidere
con il tasso d’infiltrabilità potenziale, pertanto, utilizzando le stesse equazioni, si trovano i valori di F
ed f anche per i successivi tempi fino ad arrivare a t = 6h e si ottiene (vedi figura 48 e figura 49):
Figura 48: Andamento dell’infiltrazione cumulata per il terreno argilloso
46
Figura 49: Andamento del tasso di infiltrazione per il terreno argilloso
11 Modello di infiltrazione di Horton.

Si consideri il modello di infiltrazione di Horton con parametri f0 =40 [mm/h], f1 =3 [mm/h] e k =
1.2 [h−1 ]. Si prenda in considerazione un pluviogramma di durata complessiva pari a 6 ore costituito da
due eventi parziali rettangolari, di tre ore ognuno, le cui intensità siano 12 [mm/h] e [25 mm/h]. In un
primo esempio si cominci con l’intensità minore delle due. Nell’altro si inizi con l’intensità maggiore.
Si calcoli e si disegni l’andamento del deflusso superficiale conseguente all’infiltrazione. Si calcoli poi,
nei due casi, il coefficiente di deflusso Ψ ottenuto per tutto l’evento.
11.1 Caso A: w1 =12 [mm/h] - w2 =25 [mm/h]:

In questo primo caso si considera un’intensità iniziale pari a 12 [mm/h] per le prime tre ore che
cresce a 25 [mm/h] fino alla fine dell’evento (vedi figura 50).
Figura 50: Ietogramma caso A
47
Confrontando il valore di f0 con w1 si vede che quest’ultimo è minore, il che implica che non
possiamo percorrere la curva f( t), bensı̀ dobbiamo procedere con intensità costante, pari a w1 , fino ad
arrivare al tempo di ponding tp che può essere calcolato tramite la seguente formula:

f0 − w f1 w − f1
tp = − ln
kw kw f0 − f1
Sostituendo nella formula i dati del problema otteniamo un valore del tp pari a 2.24h che, essendo
minore del tempo di durata della pioggia, ci permette di applicare con facilità l’equazione di fc (t)
del modello di Horton: infatti, dal tempo di ponding in avanti, è possibile percorrere la curva fc (t)
”shiftata” di una quantità pari a t − tp . Il valore di fc in corrispondenza di t=3h sarà quindi una
quantità, che chiamiamo fc0 in accordo con la teoria vista a lezione, deducibile dalla seguente formula:
0
fc0 (t0 ) = f1 + (f00 − f1 ) expkt
ove f00 è pari all’intensità di pioggia w1 , che costituisce una sorta di nuova condizione iniziale per t = tp .
Tra le 3 e le 6 ore, invece, interviene la precipitazione di intensità w2 . Confronto w2 con fc0 , e trovo
che l’intensità di pioggia è maggiore del tasso di infiltrazione in corrispondenza delle 3 ore, quindi
posso percorrere la curva fc (t) ”shiftata” stavolta di una quantità pari a t-3h. Seguendo lo stesso
procedimento visto poc’anzi, si ricava un valore del tasso di infiltrazione f c00 in corrispondenza delle 6
ore dove stavolta la nuova condizione iniziale, f 00 , è pari al valore di fc in corrispondenza delle 3 ore.
Svolgendo i calcoli con un ciclo in maltab si ottengono i valori della curva di fc per tutti gli intervalli
temporali otteniamo i seguenti valori:
t[h] 0 0.5 1 1.5 2 2.24 2.5 3

fc (t)[mm/h] 12.00 12.00 12.00 12.00 12.00 12.00 9.58 6.61
t[h] 3 3.5 4 4.5 5 5.5 6
fc (t)[mm/h] 6.61 4.98 4.09 3.60 3.33 3.18 3.10
E’ da notare come prima del tempo di ponding i valori di tale curva coincidono con w1 . L’an-
damento della funzione fc (t) viene rappresentato (vedi figura 51) in sovrapposizione alle intensità di
precipitazione e all’andamento dell’infiltrazione potenziale.
Figura 51: Andamento della funzione fc (t) per il caso A in sovrapposizione alle precipitazioni e all’infiltrazione
potenziale
48
E’ utile sottolineare come la differenza fra la linea rossa e quella blù rappresenti il volume di deflusso
superficiale. Abbiamo ora tutti i dati per calcolare il volume di acqua infiltrata, necessario per ricavare
il valore del coefficiente di deflusso Ψ e l’andamento del deflusso superficiale. A tal fine si utilizza la
formula seguente:
(f0 − f1 ) h i
Fc (t) = f1 t + 1 − exp−kt
k
dove f0 e t vanno di volta in volta cambiati, in accordo a quanto visto prima nei riguardi del tasso di
infiltrazione. Fino al tempo di ponding il volume di acqua infiltrato è pari al prodotto dell’intensità di
pioggia per tp e valori calcolati sono:
t [h] 0 t ≤ tp tp < t ≤ 3 3<t≤6

Fc (t)[mm] 0 26.87 6.77 11.93
Dunque alla fine dell’evento di pioggia il volume totale d’acqua infiltrata sarà pari alla somma dei
tre valori appena ricavati:
t [h] 0 tp =2.24 3 6
Fc (t)[mm] 0 26.87 33.64 45.57
cosı̀ che l’andamento che ne deriva è quello riportato nella figura (52):
Figura 52: Andamento della funzione Fc (t) per il caso A
Il coefficiente di deflusso Ψ può essere dunque calcolato per mezzo della seguente formula:
h6,T − Fc (T = 6h)
Ψ=
h6,T
con:
h6,T = w1 t1 + w2 t2
t6,T [mm] Fc (6h) [mm] Ψ [−]

111 45.57 0.59
Per quanto concerne l’andamento del deflusso superficiale, basta semplicemente sottrarre, per cia-
scun intervallo cronologico di riferimento la differenza tra il volume di pioggia caduta e il volume di
acqua infiltrata e si ottiene:
49
t [h] 0 0.5 1 1.5 2 2.24 2.5 3

R(t) [mm/h] 0 0 0 0 0 0 2.42 5.39
t[h] 3 3.5 4 4.5 5 5.5 6
R(t) [mm/h] 18.38 20.02 20.91 21.40 21.67 21.82 21.9
il cui andamento è riportato in figura (53):
Figura 53: Andamento del deflusso superficiale in mm/h per il caso A
Il deflusso superficiale può anche essere in [mm] come differenza tra il volume di pioggia caduto e
il volume infiltrato per i tre intervalli presi in considerazione per la Fc (t):
t [h] 0 t ≤ tp tp < t ≤ 3 3<t≤6

R(t) [mm] 0 0 2.36 63.07
andando a sommare i valori si ottiene che il deflusso superficiale complessivo vale 65.43 mm e ha
l’andamento espresso in figura (54):
t [h] 0 tp = 2.24 3 6
R(t) [mm] 0 0 2.36 65.43
11.2 Caso B: w1 =25 [mm/h] - w2 =12 [mm/h]:

In questo secondo caso si vuole ripetere il procedimento andando ad invertire le intensità di pre-
cipitazione e considerando, come visibile nello ietogrmma (vedi figura 55), un andamento decrescente
nel tempo:
50
Figura 54: Andamento del deflusso superficiale in mm/h per il caso A
Figura 55: Ietogramma caso B
51
Come nel caso A, si parte confrontando il valore di f0 con w1 , e poiché si ha nuovamente che il
primo è il maggiore dei due, si dovrà partire con intensità costante fino al tempo di ponding che vale
0.55h. Ancora in analogia a quanto visto dal tempo di ponding in avanti è possibile percorrere la curva
fc (t) “shiftata” di una quantità pari a t − tp e si ottiene (vedi figura 56):
t[h] 0 0.5 0.55 1 1.5 2 2.5 3

fc (t)[mm/h] 25.00 25.00 25.00 15.85 10.05 6.87 5.12 4.17
t[h] 3 3.5 4 4.5 5 5.5 6
fc (t)[mm/h] 4.17 3.64 3.35 3.19 3.11 3.06 3.03
Figura 56: Andamento della funzione fc (t) per il caso B in sovrapposizione alle precipitazioni e all’infiltrazione
potenziale
Fino al tempo di ponding il volume di acqua infiltrato è pari al prodotto dell’intensità di pioggia
per tp ; per t > tp si utilizza la formula vista nel caso A:
t [h] 0 t ≤ tp tp < t ≤ 3 3<t≤6

Fc (t)[mm] 0 13.80 24.71 9.94
Alla fine dell’evento di pioggia il volume totale d’acqua infiltrata sarà pari alla somma dei tre valori
appena ricavati:
t [h] 0 tp =0.55 3 6
Fc (t)[mm] 0 13.80 38.51 48.45
cosı̀ che l’andamento che ne deriva è quello riportato nella figura (57):
Sulla base del volume di precipitazione e di quello infiltrato si calcola come già visto il coefficiente
di deflusso Ψ:
t6,T [mm] Fc (6h) [mm] Ψ [−]

111 48.45 0.56
Sottraendo per ciascun intervallo cronologico di riferimento la differenza tra il volume di pioggia
caduta e il volume di acqua infiltrata e si ottiene il deflusso superficiale:
52
Figura 57: Andamento della funzione Fc (t) per il caso B
t [h] 0 0.5 0.55 1 1.5 2 2.5 3

R(t) [mm/h] 0 0 0 9.14 14.95 18.13 19.88 20.83
t[h] 3 3.5 4 4.5 5 5.5 6
R(t) [mm/h] 7.83 8.36 8.65 8.81 8.89 8.94 8.97
il cui andamento è riportato in figura (58):
Figura 58: Andamento del deflusso superficiale in mm/h per il caso B
Esprimedolo in [mm] come differenza tra il volume di pioggia caduto e il volume infiltrato per i tre
intervalli presi in considerazione per la Fc (t) si ottiene:
t [h] 0 t ≤ tp tp < t ≤ 3 3<t≤6

R(t) [mm] 0 0 36.49 26.06
andando a sommare i valori si ottiene che il deflusso superficiale complessivo vale 62.55 mm e ha
l’andamento espresso in figura (59):
t [h] 0 tp = 0.55 3 6
R(t) [mm] 0 0 36.49 62.55
53
Figura 59: Andamento del deflusso superficiale in mm/h per il caso B
54
Parte 1
close all;
clear all;
clc;
%% San Germano Chisone
%% Import dati
sm = importdata('Dati_S.martino.txt')';
sm_anni = sm(1,:);
sm_anni_comp = [sm_anni(1):sm_anni(end)];
sm_mm = zeros(1,length(sm_anni_comp));
sm_anni_comp = [sm_anni_comp;sm_mm];
%% Castruzione istagramma serie
for i=1:length(sm_anni_comp);
for j=1:length(sm_anni);
if sm_anni_comp(1,i) == sm_anni(j);
sm_anni_comp(2,i) = sm(2,j);
end
end
end
figure
bar(sm_anni_comp(1,:),sm_anni_comp(2,:),'r');
grid on;
xlabel('Anni');
ylabel('Portata [m^3/s]');
%title('\it Diagramma Cronologico della Serie');
ylim([0 1600]);
%% Diagramma a Punti
sm_anni_comp_2 = zeros(1,length(sm_anni_comp));
sm_anni_comp_2 = [sm_anni_comp_2;sm_anni_comp(2,:)];
figure
a =
scatter(sm_anni_comp(2,:),sm_anni_comp_2(1,:),50,'d','MarkerFaceColor','r','MarkerE
dgeColor','k');
grid on;
xlabel('it\itPortata [m^3/s]');
axis([0 1600 -0.1 0.1]);
%title('\it Diagramma a Punti');
%% Frequenza Assoluta
a = length(sm);
N1 = floor(1+3.3*log10(a));
a = sort(sm(2,:));
b = (a(end)-a(1))/N1;
c = [a(1):b:a(end)];
d = zeros(1,N1);
e = (1:1:N1);
for j=1:N1;
for i=1:length(a);
if a(i)<=c(j+1)&a(i)>=c(j);
d(j)= d(j)+1;
end
end
end
figure
bar(e,d,'r');
grid on;
xlabel('Classi');
ylabel('Frequenze Assolute');
%title('\itDiagramma delle Frequenze Assolute');
%% Frequenza Relativa
d1 = d/length(a);
figure
bar(e,d1,'r');
grid on;
xlabel('Classi');
ylabel('Frequenze Relative');
%title('\itDiagramma delle Frequenze Relative');
%% Calcolo valori statistici
media_sm = mean(a);
varianza_sm_camp = var(a,1);
varianza_sm_camp_ind = var(a);
sm_sqm = std(a);
sm_s = sqrt(varianza_sm_camp_ind);
t = 0;
for i=1:length(a)
t1 = (a(i)-media_sm)^3;
t = t+t1;
end
sm_asimm = ((1/length(a))*t)/(sm_s^3);
sm_asimm_ind = ((length(a))/((length(a)-1)*(length(a)-2))*t)/(sm_s^3);
%% Costruzione diagramma frequenze cumulate
f = (1:1:length(a));
g = f./length(a);
figure
plot(a,g,'r','linewidth',1.5);
grid on;
xlabel('Portata [m^3/s]');
ylabel('i/n');
%title('\itDiagramma delle Frequenze Cumulate');
%% Pragelato
%% Import dati
p = importdata('Dati_Pragelato.txt')';
p_anni = p(1,:);
p_anni_comp = [p_anni(1):p_anni(end)];
p_mm = zeros(1,length(p_anni_comp));
p_anni_comp = [p_anni_comp;p_mm];
%% Castruzione istagramma serie
for i=1:length(p_anni_comp);
for j=1:length(p_anni);
if p_anni_comp(1,i) == p_anni(j);
p_anni_comp(2,i) = p(2,j);
end
end
end
figure
bar(p_anni_comp(1,:),p_anni_comp(2,:),'b');
grid on;
xlabel('Anni');
ylabel('h [mm]');
%title('\itDiagramma Cronologico della Serie');
ylim([0 150]);
%% Diagramma a Punti
p_anni_comp_2 = zeros(1,length(p));
p_anni_comp_2 = [p_anni_comp_2;p(2,:)];
figure
a =
scatter(p(2,:),p_anni_comp_2(1,:),50,'d','MarkerFaceColor','b','MarkerEdgeColor','k
');
grid on;
xlabel('Anni');
axis([0 150 -0.1 0.1]);
ylabel('h [mm]');
%title('\itDiagramma a Punti');
%% Frequenza Assoluta
a = length(p);
N2 = floor(1+3.3*log10(a));
a = sort(p(2,:));
b = (a(end)-a(1))/N2;
c = [a(1):b:a(end)];
d = zeros(1,N2);
e = (1:1:N2);
for j=1:N2;
for i=1:length(a);
if a(i)<=c(j+1)&a(i)>=c(j);
d(j)= d(j)+1;
end
end
end
figure
bar(e,d,'b');
grid on;
xlabel('Classi');
ylabel('Frequenze Assolute');
%title('\itDiagramma Frequenze Assolute');
ylim([0 11]);
%% Frequenza Relativa
d1 = d/length(a);
figure
bar(e,d1,'b');
grid on;
xlabel('Classi');
ylabel('Frequenze Relative');
%title('\itDiagramma Frequenze Relative');
%% Calcolo valori statistici
media_p = mean(a);
varianza_p_camp = var(a,1);
varianza_p_camp_ind = var(a);
p_sqm = std(a);
p_s = sqrt(varianza_p_camp_ind);
t = 0;
for i=1:length(a)
t1 = (a(i)-media_p)^3;
t = t+t1;
end
p_asimm = ((1/length(a))*t)/(p_s^3);
p_asimm_ind = ((length(a))/((length(a)-1)*(length(a)-2))*t)/(p_s^3);
%% Costruzione diagramma frequenze cumulate
f = (1:1:length(a));
g = f./length(a);
figure
plot(a,g,'b','linewidth',1.5);
grid on;
xlabel('h [mm]');
ylabel('i/n');
%title('\itDiagramma Frequenze Cumulate');
Parte 2
clc;
close all;
clear all;
prec = importdata('Dati SM.txt');

w = 1;
v = 1;
anno = zeros(1,33);
portata = zeros(1,33);
for i=1:66;
if mod(i,2)==0;
portata(w)= prec(i);
w = w+1;
else
anno(v) = prec(i);
v = v+1;
end
end
%% Punto 1
portata_2 = sort(portata);
indice = (1:33);
n = length(portata);
for i=1:length(portata)
f(i)=i/(n+1);
end
media = mean(portata);
sqm = std(portata);
ncdf = normcdf(portata_2,media,sqm);
figure
scatter(portata_2,f,50,'d','MarkerFaceColor','r','MarkerEdgeColor','k');
hold on;
grid on;
plot(portata_2,ncdf,'b','linewidth',2);
% title('\itFrequenze cumulate e CDF con distribuzione normale');
legend('Frequenze cumulate','CDF','location','southeast');
xlabel('Q [m^3/s]');
ylabel('F(i)');
%% Punto 2
a = length(portata_2);
N1 = floor(1+3.3*log10(a));
b = (portata_2(end)-portata_2(1))/N1;
c = [portata_2(1):b:portata_2(end)];
d = zeros(1,N1);
e = [210.7 210.7*2 210.7*3 210.7*4 210.7*5 210.7*6];
for j=1:N1;
for i=1:length(portata_2);
if portata_2(i)<=c(j+1)&portata_2(i)>=c(j);
d(j)= d(j)+1;
end
end
end
d1 = d/length(portata_2);
npdf = normpdf(portata_2,media,sqm);
figure
hold on;
grid on;
[A1,H1,H2] = plotyy(portata_2,npdf,e,d1,'plot','bar','k','linewidth',2);
xlim([0 1500]);
set(H1,'color','blue');
set(H1,'linewidth',2);
% title('\itFrequenze relative e PDF');
%% Punto 3
for i=1:length(portata_2)
u(i) = (portata_2(i)-media)/sqm;
end
invpdf = norminv(f);
figure
plot(portata_2,u,'b','linewidth',2);
hold on;
grid on;
scatter(portata_2,invpdf,50,'d','MarkerFaceColor','r','MarkerEdgeColor','k')
%title('\itRetta di distribuzione Normale e Inversa della funzione Normalizzata
Standard');
legend('u','ui','location','southeast');
%% Punto 4
N_vita_utile = 10;
Rn1 = 0.05;
T1 = 1/(1-nthroot(1-Rn1,N_vita_utile));
F1 = (T1-1)/T1;
Q1 = norminv(F1,media,sqm);
T2 = 200;
Prs2 = 1/T2;
Rn2 = [1-(1-Prs2)^10];
F2 = (T2-1)/T2;
Q2 = norminv(F2,media,sqm);
Parte 3
%% Punto 1: Stima Parametri con il metodo dei Momenti
%% Distribuzione Log-Normale
teta1_ln = log(media)-0.5*log(1+(sqm^2/media^2));
teta2_ln = sqrt(log(1+(sqm^2/media^2)));
portata_2log = log(portata_2);
media_datilog = mean(portata_2log);
scarto_datilog = std(portata_2log);
% ho usato una normale distribuzione cumulata con i valori log delle
% portate e con teta1 e teta2 calcolate come da realzione
ncdf2log = normcdf(portata_2log,media_datilog,scarto_datilog);
figure
hold on;
grid on;
plot(portata_2,ncdf2log,'b','linewidth',2);
%xlabel('Q [m^3/s]');
ylabel('F(i)');
%% Distribuzione di Gumbel
teta1_gum = media-0.5772*sqm*(sqrt(6)/pi);
teta2_gum = sqm*(sqrt(6)/pi);
F_gum(i) = exp(-exp(-(portata_2(i)-teta1_gum)/teta2_gum));
end
figure
hold on;
grid on;
plot(portata_2,F_gum,'b','linewidth',2);
% title('\itFrequenze cumulate e curva di probabilità cumulata con distribuzione di
Gumbel');
ylabel('F(i)');
%% Punto 2: Verifica grafica dell'adattamento al campione con il metodo dei

Momemnti
for i=1:length(portata_2log)
u_ln(i) = (portata_2log(i)-teta1_ln)/teta2_ln;
end
figure
semilogx(portata_2,u_ln,'b','linewidth',2);
hold on;
grid on;
% title('\itDARE TITOLO');
u_g(i) = ((portata_2(i)-teta1_gum)/teta2_gum);
end
x_gum(i) = teta1_gum-teta2_gum*log(-log(f(i)));
end
u_gum(i) = (x_gum(i)-teta1_gum)/teta2_gum;
end
figure
plot(portata_2,u_g,'b','linewidth',2);
hold on;
grid on;
scatter(portata_2,u_gum,50,'d','MarkerFaceColor','r','MarkerEdgeColor','k')
% title('\itDARE TITOLO');
%% Punto 3: stima delle portate di progetto per t = 50,100,20
tempo = [50,100,200];
for i=1:length(tempo)
F(i) = (tempo(i)-1)/tempo(i);
end
Q_ln(i) = norminv(F(i),teta1_ln,teta2_ln);
Q_ln(i) = exp(Q_ln(i));
end
%% Distribuzione Gumbel
Q_gum(i) = teta1_gum-teta2_gum*(log(log(1/F(i))));
end
Parte 4
%% Punto 1 Stima Parametri con gli L-momenti
b0ln = (1/n)*(sum(portata_2log));
b1ln(i) = ((i-1)*portata_2log(i))/(n-1);
end
b1ln = sum(b1ln);
b1ln = (1/n)*b1ln;
L1ln = b0ln;
L2ln = 2*b1ln-b0ln;
teta1_lnl = L1ln;
teta2_lnl = sqrt(pi)*L2ln;
ncdf2logl = normcdf(portata_2log,teta1_lnl,teta2_lnl);
figure
hold on;
grid on;
plot(portata_2,ncdf2logl,'b','linewidth',2);
%title('\itDARE TITOLO');
b0g = (1/n)*sum(portata_2);
b1g(i) = ((i-1)*portata_2(i))/(n-1);
end
b1g = sum(b1g);
b1g = (1/n)*b1g;
L1g = b0g;
L2g = 2*b1g-b0g;
teta2_g = L2g/(log(2));
teta1_g = L1g-0.5772*teta2_g;
F_gumg(i) = exp(-exp(-(portata_2(i)-teta1_g)/teta2_g));
end
figure
hold on;
grid on;
plot(portata_2,F_gumg,'b','linewidth',2);
%% Punto 2: Verifica grafica dell'adattamento al campione con gli L-mom
%%Distribuzione Log-Normale
u_lnl(i) = (portata_2log(i)-teta1_lnl)/teta2_lnl;
end
figure
semilogx(portata_2,u_lnl,'b','linewidth',2);
hold on;
grid on;
u_gl(i) = ((portata_2(i)-teta1_g)/teta2_g);
end
x_guml(i) = teta1_g-teta2_g*log(-log(f(i)));
end
u_guml(i) = (x_guml(i)-teta1_g)/teta2_g;
end
figure
plot(portata_2,u_gl,'b','linewidth',2);
hold on;
grid on;
scatter(portata_2,u_guml,50,'d','MarkerFaceColor','r','MarkerEdgeColor','k')
%% Punto 3: Stima delle portate di progetto su entrambe le distribuzioni

% con L-mom per tutti i tempi di ritorno
Q_lnl(i) = norminv(F(i),teta1_lnl,teta2_lnl);
Q_lnl(i) = exp(Q_lnl(i));
end
Q_guml(i) = teta1_g-teta2_g*(log(log(1/F(i))));
end
%% Punto 4: Stima dei parametri della distribuzione GEV con metodo L-mom
b0_GEV = b0g;
b1_GEV = b1g;
b2_GEV(i) = ((i-1)*(i-2)*portata_2(i))/((n-1)*(n-2));
end
b2_GEV = sum(b2_GEV);
b2_GEV = (1/n)*b2_GEV;
L1_GEV = b0_GEV;
L2_GEV = 2*b1_GEV-b0_GEV;
L3_GEV = 6*b2_GEV-6*b1_GEV+b0_GEV;
tao3 = L3_GEV/L2_GEV;
c_GEV = (2/(3+tao3))-(log(2)/log(3));
teta3_GEV = 7.8590*c_GEV+2.9554*(c_GEV)^2;
teta2_GEV = (teta3_GEV*L2_GEV)/((1-2^(-teta3_GEV))*(gamma(1+teta3_GEV)));
teta1_GEV = L1_GEV-((teta2_GEV/teta3_GEV)*(1-(gamma(1+teta3_GEV))));
if teta3_GEV==0;
y(i) = (portata_2(i)-teta1_GEV)/teta2_GEV;
else
y(i) = -teta3_GEV^(-1)*(log(1-teta3_GEV*(portata_2(i)-
teta1_GEV)/teta2_GEV));
end
end
%CDF
F_GEV(i) = exp(-exp(-y(i)));
end
%PDF
f_GEV(i) = (1/teta2_GEV)*exp(-(1-teta3_GEV)*y(i)-exp(-y(i)));
end
if teta3_GEV==0;
x_GEV(i) = teta1_GEV-teta2_GEV*log(-log(F_GEV(i)));
else
x_GEV(i) = teta1_GEV+(teta2_GEV*(1-((-log(f(i)))^(teta3_GEV)))/teta3_GEV);
end
end
figure
hold on;
grid on;
plot(portata_2,F_GEV,'b','linewidth',2);
legend('Frequenze cumulate','CDF-GEV','location','southeast');
%% Punto 5: Verifica grafica adattamento campione delle funzioni di

%%probabilità GEV con parametri stimati con il metodo degli L-momemnti
%%usando la relativa carta probabilistica
u_GEV(i) = (portata_2(i)-teta1_GEV)/teta2_GEV;
end
ui_GEV(i) = (x_GEV(i)-teta1_GEV)/teta2_GEV;
end
figure
scatter(portata_2,ui_GEV,50,'d','MarkerFaceColor','r','MarkerEdgeColor','k');
hold on;
grid on;
plot(portata_2,u_GEV,'b','linewidth',2);
%% Punto 6: Stima delle portate di progetto
Q_GEV(i) = teta1_GEV+(teta2_GEV*(1-((-log(F(i)))^(teta3_GEV)))/teta3_GEV);
end
Parte 5
%% Punto 1: Test di Pearson
%Distribuzione Log-Normale
k = round(2*n^0.4);
p_i = 1/k;
sudd = [0:p_i:1];
cont_ln = zeros(1,k);
for i=1:length(sudd)
val_log(i) = norminv(sudd(i),teta1_lnl,teta2_lnl);
end
val_log(1) = [];
val_log(end) = [];
val1 = exp(val_log);
sudd_ln = [portata_2(1),val1,portata_2(end)];
for j=1:k;
if portata_2(i)<=sudd_ln(j+1)&portata_2(i)>=sudd_ln(j);
cont_ln(j)= cont_ln(j)+1;
end
end
end
for j=1:length(cont_ln);
chiq_ln(j) = (cont_ln(j)-n*p_i)^2/(n*p_i);
end
chiq_ln = sum(chiq_ln);
s = 2;
f_ln = k-s-1;
% da tabella
chiq_confr_ln = 11.1;
if chiq_ln<chiq_confr_ln;
fprintf('Test di Pearson: distr Log-Normale idonea\n');
else
fprintf('Test di Pearson: distr Log-Normale NON idonea\n');
end
%Distribuzione Gumbel
cont_gum = zeros(1,k);
val_gum(i) = teta1_g-teta2_g*(log(-log(sudd(i))));
end
val_gum(1) = [];
val_gum(end) = [];
sudd_gum = [portata_2(1),val_gum,portata_2(end)];
for j=1:k;
if portata_2(i)<=sudd_gum(j+1)&portata_2(i)>=sudd_gum(j);
cont_gum(j)= cont_gum(j)+1;
end
end
end
for j=1:length(cont_gum);
chiq_gum(j) = (cont_gum(j)-n*p_i)^2/(n*p_i);
end
chiq_gum = sum(chiq_gum);
s = 2;
f_ln = k-s-1;
% da tabella
chiq_confr_gum = 11.1;
if chiq_gum<chiq_confr_gum;
fprintf('Test di Pearson: distr Gumbel idonea\n');
else
fprintf('Test di Pearson: distr Gumbel NON idonea\n');
end
%Distribuzione GEV
cont_GEV = zeros(1,k);
val_GEV(i) = teta1_GEV+(teta2_GEV*(1-((-
log(sudd(i)))^(teta3_GEV)))/teta3_GEV);
end
val_GEV(1) = [];
val_GEV(end) = [];
sudd_GEV = [portata_2(1),val_GEV,portata_2(end)];
for j=1:k;
if portata_2(i)<=sudd_GEV(j+1)&portata_2(i)>=sudd_GEV(j);
cont_GEV(j)= cont_GEV(j)+1;
end
end
end
for j=1:length(cont_GEV);
chiq_GEV(j) = (cont_GEV(j)-n*p_i)^2/(n*p_i);
end
chiq_GEV = sum(chiq_GEV);
s = 3;
f_ln = k-s-1;
% da tabella
chiq_confr_GEV = 9.49;
if chiq_GEV<chiq_confr_GEV;
fprintf('Test Pearson: distr GEV idonea\n');
else
fprintf('Test Pearson: distr GEV NON idonea\n');
end
%% Punto 2: Test di Anderson-Darling
% Distribuzione Log-Normale
A_ln(i) = (2*(i)-1)*log(ncdf2logl(i))+(2*n+1-2*(i))*log(1-ncdf2logl(i));
end
A_ln = sum(A_ln);
A_ln = -n-((1/n)*A_ln);
%da tabella
csi_ln = 0.167;
beta_ln = 0.229;
eta_ln = 1.147;
par_ln = 1.2*csi_ln;
if par_ln<=A_ln;
omega_ln = 0.0403+0.116*(((A_ln-csi_ln)/(beta_ln))^(eta_ln/0.851));
else
omega_ln =(0.0403+0.116*((0.2*csi_ln)/beta_ln)^(eta_ln/0.851))*((A_ln-
0.2*csi_ln)/csi_ln);
end
%da tabella
omega_contr = 0.461;
if omega_ln<omega_contr;
fprintf('Test Anderson-Darling: dist Log-Normale idonea\n');
else
fprintf('Test Anderson-Darling: la distr Log-Normale NON idonea\n');
end
% Distribuzione Gumbel
A_gum(i) = (2*(i)-1)*log(F_gumg(i))+(2*n+1-2*(i))*log(1-F_gumg(i));
end
A_gum = sum(A_gum);
A_gum = -n-((1/n)*A_gum);
%da tabella
csi_gum = 0.169;
beta_gum = 0.229;
eta_gum = 1.141;
par_gum = 1.2*csi_gum;
if par_gum<=A_gum;
omega_gum = 0.0403+0.116*(((A_gum-csi_gum)/(beta_gum))^(eta_gum/0.851));
else
omega_gum =(0.0403+0.116*((0.2*csi_gum)/beta_gum)^(eta_gum/0.851))*((A_gum-
0.2*csi_gum)/csi_gum);
end
if omega_gum<omega_contr;
fprintf('Test Anderson-Darling: dist Gumbel idonea\n');
else
fprintf('Test Anderson-Darling: la distr Gumbel NON idonea\n');
end
% Distribuzione GEV
A_GEV(i) = (2*(i)-1)*log(F_GEV(i))+(2*n+1-2*(i))*log(1-F_GEV(i));
end
A_GEV = sum(A_GEV);
A_GEV = -n-((1/n)*A_GEV);
%da tabella
csi_GEV = 0.143;
beta_GEV = 0.183;
eta_GEV = 1.198;
par_GEV = 1.2*csi_GEV;
if par_GEV<=A_GEV;
omega_GEV = 0.0403+0.116*(((A_GEV-csi_GEV)/(beta_GEV))^(eta_GEV/0.851));
else
omega_GEV =(0.0403+0.116*((0.2*csi_GEV)/beta_GEV)^(eta_GEV/0.851))*((A_GEV-
0.2*csi_GEV)/csi_GEV);
end
if omega_GEV<omega_contr;
fprintf('Test Anderson-Darling: dist GEV idonea\n');
else
fprintf('Test Anderson-Darling: la distr GEV NON idonea\n');
end
Parte 6
clc
close all;
clear all;
prec = importdata('Anni.txt');
tempo = [1 3 6 12 24];
anni = prec(:,1);
h1 = prec(:,2);
h3 = prec(:,3);
h6 = prec(:,4);
h12 = prec(:,5);
h24 = prec(:,6);
%% Punto 1: Determinare la relazione che lega la media dei massimi di

%precipitazione hd alle durate
for i=2:6;
media(i) = mean(prec(:,i));
end
media(1) = [];
for i=2:6;
varianza(i) = var(prec(:,i));
end
varianza(1) = [];
for i=2:6;
sqm(i) = std(prec(:,i));
end
sqm(1) = [];
%costruzione retta: faccio i logfaritmi e poi elevo il secondo indice

media_ln = log(media);
tempo_ln = log(tempo);
indici = polyfit(tempo_ln,media_ln,1);
for i=1:5
retta(i) = exp(indici(2))*tempo(i)^(indici(1));
end
figure
scatter(tempo,media,50,'d','MarkerFaceColor','r','MarkerEdgeColor','k');
grid on;
hold on;
set(gca,'xscale','log');
set(gca,'yscale','log');
axis([0 100 0 100]);
xlabel('\ittempo [h]');
ylabel('\ith media [mm]');
%title('\itValori medi dei massimi annui nei relativi intervalli di tempo');
plot(tempo,retta,'b','linewidth',2);
gtext('y = 14.2820*d^0^.^4^8^4^1');
%% Punto 2: calcolo del CV medio
for i=1:5;
CV(i) = sqm(i)/media(i);
end
CV_m = mean(CV);
%% Punto 3: Utilizzare la legge di Gumbel nella forma di dipendenza da

%media e coefficiente di variazione (parametri stimati con il metodo
%dei momenti )per rappresentare i quantili di precipitazione relativi alla
%generica durata d una volta fissato il periodo di ritorno T
T = [10 50 100];
ore = (1:24);
%moltiplico quello fra parentesi tonda per la funzione trovata prima
for i=1:length(T);
for j=1:24;
h_dt(i,j) = exp(indici(2))*ore(j)^(indici(1))*(1-
CV_m*(0.45+(sqrt(6)/pi)*log(log(T(i)/(T(i)-1)))));
end
end
figure
plot(ore,h_dt(1,:),'g','linewidth',2);
grid on;
hold on;
plot(ore,h_dt(2,:),'b','linewidth',2);
plot(ore,h_dt(3,:),'r','linewidth',2);
xlabel('\itTempo [h]');
%title('\itQuantili di precipitazione per un dato periodo di ritorno');
legend('T = 10 anni','T = 50 anni','T = 100 anni','location','southeast');
figure
plot(ore,h_dt(1,:),'g','linewidth',2);
grid on;
hold on;
plot(ore,h_dt(2,:),'b','linewidth',2);
plot(ore,h_dt(3,:),'r','linewidth',2);
%title('\itQuantili di precipitazione per un dato periodo di ritorno');
axis([0 25 0 160]);
h_dt6100 = h_dt(3,6);
%% Punto 4: Calcolo della precipitazione a t = 6 ore per T = 100
prec(:,4) = sort(prec(:,4));
n = length(prec(:,4));
b0_GEV = (1/n)*sum(prec(:,4));
for i=1:length(prec(:,4))
b1_GEV(i) = ((i-1)*sum(prec(i,4))/(n-1));
end
b2_GEV(i) = ((i-1)*(i-2)*sum(prec(i,4)))/((n-1)*(n-2));
end
L1_GEV = b0_GEV;
L2_GEV = 2*b1_GEV-b0_GEV;
L3_GEV = 6*b2_GEV-6*b1_GEV+b0_GEV;
tao3 = L3_GEV/L2_GEV;
c_GEV = (2/(3+tao3))-(log(2)/log(3));
teta3_GEV = 7.8590*c_GEV+2.9554*(c_GEV)^2;
teta2_GEV = (teta3_GEV*L2_GEV)/((1-2^(-teta3_GEV))*(gamma(1+teta3_GEV)));
teta1_GEV = L1_GEV-((teta2_GEV/teta3_GEV)*(1-(gamma(1+teta3_GEV))));
h_dt6100GEV =
exp(indici(2))*ore(6)^(indici(1))*((teta1_GEV/b0_GEV)+(teta2_GEV/(b0_GEV*teta3_GEV)
)*(1-exp(-teta3_GEV*(-log(log(T(3)/(T(3)-1)))))));
Parte 7
%% Punto 1: Utilizzando i dati riportati nel testo dell’Esercitazione 3,
%utilizzare la GEV per rappresentare i quantili di precipitazione relativi
%alla generica durata d una volta fissato il periodo di ritorno T.
%Si costruiscano le curve corrispondenti a T = 10, 50 e 100 anni
%rappresentandole in coordinate cartesiane ed in scala bi-logaritmica.
% Calcolo coefficienti
prec(:,1) = [];
for k=1:5;
prec_ord(:,k) = sort(prec(:,k));
end
n = length(prec_ord(:,1));
for k=1:5;
b0_GEV1(k) = (1/n)*sum(prec_ord(:,k));
end
for k=1:5;
b1_GEV1(i,k) = ((i-1)*sum(prec_ord(i,k))/(n-1));
end
end
for j=1:5;
b1_GEV11(j) = sum(b1_GEV1(:,j));
end
for j=1:5;
b1_GEV12(j) = (1/n)*b1_GEV11(j);
end
for k=1:5;
prec_ord(:,k) = sort(prec(:,k));
end
for k=1:5;
b2_GEV1(i,k) = ((i-1)*(i-2)*(prec_ord(i,k)))/((n-1)*(n-2));
end
end
for j=1:5;
b2_GEV11(j) = sum(b2_GEV1(:,j));
end
for j=1:5;
b2_GEV12(j) = (1/n)*b2_GEV11(j);
end
for k=1:5;
L1_GEV1(k) = b0_GEV1(k);
L2_GEV1(k) = 2*b1_GEV12(k)-b0_GEV1(k);
L3_GEV1(k) = 6*b2_GEV12(k)-6*b1_GEV12(k)+b0_GEV1(k);
end
for k=1:5;
tao31(k) = L3_GEV1(k)/L2_GEV1(k);
end
for k=1:5;
c_GEV1(k) = (2/(3+tao31(k)))-(log(2)/log(3));
end
for k=1:5;
teta3_GEV1(k) = 7.8590*c_GEV1(k)+2.9554*(c_GEV1(k))^2;
end
for k=1:5;
teta2_GEV1(k) = (teta3_GEV1(k)*L2_GEV1(k))/((1-2^(-
teta3_GEV1(k)))*(gamma(1+teta3_GEV1(k))));
end
for k=1:5;
teta1_GEV1(k) = L1_GEV1(k)-((teta2_GEV1(k)/teta3_GEV1(k))*(1-
(gamma(1+teta3_GEV1(k)))));
end
for k=1:5;
epsilon_GEV(k) = teta1_GEV1(k)/b0_GEV1(k);
end
epsilon_GEV = mean(epsilon_GEV);
for k=1:5;
alfa_GEV(k) = teta2_GEV1(k)/b0_GEV1(k);
end
alfa_GEV = mean(alfa_GEV);
k_GEV = mean(teta3_GEV1);
ore2 = [1 3 6 12 24];
for j=1:3;
for k=1:5
h_dtGEV1(k,j) = exp(indici(2))*ore2(k)^(indici(1))*(epsilon_GEV
+(alfa_GEV/k_GEV)*(1-exp(-k_GEV*(-log(log(T(j)/(T(j)-1)))))));
end
end
figure
plot(ore2,h_dtGEV1(:,1),'g','linewidth',2);
grid on;
hold on;
plot(ore2,h_dtGEV1(:,2),'b','linewidth',2);
plot(ore2,h_dtGEV1(:,3),'r','linewidth',2);
%title('\itQuantili di precipitazione per un dato periodo di ritorno con
distribuzione GEV');
figure
plot(ore2,h_dtGEV1(:,1),'g','linewidth',2);
grid on;
hold on;
plot(ore2,h_dtGEV1(:,2),'b','linewidth',2);
plot(ore2,h_dtGEV1(:,3),'r','linewidth',2);
%title('\itQuantili di precipitazione per un dato periodo di ritorno con
distribuzione GEV');
axis([0 25 0 160]);
Parte 8
clc;
close all;
clear all;
%% Punto 1: parametri morfologici Chisone a Fenestrelle
area = 154.21;
min = 1160;
max = 3234;
deltaz = max-min;
qmed = 2154;
LDP = 26.439;
m = 10;
%% Punto 2: parametri curva di possibilità pluviometrica
a = 14.282;
n = 0.4841;
kt = 2.263250;
%% Punto 3: determinare il tempo di corrivazione
tc = (4*sqrt(area)+1.5*LDP)/(0.8*sqrt(qmed-min));
deltat = tc/m;
%% Punto 4: Tracciamento curva ipsografica e ipsometrica
for i=1:m;
t(i) = deltat*(i);
end
for i=1:m;
h(i) = kt*a*t(i)^n;
end
i_j(1) = h(1)/deltat;
for i=2:m;
i_j(i) = (h(i)-h(i-1))/(deltat);
end
% i_j = [0 i_j];
tempo = [0:10];
figure
bar(t,i_j,'b');
grid on;
xlabel('\ittempo [h]');
ylabel('i [nn/h]');
%title('\itIetogramma di progetto');
%da sito
perc = [0 2.5 5 10 25 50 75 90 95 97.5 100];
perc = perc/100;
z = [3234 2811 2718 2616 2436 2179 1883 1632 1513 1419 1160];
for i=1:length(z);
zita(i) = (z(i)-min)/(deltaz);
end
for i=1:length(z);
area_cum(i) = perc(i)*area;
end
figure
plot(area_cum,z,'b','linewidth',2);
grid on;
xlabel('\itArea sovrastante [km^2]');
axis([0 160 1160 3500]);
ylabel('itQuota [m]');
%title('\itCurva Ipsografica');
figure
plot(perc,zita,'r','linewidth',2);
grid on;
xlabel('\itArea sovrastante [km^2]');
ylabel('\it\zeta [m]');
%title('\itCurva Ipsomertica');
%% Punto 5: costruzione della curva aree-tempi
percentuali = [0:0.1:1];
for i=1:length(percentuali);
zita_new(i) = 1-percentuali(i);
end
for i=1:length(perc)-1;
ans1 = [perc(i) perc(i+1)];
ans2 = [zita(i) zita(i+1)];
rette = polyfit(ans1,ans2,1);
retta(1,i) = rette(1);
retta(2,i) = rette(2);
end
for i=1:3;
x(i) = (zita_new(i)-retta(2,1))/retta(1,1);
end
x(4) = (zita_new(4)-retta(2,4))/retta(1,4);
for i=5:6;
x(i) = (zita_new(i)-retta(2,5))/retta(1,5);
end
x(11) = 1;
for i=1:length(x);
a_j(i) = area*(1-x(i));
end
for i=1:length(x);
t_j(i) = tc*zita_new(i);
end
figure
plot(t_j,a_j,'b','linewidth',2);
grid on;
xlabel('\itTempi di corivazione [h]');
ylabel('\itArea [km^2]');
%title('\itCurva Area-Tempi');
axis([0 3.5 0 170]);
%% Punto 6: Determinazione idrogramma di bacino
a_j = fliplr(a_j);
for i=2:length(x);
uh_j(i) = (a_j(i)-a_j(i-1))/area;
end
t_j = fliplr(t_j);
t_jdiag = t_j;
t_jdiag(1) = [];
uh_jdiag = uh_j;
uh_jdiag(1) = [];
figure
bar(t_jdiag,uh_jdiag,'b');
grid on;
ylabel('\itUh [-]');
%title('\itIdrogramma unitario');
%% Punto 7: Determinazione dell'idrogramma di piena per T = 100 anni
for i=1:length(uh_j);
for j=1:length(i_j);
ij(j+i,i) = uh_j(i)*i_j(j);
end
end
ij = ij(3:end,2:end);
qk = sum(ij');
qk = [0 qk];
Qk = area/3.6*qk;
ans = (length(Qk)-1)*(t_j(2)-t_j(1));
t_j2 = [0:t_j(2)-t_j(1):ans];
figure
plot(t_j2,Qk,'g','linewidth',2);
grid on;
ylabel('\itQ [m^3/s]');
Parte 9
% Nuovo idrogramma con ietogramma Chicago e suolo impermeabile
% i_jchi = [8.3707 9.4585 11.1053 14.0441 22.0161 55.2178 16.7501 12.3232 10.1852
8.8659];
i_jchi = [8.8659 10.1852 12.3232 16.7501 55.2178 22.0161 14.0441 11.1053 9.4585
8.3707];
figure
bar(t_jdiag,i_jchi,'b');
grid on;
for j=1:length(i_jchi);
ij_chi(j+i,i) = uh_j(i)*i_jchi(j);
end
end
ij_chi = ij_chi(3:end,2:end);
qk_chi = sum(ij_chi');
qk_chi = [0 qk_chi];
Qk_chi = area/3.6*qk_chi;
ans_chi = (length(Qk_chi)-1)*(t_j(2)-t_j(1));
figure
plot(t_j2,Qk_chi,'g','linewidth',2);
grid on;
ylim([0 1100]);
%title('\itIdrogramma di piena con suolo impermeabile e ietogramma Chicago');
CN_1 = [49.3 68.3 83.3];

CN = [mean(CN_1) CN_1(2) CN_1(3)];
for i=1:3;
S(i) = 254*(100/CN(i)-1);
end
for i=1:3;
ia(i) = 0.2*S(i);
end
% Nuovi idrogrammi con ietogramma Chicago
for i=1:length(i_jchi);
P(i) = i_jchi(i)*deltat;
end
P_cum(1) = P(1);
for i=2:length(P);
P_cum(i) = P(i)+P(i-1);
end
for i=2:length(P);
P_cum(i) = P(i)+P_cum(i-1);
end
% CN medio
for i=1:length(P_cum);
Pe_1(i) = (P_cum(i)-ia(1))^2/(P_cum(i)-ia(1)+S(1));
if P_cum(i) < ia(1);
Pe_1(i) = 0;
end
end
for i=2:length(Pe_1)
deltaPe_1(i) = Pe_1(i)-Pe_1(i-1);
end
for i=2:length(deltaPe_1);
ie_1(i) = deltaPe_1(i)/deltat;
end
for j=1:length(ie_1);
ij_chi_1(j+i,i) = uh_j(i)*ie_1(j);
end
end
ij_chi_1 = ij_chi_1(3:end,2:end);
qk_chi_1 = sum(ij_chi_1');
qk_chi_1 = [0 qk_chi_1];
Qk_chi_1 = area/3.6*qk_chi_1;
ans_chi_1 = (length(Qk_chi_1)-1)*(t_j(2)-t_j(1));
figure
bar(t_jdiag,ie_1,'b');
grid on;
figure
grid on;
hold on;
plot(t_j2,Qk_chi_1,'k','linewidth',2);
ylim([0 1100]);
%title('\itConfronto Idrogramma di piena suolo impermeabile e permeabile con CN
medio');
legend('Suolo impermeabile','Suolo permeabile','location','northeast');
% CN 2
Pe_2(i) = 0;
end
end
end
end
end
end
figure
grid on;
figure
grid on;
hold on;
plot(t_j2,Qk_chi_2,'b','linewidth',2);
ylim([0 1100]);
%title('\itConfronto Idrogramma di piena suolo impermeabile e permeabile con
CN(II)');
% CN 3
Pe_3(i) = 0;
end
end
end
end
end
end
figure
grid on;
figure
grid on;
hold on;
plot(t_j2,Qk_chi_3,'r','linewidth',2);
ylim([0 1100]);
%title('\itConfronto Idrogramma di piena suolo impermeabile e permeabile con
CN(III)');
Parte 10
clc
clear all;
close all;
w = 20;
w2 = 5;
delta_t = 0.5;
por_li = 0.486;
cai_li = 0.146;
delta_li = por_li-cai_li;
psi_li = 166.8;
ks_li = 6.5;
por_a = 0.385;
cai_a = 0.116;
delta_a = por_a-cai_a;
psi_a = 316.3;
ks_a = 0.3;
T_ieto = [1:6];
h_ieto = [20 20 20 5 5 5];
figure
bar(T_ieto,h_ieto,'b');
grid on;
xlabel('\itt [h]');
ylabel('\itIntensità pioggia [mm/h]');
%title('\itIetogramma di riferimento');
axis([0 7 0 25]);
%% Limo
tp_li = (ks_li*psi_li*delta_li)/(w*(w-ks_li));
Fp_li = w*tp_li;
t_li20 = [0 tp_li 1.5:0.5:3];

t_li5 = [3:0.5:6];
for i=1:length(t_li20);
i_li20 = 20;
end
i_li5 = 5;
end
tol_li = w(1)/1000;
if t_li20(i) < tp_li;
F_li20(i) = 0;
else if t_li20(i) == tp_li;
F_li20(i) = Fp_li;
else
tol = 1;
F_li = Fp_li+ks_li*(t_li20(i)-
tp_li)+psi_li*delta_li*log((psi_li*delta_li+Fp_li)/(psi_li*delta_li+Fp_li));
while tol>tol_li;
F_li20(i) = Fp_li+ks_li*(t_li20(i)-
tp_li)+psi_li*delta_li*log((psi_li*delta_li+F_li)/(psi_li*delta_li+Fp_li));
tol = F_li20(i)-F_li;
F_li = F_li20(i);
end
end
end
end
F_li5(1) = F_li20(end);
F_li5(i) = F_li5(i-1)+(delta_t*w2);
end
T_limo = [t_li20 t_li5];

F_limo = [F_li20 F_li5];
figure
plot(T_limo,F_limo,'r','linewidth',2');
grid on;
%title('\itInfiltrazione cumulata F(t) per il terreno limoso');
xlabel('\itF [mm/h]');
ylabel('\itt [h]');
for i=1:length(F_limo);
f_limo(i) = ks_li*(((psi_li*delta_li)/F_limo(i))+1);
end
f_limo(1) = 20;
pioggia_limo = [20 20 20 20 20 20 5 5 5 5 5 5 5];
for i=1:length(f_limo);
if f_limo(i) <= pioggia_limo(i);
f_limo_real(i) = f_limo(i);
else
f_limo_real(i) = pioggia_limo(i);
end
end
figure
plot(T_limo,f_limo,'r','lineStyle','--','linewidth',2);
grid on;
hold on;
plot(T_limo,pioggia_limo,'b','linewidth',2');
plot(T_limo,f_limo_real,'g','lineStyle',':','linewidth',2');
%title('\itTassi di infiltrazione netti f(t) per il terreno limoso');
ylabel('\itt [h]');
legend('f','f reale','i','location','northeast');
axis([0 7 0 25]);
%% Argilla
tp_a = (ks_a*psi_a*delta_a)/(w*(w-ks_a));
Fp_a = w*tp_a;
t_a20 = [0 tp_a 0.5:0.5:3 3:0.5:6];
for i=1:length(t_a20);
i_a20 = 20;
end
tol_a = w(1)/1000;
for i=1:length(t_a20);
if t_a20(i) < tp_a;
F_a20(i) = 0;
else if t_a20(i) == tp_a;
F_a20(i) = Fp_a;
else
tol = 1;
F_a = Fp_a+ks_a*(t_a20(i)-
tp_a)+psi_a*delta_a*log((psi_a*delta_a+Fp_a)/(psi_a*delta_a+Fp_a));
while tol>tol_a;
F_a20(i) = Fp_a+ks_a*(t_a20(i)-
tp_a)+psi_a*delta_a*log((psi_a*delta_a+F_a)/(psi_a*delta_a+Fp_a));
tol = F_a20(i)-F_a;
F_a = F_a20(i);
end
end
end
end
T_argilla = t_a20;
F_argilla = F_a20;
figure
plot(T_argilla,F_argilla,'r','linewidth',2');
grid on;
%title('\itInfiltrazione cumulata F(t) per il terreno argilloso');
ylabel('\itt [h]');
for i=1:length(F_argilla);
f_argilla(i) = ks_a*(((psi_a*delta_a)/F_argilla(i))+1);
end
f_argilla(1) = 20;
pioggia_argilla = [20 20 20 20 20 20 20 20 5 5 5 5 5 5 5];
for i=1:length(f_argilla);
if f_argilla(i) <= pioggia_argilla(i);
f_argilla_real(i) = f_argilla(i);
else
f_argilla_real(i) = pioggia_argilla(i);
end
end
figure
plot(T_argilla,f_argilla,'r','lineStyle','--','linewidth',2);
grid on;
hold on;
plot(T_argilla,pioggia_argilla,'b','linewidth',2');
plot(T_argilla,f_argilla_real,'g','lineStyle',':','linewidth',2');
%title('\itTassi di infiltrazione netti f(t) per il terreno argilloso');
ylabel('\itt [h]');
legend('f','f reale','i','location','northeast');
axis([0 7 0 25]);
Parte 11
clc;
clear all;
close all;
%% parametri
f0 = 40;
f1 = 3;
k = 1.2;
w1 = 12;
w2 = 25;
t = [1:6];
i1 = [12 12 12 25 25 25];
i2 = [25 25 25 12 12 12];
%% 1° caso: i1 = 12mm, i2= 25mm.
figure
bar(t,i1,'b');
grid on;
%title('\itIetogramma caso I');
xlabel('\itd [h]');
ylabel('\iti [mm/h]');
axis([0 7 0 30]);
tp_1 = (1/(w1*k))*((f0-w1)-f1*log((w1-f1)/(f0-f1)));
t_11 = [0:.5:2 tp_1 2.5:0.5:3];

t_12 = [3:0.5:6];
t_1 = [t_11 t_12];
for i=1:length(t_11);
i_11(i) = w1;
end
i_12(i) = w2;
end
i_1 = [i_11 i_12];
% infiltrazione potenziale
fcp_11(i) = f1+((f0-f1)*exp(-k*t_11(i)));
end
fcp_12(i) = f1+((f0-f1)*exp(-k*t_12(i)));
end
fcp_1 = [fcp_11 fcp_12];
% infiltrazione effettiva
if t_11(i)>tp_1;
f0_1 = w1;
fc_11(i) = f1+((f0_1-f1)*exp(-k*(t_11(i)-tp_1)));
else
fc_11(i) = w1;
end
end
if t_12(i)>tp_1;
f0_1 = w1;
fc_12(i) = f1+((f0_1-f1)*exp(-k*(t_12(i)-tp_1)));
else
fc_12(i) = w1;
end
end
fc_1 = [fc_11 fc_12];
% deflusso superficiale
def_1(i) = i_1(i)-fc_1(i);
end
figure
plot(t_1,i_1,'b','linewidth',2);
grid on;
hold on;
plot(t_1,fc_1,'r','linewidth',2);
plot(t_1,fcp_1,'g','lineStyle','--','linewidth',2);
%title('\itCaso 1: Confronto fra intensità pioggia e infiltrazione (effettiva e
potenziale)');
xlabel('\itt [h]');
ylabel('\ith [mm/h]');
legend('intensità','infiltrazione effettiva','infiltrazione
potenziale','location','northeast');
figure
plot(t_1,def_1,'linewidth',2);
grid on;
%title('\itCaso 1: Deflusso superficiale nel tempo');
xlabel('\itt [h]');
% pioggia
p_1 = t_11(end)*w1+(t_12(end)-t_12(1))*w2;
% pioggia infiltrata
plos_tp_1 = w1*tp_1;
plos_3_1 = f1*(t_11(end)-tp_1)+(((fc_11(1)-f1)/k)*(1-exp(-k*(t_11(end)-tp_1))));
plos_6_1 = f1*(t_12(end)-t_12(1))+(((fc_12(1)-f1)/k)*(1-exp(-k*(t_12(end)-
t_12(1)))));
plos_1 = plos_tp_1+plos_3_1+plos_6_1;
plos_gra_1 = [0 plos_tp_1 plos_3_1 plos_6_1];
for i=2:length(plos_gra_1)
plos_gra_1(i) = plos_gra_1(i)+plos_gra_1(i-1);
end
t_gra_1 = [0 tp_1 3 6];
figure
plot(t_gra_1,plos_gra_1,'linewidth',2);
grid on;
%title('\itCaso 1: andametno del volume di acuqa infiltrato Fc(t) nel tempo');
xlabel('\itt [h]');
ylabel('\ith [mm]');
prus_tp_1 = (tp_1*w1)-plos_tp_1;
prus_3_1 = 3*w1-plos_gra_1(3);
prus_6_1 = p_1-plos_gra_1(4);
prus_gra_1 = [ 0 prus_tp_1 prus_3_1 prus_6_1];
figure
plot(t_gra_1,prus_gra_1,'linewidth',2);
grid on;
%title('\itCaso 1: andametno del deflusso superficiale nel tempo');
xlabel('\itt [h]');
pnetta_1 = p_1-plos_1;
psi_1 = pnetta_1/p_1;
%% 2° caso: i1 = 25mm, i2= 12mm.
figure
bar(t,i2,'r');
grid on;
%title('\itIetogramma caso II');
xlabel('\itd [h]');
ylabel('\iti [mm/h]');
axis([0 7 0 30]);
tp_2 = (1/(w2*k))*((f0-w2)-f1*log((w2-f1)/(f0-f1)));
t_21 = [0 0.5 tp_2 1:0.5:3];

t_22 = [3:0.5:6];
t_2 = [t_21 t_22];
i_21(i) = w2;
end
i_22(i) = w1;
end
i_2 = [i_21 i_22];
% infiltrazione potenziale
fcp_21(i) = f1+((f0-f1)*exp(-k*t_21(i)));
end
fcp_22(i) = f1+((f0-f1)*exp(-k*t_22(i)));
end
fcp_2 = [fcp_21 fcp_22];
% infiltrazione effettiva
if t_21(i)>tp_2;
f0_1 = w2;
fc_21(i) = f1+((f0_1-f1)*exp(-k*(t_21(i)-tp_2)));
else
fc_21(i) = w2;
end
end
if t_22(i)>tp_2;
f0_1 = w2;
fc_22(i) = f1+((f0_1-f1)*exp(-k*(t_22(i)-tp_2)));
else
fc_22(i) = w2;
end
end
fc_2 = [fc_21 fc_22];
def_2(i) = i_2(i)-fc_2(i);
end
figure
plot(t_2,i_2,'b','linewidth',2);
grid on;
hold on;
plot(t_2,fc_2,'r','linewidth',2);
plot(t_2,fcp_2,'g','lineStyle','--','linewidth',2);
%title('\itCaso 2: Confronto fra intensità pioggia e infiltrazione (effettiva e
potenziale)');
xlabel('\itt [h]');
legend('intensità','infiltrazione effettiva','infiltrazione
potenziale','location','northeast');
figure
plot(t_2,def_2,'linewidth',2);
grid on;
%title('\itCaso 1: Deflusso superficiale nel tempo');
xlabel('\itt [h]');
% pioggia
p_2 = t_21(end)*w2+(t_22(end)-t_22(1))*w1;
% pioggia infiltrata
plos_tp_2 = w2*tp_2;
plos_3_2 = f1*(t_21(end)-tp_2)+(((fc_21(1)-f1)/k)*(1-exp(-k*(t_21(end)-tp_2))));
plos_6_2 = f1*(t_22(end)-t_22(1))+(((fc_22(1)-f1)/k)*(1-exp(-k*(t_22(end)-
t_22(1)))));
plos_2 = plos_tp_2+plos_3_2+plos_6_2;
plos_gra_2 = [0 plos_tp_2 plos_3_2 plos_6_2];
for i=2:length(plos_gra_2)
plos_gra_2(i) = plos_gra_2(i)+plos_gra_2(i-1);
end
t_gra_2 = [0 tp_2 3 6];
figure
plot(t_gra_2,plos_gra_2,'linewidth',2);
grid on;
%title('\itCaso 2: andametno del volume di acuqa infiltrato Fc(t) nel tempo');
xlabel('\itt [h]');
prus_tp_2 = (tp_2*w2)-plos_tp_2;
prus_3_2 = 3*w2-plos_gra_2(3);
prus_6_2 = p_2-plos_gra_2(4);
prus_gra_2 = [ 0 prus_tp_2 prus_3_2 prus_6_2];
figure
plot(t_gra_2,prus_gra_2,'linewidth',2);
grid on;
%title('\itCaso 2: andametno del deflusso superficiale nel tempo');
xlabel('\itt [h]');
pnetta_2 = p_2-plos_2;
psi_2 = pnetta_2/p_2;

2018 BERT S220976 Relazioni

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

2018 BERT S220976 Relazioni

Caricato da

Copyright:

Formati disponibili

- Relazioni di Idrologia -

Docente: Pierluigi Claps

Studente: Roberto Bert

2 Esempio introduttivo di inferenza statistica finalizzata alla stima della grandezza

3 Applicazione della distribuzione Log-Normale e di Gumbel. 13

4 Applicazione del metodo degli L-momenti. 17

5 Utilizzo dei test statistici. 23

6 Stima delle curve di possibilità pluviometrica IDF. 28

7 Stima delle curve di possibilità pluviometrica IDF con distribuzione GEV. 31

8 Ricostruzione di un idrogramma di piena con il metodo cinematico. 34

9 Ricostruzione di un idrogramma di piena con il metodo cinematico con rimozione

10 Valutazione dell’infiltrazione con il metodo Green-Ampt. 44

11 Modello di infiltrazione di Horton. 47

1 Analisi esplorativa di una serie di dati.

1.1.1 Diagramma cronologico della serie.

Figura 1: Diagramma cronologico dei colmi di piena annui a San Martino

1.1.2 Diagramma a punti della serie.

Figura 2: Diagramma a punti dei colmi di piena annui a San Martino

1.1.3 Tracciamento del diagramma delle frequenze assolute e relative.

K = int(1 + 3.3 log10 (N ))

Figura 3: Diagramma delle frequenze assolute

Figura 4: Diagramma delle frequenze relative

1.1.4 Calcolo dei valori centrali e dei momenti campionari.

1.1.5 Costruzione del diagramma delle frequenze cumulate.

Figura 5: Frequenza cumulata dei colmi di piena a San Martino

1.2 Analisi dei massimi annui di precipitazione in 24 h a Pragelato.

1.2.1 Diagramma cronologico della serie.

1.2.2 Diagramma a punti della serie.

1.2.3 Tracciamento del diagramma delle frequenze assolute e relative.

Figura 6: Diagramma cronologico dei massimi annui di precipitazione in 24h a Pragelato

Figura 7: Diagramma a punti dei massimi annui di precipitazione in 24h a Pragelato

1.2.4 Calcolo dei valori centrali e dei momenti campionari.

1.2.5 Costruzione del diagramma delle frequenze cumulate.

2 Esempio introduttivo di inferenza statistica finalizzata alla stima

2.2 Costruzione diagramma di probabilità normale e delle frequenze di classe.

2.3 Verifica preliminare.

2.4 Definizione della condizione di progetto e del relativo quantile.

dove Pr rappresenta la probabilità di superamento legata al periodo di ritorno T:

N [anni] Rn T [anni] F Q[m3 /s]

Nel caso 1 essendo noti Rn ed N si è potuto risalire direttamente a T e di conseguenza a F tramite le

3 Applicazione della distribuzione Log-Normale e di Gumbel.

• in alternativa, poiché dalla definizione di distribuzione Log-Normale si ha che x ha una distribu-

3.2 Verifica grafica dell’adattamento al campione delle funzioni di probabilità Log-

portate in forma logaritmica), definita dalla solita relazione:

3.3 Stima delle portate di progetto xt su entrambe le distribuzioni (con parametri

Figura 17: Retta u relativa alla distribuzione Gumbel e andamento della ui

T [anni] F ln Q[m3 /s] Q[m3 /s]

T [anni] F Q[m3 /s]

4 Applicazione del metodo degli L-momenti.

I risultati ottenuti in forma tabulata sono:

4.2 Verifica grafica dell’adattamento al campione delle funzioni di probabilità Log-

4.3 Stima delle portate di progetto xt su entrambe le distribuzioni (con parametri

T [anni] F ln Q[m3 /s] Q[m3 /s]

T [anni] F Q[m3 /s]

Si sono quindi ricavati gli L-momenti campionari:

Dove la funzione Γ indica la funzione Gamma di Eulero (implementata in matlab da Y = gam-

4.5 Verifica grafica dell’adattamento al campione delle funzioni di probabilità GEV

Figura 23: Verifica grafica dell’adattamento al campione adottando la distribuzione GEV

T [anni] F Q[m3 /s]

5 Utilizzo dei test statistici.

5.1 Test del χ2 .

Figura 24: Valori limite di χ2

5.2 Test di Anderson- Darling.