Allegato - B (Un Po Di PDS)

POR
Calabria 2000‐2006. Lotto progettuale n.2. Pericolosità legata ai fenomeni di intensa erosione idrica areale e lineare

ALLEGATO B – ANALISI DELLE PRECIPITAZIONI IN CALABRIA
ORESTE TERRANOVA, ANTONELLA BODINI, CARLA BRAMBILLA, BRUNO BETRÒ

B1 – Analisi regionale delle piogge medie annue
ORESTE TERRANOVA, (CON LA PARTECIPAZIONE DI PASQUALE IAQUINTA, STEFANO LUIGI GARIANO, ROBERTO GRECO)

B1.1 – Note teoriche per lo studio delle precipitazioni

Scopo dell'analisi statistico‐probabilistica è quello di far corrispondere ad ogni valore
di una variabile la probabilità che si verifichi un evento maggiore o uguale a quel valore,
ossia di individuare per ogni evento il suo tempo di ritorno TR, definito come il numero di
anni nel quale un determinato evento è mediamente uguagliato o superato. L'analisi
probabilistica è necessaria in quanto, mentre per i dati rilevati in passato si può definire la
frequenza (numero di volte in cui un evento si è presentato in una serie di manifestazioni),
per i dati futuri occorre introdurre il concetto di probabilità, ovvero il rapporto tra il
numero di casi favorevoli al verificarsi di un certo evento ed il numero dei casi ugualmente
possibili.
In generale non è lecito identificare frequenza con probabilità. Se anche ciò si
potesse fare non sarebbero comunque note le frequenze relative a periodi più lunghi di
quello esaminato. Per questo è necessario estendere artificialmente il campo delle
osservazioni individuando una distribuzione di probabilità che si adatti alla serie di
osservazioni note.
L'analisi probabilistica consente di valutare eventi con TR superiore al numero di anni
definito dalla consistenza del campione di dati, con una attendibilità che si riduce però
all'aumentare dello stesso TR.
Nella elaborazione probabilistica i dati di precipitazione sono considerate variabili
casuali, governate cioè dalla legge del caso e si suppone che la serie dei valori osservati nel
passato costituisca un campione estratto dalla popolazione di tale variabile casuale.

B1.1.1 – Distribuzione di Probabilità

Nel presente studio ogni campione è costituito dai totali annuali o dai massimi valori
annuali di precipitazione effettiva di varia durata e può essere assimilato ad un sotto
campione particolare di tutti i possibili valori verificatisi nel periodo di osservazione. Tale
particolare sotto campione degli eventi viene studiato soprattutto per la ricerca degli
eventuali rischi di progetto da assumere; sono state quindi proposte delle distribuzioni di
probabilità tipiche per i totali e per i massimi valori. Tali distribuzioni, che derivano dallo
studio del comportamento della distribuzione di probabilità P(x) per valori molto grandi
della variabile x, sono la forma asintotica cui tende P(x) al crescere di x stessa.
Come è noto, si definisce funzione densità di probabilità p(x) quella funzione che
moltiplicata per l'ampiezza infinitesima dx, rappresenta la probabilità che si verifichi un
B.1
A cura di Oreste Terranova. Consiglio Nazionale delle Ricerche. Istituto di Ricerca per la Protezione Idrogeologica
POR Calabria 2000‐2006. Lotto progettuale n.2. Pericolosità legata ai fenomeni di intensa erosione idrica areale e lineare

valore nell'intervallo [x,x+dx]. Tale funzione è legata alla funzione di probabilità P(x≤X),
denominata anche probabilità cumulata di non superamento, secondo la relazione
P x  X    px dx .
X
(B.1)

Poiché la probabilità che la variabile x assuma un qualsiasi valore compreso tra -∞ e

+∞ è uguale a 1 (evento certo) si ha che  px dx  1 . Per essere P x  X  la probabilità

cumulata di non superamento e P x  X  la probabilità cumulata di superamento, si può
scrivere:
P x  X   1  P x  X   1  1 / TR   TR  1  / TR (B.2)

in quanto T R è notoriamente definito come il numero di anni per cui un determinato

evento è eguagliato o superato ( TR  1 / P x  X  ). La relazione (B.2) vale solo per i valori
annui o per i massimi annuali.
Le grandezze idrologiche possono essere considerate come il risultato di un processo
di tipo additivo, cioè come somma di un gran numero di singoli contributi che si sono
verificati in un determinato intervallo di tempo, e quindi distribuite asintoticamente, per il
teorema del limite centrale, secondo la legge Normale. Tali grandezze, possono essere
valutate anche come il risultato di un processo di tipo moltiplicativo, cioè come il prodotto
degli effetti di un numero n di fattori, e quindi distribuite secondo la legge Rad‐n‐Normale,
cioè normale delle radici n‐esime (Stidd, 1970), o asintoticamente, per n sufficientemente
grande, secondo la legge Log‐Normale, ancora per il teorema del limite centrale.
Una variabile X si dice distribuita secondo la legge Normale (o distribuita
normalmente) se la legge matematica, con cui la funzione distribuzione di probabilità
cumulata (Cumulative Distribution Function, CDF) varia in funzione di x, assume la forma:
 x  μ 2
1 x 
FX x   
2
e 2σ dx (B.3)

2π σ
e la funzione distribuzione di probabilità (Probability Density Function, PDF) assume
l’espressione:
 x  μ 2
1 
f X x  
2
e 2σ (B.4)
2π σ
in cui le grandezze  e  vengono definite parametri della distribuzione e ne
rappresentano rispettivamente la media e lo scarto quadratico medio.
Sostituendo alla variabile X la variabile ausiliaria u definita come
X μ
u= (B.5)
σ
chiamata variabile ridotta standardizzata, che ha media zero e scarto quadratico medio
uno, la CDF diventa:
u2
1 u 2
FU u  
2π 
e du (B.6)

La legge di Gauss nasce per rappresentare la legge di distribuzione di probabilità
degli errori di misura. Il massimo della funzione densità di probabilità p(x) si ha per x=(x)
B.2

1
pmax x   ; (B.7)
2πσ 2

1  X  μ X  
2
  
2  σ  X  
per x   ; e  0 ; px   0 ;
p(x) è simmetrica rispetto a ;
se cambia  la curva si sposta parallelamente all’asse delle ascisse;
se cambia  la curva cambia forma.

Figura B.1 – Andamenti della legge di Gauss (PDF e CDF) al variare dei parametri  e .

B1.2 – Totali annui di pioggia

Per descrivere la distribuzione delle serie dei totali annui di pioggia, o di sue
opportune trasformazioni viene ammessa preliminarmente l’adeguatezza della
distribuzione di Gauss. A tal proposito viene segnalato che potrebbero essere adottate
anche altre distribuzioni (essenzialmente Lognormale, Gamma) “guidati” dai test di
adattamento.
Per determinare, con tecniche di regionalizzazione, quale sia la legge probabilistica
più adatta ad interpretare le serie dei totali annui di pioggia viene adottata la procedura
delle trasformazioni di Box e Cox e successiva verifica basata sull’intervallo di confidenza al
95%, del coefficiente di asimmetria (Versace, 2004).
La procedura utilizzata prevede la trasformazione di una generica serie x secondo la
relazione:
B.3

y  xν per 0  ν  1
(B.8)
y  logx  per ν  0
Per  vengono utilizzati i valori 0 (lognormale), 1/3 (radcubiconormale), ½

(radnormale), 1 (normale).
Delle quattro serie y così ottenute per ciascuna stazione viene calcolato il
coefficiente di asimmetria G e tanto più questi si avvicina a 0 tanto meglio la serie ottenuta
per quello specifico valore di  è approssimata dalla legge di Gauss.
N
1  y i  y 3
G N 2 i 1
3
(B.9)
 N
2
 y i  y  
2
 i 1 
G è però uno stimatore distorto della asimmetria e presenta notevole variabilità per
cui il miglior valore di , o valori di  differenziati per zone regionali omogenee, devono
essere stimati in base ad indagini di tipo regionale. Nel presente caso si è ottenuto  = ½
per la quasi totalità delle stazioni del territorio regionale; infatti per  = ½ solo 20 stazioni
su 223 non rientrano nell’intervallo di confidenza al 95% (Figura B.2) relativo ai G calcolati
in ciascuna stazione per  = ½ .

Figura B.2‐ Intervalli di confidenza al 95%; in ascissa è riportata la dimensione campionaria di ciascuna
serie, in ordinata sono riportati il corrispondente valore di G per  = ½.

Il posizionamento dei valori di G interni, al di sotto ed al di sopra dell’intervallo di
confidenza è riportato sulla mappa di Figura B.3.

B.4

Figura B.3 – Mappa delle stazioni pluviometriche con indicazione dei valori di G rispetto all’intervallo
di confidenza.

In definitiva utilizzando la trasformazione di Box e Cox per  = ½ è possibile stimare
qualsiasi frattile della distribuzione ed i corrispondenti tempi di ritorno.

B.5

Tabella B.I – Frattili della distribuzione per 5 diversi tempi di ritorno.
m x (T=2 x (T=5 x (T=10 x (T=20 x (T=50
Codice Nome s.l.m.
N y y
P=0.5) P=0.8) P=0.9) P=0.95) P=0.98)
816 Montegiordano Scalo 5 69 22.5 3.6 506.25 651.77 735.15 807.78 893.62
850 Nocara 860 74 25.4 3.98 645.16 826.54 930.29 1020.58 1127.21
870 Oriolo 450 35 27.57 3.98 760.10 956.02 1067.37 1163.94 1277.63
880 Castroregio 800 74 26.22 4.47 687.49 898.92 1020.71 1127.11 1253.18
890 Amendolara 215 64 22.41 4.05 502.21 666.60 761.78 845.16 944.19
900 Albidona 810 66 28.62 4.8 819.10 1066.66 1209.05 1333.37 1480.56
910 Alessandria del Carretto 870 38 29.87 4.86 892.22 1153.30 1303.09 1433.68 1588.12
920 Trebisacce 75 68 24.83 3.6 616.53 776.17 866.92 945.65 1038.35
930 Villapiana Scalo 5 58 22.8 2.98 519.84 640.50 708.57 767.38 836.38
940 Francavilla marittima 250 67 25.5 3.72 650.25 819.72 916.11 999.75 1098.26
950 San Lorenzo Bellizzi 950 78 30.7 3.76 942.49 1146.80 1261.57 1360.48 1476.26
960 Civita 450 35 27.73 3.52 768.95 942.03 1039.49 1123.58 1222.15
970 Cassano allo Ionio 251 74 26.14 3.03 683.30 823.12 901.39 968.70 1047.35
980 Piane Crati 610 51 32.32 2.95 1044.58 1211.23 1303.25 1381.78 1472.91
984 Serra Pedace 725 32 30.8 3.29 948.64 1126.87 1226.14 1311.28 1410.52
990 Trenta 820 72 29.62 4.18 877.34 1098.13 1223.38 1331.92 1459.60
1000 Domanico 736 70 38.58 4.48 1488.42 1793.56 1964.38 2111.31 2283.00
1010 Cosenza ‐ Crati 242 80 30.47 2.9 928.42 1083.11 1168.72 1241.86 1326.84
1020 Cerisano 580 61 40.89 6.78 1671.99 2171.21 2458.07 2708.38 3004.62
1030 San Pietro in Guarano 660 75 32.41 3.33 1050.41 1239.93 1345.24 1435.45 1540.48
1040 Rende 470 75 36.22 4.55 1311.89 1603.95 1768.29 1910.05 2076.13
1050 Rose 370 71 30.19 3.95 911.44 1123.22 1242.71 1345.95 1467.07
1060 Montalto Uffugo 468 61 34.53 4.6 1192.32 1474.67 1634.19 1772.10 1934.00
1070 Laghitello CC 891 54 44.84 7.12 2010.63 2583.93 2912.18 3198.06 3535.81
1080 San Martino di Finita 425 71 41.22 5.22 1699.09 2080.57 2295.34 2480.65 2697.82
1090 Camigliatello Silano 1297 49 41.15 4.49 1693.32 2018.60 2200.00 2355.68 2537.27
1100 Cecita 1180 72 33.52 3.98 1123.59 1359.37 1491.55 1605.33 1738.38
1110 Pinutello CC 1125 78 32.61 3.28 1063.41 1251.07 1355.23 1444.39 1548.13
1120 Acri 750 72 30.48 3.12 929.03 1096.00 1188.76 1268.21 1360.70
1130 Torano Scalo 97 74 28.52 3.06 813.39 966.92 1052.45 1125.82 1211.35
1140 Tarsia 203 65 27.44 3.31 752.95 913.60 1003.75 1081.39 1172.23
1160 Sant'Agata CC 52 50 25.89 5 670.29 905.90 1043.15 1163.78 1307.45
1170 Morano Calabro 690 54 33.81 3.67 1143.12 1361.52 1483.27 1587.75 1709.60
1180 Castrovillari 353 75 28.21 4.02 795.80 998.14 1113.01 1212.59 1329.77
1190 Firmo 215 73 27.83 3.62 774.51 953.37 1054.25 1141.38 1243.59
1200 Santa Agata d'Esaro 710 66 39.21 6.18 1537.42 1972.36 2221.24 2437.91 2693.84
1210 Malvito 440 30 38.13 4.72 1453.90 1772.62 1951.78 2106.23 2287.11
1220 Roggiano Gravina 154 58 27.12 6.03 735.49 1036.52 1214.37 1371.85 1560.57
1230 San Sosti 404 80 38.35 5.49 1470.72 1846.46 2059.86 2244.89 2462.65
1240 Acquaformosa 410 65 35.74 4.52 1277.35 1563.74 1724.96 1864.06 2027.07
1250 Fagnano Castello 520 58 39.91 5.69 1592.81 1997.98 2228.03 2427.46 2662.13
1260 San Marco Argentano 210 67 35.14 4.63 1234.82 1523.86 1687.04 1828.05 1993.52
1280 Spezzano Albanese Sc. 45 51 24.76 3.94 613.06 788.26 888.60 975.98 1079.24
1290 Caselle 13 58 23.39 3.18 547.09 679.45 754.34 819.14 895.26
1296 Macchia Albanese 530 29 28.05 3.53 786.80 962.30 1061.06 1146.25 1246.07
1300 San Giorgio Albanese 470 67 29.44 3.77 866.71 1063.60 1174.53 1270.29 1382.55
1310 Schiavonea 5 76 21.8 4.38 475.24 649.55 751.48 841.26 948.36
1320 San Giacomo d'Acri 1015 73 31.73 4.35 1006.79 1252.53 1391.64 1512.05 1653.55
1324 Corigliano Calabro 219 28 30.66 4.2 940.04 1169.28 1299.06 1411.38 1543.37
1330 Rossano 390 63 29.18 4.3 851.47 1075.77 1203.44 1314.27 1444.85
1360 Longobucco 770 68 34.68 4.13 1202.70 1455.87 1597.83 1720.03 1862.96
1370 Bocchigliero 825 81 34.07 5.24 1160.76 1480.72 1663.44 1822.35 2009.88
1380 Cropalati 367 75 32.43 4.73 1051.70 1325.75 1481.61 1616.86 1776.14
1390 Crosia 160 73 26.68 4.66 711.82 936.48 1066.16 1179.58 1314.10
1400 Pietrapaola 345 34 33.09 5.43 1094.95 1418.28 1603.91 1765.81 1957.34
B.6

1410 Cariati Marina 10 66 27.98 4.82 782.88 1026.34 1166.71 1289.40 1434.82
1430 Scala Coeli 370 38 32.16 5.01 1034.27 1323.25 1488.46 1632.22 1801.94
1440 Crucoli 350 72 30.75 5.34 945.56 1242.16 1413.27 1562.90 1740.31
1450 Umbriatico 422 58 31.43 4.76 987.84 1255.72 1408.51 1541.31 1697.92
1460 Cirò Marina 5 69 25.69 3.27 659.98 808.95 892.85 965.26 1050.13
1470 San Giovanni in Fiore 1100 74 31.8 5.02 1011.24 1297.80 1461.79 1604.58 1773.24
1480 Quaresima CC 1300 61 40.24 3.95 1619.26 1897.86 2052.28 2184.36 2337.95
1500 Nocelle Arvo 1315 63 33.68 3.15 1134.34 1319.95 1422.56 1510.20 1611.97
1510 Sculca 1360 56 36.45 3.97 1328.60 1583.34 1725.39 1847.29 1989.46
1520 Monteoliveto CC 1300 66 34.54 3.96 1193.01 1434.35 1569.34 1685.40 1820.97
1530 Stralati CC 1190 68 34.52 5.86 1191.63 1556.45 1766.51 1950.00 2167.37
1540 Barberano CC 1300 69 37.7 5.81 1421.29 1813.89 2038.14 2233.19 2463.36
1550 Trepidò 1250 72 37.3 5.68 1391.29 1770.76 1987.31 2175.55 2397.60
1560 Casa Pasquale 1240 74 37.39 5.78 1398.01 1785.45 2006.80 2199.35 2426.61
1570 Savelli 964 71 34.08 5.38 1161.45 1490.57 1678.93 1842.93 2036.64
1580 Cerenzia 663 72 32.12 5.42 1031.69 1345.54 1526.15 1683.88 1870.68
1590 Belvedere Spinello 380 76 28.83 4.67 831.17 1073.24 1212.07 1333.09 1476.17
1600 Santa Severina 230 54 29.35 4.67 861.42 1107.58 1248.55 1371.33 1516.40
1620 Verzino 530 68 30.77 5.22 946.79 1236.46 1403.23 1548.91 1721.47
1630 Casabona 270 50 30.87 3.9 952.96 1166.38 1286.52 1390.17 1511.62
1640 San Nicola Dell’Alto 576 50 32.21 4.95 1037.48 1323.22 1486.39 1628.29 1795.73
1650 Strongoli 305 70 27.46 4.2 754.05 960.68 1078.63 1181.19 1302.18
1670 Cutro 169 29 24.53 3.9 601.72 773.53 871.91 957.59 1058.83
1680 Crotone 5 72 24.54 4.06 602.21 781.59 884.65 974.57 1080.98
1690 Capo Colonna 20 72 25.05 4.23 627.50 818.54 928.48 1024.49 1138.21
1700 Isola di Capo Rizzuto 90 66 27.16 4.72 737.67 969.23 1102.83 1219.67 1358.19
1720 Steccato 5 62 26 4.12 676.00 868.33 978.44 1074.32 1187.59
1724 Cotronei 530 34 35.67 5.86 1272.35 1648.51 1864.50 2052.89 2275.76
1730 Petilia Policastro 385 71 33.4 5.7 1115.56 1459.03 1656.88 1829.76 2034.58
1740 San Mauro Marchesato 288 60 28.38 4.61 805.42 1040.70 1175.66 1293.32 1432.45
1750 Marcedusa 380 51 31.26 4.66 977.19 1237.77 1386.22 1515.16 1667.13
1760 Botricello 18 68 24.38 5.88 594.38 860.17 1018.60 1159.52 1329.04
1780 Cropani 347 77 31.96 5.03 1021.44 1309.96 1475.04 1618.74 1788.47
1790 Sersale 730 55 36.21 5.12 1311.16 1641.80 1829.40 1991.98 2183.24
1800 Sellia Marina 85 71 27.92 4.29 779.53 994.18 1116.75 1223.35 1349.14
1810 Monaco Vill. Mancuso 1260 37 38.15 3.92 1455.42 1718.03 1863.97 1988.97 2134.50
1820 Soveria Simeri 366 63 31.67 4.5 1002.99 1257.22 1401.53 1526.61 1673.78
1830 Albi 710 84 36.15 4.26 1306.82 1578.89 1731.34 1862.53 2015.92
1840 Sant'Elia 650 56 35.24 3.98 1241.86 1489.16 1627.36 1746.11 1884.77
1850 Catanzaro 334 89 30.09 3.29 905.41 1079.71 1176.92 1260.36 1357.69
1860 Catanzaro Lido 10 63 28.83 4.77 831.17 1078.76 1221.01 1345.13 1492.00
1870 Carlopoli 915 64 36.41 4.51 1325.69 1616.50 1779.98 1920.92 2085.97
1880 Fiorenza 1105 33 34.34 3.97 1179.24 1419.88 1554.55 1670.36 1805.69
1890 Umbri 915 40 31.71 4.34 1005.52 1250.52 1389.20 1509.22 1650.25
1900 Olivella 400 28 34.75 4.25 1207.56 1468.95 1615.77 1742.28 1890.37
1910 Gimigliano 575 58 34.87 3.72 1215.92 1444.06 1571.12 1680.09 1807.10
1920 Borgia 345 79 34.19 5.11 1168.96 1481.53 1659.64 1814.35 1996.72
1930 Girifalco 500 60 35.52 4.98 1261.67 1576.99 1755.79 1910.68 2092.85
1940 Palermiti 480 80 35.71 5.57 1275.20 1631.98 1835.97 2013.48 2223.06
1950 Staletti 380 61 31.21 5 974.06 1254.44 1415.10 1555.06 1720.49
1960 Chiaravalle Centrale 714 72 36.58 5.54 1338.10 1700.95 1907.92 2087.80 2299.95
1970 Soverato Marina 29 56 30.63 5.75 938.20 1258.07 1443.92 1607.04 1801.07
1980 Serra San Bruno 790 77 43.61 4.44 1901.83 2241.72 2430.50 2592.15 2780.31
1990 Simbario 766 73 37.81 4.54 1429.60 1733.14 1903.42 2050.06 2221.62
2010 San Soatene 460 57 37.26 5.83 1388.31 1778.03 2000.90 2194.88 2423.92
2020 Badolato 210 57 34.81 5.2 1211.74 1535.58 1720.10 1880.37 2069.29
2040 Monasterace 70 63 26.54 4.82 704.37 936.15 1070.41 1188.06 1327.81
2050 Silo Ferdinandea 1061 33 39.82 5.2 1585.63 1953.32 2160.77 2339.97 2550.20
B.7

2060 Stilo 386 62 32.44 6.44 1052.35 1433.38 1655.94 1851.83 2085.40
2070 Riace 275 68 31.69 5.22 1004.26 1302.00 1473.00 1622.17 1798.66
2080 Platì 300 78 39.65 5.18 1572.12 1936.84 2142.62 2320.38 2528.93
2080 Placanica 244 41 29.99 4.65 899.40 1149.45 1292.35 1416.66 1563.41
2086 Mongiana 921 34 40.99 4.05 1680.18 1971.23 2132.62 2270.68 2431.25
2090 Fabrizia 948 67 42.5 4.98 1806.25 2180.08 2389.46 2569.62 2780.21
2100 Nardodipace 1080 59 36.98 6.1 1367.52 1773.58 2006.81 2210.28 2451.03
2110 San Nicola di Caulonia 300 34 35.86 5.54 1285.94 1642.08 1845.54 2022.52 2231.41
2120 Caulonia 300 64 29.46 4.77 867.89 1120.54 1265.44 1391.73 1541.06
2130 Roccella Ionica 5 56 27.91 3.81 778.97 968.24 1075.36 1168.06 1276.97
2140 Mammola 250 65 35.46 4.72 1257.41 1554.92 1722.99 1868.29 2038.86
2150 Fabrizia ‐ Cassari 970 77 43.69 5.73 1908.82 2353.46 2604.40 2821.20 3075.59
2160 Gioiosa Ionica 125 80 29 4.26 841.00 1061.80 1187.45 1296.51 1424.98
2170 Siderrno Marina 19 54 26.52 4.02 703.31 894.21 1003.11 1097.75 1209.38
2180 Canolo Nuovo 880 36 43.68 4.79 1907.94 2276.37 2481.90 2658.31 2864.12
2200 Antonimina 310 68 35.87 5.58 1286.66 1645.62 1850.81 2029.35 2240.12
2210 Ardore Superiore 250 68 31.33 4.7 981.57 1245.07 1395.27 1525.75 1679.58
2220 Bovalino Marina 46 530 26.97 4.39 727.38 940.32 1062.50 1169.02 1294.99
2250 Santuario di Polsi 862 51 44.66 6.74 1994.52 2533.36 2840.64 3107.65 3422.52
2260 San Luca 250 70 34.44 5.8 1186.11 1546.17 1753.35 1934.25 2148.48
2270 Sant’ Agata del Bianco 380 66 33.18 6.02 1100.91 1462.80 1672.40 1856.06 2074.22
2280 Casalnuovo 750 29 37.38 6.33 1397.26 1823.93 2069.54 2284.07 2538.17
2290 Staiti 550 56 33.59 5.29 1128.29 1447.21 1629.69 1788.55 1976.19
2300 Brancaleone Marina 10 48 25.94 4.3 672.88 873.73 989.14 1089.85 1209.03
2310 Capo Spartivento 48 69 23.94 3.82 573.12 737.39 831.49 913.45 1010.31
2320 Bova Superiore 905 70 28.14 6.29 791.86 1117.82 1310.51 1481.18 1685.77
2330 Bova Marina 5 59 21.61 4.47 466.99 643.74 747.40 838.83 948.04
2340 Roccaforte del Greco 930 46 30.07 4.53 904.20 1148.03 1287.05 1407.84 1550.27
2350 San Carlo 80 36 22.35 4.47 499.52 681.84 788.40 882.24 994.16
2360 Croce San Lorenzo CC 655 49 28.69 5.16 823.12 1091.16 1246.29 1382.16 1543.50
2370 Melito di Porto Salvo 18 53 23.74 3.78 563.59 724.76 817.06 897.45 992.45
2380 Montebello Ionico 470 61 27.09 4.54 733.87 955.49 1082.95 1194.23 1325.98
2390 Capo dell'Armi 125 72 21.33 3.61 454.97 593.81 673.73 743.54 826.22
2400 Motta San Giovanni 460 79 24.9 4.85 620.01 839.95 968.18 1080.93 1215.27
2430 Croce di Romeo CC 1380 27 37.56 4.03 1410.75 1677.04 1825.40 1952.65 2100.99
2450 Reggio Calabria 15 73 23.35 2.69 545.22 656.08 718.10 771.43 833.74
2460 Reggio Calabria ‐ Arasì 573 58 33.72 2.94 1137.04 1310.03 1405.33 1486.56 1580.70
2470 Gambarie D’Aspr. 1200 50 39.58 5.42 1566.58 1948.48 2164.67 2351.78 2571.64
2480 Gallico Marina 9 58 27.27 4.1 743.65 943.76 1057.83 1156.95 1273.80
2490 San Roberto 15 52 31.86 4.13 1015.06 1248.63 1380.33 1494.07 1627.48
2500 Villa San Giovanni 272 41 26.64 2.81 709.69 841.29 914.53 977.32 1050.48
2510 Scilla 73 66 27.14 3.86 736.58 923.47 1029.56 1121.52 1229.73
2520 Bagnara Calabra 170 53 30.99 4.14 960.38 1188.48 1317.37 1428.82 1559.66
2530 Palmi 480 57 30.72 3.77 943.72 1148.73 1263.91 1363.17 1479.37
2534 Oppido Mamertina 340 20 33.99 3.88 1155.32 1387.97 1518.07 1629.90 1760.52
2540 S. Cristina D’Aspr. 510 53 37.19 5.91 1383.10 1777.80 2003.81 2200.65 2433.22
2560 Sinopoli 502 76 35.71 4 1275.20 1526.97 1667.60 1788.39 1929.41
2570 Oppido Mamertina 194 57 36.58 4.95 1338.10 1660.24 1842.44 2000.06 2185.19
2580 Molochio 310 45 35.39 5.84 1252.45 1624.50 1838.20 2024.64 2245.23
2600 Cittànova 407 79 36.75 4.34 1350.56 1632.37 1790.30 1926.21 2085.13
2610 Rizziconi 114 72 33.69 3.19 1135.02 1323.12 1427.19 1516.10 1619.38
2620 Gioia Tauro 5 52 29.79 3.17 887.44 1053.52 1145.99 1225.29 1317.72
2630 Montecucco CC 730 52 40.29 3.96 1623.28 1902.95 2057.98 2190.58 2344.77
2640 Filogaso 285 76 31.51 2.94 992.88 1154.94 1244.52 1321.02 1409.85
2650 Pizzoni 275 31 33.05 3.13 1092.30 1273.37 1373.54 1459.12 1558.53
2660 S. Angelo di Gerocarne 267 44 30.13 4.86 907.82 1171.03 1321.93 1453.44 1608.91
2664 Soriano Calabro 310 32 33.92 3.65 1150.57 1368.40 1489.78 1593.90 1715.30
2670 Arena 450 75 33.62 3.9 1130.30 1361.78 1491.35 1602.80 1733.03
B.8

2680 San Pier Fedele 320 78 31.46 3.12 989.73 1161.85 1257.30 1338.97 1433.96
2690 Feroleto della Chiesa 160 74 32.97 3.5 1087.02 1289.94 1402.91 1499.78 1612.67
2700 Giffone 594 41 39.21 4.75 1537.42 1866.91 2051.85 2211.17 2397.60
2710 Mammola ‐ Limina 800 33 44.93 6.59 2018.70 2547.86 2848.94 3110.25 3418.06
2720 Polistena 243 68 32.92 4.44 1083.73 1343.72 1490.74 1617.90 1767.25
2730 Mileto 368 70 29.39 4.25 863.77 1086.82 1213.59 1323.55 1453.01
2740 Rosarno 61 81 28.6 2.84 817.96 960.39 1039.39 1106.99 1185.61
2750 Calimera 164 57 29.81 2.97 888.64 1043.91 1130.05 1203.76 1289.50
2760 Joppolo 185 71 30.09 3.32 905.41 1081.37 1179.56 1263.87 1362.23
2770 Tropea 30 69 25.97 2.79 674.44 801.92 872.94 933.86 1004.89
2780 Zungri 578 54 33.41 5.36 1116.23 1438.01 1622.41 1783.07 1972.97
2790 Briatico 33 73 27.37 3.06 749.12 896.72 979.16 1049.97 1132.62
2800 Vibo Valentia 498 76 29.74 3.14 884.47 1048.64 1140.01 1218.35 1309.63
2810 Pizzo Calabro 30 52 28.28 3.01 799.76 949.46 1032.82 1104.30 1187.61
2820 Monterosso Calabro 372 52 35.96 3.95 1293.12 1543.26 1682.82 1802.61 1942.37
2830 Filadelfia 550 81 35.04 3.93 1227.80 1470.54 1606.13 1722.60 1858.58
2840 Torre Mezzapraia 5 69 28.93 3.5 836.94 1016.06 1116.59 1203.19 1304.52
2850 Curringa Scalo 28 50 28.07 3.14 787.92 943.27 1030.03 1104.55 1191.55
2860 San Tommaso 890 79 37.24 3.8 1386.82 1635.24 1773.24 1891.42 2028.98
2870 Decollatura 760 72 35.81 3.84 1282.36 1524.26 1659.03 1774.62 1909.38
2880 Serrastretta 825 52 36.02 4.68 1297.44 1596.70 1765.48 1911.26 2082.24
2890 Tiriolo 690 59 34.07 5 1160.76 1465.21 1638.45 1788.81 1965.92
2900 Marcellinara 335 64 33.53 4.53 1124.26 1394.47 1547.28 1679.46 1834.71
2910 Caraffa di Catanzaro 385 68 32.81 4.63 1076.50 1347.38 1501.07 1634.23 1790.89
2920 Serra del Gelo 825 45 44.06 5.51 1941.28 2371.43 2613.39 2822.07 3066.52
2930 Feroleto Antico 330 51 32.28 4.63 1042.00 1308.75 1460.28 1591.66 1746.31
2935 Nicastro 250 48 32.1 3.27 1030.41 1214.67 1317.01 1404.65 1506.66
2950 Maida 298 63 33.18 4.14 1100.91 1344.27 1481.14 1599.18 1737.43
2960 Sant'Eufemia Lamezia 25 54 29.58 3.67 874.98 1067.25 1175.34 1268.54 1377.69
2970 Capo Suvero 5 62 29.38 3.39 863.18 1038.97 1137.34 1221.93 1320.76
2980 Savuto CC 1210 75 36.97 7.05 1366.78 1840.70 2116.45 2358.68 2646.99
2990 Parenti 830 80 35.77 3.71 1279.49 1512.62 1642.24 1753.30 1882.64
3000 Rogliano 650 76 35.93 3.6 1290.96 1517.87 1643.78 1751.55 1876.93
3010 Martirano Lombardo 440 37 39.18 4.84 1535.07 1870.86 2059.59 2222.28 2412.79
3020 Nocera Terinese 240 79 33.31 4.73 1109.56 1390.61 1550.13 1688.40 1851.08
3030 Aiello Calabro 510 65 32.3 3.89 1043.29 1265.50 1390.19 1497.57 1623.21
3040 Amantea 54 84 29.54 3.51 872.61 1055.87 1158.60 1247.04 1350.46
3050 Fiumefreddo Bruzio 230 65 32.45 3.59 1053.00 1258.22 1372.76 1471.11 1585.87
3060 Paola 160 71 32.8 3.8 1075.84 1295.87 1419.02 1524.94 1648.70
3080 Guardia piemontese 117 75 33.82 3.82 1143.79 1371.59 1498.89 1608.28 1736.00
3090 Cetraro Superiore 416 47 31.75 3.5 1008.06 1203.79 1313.01 1406.77 1516.18
3100 Belvedere Marittimo 10 62 31.68 3.8 1003.62 1216.49 1335.89 1438.72 1559.01
3110 Cirella 30 55 31 4.08 961.00 1185.69 1312.52 1422.12 1550.73
3124 Verbicaro Scalo 160 25 31.54 5.19 994.77 1289.39 1458.57 1606.15 1780.75
3150 Laino Borgo 250 52 36.42 4.39 1326.42 1609.19 1767.87 1904.53 2064.43
3160 Campotenese 965 81 38.2 4.24 1459.24 1744.61 1903.91 2040.71 2200.35
3170 Mormanno 790 74 39.74 5.48 1579.27 1967.11 2186.77 2376.93 2600.44
3180 Papasidero 238 48 37.22 5.86 1385.33 1776.78 2000.76 2195.75 2426.05
3190 Orsomarso 425 74 35.97 5.74 1293.84 1664.71 1877.15 2062.20 2280.88
3200 Scalea 10 78 31.79 4.13 1010.60 1243.68 1375.13 1488.67 1621.83
3250 Aieta 460 75 39.56 6.67 1564.99 2040.66 2314.37 2553.40 2836.47
N: numerosità serie storica; y: media campionaria; y: deviazione standard campionaria.

B.9

Figura B.4 – Precipitazione media annua. Isoiete ad equidistanza 100 mm.

B.10

B2 – Analisi degli andamenti pluviometrici mensili
ORESTE TERRANOVA, (CON LA PARTECIPAZIONE DI STEFANO LUIGI GARIANO)

È stata effettuata un’analisi degli andamenti pluviometrici mensili per la Calabria.
Inizialmente sono stati utilizzati i dati di pioggia mensile di 315 stazioni pluviometriche,
determinando per ognuna di esse la pioggia media annuale e i valori medi di pioggia per
ciascuno dei 12 mesi.
È stato impiegato il coefficiente pluviometrico di Angot il quale esprime il dato
pluviometrico mensile come rapporto tra la precipitazione mensile effettiva e quella
teorica, nell’ipotesi di una distribuzione uniforme delle precipitazioni in tutti i mesi. Tale
coefficiente è definito dalla relazione:
m
(B.10)
P  n / 365
in cui m è la precipitazione del mese considerato, P la precipitazione annua ed n il numero
di giorni del mese.
Intendendo fare riferimento ai valori medi, per il calcolo di tale coefficiente sono
state prese in considerazione (Tabella B.II) le serie storiche mensili di 201 delle 315 stazioni
pluviometriche, scartando quelle con numerosità inferiore ai 15 anni.
In Figura B.4 è riportato l’andamento delle isoiete medie annue per il territorio
regionale calabrese.
Valutati i coefficienti per tutti i mesi delle stazioni analizzate, sono state tracciate le
curve che li congiungono evidenziandone gli andamenti nel corso dell’anno. L’andamento
tipico del coefficiente per le situazioni climatiche presenti in Calabria, ovvero con valori
maggiori nei mesi invernali (massimi a gennaio e dicembre) e progressivamente minori in
quelli primaverili e autunnali fino ai minimi estivi, è stato riscontrato in 114 stazioni. Il
fascio di curve di questo tipo, che rappresenta il 57 % delle stazioni analizzate, è riportato
in Figura B.5.

B.11

3.00
2.50
2.00
m/(P∙n/365)
1.50
1.00
0.50
0.00
1 2 3 4 5 6 7 8 9 10 11 12
n

Figura B.5 ‐ Curve di Angot per le 114 stazioni con andamento “tipico”
Il restante 43% di stazioni ha mostrato curve con andamenti discordanti, in
particolare: valori del coefficiente nel mese di novembre maggiori rispetto a quelli di
dicembre; valori maggiori a marzo rispetto a febbraio, picchi a marzo e a novembre; valori
maggiori a febbraio rispetto a gennaio; punte dei valori nei mesi di aprile e settembre;
valori elevati a marzo e ottobre. L’andamento del coefficiente di Angot per queste
situazioni è riportato nelle Figure da B.6 a B.10.
2.50
2.00
m/(P∙n/365)
1.50
1.00
0.50
0.00
1 2 3 4 5 6 7 8 9 10 11 12
n
Figura B.6 ‐ Curve di Angot con valori anomali nel mese di novembre (36 stazioni).
B.12

3.00
2.50
2.00
m/(P∙n/365)
1.50
1.00
0.50
0.00
1 2 3 4 5 6 7 8 9 10 11 12
n
Figura B.7 ‐ Curve di Angot con valori elevati nel mese di marzo (20 stazioni).
2.50
2.00
m/(P∙n/365)
1.50
1.00
0.50
0.00
1 2 3 4 5 6 7 8 9 10 11 12
n
Figura B.8 ‐ Curve di Angot con valori elevati nei mesi di marzo e novembre (12 stazioni).
B.13

3.50
3.00
2.50
m/(P∙n/365)
2.00
1.50
1.00
0.50
0.00
1 2 3 4 5 6 7 8 9 10 11 12
n
Figura B.9 ‐ Curve di Angot con valori elevati nei mesi di aprile e settembre (7 stazioni).
2.50
2.00
m/(P∙n/365)
1.50
1.00
0.50
0.00
1 2 3 4 5 6 7 8 9 10 11 12
n
Figura B.10 ‐ Curve di Angot con valori elevati nel mese di febbraio (10 stazioni).
La Figura B.11 mostra la localizzazione delle stazioni esaminate, classificate in base
all’andamento delle curve di Angot. La distribuzione sul territorio regionale non sembra
seguire criteri precisi, salvo in alcuni casi limitati. Le stazioni che hanno fatto registrare un
andamento “tipico” sono localizzate su tutto il territorio regionale ad esclusione del
B.14

crotonese. In tale zona è evidente altresì una maggiore presenza di stazioni con curve che
hanno valori elevati del coefficiente nei mesi di marzo e novembre o nel solo mese di
marzo; questa anomalia può essere pertanto considerata come una caratteristica climatica
della zona centro‐orientale della penisola calabrese. Nell’alto ionio cosentino, così come
nel basso ionio reggino, sono invece localizzate une serie di stazioni con curve di Angot che
presentano valori elevati del coefficiente nel mese di novembre. Le stazioni le cui curve
hanno presentato valori elevati nel mese di febbraio sono localizzate in zone montuose,
prevalentemente nei rilievi interni, ad est e ad ovest della valle del Crati. Per il resto dei
casi l’andamento delle curve di Angot non segue criteri di spazializzazione sul territorio
legati a parametri morfologici o di localizzazione quali l’altitudine o la latitudine.
B.15

Figura B.11 ‐ Localizzazione delle stazioni classificate in base all’andamento delle curve di Angot
B.16

Tabella B.II ‐ Elenco delle stazioni con indicazione della pioggia media annua e dell’andamento della
curva dei coefficienti di Angot.
SIMI Stazione m s.l.m. X Y Pannua Andamento curva
850 Nocara 830 2646335.31 4438319.59 683.87 M‐N
860 Montegiordano Scalo 7 2656348.61 4433496.49 547.50 N
880 Castroregio 820 2646244.26 4428109.65 699.08 M‐N
890 Amendolara 237 2654931.83 4423817.24 517.90 N
900 Albidona 810 2636624.46 4420096.57 630.60 Classico
910 Alessandria del Carretto 975 2637861.54 4424089.33 872.67 N
920 Trebisacce 10 2650922.92 4413970.05 581.27 N
930 Villapiana Scalo 5 2646585.45 4406063.71 530.00 Classico
940 Francavilla Marittima 272 2638553.82 4408525.47 715.77 Classico
950 San Lorenzo Bellizzi 851 2633635.04 4416253.63 1017.10 N
960 Civita 450 2632305.45 4409726.77 779.08 Classico
974 Doria 40 2636180.57 4398775.08 669.23 Classico
980 Piane Crati 583 2634183.53 4343423.56 1096.39 N
984 Serra Pedace 750 2636171.69 4348417.18 1018.00 F
990 Trenta 534 2634250.27 4348697.52 923.05 Classico
1000 Domanico 736 2624108.58 4341833.88 1448.54 Classico
1010 Cosenza 242 2629027.13 4349471.67 866.19 Classico
1020 Cerisano 620 2621485.67 4348027.80 283.40 Classico
1030 San Pietro in Guarano 660 2632930.40 4355430.91 870.25 Classico
1040 Rende 482 2621740.66 4354197.74 1265.17 Classico
1050 Rose 433 2630876.35 4361785.16 981.54 Classico
1060 Montalto Uffugo 468 2619791.03 4362436.51 1338.90 Classico
1070 Laghitello 870 2614772.15 4365980.98 2022.84 F
1080 San Martino di Finita 470 2615299.33 4371722.58 1545.10 F
1090 Camigliatello Silano 1291 2643877.42 4355196.72 1498.20 Classico
1092 Camigliatello Monte Curcio 1730 2641941.14 4352950.97 1260.84 M‐N
1100 Cecita 1180 2652883.79 4362099.37 957.80 Classico
1110 Pinutello 1005 2646854.66 4367919.21 1122.93 Classico
1120 Acri 750 2638881.96 4371771.20 829.52 F
1130 Torano Scalo 97 2624043.23 4372281.94 799.19 Classico
1140 Tarsia 203 2629265.16 4386060.87 671.86 Classico
1150 Santa Sofia d’Epiro 550 2633432.50 4378380.95 988.45 Classico
1160 Sant Agata CC 50 2638763.89 4388761.38 738.40 Classico
1180 Castrovillari 353 2624477.35 4408507.66 715.82 N
1190 Firmo 1369 2620648.05 4397569.14 841.33 Classico
1200 Sant’Agata d Esaro 440 2604415.26 4386057.10 1692.22 F
1210 Malvito 449 2610403.69 4383781.61 1594.27 Classico
1220 Roggiano Gravina 264 2619324.11 4385741.38 974.20 Classico
1230 San Sosti 404 2608180.39 4391014.15 1319.29 Classico
1240 Acquaformosa 767 2614862.05 4397526.44 1352.69 Classico
1250 Fagnano Castello 516 2610687.81 4379899.81 1698.59 Classico
1260 San Marco Argentano 430 2616282.98 4379073.60 1249.80 F
1264 Tarsia Scalo 70 2626681.36 4390156.99 750.75 Classico
1280 Spezzano Albanese Scalo 46 2630619.35 4396380.27 671.82 N
1290 Caselle 12 2641793.17 4397721.07 586.84 N
1296 Macchia Albanese 520 2638651.28 4382128.89 863.82 Classico
1300 San Giorgio Albanese 430 2644777.82 4382533.78 948.49 N
1310 Schiavonea 3 2652064.32 4390427.20 515.37 N
1320 San Giacomo d’Acri 724 2645934.50 4375983.88 988.11 Classico
1330 Rossano 300 2660374.65 4381814.74 937.75 N
1370 Bocchigliero 870 2670902.89 4364556.34 1186.76 N
1380 Cropalati 367 2668276.81 4375516.60 972.90 Classico
1390 Crosia 279 2672298.25 4381177.00 797.74 N
1400 Pietrapaola 400 2676031.67 4372430.36 1035.44 M
1430 Scala Coeli 330 2682627.71 4367908.58 1199.35 M
1440 Crucoli 367 2692505.74 4365746.08 958.11 M‐N
1450 Umbriatico 385 2685354.19 4357786.67 1124.74 M
1455 Cirò Marina 10 2703128.17 4361577.93 645.63 Classico
1460 Cirò Marina 6 2703806.73 4360359.96 726.53 N
B.17

1470 San Giovanni in Fiore 1050 2666506.51 4346460.51 818.60 M

1480 Quaresima 1300 2645002.27 4341769.77 1475.39 F
1490 Lorica C.C. 1290 2650572.82 4345776.86 1189.72 N
1500 Nocelle 1315 2653706.46 4344812.60 1231.72 Classico
1510 Sculca 1358 2649507.92 4353592.18 1353.34 F
1520 Monteoliveto 1237 2658232.36 4351953.53 1301.22 Classico
1530 Stratalati 1200 2663701.27 4349030.07 1351.30 Classico
1540 Berberano 1280 2656028.86 4338129.91 1286.11 Classico
1550 Trepidò 1295 2666644.16 4339092.31 1381.97 Classico
1560 Casa Paquale 1246 2668483.42 4338294.30 1335.45 N
1580 Cerenzia 663 2674140.36 4345608.07 604.20 M
1600 Santa Severina 326 2685265.57 4334775.05 836.22 M‐N
1610 Rocca di Neto 183 2694901.02 4338013.04 773.10 M‐N
1620 Verzino 550 2680539.88 4353182.78 946.25 M
1630 Casabona 309 2688767.28 4346138.85 903.04 M
1640 San Nicola dell`Alto 576 2689698.32 4351300.86 706.60 Classico
1650 Strongoli 342 2696613.33 4348132.18 740.89 M
1670 Acqua della Quercia 169 2695941.77 4322452.5 447.20 M
1675 Papanice 156 2694825.95 4326816.14 529.37 A‐S
1680 Crotone 5 2703970.88 4327880.16 612.11 M‐N
1690 Capo Colonne 24 2710815.31 4322274.94 657.05 M‐N
1695 Salica 162 2703601.06 4320538.84 675.55 A‐S
1700 Isola di Capo Rizzuto 90 2701221.67 4314645.16 612.84 M
1710 Cutro 229 2691592.03 4322233.22 891.71 M‐N
1720 Steccato 15 2686651.24 4312411.62 656.72 M‐N
1730 Petilia Policastro 434 2674572.10 4330598.16 722.05 N
1740 San Mauro Marchesato 288 2686329.77 4329892.91 612.88 M
1750 Marcedusa 314 2678886.08 4321280.40 941.79 M‐N
1790 Sersale 750 2669416.02 4319530.06 1209.77 M
1810 Monaco 1250 2655613.18 4326064.35 1644.54 Classico
1825 Spineto 1270 2652590.44 4333528.14 1273.88 A‐S
1840 Sant Elia 650 2657433.43 4314038.57 1150.58 M
1850 Catanzaro 334 2657510.66 4308077.69 900.80 Classico
1855 Santa Maria di Catanzaro 70 2658656.22 4301298.88 602.52 Classico
1860 Catanzaro Lido 6 2660026.37 4298109.98 759.35 Classico
1864 Vivoli C.C. 1300 2644562.90 4333190.90 1338.85 Classico
1870 Carlopoli 950 2645838.41 4324020.74 1348.34 Classico
1890 Umbri 885 2651014.28 4320744.05 1151.03 Classico
1900 Olivella 360 2653052.48 4313994.41 1131.84 Classico
1910 Gimigliano 550 2652149.52 4314719.06 1203.85 Classico
1920 Borgia 332 2650874.26 4298663.02 1143.71 N
1930 Girifalco 450 2643696.73 4297992.69 1424.73 N
1935 Serralta 1013 2638577.90 4290580.95 1424.67 A‐S
1940 Palermiti 480 2646280.05 4290263.01 1022.55 Classico
1950 Staletti 390 2653859.28 4291867.02 933.24 N
1960 Chiaravalle Centrale 516 2642649.01 4281126.02 1233.14 Classico
1970 Soverato Marina 6 2654831.22 4282941.04 490.80 Classico
1980 Serra San Bruno 790 2635375.85 4271227.53 1663.55 Classico
1990 Simbario 760 2635522.64 4274467.10 1479.59 Classico
1993 Campo Gagliato C.C. 370 2647426.57 4283497.61 1307.72 Classico
2010 San Sostene 475 2649409.05 4277486.06 1576.71 Classico
2020 Badolato 250 2652579.25 4270075.96 1168.39 M‐N
2040 Punta Stilo 70 2655451.86 4257295.14 719.14 Classico
2050 Ferdinandea 1050 2640312.70 4263191.70 1724.58 Classico
2060 Stilo 410 2648141.49 4259952.12 1124.75 M
2070 Riace 304 2649046.09 4253219.10 972.14 M
2080 Placanica 250 2648376.31 4252833.32 893.18 Classico
2086 Mongiana 921 2635066.85 4263820.68 1761.48 Classico
2090 Fabrizia 948 2633618.81 4261173.063 1705.53 Classico
2100 Nardodipace 670 2637125.47 4259136.09 1526.47 Classico
2110 San Nicola di Caulonia 225 2639817.19 4252547.24 1252.31 N
2120 Caulonia 275 2642974.37 4249141.04 860.06 N
2140 Mammola 250 2628371.80 4246804.35 1450.33 Classico
B.18

2150 Croceferrata 970 2632114.19 4258691.34 1584.33 F

2160 Gioiosa Ionica 125 2633871.31 4244136.10 808.07 A‐S
2170 Siderno Marina 7 2633352.85 4236082.27 764.69 Classico
2180 Canolo Nuovo 880 2620808.85 4243307.804 1770.03 Classico
2190 Agnana Calabra 180 2626688.44 4240092.07 1202.16 Classico
2194 Gerace Superiore 480 2626586.99 4236730.39 1133.63 Classico
2200 Antonimina 310 2620462.02 4236676.36 1016.57 N
2210 Ardore Superiore 250 2622036.67 4227811.18 915.67 M
2230 Platì 310 2611389.81 4230933.82 1541.22 Classico
2250 Santuario di Polsi 786 2604136.29 4224505.07 1801.78 Classico
2270 Sant Agata del Bianco 405 2615008.76 4216111.24 1061.17 M
2290 Staiti 550 2610690.82 4206326.43 907.16 Classico
2300 Brancaleone Marina 8 2616932.03 4202513.95 727.40 N
2310 Capo Spartivento 48 2613187.59 4198030.69 611.25 M
2330 Bova Marina 8 2601206.89 4198458.84 533.21 N
2360 Croce San Lorenzo C.C. 425 2593504.58 4207879.89 919.94 Classico
2370 Melito Porto Salvo 7 2588645.94 4196926.07 572.20 N
2380 Montebello Ionico 470 2586604.03 4204304.78 638.10 M
2390 Capo dell’Armi 117 2580110.02 4202129.70 498.36 N
2400 Motta S. Giovanni 480 2580981.60 4206328.09 692.90 N
2420 Armo 349 2582631.09 4213861.48 1004.24 Classico
2460 Arasì 573 2582087.61 4217673.51 963.33 Classico
2465 Cardeto 670 2587032.00 4215409.71 1276.55 A‐S
2470 Gambarie d'Aspromonte 1300 2593327.95 4224770.20 1225.66 Classico
2480 Gallico Marina 10 2576685.05 4224390.50 779.52 Classico
2490 San Roberto 325 2584309.75 4229595.15 1089.51 Classico
2500 Villa S. Giovanni 4 2575599.58 4230085.27 698.64 N
2534 Oppido Mamertina 342 2606129.97 4238428.63 1229.54 N
2540 SantaCristina d'Aspromonte 510 2604882.79 4234562.20 1524.69 Classico
2560 Sinopoli 502 2596780.45 4235387.65 1429.60 Classico
2570 Castellace 189 2602212.82 4241347.42 1298.47 N
2600 Cittanova 407 2613678.56 4245387.04 1204.23 Classico
2620 Gioia Tauro 20 2598252.13 4254039.58 898.29 Classico
2630 Montecucco 730 2635339.70 4277085.42 1465.44 Classico
2640 Filogaso 286 2627050.97 4282026.32 966.22 Classico
2660 Sant'Angelo di Gerocarne 264 2621784.46 4274280.35 984.22 Classico
2664 Soriano Calabro 300 2627100.36 4272931.84 1215.67 Classico
2670 Arena 450 2625434.36 4268994.13 1254.72 A‐S
2680 San Pier Fedele 325 2619631.29 4264572.93 1064.88 Classico
2684 Galatro 150 2616665.05 4257476.84 1261.04 Classico
2690 Feroleto della Chiesa 160 2612804.54 4258016.85 840.53 Classico
2710 Limina C.C. 800 2626148.34 4249206.20 1568.83 Classico
2720 Polistena 239 2613826.31 4251462.31 1152.13 Classico
2730 Mileto 368 2612503.19 4273612.51 673.96 Classico
2740 Rosarno 61 2604826.40 4260672.44 924.76 Classico
2750 Calimera 180 2608766.49 4268082.86 943.08 Classico
2770 Tropea 51 2598080.94 4281505.43 698.93 N
2790 Briatico 25 2610102.10 4286996.43 804.97 N
2840 Torre Mezzapraia 20 2625948.91 4297612.59 874.41 Classico
2850 Curinga Scalo 25 2629464.66 4299787.60 847.82 N
2860 San Tommaso 820 2639081.63 4327246.08 1413.69 Classico
2880 Serrastretta 790 2642595.67 4319190.32 1370.67 Classico
2884 Miglierina 585 2647497.52 4312113.99 1479.08 Classico
2890 Tiriolo 690 2650746.94 4312198.03 912.30 M
2900 Marcellinara 330 2649532.01 4309927.25 1164.12 Classico
2910 Caraffa 370 2648966.26 4304736.86 1125.35 Classico
2914 Vena di Maida 240 2642015.17 4305367.28 1154.76 Classico
2920 Serra del Gelo 900 2639056.47 4293759.27 1813.28 Classico
2930 Feroleto Antico 300 2640323.25 4313605.04 1140.54 Classico
2940 Nicastro ‐ Bella 400 2641082.48 4314083.95 1071.05 Classico
2960 Sant'Eufemia Lametia 25 2628569.19 4308809.49 680.07 N
2970 Capo Suvero 20 2620437.19 4311877.60 814.54 Classico
2980 Savuto C.C. 1205 2649897.51 4335897.76 1328.65 Classico
B.19

3000 Rogliano 650 2634010.92 4337161.45 1011.88 Classico

3020 Nocera Terinese 250 2620288.75 4321649.49 1192.39 Classico
3030 Aiello Calabro 590 2620778.71 4330319.9 1110.38 Classico
3040 Amantea 54 2612929.31 4332090.48 871.25 Classico
3050 Fiumefreddo Bruzio 220 2612049.05 4343470.78 950.70 M
3060 Paola 160 2609768.32 4358057.53 846.27 Classico
3080 Guardia Piemontese 515 2606011.13 4369054.67 1187.41 Classico
3090 Cetraro Superiore 76 2600767.10 4374609.94 863.90 N
3110 Cirella 36 2589370.42 4396421.55 934.37 Classico
3124 Verbicaro Scalo 15 2590437.23 4402135.29 941.71 Classico
3170 Mormanno 820 2604472.44 4415474.43 1655.03 Classico
3180 Papasidero 219 2597551.07 4413982.47 1412.20 F
3190 Orsomarso 120 2597870.17 4405968.58 1232.36 Classico
3195 Praia d'Aieta 10 2586572.94 4416996.16 1559.26 Classico
3200 Scalea 10 2587508.77 4407720.27 1020.45 Classico
3250 Aieta 524 2590389.46 4420234.31 1626.24 Classico
A‐S: anomalie nei mesi di aprile e settembre; F: anomalie nei mesi di febbraio; M: anomalie nei mesi di marzo;
MN: anomalie nei mesi di marzo e novembre; N: anomalie nei mesi di novembre;
B.20

Figura B.12 – Precipitazioni medie mensili (mm) nel periodo ottobre – marzo
B.21

Figura B.13 – Precipitazioni medie mensili (mm) nel periodo aprile ‐ settembre

B.22

B3 – Analisi regionale degli eventi di pioggia a scala giornaliera
ORESTE TERRANOVA

Nello studio probabilistico degli estremi idrologici, l’approccio usualmente adottato
consiste nell’estrarre dalla serie completa delle osservazioni, CDS, i valori massimi assunti
dalla variabile di interesse in un determinato intervallo di tempo. Allorché il periodo
considerato sia di un anno, le serie così costruite vengono denominate AMS. Una seconda
via consiste nell’estrarre tutti i valori che eccedano prefissati ed arbitrari valori di soglia; in
tal caso la serie che si ottiene è detta PDS oppure POT. Se il valore di soglia è scelto in
modo da ottenere una PDS di dimensione pari al numero di anni di osservazione, la serie è
detta AES. In ogni caso è molto importante il numero di eventi che possono essere
individuati nella CDS. Questo numero infatti è in relazione con i parametri delle più comuni
distribuzioni di probabilità adottate in idrologia. In particolare, con riferimento alle AMS, i
parametri  ed  della distribuzione EV1 di Gumbel (Gumbel, 1958) dipendono dal
numero medio annuo (s) di eventi superiori ad una soglia s secondo la relazione:
s e , (B.11)
Se si indicano con 1(s) e 2(s) i parametri della componente di base e di quella
straordinaria della distribuzione di probabilità denominata TCEV (Rossi e Versace, 1982),
che esprimono il numero di picchi di piena o di altezze di pioggia di fissata durata che si
verificano ogni anno e sono tra loro indipendenti:
s= s(s), con 1(s)>2(s). (B.12)
Nella presente nota viene analizzata, sulla base di oltre 200 CDS di precipitazioni
giornaliere che dispongono di oltre 15 anni di osservazione distribuite sul territorio
regionale calabrese, la variabilità spaziale di (s) per diversi valori di soglia relativamente
ai fattori Pioggia totale dell’evento Pev, Intensità media dell’evento Imed e, con maggiore
attenzione e dettaglio, Intensità massima dell’evento Imax. Si intende conseguire l’obiettivo
di contribuire ad una migliore stima regionale dei parametri dei modelli probabilistici,
mettendo in relazione (s) con le caratteristiche fisiche del territorio.

B3.1 – Metodologia di studio

I singoli eventi piovosi sono individuati nella CDS dalle successioni di valori
consecutivi non nulli di precipitazioni. Ciascuna successione, necessariamente preceduta e
seguita da almeno un valore nullo, è stato assunto che costituisca, in assenza di più precise
osservazioni meteorologiche, un singolo evento pluviometrico (Colosimo e Copertino,
1981).
I fattori caratterizzanti gli eventi pluviometrici così individuati possono essere
raggruppati in due classi (Gullà et al., 2001; Terranova e Gullà, 2003; Antronico et al.,
2002). Alla prima appartengono fattori che rappresentano magnitudine e forma degli
eventi alla seconda quelli che tengono conto delle quantità di pioggia cadute in periodi
antecedenti l’evento stesso. Alcuni dei fattori che possono essere ascritti alle due classi
sono riportati in Figura B.14:
B.23

Figura B.14 ‐ Fattori del primo tipo: Pioggia totale Pev, Intensità massima Imax, Intensità media Imed,
Durata Dev, Posizione del picco tp, Pioggia dell’evento caduta prima del picco Pbp. Fattori del secondo
tipo: Pioggia totalizzata in dati periodi precedenti il picco dell’evento in esame, Distanza temporale fra
l’evento in esame e quello precedente, Pioggia totale dell’evento precedente quello in esame.

La magnitudine da analizzare può quindi riguardare più di un fattore. Il generico
fattore può essere in posizione diversa sulla scala dei tempi; relativamente al tempo di
superamento della soglia. Differenti criteri di posizionamento possono essere adottati a
seconda del fattore di interesse e del fenomeno fisico che si intende analizzare. Nel
seguito, per semplicità di trattazione, il tempo di posizionamento sarà assunto pari a
quello di inizio dell’evento.
Le problematiche relative alle caratteristiche di stagionalità sono state nel seguito
affrontate operando con periodi omogenei, gli anni idrologici, ed analizzando di seguito la
distribuzione degli eventi all’interno di questo periodo. Quindi, per ciascun anno
idrologico, vengono individuati e conteggiati gli eventi che eccedono il valore di soglia, s,
relativamente al fattore di magnitudine analizzato. Si ottiene così il valore medio
campionario, la varianza campionaria, ecc. del numero (s) di tali eventi. Il procedimento
viene ripetuto per diversi valori di soglia per poter studiare la corrispondente variabilità di
(s).
In definitiva il rischio R, o probabilità di eccedenza, che il generico fattore x superi il
valore di soglia s è analizzato facendo variare il valore di soglia s nella relazione:
S
R(x>s) = 1 ‐ P(xs) = 1‐ 

p( x)dx

(B.13)
e conteggiando gli eventi che eccedono s. E’ stato in questa fase preferito di non
appesantire lo studio indagando riguardo alle funzioni di distribuzione di probabilità
teoriche più adatte ad interpretare le serie delle magnitudini. In definitiva, allorché sia
stato necessario stimare le probabilità, si è, imprecisamente, ricorso ad interpolazioni e
solo molto di rado ad estrapolazioni fra le frequenze campionarie.

B3.2 – Applicazione al territorio calabrese

Per quanto riguarda il numero di eventi di pioggia che interessano il territorio
regionale, Versace et al. (1989) indicano la maggiore frequenza e la minore intensità degli
B.24

eventi piovosi sulla fascia tirrenica, in particolare della Catena Costiera, rispetto a quelli
della fascia ionica, in particolare delle Serre, ove gli eventi sono più brevi e più intensi.
Secondo Bellecci et al. (2003) il numero di eventi piovosi è maggiore sulla fascia tirrenica
della Catena Costiera e minore nelle fasce costiere della piana di Sibari, del Marchesato e
dell’estremo versante meridionale dell’Aspromonte, in quanto protette dalle
perturbazioni, provenienti in genere da Nord Nord‐Ovest in Inverno, rispettivamente dal
massiccio del Pollino, dall’Altopiano silano e dai monti Peloritani della Sicilia. Da questo
effetto di protezione risentono solo parzialmente i versanti ionici delle Serre; in questa
zona in effetti, provenendo dall’Egeo, le precipitazioni autunnali sono maggiori di quelle
invernali.
Nelle mappe di Figura B.4 e B.15 sono riportate le iso‐curve dei valori medi annui
delle piogge (MAR) e del numero medio annuo di giorni piovosi (NGP). Si osserva che i più
bassi valori di MAR sono relativi alle aree della Calabria ionica settentrionale e quelli più
elevati ai rilievi della Catena Costiera paolana, delle Serre e dell’Aspromonte; le fasce
costiere, soprattutto ioniche, presentano i valori più bassi di NGP mentre le aree montane
presentano i più elevati valori di NGP.
Figura B.15 – Precipitazioni medie annue, Numero medio annuo di giorni piovosi.
B.25

B3.3 – Valutazione del numero medio annuo di eventi

Avendo indicato con NRD il rapporto MAR/NGP, per ciascuna stazione è stato
calcolato il numero medio annuo di eventi piovosi con intensità massima superiore a valori
di soglia variabili da 0 a 30NRD.
Per ciascuna stazione e per ciascun valore di soglia è possibile verificare la capacità
delle distribuzioni probabilistiche di Poisson, di Bernoulli o Binomiale negativa, di adattarsi
alle distribuzioni campionarie dei relativi numeri di eventi annui. Ovviamente al crescere
dei valori di soglia le dimensioni campionarie si riducono rapidamente e quindi le verifiche
di bontà di adattamento rispetto ad una singola stazione perdono di significato. In questa
fase dell’indagine sono stati calcolati i rapporti fra la media e la varianza dei valori annuali
di (s). Questi rapporti permettono una prima valutazioni circa la distribuzione più adatta
ad interpretare le serie dei valori annuali campionari di (s); infatti a rapporti prossimi
all’unità corrisponde la distribuzione di Poisson, a rapporti minori di 1 la distribuzione
Binomiale negativa ed a rapporti maggiori di 1 quella di Bernoulli. I risultati trovati
indicano (Terranova, 2004) generalmente un buon adattamento della distribuzione di
Poisson.
Lo studio è proseguito, al fine di delimitare zone omogenee riguardo a (s)
adottando, per semplicità, la tecnica “Kriging” di regionalizzazione. In Figura B.16, a titolo
esemplificativo, è riportato per ciascun fattore, l’andamento di (s) al variare di s per
alcune stazioni calabresi.

Figura B.16 – Andamenti di (s) su cartogrammi di Gumbel al variare di s, relativamente a Pev, Imax ed
Imed, per alcune stazioni
Le mappe di Figura B.17 forniscono ulteriori elementi riguardo alla caratteristiche
degli eventi di pioggia sul territorio regionale calabrese. Nelle mappe sono infatti riportate,
per Imax, Pev e Imed, le isolinee del numero di eventi rispettivamente per s=2∙NRD, s=10∙NRD
ed s=3∙NRD. In precedenti studi (Terranova, 2003a, 2003b), relativi ad ambiti territoriali
più limitati comprendenti comunque oltre il 60% del territorio regionale, sono illustrate
mappe in cui i valori di s sono caratterizzati dalla frequenza campionaria.
B.26

Figura B.17 – Mappe di (s) per s=2∙NRD, s=10∙NRD ed s=3∙NRD in relazione rispettivamente ad Imax,
Pev e Imed

L’approccio permette, fissato a piacere un qualsiasi valore di soglia s rispetto ad un
qualsiasi fattore di interesse, di ottenere la distribuzione sul territorio regionale del
numero di eventi che eccedono tale soglia. In definitiva si riescono ad identificare ed a
caratterizzare (Antronico et al. 2002; Terranova, 2002a) completamente gli eventi che
eccedono prefissate magnitudini mediante i fattori sia del primo che del secondo tipo;
L’identificazione completa degli eventi fornisce peraltro l’opportunità di individuare i
periodi dell’anno in cui eventi di prefissate caratteristiche sono più frequenti.
Con riferimento ad Imax, viene mostrata (Figura B.18) una prima mappa di
(s=0NRD) dalla quale si evince che il maggior numero di eventi di pioggia è presente
principalmente nelle aree interne della regione e solo in limitatissime aree della fascia
tirrenica ed il minor numero di eventi è invece presente principalmente in aree costiere
ioniche ma anche in alcune aree vallive interne e in alcune aree tirreniche; da una seconda
mappa relativa a (s=5NRD) si osserva un quadro molto diverso, con il più basso numero
di eventi sulla fascia tirrenica ed il maggior numero di eventi nella fascia ionica. Queste
due mappe consentono di trarre la conclusione che, diversamente da quanto riportato in
studi precedenti (Penta et al., 1980; Versace et al., 1989), mentre il massimo numero di
eventi non ha luogo sulla fascia tirrenica bensì sulle aree montane interne, effettivamente
sulle aree ioniche si verificano gli eventi di maggiore intensità relativa. Questo secondo
tipo di considerazione inizia ad acquisire valore per s pari circa a 5NRD e conferma la
maggiore esposizione delle aree ioniche ad eventi pluviometrici eccezionali.
Gli scenari intermedi fra s=0∙NRD ed s=5∙NRD mostrano tutti valori massimi di (s)
che dal posizionamento sulle aree interne della regioni si spostano man mano verso le
aree ioniche.
Dato che i valori di NRD assumono valori da circa 5 a circa 18 mm, se si decide di non
operare in campo adimensionale al valore s = 5∙NRD corrispondono soglie d da circa 25 a
circa 90 mm. Gli scenari di (d) per questi ed ad altri valori di soglia sono riportati
sinteticamente in tabella 1:
In definitiva i valori massimi di (d) sono localizzati sulla fascia della Catena costiera
per valori di d compresi fra 40 e 60 mm e comunque sono comparabili (Figura B.19) con
quelli dell’area della Sila e della catena Aspromonte‐Serre.
B.27

Figura B.18 – Scenari del numero di eventi con Imax eccedente le soglie s=0∙NRD ed s=5∙NRD
Da quanto riportato in Tabella B.III appare evidente che non è possibile individuare
un unico valore di soglia d che conduca ai valori proposti da Versace et al. (1989) ed ancor
meno alla zonazione proposta. Quanto proposto dall’Autorità di Bacino della Calabria
(2002) trova invece approssimativamente riscontro nei valori relativi alla soglia d=8mm,
seppure la zonazione proposta continui a non trovare corrispondenza con quella dei dati
campionari.
Tabella B.III– Campo di variazione di (d) ed aree di localizzazione, in ordine di importanza relativa,
dei valori minimi e massimi di (d)
Soglia Valore minimo Localizzazione Valore massimo Localizzazione
d (mm) di (d) minimi di (d) massimi
Poll., Sila, Str., C.C., Serre‐
2 24 KR 47
Aspr., Poro
4 18 KR 41
Aspr. , Poro
6 14 KR 37
Aspr. , Poro
8 11 KR, Sib. 34
Asp. , Poro
Poll., Sila, Str., C.C., Serre,
10 9.2 KR, Sib. 32
Poro
Poll., C.C., Sila, Str., Aspr.‐
20 3.5 KR, Sib. 21
Serre, Poro
Coste, Valle Sib.‐ Poll., C.C., Aspr.‐Serre, Sila,
40 0.9 8,6
Crati Str.
Coste, Valle Sib.‐ Aspr.‐Serre, C.C., Poll., Str.‐
60 0.1 4.9
Crati Sila ionica
Aspr.‐Serre‐Sila ionica, C.C.‐
80 0.02 Coste, Valli 3.4
Poll.
100 0 Coste, Valli 2.6 Aspr., Sila ionica, Serre
KR=crotonese, Poll.=Pollino, Str.=Stretta di Catanzaro, C.C.=Catena Costiera, Aspr.=Aspromonte,
Sib.=valle di Sibari, Crati=valle del Crati
B.28

4400000 4400000
4
7
4350000 4350000
3
5
4300000 4300000
2
4250000
3 4250000
1
4200000 4200000
2580000 2620000 2660000 2700000 1 2580000 2620000 2660000 2700000 0
Figura B.19 – (d) per d=40mm e per d=60mm

B.29

B4 – Analisi degli eventi di pioggia a scala di tempo 5 minuti
ORESTE TERRANOVA, (CON LA PARTECIPAZIONE DI PASQUALE IAQUINTA E STEFANO LUIGI GARIANO)

B4.1 – Introduzione

L’andamento della piogge nel dominio spazio‐temporale costituisce il dato di
ingresso di molti modelli matematici di versante. Infatti è molto frequente il caso che
grandezze di più diretto interesse, quali ad esempio le portate di un corso d’acqua o un
livello di falda o il tasso di erosione del suolo di un bacino, non siano direttamente
disponibili.
D’altro canto le osservazioni pluviometriche sono per lo più disponibili per intervalli
spazio‐temporali discreti mentre, viceversa, l’informazione dovrebbe essere nota con
adeguata risoluzione per quanto riguarda sia la distribuzione nello spazio sia la sua
struttura nel tempo.
Le applicazioni idrologiche per le quali sia necessario conoscere l’andamento spazio
temporale delle piogge spaziano dall’idrologia urbana ai modelli di innesco e propagazione
di colate detritiche. Ad esempio, un’appropriata conoscenza della struttura nel tempo è
necessaria per i modelli di trasformazione afflussi‐deflussi relativamente a piccoli bacini e
questa conoscenza deve comprendere la distribuzione spaziale delle piogge per bacini di
maggiore estensione.
La qualità dell’input pluviometrico è un elemento cruciale in relazione all’output dei
modelli, ma i processi fisici che determinano le precipitazioni sono molto complessi per cui
si ricorre spesso a modelli di pioggia esterni, che tentano di riprodurre la distribuzione
spazio‐temporale delle osservazioni disponibili. Questa calibrazione è spesso poco
soddisfacente a causa dell’alta variabilità nel tempo delle intensità di pioggia riscontrata
per diversi eventi di pioggia (Kottegoda e Kassim, 1991).
La maggior parte dei metodi proposti in letteratura per generare pluviogrammi di
progetto sono essere classificati in 5 categorie da Pilgrim e Cordery (1975) o in 4 categorie
da Veneziano e Villani (1999):
i. Utilizzo delle curve IDF (Intensità/Durata/Frequenza): spesso l’input pluviometrico
viene fatto derivare dalle IDF, che rappresentano un’alternativa all’impiego
dell’informazione sull’andamento spazio‐temporale degli eventi pluviometrici. Le IDF
derivano però da una combinazione di valori di intensità uniformi derivanti dai valori
massimi contenuti in eventi diversi e costituiscono quindi degli eventi di pioggia
incompleti. Nelle IDF non è quindi compresa l’informazione sulle piogge precedenti al
valore massimo che è essenziale per molti modelli idrologici (Bonta, 2004).
ii. Individuazione di forme geometriche semplici legate ad un singolo punto delle curve
IDF: nel caso si adotti questo metodo, agli inconvenienti menzionati al punto
precedente si somma il fatto che non ha forti basi concettuali e che esso può produrre
stime di pioggia distorte (Veneziano and Villani, 1999).
iii. Simulazione da modelli stocastici: Un certo numero di algoritmi per simulare piogge
stocastiche, in cui gli eventi di pioggia sono normalmente rappresentati da impulsi
rettangolari di diversa durata ed intensità (Onof e Wheater, 1993), sono stati proposti
B.30

in letteratura (ad es. Nicks et al., 1995; Hanson et al., 2002). Il tener conto della
struttura della pioggia ha migliorato i rendimenti di questi modelli (Lambert e Kuczera,
1996; Heneker et al. 2001). Questi modelli risultano però, essendo stati messi a punto
utilizzando basi di dati con passo 24 ore, spesso inadatti a riprodurre la struttura delle
precipitazioni per più bassi incrementi di tempo.
iv. Utilizzo di profili standardizzati ottenuti direttamente da dati storici di precipitazione
(Hershfield, 1962; Huff 1967).
Il metodo di rappresentazione probabilistica introdotto da Huff (1967) esprime,
mediante delle curve dette standardized rainfall profiles (SRP) o normalized mass curves o
Huff’s curves, il carattere di casualità ed alta variabilità delle precipitazioni sia nel tempo
che nello spazio. Un profilo di pioggia è costituito dalla curva le cui ascisse rappresentano il
tempo progressivo, t, e le ordinate le altezze di pioggia cumulata, yt; il profilo è
standardizzato (adimensionalizzato) dividendo i tempi progressivi per la durata totale, Dev,
e le altezze cumulate per la pioggia totale, Pev, dell’evento. La SRP può essere vista come
una variabile casuale la cui funzione bidimensionale ha una relazione del tipo:
FD π , τ   P   π ,   τ  (B.14)
in cui le due variabili  e  sono pari a
π  yt / Pev ; τ  t / Dev . (B.15)
La funzione di distribuzione FD può essere vista come la probabilità di accadimento di una
SRP. (Huff, 1967; Colosimo et al. 1996).
In altre parole, un generico SRP è descritto dalla relazione
1
SRPτ    τ 'dτ'
τ
(B.16)
Pev 0

in cui (’) rappresenta l’intensità istantanea di pioggia al tempo 0≤ ’ ≤Dev.
Si può procedere all’analisi statistico‐probabilistica disponendo di un buon numero N
di SRP, derivandone informazioni in termini probabilistici. Ad una qualsiasi durata i
corrispondono N piogge i; queste N piogge sono analizzate in termini statistici,
determinandone i quantili; ripetendo l’analisi per diversi  si ottengono curve di egual
quantile. Ad esempio, per la curva isoquantile del 90%, una generica coppia (,) può
essere superata con probabilità al più pari al 10%.
B.31

1
0.9
0.8
0.7
0.6 10%
P/Pev
0.5 25%
0.4 50%
0.3 75%
0.2 90%
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
t/tev
Figura B.20 – Profilo di pioggia standardizzato (SRP) che riassume il range di condizioni di pioggia
attraverso iso‐quantili. Il quantile 90% caratterizza i profili di tipo avanzato (intensità massima nella
prima parte dell’evento); il quantile 10% caratterizza i profili di tipo ritardato (massima intensità nella
parte finale dell’evento).
L’analisi degli SRP può essere condotta per trarne molteplici informazioni ed in
particolare per disaggregare le precipitazioni totali. A tal fine è possibile classificare gli SRP
secondo vari criteri: durata, pioggia totale, intensità massima in un prefissato tempo o
intensità media, appartenenza ad una data area geografica o versante o fascia altimetrica.
Per individuare la forma del SRP, Huff (1967) ha rimarcato l’importanza di
distinguerli a seconda della posizione del picco di pioggia nella prima, seconda, terza o
quarta frazione di Dev.
Il fine è di stimare la frequenza di date forme di SRP in relazione alla interazione sulla
idrologia di versante. Una classificazione diversa, secondo tre o più coppie di forme,
seppure con simili finalità, è proposta da Kottegoda e Kassim (1991) in base: (i) alle
intersezioni dell’SRP con quello di uniforme intensità nel tempo, USRP; (ii) alla posizione (al
di sopra o al di sotto del corrispondente tratto di USRP) del tratto di profilo che precede
detta l’intersezione; (iii) alle aree A+ ed A‐ sottese fra il profilo in esame e quello USRP. Un
criterio simile, sintetizzato in 5 forme, è adottato da Colosimo et al. (1996) che
suddividono l’asse delle ascisse in tre parti uguali e calcolano: (i) le tre aree sottese fra i
tre tratti di SRP in esame e l’asse orizzontale; (ii) la posizione nel tempo del picco di
pioggia; (iii) l’area complessiva sottesa fra l’SRP in esame e l’asse orizzontale. In Colosimo
et al. (1996) una misura della variabilità degli SRP è fornita dal valore dell’area, Ar,
compresa fra la SRP relativa al frattile 90% e quella del frattile 10%.
Le piogge sono distribuite non uniformemente nello spazio, interessando zone via
via diverse e concentrando le precipitazioni in porzioni di queste zone diverse per
posizione ed estensione. E’ quindi necessaria una descrizione degli eventi di pioggia per
quanto riguarda la variabilità nello spazio. Nel suo lavoro pioneristico Huff (1967) propone
delle SRP ottenute da dati mediati nello spazio; queste SRP mediate indicano intensità
B.32

minori rispetto a quelle delle indagini puntuali. Dalle conclusioni di studi successivi (NERC,
1975; Bonta e Rao, 1989; Huff, 1990; Huff and Angel, 1992) risulta evidente la necessità di
migliorare le conoscenze sulla variabilità spaziale degli SRP, superando la semplice media
proposta da Huff (1967).

B4.2 – Descrizione delle informazioni disponibili e metodo di studio adottato

In Calabria è disponibile, a partire dal 1989, un data‐base pluviometrico con passo di
tempo pari a 5 minuti per 155 stazioni (CFS‐MidMar) (Figura B.21; Tabella B.IV). Tali serie
storiche di dati hanno diverse durate ma comunque comprese, spesso con interruzioni, tra
il 1989 e il 2008; mediamente il periodo di osservazione è di 11 anni.
Tabella B.IV ‐ Elenco delle stazioni in esame e principali caratteristiche
Quota Osservazioni
SIMI Stazione Prov. X Y Anni
(m s.l.m.) dal al
865 Roseto Capo Spulico CS 10 2656899 4427267 2002 2008 7
870 Oriolo CS 450 2643735 4434362 2001 2008 8
900 Albidona CS 810 2636624 4420097 1991 2008 18
924 Cerchiara di Calabria CS 636 2638341 4413056 2005 2008 4
930 Villapiana Scalo CS 5 2646585 4406064 1990 2008 19
970 Cassano allo Ionio CS 250 2632687 4404798 2002 2008 7
1000 Domanico CS 736 2624109 4341834 1990 2008 19
1010 Cosenza CS 242 2629027 4349472 1990 2008 19
1020 Cerisano CS 620 2621486 4348028 2002 2006 5
1030 San Pietro in Guarano CS 660 2632930 4355431 1990 2008 19
1060 Montalto Uffugo CS 468 2619791 4362437 1990 2008 19
1092 Camigliatello Monte Curcio CS 1730 2641941 4352951 1989 2008 20
1100 Cecita CS 1180 2652884 4362099 1990 2008 19
1120 Acri CS 750 2638882 4371771 1990 2008 19
1130 Torano Scalo CS 97 2624043 4372282 1990 2008 19
1135 Fitterizzi CS 185 2618049 4375132 2000 2008 9
1140 Tarsia CS 203 2629265 4386061 1990 2008 19
1145 Mongrassano CS 75 2624483 4376735 1990 1990 1
1170 Morano Calabro CS 722 2617167 4411092 2002 2007 6
1180 Castrovillari CS 353 2624477 4408508 1990 2008 19
1185 Castrovillari ‐ Camerata CS 82 2628999 4398910 2005 2008 4
1195 Lungro CS 570 2616355 4399262 2001 2008 8
1220 Roggiano Gravina CS 264 2619324 4385741 1992 2007 16
1230 San Sosti CS 404 2608180 4391014 1990 2008 19
1260 San Marco Argentano CS 430 2616283 4379074 1990 2007 18
1295 Sibari CS 6 2648311 4396694 2002 2008 7
1324 Corigliano Calabro CS 219 2650099 4385398 2002 2008 7
1360 Longobucco CS 770 2658568 4367528 2001 2008 8
1380 Cropalati CS 367 2668277 4375517 1999 2008 10
1410 Cariati Marina CS 10 2688246 4373509 2001 2008 8
1440 Crucoli KR 367 2692506 4365746 2002 2008 7
1455 Ciro Marina KR 10 2703128 4361578 1990 2008 19
1470 San Giovanni in Fiore CS 1050 2666507 4346461 1990 2007 18
1500 Nocelle CS 1315 2653706 4344813 1990 2008 19
1570 Savelli KR 964 2673650 4353220 2001 2008 8
1580 Cerenzia KR 663 2674140 4345608 1999 2008 10
1590 Belvedere Spinello KR 330 2683007 4341729 2002 2007 6
B.33

1610 Rocca di Neto KR 183 2694901 4338013 2002 2002 1

1640 San Nicola dell`Alto KR 576 2689698 4351301 2002 2008 7
1670 Acqua della Quercia KR 169 2695942 4322453 1997 2008 12
1675 Papanice KR 156 2694826 4326816 1997 2008 12
1680 Crotone KR 5 2703971 4327880 1990 2008 19
1695 Salica KR 162 2703601 4320539 1997 2008 12
1700 Isola di Capo Rizzuto KR 90 2701222 4314645 1990 2008 19
1724 Cotronei KR 530 2674063 4336020 2001 2008 8
1730 Petilia Policastro KR 434 2674572 4330598 1998 2002 5
1733 Serrarossa KR 49 2683427 4326054 2001 2008 8
1735 Petronà CZ 889 2672226 4323062 2002 2008 7
1740 San Mauro Marchesato KR 288 2686330 4329893 1997 2008 12
1755 Pagliarelle KR 802 2671149 4333990 2002 2008 7
1760 Botricello CZ 18 2681088 4311920 2002 2008 7
1780 Cropani CZ 347 2674190 4314835 2001 2008 8
1800 Sellia Marina CZ 30 2670999 4307193 2002 2006 5
1820 Soveria Simeria CZ 366 2666369 4312755 2001 2008 8
1825 Spineto CZ 1270 2652590 4333528 2001 2008 8
1830 Albi CZ 710 2658184 4321351 2001 2008 8
1850 Catanzaro CZ 334 2657511 4308078 1990 2008 19
1865 Roccelletta di Borgia CZ 8 2658723 4297853 2000 2008 9
1935 Serralta CZ 1013 2638578 4290581 1999 2008 10
1940 Palermiti CZ 480 2646280 4290263 1990 2008 19
1955 Petrizzi CZ 391 2648178 4285030 2002 2005 4
1960 Chiaravalle Centrale CZ 516 2642649 4281126 1990 2008 19
1970 Soverato Marina CZ 6 2654831 4282941 1990 2008 19
1980 Serra San Bruno VV 790 2635376 4271228 1990 2008 19
2025 Santa Caterina dello Ionio CZ 459 2652437 4266397 2001 2008 8
2040 Punta Stilo RC 70 2655452 4257295 1990 2008 19
2050 Ferdinandea RC 1050 2640313 4263192 1992 2005 14
2072 Stignano RC 395 2648481 4253100 2005 2008 4
2086 Mongiana VV 921 2635067 4263821 1992 2008 17
2090 Fabrizia VV 948 2633619 4261173 1992 2008 17
2120 Caulonia RC 275 2642974 4249141 1990 2006 17
2130 Roccella Ionica RC 5 2642347 4242618 2001 2008 8
2140 Mammola RC 250 2628372 4246804 1992 2005 14
2150 Croceferrata VV 970 2632114 4258691 1992 2008 17
2160 Gioiosa Ionica RC 125 2633871 4244136 1999 2008 10
2170 Siderno Marina RC 7 2633353 4236082 1990 2005 16
2180 Canolo Nuovo RC 880 2620809 4243308 1990 2008 19
2200 Antonimina RC 310 2620462 4236676 1992 2008 17
2205 Locri RC 10 2630120 4232652 2001 2008 8
2210 Ardore Superiore RC 250 2622037 4227811 1990 2008 19
2220 Bovalino Marina RC 8 2623265 4222722 2005 2008 4
2230 Platì RC 310 2611390 4230934 1992 2008 17
2250 Santuario di Polsi RC 786 2604136 4224505 1992 2005 14
2260 San Luca RC 250 2612867 4222966 2005 2008 4
2270 Sant Agata del Bianco RC 405 2615009 4216111 1992 2008 17
2290 Staiti RC 550 2610691 4206326 1992 2008 17
2310 Capo Spartivento RC 48 2613188 4198031 1990 2008 19
2320 Bova Superiore RC 800 2601941 4205648 2005 2008 4
2330 Bova Marina RC 8 2601207 4198459 2002 2003 2
2340 Roccaforte del Greco RC 930 2599010 4211248 2002 2008 7
2370 Melito Porto Salvo RC 7 2588646 4196926 1990 2004 15
2380 Montebello Ionico RC 470 2586604 4204305 2002 2008 7
B.34

2450 Reggio Calabria RC 15 2576531 4217310 1990 2008 19

2460 Arasì RC 573 2582088 4217674 2002 2008 7
2463 Rosario RC 440 2584826 4210804 2002 2008 7
2465 Cardeto RC 670 2587032 4215410 1999 2008 10
2466 Sant’Alessio in Aspromonte RC 548 2586210 4224896 2005 2008 4
2470 Gambarie d’Aspromonte RC 1300 2593328 4224770 1990 2008 19
2495 Reggio Calabria ‐ Catona RC 6 2576458 4226570 2005 2008 4
2510 Scilla RC 73 2582619 4234328 1990 2008 19
2512 Scilla ‐ Villaggio del Pino RC 590 2584449 4232407 2006 2008 3
2513 Scilla ‐ Piano delle Aquile RC 595 2585841 4233497 2005 2008 4
2514 Scilla ‐ Tagli RC 560 2587752 4234555 2006 2008 3
2515 Scilla ‐ Solano RC 620 2589700 4233881 2006 2008 3
2520 Bagnara Calabra RC 30 2590367 4237845 2002 2008 7
2530 Palmi RC 248 2595135 4247000 2001 2008 8
2540 Santa Cristina d’Aspromonte RC 510 2604883 4234562 1990 2008 19
2544 Riziconi ‐ Ponte Vecchio RC 30 2599679 4248381 2002 2008 7
2560 Sinopoli RC 502 2596780 4235388 2002 2008 7
2570 Castellace RC 189 2602213 4241347 2002 2008 7
2580 Molochio RC 310 2610047 4240851 2001 2008 8
2600 Cittanova RC 407 2613679 4245387 1990 2008 19
2610 Rizziconi RC 82 2603754 4251968 2005 2008 4
2635 Sbarretta RC 26 2606176 4261944 2002 2002 1
2650 Pizzoni VV 275 2628635 4275624 2001 2008 8
2665 S. Pietro di Caridà VV 750 2617032 4266708 2002 2008 7
2670 Arena VV 450 2625434 4268994 2001 2008 8
2690 Feroleto della Chiesa RC 160 2612805 4258017 1990 2008 19
2700 Giffone RC 594 2619763 4255008 2001 2008 8
2710 Limina C.C. RC 800 2626148 4249206 1992 2008 17
2730 Mileto VV 368 2612503 4273613 1990 2008 19
2740 Rosarno RC 61 2604826 4260672 2001 2008 8
2760 Joppolo VV 185 2597891 4271268 2002 2008 7
2770 Tropea VV 51 2598081 4281505 1990 2006 17
2780 Zungri VV 571 2605698 4278809 2005 2008 4
2800 Vibo Valentia VV 498 2616268 4281544 2000 2008 9
2802 Vibo Valentia ‐ Longobardi VV 170 2617371 4284397 2006 2008 3
2804 Vibo Marina VV 20 2617543 4286116 2006 2008 3
2810 Pizzo Calabro VV 107 2620811 4288142 2002 2006 5
2815 Capo Vaticano VV 30 2592185 4275278 2002 2008 7
2820 Monterosso Calabro VV 271 2631993 4286318 2005 2008 4
2830 Filadelfia VV 550 2631711 4293612 2001 2008 8
2870 Decollatura CZ 780 2636931 4323205 2002 2004 3
2890 Tiriolo CZ 690 2650747 4312198 1990 2008 19
2902 Lamezia‐Licciardi CZ 10 2628303 4305525 2001 2008 8
2924 Cortale CZ 470 2642772 4300044 2005 2008 4
2940 Nicastro ‐ Bella CZ 400 2641082 4314084 1990 2008 19
2950 Maida CZ 300 2638404 4301889 2002 2005 4
2955 Lamezia Terme‐Palazzo CZ 24 2627802 4297720 2001 2008 8
2960 Sant’Eufemia Lametia CZ 25 2628569 4308809 1990 2001 12
2990 Parenti CS 830 2641799 4335802 2002 2008 7
3000 Rogliano CS 650 2634011 4337161 1990 2008 19
3010 Martirano Lombardo CZ 430 2629728 4325938 2005 2008 4
3020 Nocera Terinese CZ 250 2620289 4321649 2003 2004 2
3040 Amantea CS 54 2612929 4332090 2001 2008 8
3050 Fiumefreddo Bruzio CS 220 2612049 4343471 1990 2005 16
3060 Paola CS 160 2609768 4358058 1990 2008 19
B.35

3090 Cetraro Superiore CS 76 2600767 4374610 1990 2008 19

3100 Belvedere Marittimo Scalo CS 10 2593454 4386373 2002 2008 7
3150 Laino Borgo CS 250 2603315 4426161 1990 2008 19
3155 C.le Castrocucco PZ 92 2587572 4424721 2002 2008 7
3160 Campotenese CS 965 2611377 4414166 2001 2008 8
3161 Tortora CS 12 2584992 4420393 2002 2008 7
3180 Papasidero CS 219 2597551 4413982 2005 2008 4
3210 Lagonegro PZ 670 2584937 4442423 1991 2008 18

Figura B.21 – Stazioni pluviometriche ed anni validi di osservazioni

B.36

In questo studio (Terranova et al. 2010, in press) sono considerati eventi distinti
quelli intervallati da almeno 6 ore di tempo asciutto (Wischmeier and Smith, 1978),
giungendo così a disporre di 152575 eventi sulle 155 stazioni. Successivamente gli eventi
sono stati distinti, in accordo con quanto proposto da Wischmeier and Smith (1978), in
45533 eventi erosivi e 107042 non erosivi, ritenendo che questa distinzione sia
ragionevole, oltre che per i processi erosivi, anche per molti altri processi idrologici
(formazione di piene in piccoli bacini quali quelli del territorio regionale calabrese e
innesco/evoluzione di frane superficiali). La curva di frequenza cumulata delle piogge
totali, Pev, dei 152575 eventi è riportata in figura, con in ordinata il numero di eventi la cui
pioggia totale eccede o eguaglia il valore in ascissa.

Figura B.22 – Curva di frequenza cumulata della poggia totale dei 152757 eventi. La curva ha sull’asse
delle ordinate il numero di eventi con pioggia totale maggiore o uguale al valore sull’asse delle
ascisse.

Nel seguito vengono studiati esclusivamente i 45534 eventi erosivi. Le caratteristiche
di questi eventi sono di seguito riportate: (i) presentano valore medio di Pev pari a 23.5mm;
(ii) 18033 hanno valori di Pev minori di 12.7 mm ma comunque superiori a 6 mm in
mezz’ora; (iii) 27501 a Pev ≥ 12.7mm; (iv) presentano durate da 10minuti a 9 giorni, 7ore,
10minuti; (v) possiedono una durata media di 906 minuti (15 ore e 6minuti); (vi) l’intensità
massima in 30 minuti, I30, è variabile da valori trascurabili fino a 154.8 mm∙h‐1; (vii) il valore
medio di I30 è pari a 11.6 mm∙h‐1. Queste caratteristiche sono meglio sintetizzate nelle
curve di frequenza cumulata riportate nelle figure seguenti.

B.37

Figura B.23 – Curva di frequenza cumulata della poggia totale dei 45534 eventi erosivi. La curva ha
sull’asse delle ordinate il numero di eventi con altezza di pioggia maggiore o uguale al valore sull’asse
delle ascisse.

Figura B.24 – Curva di frequenza cumulata della intensità in 30 minuti (I30) dei 45534 eventi erosivi. La
curva ha sull’asse delle ordinate il numero di eventi con intensità maggiore o uguale al valore sull’asse
delle ascisse.

Figura B.25 ‐ Curva di frequenza cumulata della durata dei 45534 eventi erosivi. La curva ha sull’asse
delle ordinate il numero di eventi con durata maggiore o uguale al valore sull’asse delle ascisse.
B.38

L’analisi degli eventi è stata condotta anche al fine di evidenziare le relazioni
intercorrenti fra Pev e loro Dev, fra I30 e Dev e fra Pev e I30 (Figura B.26, B.27, B.28). Si può
osservare che, al crescere di Dev, Pev cresce e I30 decresce, e che, al crescere di Pev, I30
cresce; queste relazioni sono però caratterizzate da bassi coefficienti di correlazione.

Figura B.26 – Relazione intercorrente tra Dev (in ascissa) e Pev (in ordinata)

Figura B.27 – Relazione intercorrente tra Dev (in ascissa) e I30 (in ordinata)
B.39

Figura B.28 – Relazione intercorrente tra Pev (in ascissa) e I30 (in ordinata)

Per quanto riguarda le possibilità di classificare gli eventi di pioggia ed i relativi SRP,
una prima distinzione riguarda gli eventi erosivi con Pev ≥ 12.7mm da quelli con Pev < 12.7
mm ma con Pev ≥ 6.35 mm in 30 minuti. Questa due classi di eventi sono state
rispettivamente indicate con la dicitura “Eventi High” e “Eventi Low”. Altre distinzioni
secondo vari parametri sono riportate in tabella:

Tabella B.V – Parametri di distinzione e classificazione degli eventi
Class 1 2 3 4 5 6 7
Event High Low
Dev (hours) <1 ≥1 and <3 ≥3 and <6
≥6 and <12 ≥12 and <24 ≥24
Pev (mm) <20 ≥20 and <30 ≥30 and <40
≥40 and <60 ≥60 and <100 ≥100
‐1
I30 (mm hour ) <5 ≥5 and <7 ≥7 and <10
≥10 and <14 ≥14 and <20 ≥20 and <30 ≥30
Quartiles first second third
fourth
Nov‐Dec‐Jan‐ May‐Jun‐Jul‐
Period Dec‐Jan‐Feb Mar‐Apr‐May Jun‐Jul‐Aug Sep‐Oct‐Nov
Feb Aug
Elevation (m slm) ≥0 and <300 ≥300 and <600 ≥600 and <900 ≥900 and <120 ≥1200

Infine una ulteriore classificazione riguarda le 13 sottozone pluviometriche in cui è
suddiviso il territorio calabrese sulla base di studi mirati alla valutazione delle piene
(Versace et al., 1989).
Per individuare la forma del profilo è stato adottato, oltre a quello della posizione
del picco nei quartili e sull’asse orizzontale, proposti rispettivamente da Huff (1967) e
Colosimo et al. (1996), un diverso criterio basato sul confronto fra le aree A1, A2, A3, A4
sottese dai quattro 25% di durata dell’SRP esaminato rispetto a quelle corrispondenti
sottese dall’USRP. Più precisamente un codice binario di 4 cifre viene determinato come di
seguito:
Definite le soglie di durata 0.250.500.751e detta k la generica
soglia di posizione k con k=1,..,4, si definisce la generica area soglia A*k = (½k2) ‐ A*k‐1 dove
A*0=0 . Detta Ak l’area sottesa dall’SRP valutata nella posizione k, ovvero
B.40

Ak   j kτ
τ y j 1  yj 
dτ , (B.17)
k .1
2
con dτ  0.05 ,
il codice binario si costruisce tenendo conto della relazione: Sk = IF(Ak> A*k;1;0), dove la
funzione condizionale è definita come IF(condizione; true; false), ovvero il codice binario di
forma BSC=S1S2S3S4.
Il codice così ottenuto sintetizza informazioni diverse e di più immediato utilizzo
rispetto a quelle fornite dalla distinzione in quartili (Huff, 1967) o dal computo delle
“crossing properties”, KeK, secondo Kottegoda e Kassim (1991). In particolare, pur non
essendo il metodo proposto basato sulle crossing properties, risultano valide le seguenti
corrispondenze:
 0000 indica un (lagged) SRP di tipo 1a di KeK o C di Colosimo et al.
 1111 indica un (advanced) SRP di tipo 1b di KeK o B di Colosimo et al.
 0001, 0011, 0111 indicano SRP di tipo 2a di KeK o E di Colosimo et al.
 1000, 1100, 1110 indicano SRP di tipo 2b di KeK o D di Colosimo et al.
 0100, 0110, 0010 indicano SRP di tipo 3a di KeK
 1011, 1001, 1101 indicano SRP di tipo 3b di KeK
 0101 indica un SRP di tipo 4a di KeK
 1010 indica un SRP di tipo 4b di KeK.

Inoltre vengono valutate le aree sottese dall’SRP in esame complessivamente al di
sotto, A‐, ed al di sopra, A+, dell’URSP (Kottegoda e Kassim, 1991).
La classificazione in quartili ci indica invece la posizione approssimativa del picco ma
non fornisce informazioni circa la presenza di picchi secondari o sul posizionamento della
maggiore quantità di pioggia. Ad esempio un BSC “0100” indica che la pioggia è più intensa
nel secondo 25% di durata e che nei rimanenti tre quarti di durata l’intensità è minore
rispetto ad una distribuzione uniforme nel tempo; il valore di A+ può essere quindi
attribuito a questa frazione di tempo e quello di A‐ alle rimanenti tre frazioni. Ulteriori
informazioni su questo aspetto sono fornite dal coefficiente di avanzamento dell’evento
dato dal rapporto fra il tempo tP in cui si verifica la pioggia di massima intensità e la Dev.
Dopo la classificazione degli SRP secondo quanto previsto in Tabella B.V e secondo
gli altri criteri introdotti, sono stati inoltre considerati gli incroci fra le classi di maggiore
interesse (ad esempio gli SRP con maggiore Pev e che abbiano contemporaneamente
maggiore I30, Gli SRP di maggiore durata e che abbiano anche maggiore I30, ecc.).
Diversi Autori (Huff, 1967; Huff e Angel, 1992) evidenziano la notevole similitudine
degli SRP puntuali e di quelli medi su aree fino ad oltre 1000 Km2; a fronte delle ridotte
estensioni dei bacini calabresi, per quanto riguarda la variabilità degli SRP nello spazio, in
questo lavoro viene proposta l’analisi:
‐ degli SRP che ricadono nelle sottozone pluviometriche proposte da Versace et al.
(1989);
‐ degli SRP in funzione della quota di ubicazione delle stazioni di misura;
B.41

‐ di alcuni degli eventi di pioggia che hanno interessato in questi ultimi anni il
territorio regionale calabrese con maggiore severità.

B4.3 – Applicazione al territorio regionale calabrese

Una prima analisi ha riguardato gli SRP di tutti i 45.534 eventi separati a seconda se
appartenenti alla classe “Eventi High” o “Eventi Low” (Figura B.29 a, b).

Figura B.29 – a) Profili di pioggia (SRP) per i 27501 eventi con Pev ≥ 12.7 mm; b) Profili di pioggia (SRP)
per i 18033 eventi con Pev < 12.7 mm ma con Pev>6.35 mm in 30 minuti.

Il confronto dei due grafici evidenzia una maggiore variabilità della struttura degli
Eventi Low, che presentano Ar=0.41 rispetto ad Ar=0.36 di quelli High; inoltre l’SRP relativo
al 50% è nel primo caso di tipo 0111, nel secondo caso 1111.
Una seconda analisi riguarda gli SRP differenziati per classi di durata Dev.

B.42

Figura B.30 (a, b, c, d, e, f) – Profili di pioggia (SRP) relativi alle 6 classi di durata Dev considerate.

Per quanto riguarda le durate, dal confronto (Figura B.30 a, b, c, d, e, f) è possibile
osservare un incremento della variabilità della struttura della pioggia al crescere di Dev fino
a 6 ore e quindi al progressivo ridursi di questa variabilità quando la durata eccede le 6
ore; in particolare il valore minimo è Ar=0.36 per Dev < 1 ora e quello massimo è Ar=0.58
per Dev = 3‐6 ore. Inoltre la BSC degli SRP relativi al 50% è di tipo 0111 e di tipo 1111 per
durate comprese fra 3 e 6 ore.
Il confronto degli SRP relativo alle diverse classi di Pev, evidenzia una progressiva
diminuzione della variabilità della struttura delle piogge al passare da Pev < 20 mm a Pev >
100 mm (Figura B.31 a, b), con valore minimo Ar=0.38 per Pev > 100 mm e massimo
Ar=0.50 per Pev < 20 mm; inoltre si osserva che il BSC relativo al 50% è 0111 per Pev < 20
mm e di tipo 0011 per Pev > 100 mm.

B.43

Figura B.31 – Profili di pioggia (SRP) relativi alla prima (a) ed all’ultima (b) classe di Pev considerate.

L’analisi degli SRP relativi alle classi di I30 (Figura B.32 a, b) evidenzia che, al crescere
di I30, la variabilità della struttura è crescente, con valore minimo Ar=0.34 per I30 < 5 mm∙h‐1
e massimo Ar=0.63 per I30 > 30 mm∙h‐1; al crescere di I30 sia A‐ sia A+ sono crescenti. La BSC
al frattile 50% è di tipo 0111.

Figura B.32 – Profili di pioggia (SRP) relativi alla prima (a) ed all’ultima (b) classe di I30 considerate.

Gli SRP relativi alla classificazione in quartili (Figura B.34a, b, c, d), secondo Huff
(1967), presentano una variabilità della struttura delle piogge più alta nel primo e quarto
quartile (Ar=0.33) e più bassa nel secondo e terzo quartile (Ar=0.27). Come è ragionevole
attendersi, la BSC relativa al 50% varia in tutte e quattro i casi, passando dal BSC 1111 del
primo quartile, al BSC 0111 del secondo quartile, al BSC 0001 del terzo quartile e infine al
BSC 0000 del quarto quartile.

Tabella B.VI – Caratteristiche di Dev degli eventi per i quattro quartili
I quartile II quartile III quartile IV quartile
Dev Media (min) 878 930 937 912
Dev Dev. St. (min) 913 776 759 720
Dev Min (min) 20 10 15 5
Dev Max (min) 14690 8540 7775 7350

In Tabella B.VI sono riportate le medie di Dev degli eventi di pioggia per i quattro
quartili; a tal proposito sono state osservate le poco significative differenze riportate nelle
B.44

curve di frequenza elementare e cumulata di Figura B.33, al contrario di quanto riportato
da Huff(1967, 1990) che trovò una relazione generale tra Dev e i quartili: (i) il quartile IV
con Dev > 24 h, (ii) il quartile III con Dev = 12‐24 h, (iii) il quartile II con Dev = 6‐12 h, (iv) il
quartile I con Dev < 6h.

Figura B.33 – Confronto fra frequenze elementari e cumulate relative ai quattro quartili

Figura B.34 (a, b, c, d) – Profili di pioggia relativi ai 4 quartili.

Le stagioni mostrano SRP la cui variabilità è maggiore per i mesi luglio‐agosto‐
settembre (Ar=0.59) e minore per gennaio‐febbraio‐marzo (Ar=0.41) ed è infine
B.45

intermedia per ottobre‐novembre‐dicembre (Ar=0.50) e aprile‐maggio‐giugno (Ar=0.48)

(Figura B.35 a, b, c, d); la BSC dell’SRP è 0111 per i periodi gennaio‐febbraio‐marzo e
aprile‐maggio‐giugno; di tipo 1111 per i periodi luglio‐agosto‐settembre e ottobre‐
novembe‐dicembre.

Figura B.35 (a, b, c, d) – Profili di pioggia (SRP) per 4 classi di aggregazione mensili.

Figura B.36 – Confronto tra i profili di pioggia (10%, 50% e 90%) relativi agli eventi registrati nei 4 mesi
più piovosi e nei 4 meno piovosi.

Per quanto riguarda la classificazione delle BSC, è possibile osservare che: (i) alle
cinque BSC 1100, 1001, 0100, 1101, 0101 compete complessivamente meno dell’1.5%
degli SRP; (ii) la percentuale sale a meno dell’ 8% aggiungendo gli SRP di BSC 0110, 1010,
B.46

0001; (iii) solo 8 dei 16 tipi di forma si verificano con frequenze superiori al 2.5%; (iv) circa
l’80% degli SRP ricade nelle BSC 1111, 0000, 1110, 0011, 0111. Maggiori dettagli sono
riportati nel grafico di Figura B.37; in particolare la maggiore frequenza (circa il 38%)
compete alla BSC 1111 e frequenza pressoché nulla alla BSC 0101; ad altre 4 BSC (0000,
1110, 0011, 0111) competono frequenze dal 12.4 all’8.4%.

Figura B.37 – Numerosità delle forme (BSC)

I valori medi di A+ e A‐, indicati con A+ e A‐, in funzione della BSC dei profili, è
riportata in Figura B.38,a, per valori di A+ decrescenti. La ovvia, anche se non diretta,
relazione di proporzionalità fra A+ ed A‐ è meglio evidenziata dai rapporti A+/| A‐| e | A‐|/
A+ riportati in Figura B.38,b.
Dal grafico di Figura B.38,b può essere osservato che i profili di BSC 1100 si
comportano in modo anomalo in quanto a rapporto A+/| A‐|, infatti presentano valori
inferiori a quelli dei profili con BSC 0001 e 0010; i profili con BSC 1100 quindi mostrano una
A+ minore, rispetto a quella dei profili con BSC 0001 e 0010, anche se possiedono due tratti
posti per la maggior parte al di sopra dell’USRP, invece di un solo tratto dei profili con BSC
0001 e 0010. E’ ancora possibile osservare che mentre per la BSC 1111 il rapporto A+/| A‐|
assume il valore 155, la BSC 0000 (che dovrebbe essere simmetrica) assume un valore
molto più basso pari a 4.7.
Rispetto alla posizione del picco in funzione della forma dei profili, nel grafico viene
mostrato il coefficiente di avanzamento dell’evento di pioggia con le relative deviazioni
standard al variare della BSC dell’SRP; i valori più bassi del coefficiente di avanzamento
dell’evento corrispondono ai picchi più avanzati e quindi alle BSC 1111, 1110,…. quelli più
alti (ritardati) alle BSC 0000, 0100….. Queste osservazioni non sono ovvie per tutte le BSC,
ad esempio la BSC 0111 ha mediamente un picco più avanzato delle BSC 1011, 1101. È
quindi importante considerare le informazioni fornite dagli SRP nel loro complesso.

B.47

a
b

Figura B.38 a, b – Valori medi di A+ e A‐ e loro rapporto

Figura B.39 – Coefficiente di avanzamento e relativa deviazione standard al variare della BSC dell’SRP.
B.48

I quartili di Huff si distribuiscono nelle BSC qui introdotti per come riportato nella
seguente figura; se è possibile osservare che quasi la totalità degli eventi del primo
quartile ricadono nelle BSC 1111 e 1110, risulta peraltro evidente che il quarto quartile si
distribuisce nelle BSC 0000 ma in percentuale significativa anche nella BSC 1110; questo
significa che, a fronte di un picco ritardato (posto nel quarto quartile), i circa mille eventi in
questione (IV quartile e forma 1110) presentano una alta quantità di pioggia negli altri tre
quartili.

Figura B.40 – Distribuzione dei profili nelle varie forme

La relazione fra durate degli eventi e BSC degli SRP è riportata in Figura B.41 ed
evidenzia che la maggiore variabilità di durate compete alla forma 1110.

B.49

Figura B.41 – Relazione fra durata degli eventi e BSD dei profili di pioggia (SRP)

Figura B.42 – Variazione di A+ e A‐ con la durata (min)

Figura B.43 – Variazione di A+ e A‐ con la durata (min) per le forme 1111 e 0000
B.50

Figura A44 – Variazione di A+ e A‐ con Pev

Figura B.45 – Variazione di A+ e A‐ con Pev per le forme 1111 e 0000

B4.4 – Variabilità nello spazio

Al crescere delle quote sul livello del mare (Figura B.46 a,b), si osserva una lieve
diminuzione della variabilità della struttura delle piogge, infatti Ar passa da 0.104 a 0.115
per quote 1200‐1500m e < 300m rispettivamente; la BSC relativa al 50% è in tutti i casi di
tipo 0111.

B.51

Figura B.46 – Profili di pioggia (SRP) per la prima (a) e l’ultima (b) classe di quota considerate.

Gli SRP per le diverse sottozone pluviometriche in cui è stata suddivisa la Calabria
(Versace et al., 1989) non mostrano significative variazioni in quanto ad Ar, che varia da un
minimo di 0.42 della sottozona C2 ad un massimo di 0.50 per la sottozona I2. Le BSC del
frattile 50 sono di tipo 0111 per le sottozone C1, C2, C3, C4, C5, I1, I2, I3, T1, T4, sono di
tipo 1111 per le sottozone T2 e T3 ed infine sono di tipo 0011 per la sottozona I4. A titolo di
esempio sono riportati gli SRP delle sottozone C2, I2, T2 ed I4 (Figure B.47, B.48, B.49).

Figura B.47 – Profili di pioggia (SRP) relativi agli eventi verificatisi nelle sottozone T1, T2, T3, T4.

B.52

Figura B.48 – Profili di pioggia (SRP) relativi agli eventi verificatisi nelle sottozone C1, C2, C3, C4, C5.

Figura B.49 – Profili di pioggia (SRP) relativi agli eventi verificatisi nelle sottozone I1,I2, I3, I4.
B.53

B5 ‐ Analisi regionale di frequenza di PDS (Partial Duration Series) per la
costruzione delle curve intensità‐durata.
ANTONELLA BODINI, CARLA BRAMBILLA, BRUNO BETRÒ

B5.1 – Introduzione

I dati a disposizione si riferiscono a 148 stazioni in Calabria e consistono di anni
completi di eventi erosivi e delle loro intensità a diverse durate prefissate (5, 10, 15, 20, 30
e 60 minuti), oltre alla pioggia totale dell’evento.
Gli eventi sono stati definiti come fenomeni intervallati da almeno 6 ore di tempo
asciutto e con piovosità totale superiore a 11.7 mm o pari ad almeno 6.35 mm in 15
minuti. L’intensità massima alla durata prefissata d è espressa in mm/h ed è definita dal
valore massimo registrato in un intervallo di tempo di lunghezza d, x 60 / d.
Delle 148 stazioni ne sono state selezionate 23 stazioni, indicate in Tabella B.VII, con
almeno 10 anni di dati. Il controllo sui dati è stato svolto sulle diverse durate da analizzare
ed anche sui dati relativi alla pioggia totale per evento. Va segnalato che in nessun caso gli
anni analizzati sono totalmente consecutivi.

Tabella B.VII – Stazioni con almeno 10 anni completi di dati
Stazione Stazione Area omogenea Zonazione Periodo di N. anni
(nome) (codice) di appartenenza1 Versace osservazione completi
San Pietro in Guarano 1030 CENTRO T2 1991‐2003 12
Camigliatello M.te Curcio 1092 ‐‐ C1 1993‐2004 11
Tarsia 1140 CENTRO ‐ IONIO C1 1993‐2003 10
Castrovillari 1180 CENTRO C1 1991‐2004 10
San Sosti 1230 CENTRO C1 1991‐2004 11
Catanzaro 1850 CENTRO C4 1991‐2004 10
Palermiti 1940 IONIO I3 1991‐2005 13
Serra San Bruno 1980 CENTRO C5 1992‐2005 11
Mongiana 2086 ‐‐ C5 1993‐2005 10
Fabrizia 2090 CENTRO C5 1993‐2005 11
Caulonia 2120 IONIO I3 1991‐2003 10
Croceferrata 2150 CENTRO ‐ IONIO C5 1993‐2005 12
Canolo Nuovo 2180 ‐‐ I3 1991‐2005 12
Ardore Superiore 2210 IONIO I3 1993‐2007 11
Staiti 2290 IONIO I3 1994‐2004 10
Capo Spartivento 2310 IONIO I3 1991‐2007 12
Scilla 2510 ‐‐ T4 1992‐2003 11
Cittanova 2600 CENTRO C5 1991‐2003 13
Feroleto della Chiesa 2690 TIRRENO C5 1993‐2004 12
Mileto 2730 ‐‐ C5 1992‐2005 10
Tiriolo 2890 CENTRO ‐ IONIO C4 1993‐2005 12
Nicasto Bella 2940 TIRRENO T3 1993‐2005 12
Lagonegro 3210 CENTRO ‐‐ 1992‐2004 10
1
La classificazione si riferisce all’analisi di frequenza regionale precedentemente effettuata su FF.

In Tabella B.VII è anche riportata l’appartenenza della stazione a uno dei quattro
gruppi omogenei (Tirreno, Ionio, Centro e Centro‐Ionio) utilizzati nell’analisi di frequenza
regionale effettuata per l’indice di erosività FF introdotto da Aronica e Ferro (1997) e la
B.54

classificazione secondo Versace et al. (1989). La localizzazione delle stazioni è mostrata in
Figura B.50.

4.4 ´ 10 6
4.3 ´ 10 6
1500
1000
5000
2.6 ´ 10 6
2.65 ´ 10 6
4.2 ´ 10 6
7 ´ 10 6
2.7
2

Figura B.50 ‐ Rappresentazione delle 23 stazioni esaminate per l’analisi PDS rispetto alle stazioni usate
per l’analisi di frequenza regionale di FF. I colori denotano i gruppi omogenei di appartenenza (rosso =
Ionio; verde = Centro‐Ionio; blu = Centro; ocra = Tirreno), mentre le stazioni indicate in nero sono
stazioni precedentemente non classificate.

L’analisi condotta coniuga due metodi per l’analisi di eventi estremi: l’uso della
distribuzione di Pareto generalizzata e l’analisi regionale di frequenza.
La distribuzione di Pareto generalizzata (GP, generalized Pareto) è teoricamente
derivabile dalla distribuzione dei valori estremi generalizzata (GEV, generalized extreme
value) ben nota in ambito idraulico (si veda Coles, 2001). Se la distribuzione GEV modella i
valori di piovosità massima annua, la distribuzione GP modella i dati giornalieri oltre una
soglia sufficientemente alta o, più precisamente, modella le eccedenze oltre tale soglia (si
veda il paragrafo B5.1.1). Lo scopo finale di queste modellazioni è, normalmente, il calcolo
del tempi di ritorno di un certo evento (cioè, del tempo medio di attesa del ripetersi di
quell’evento) o del livello di ritorno ad un intervallo di tempo prefissato T (cioè dell’evento
estremo che ci si attende si ripeterà entro T anni). La modellazione tramite la distribuzione
GP, in particolare, permette di ottenere stime più precise dei livelli di ritorno a tempi
prefissati rispetto ad un’analisi GEV, perché permette di usare un maggior numero di dati.
L’analisi delle cosiddette partial duration series (PDS) utilizza la distribuzione GPD per
modellare eventi erosivi ad una scala temporale più di dettaglio di quella giornaliera, la
scala di evento, nell’ipotesi che l’occorrenza di eventi erosivi segua un processo di Poisson
omogeneo con intensità (numero medio di eventi all’anno) costante, .
L’analisi regionale di frequenza, contrapposta all’analisi sito per sito (at site)
supplisce alla mancanza di dati tipica degli eventi rari utilizzando dati non da un singolo
sito, ma da tutti i siti da una regione giudicata omogenea. I dati provenienti dai diversi siti
della regione vengono, quindi, considerati come realizzazioni di un unico processo
comune. I dati vengono tutti utilizzati per ottenere la stima di una distribuzione di
B.55

probabilità ad essi comune, ma, per tener conto dell’incertezza diversa associata alla
diversa lunghezza dei record dei dati per sito, i valori medi regionali sono ottenuti, per una
grandezza qualunque, dalle medie pesate dei corrispondenti valori per sito. I pesi sono,
appunto, proporzionali al numero di dati per sito. A titolo esemplificativo, la media
regionale dell’intensità massima a 5 minuti è ottenuta come
 { ni I(5; i) , i = 1, … , N} / n , (B.18)
ove N è il numero di siti che formano la regione omogenea, ni il numero di dati al sito i‐mo,
n il numero totale di dati (i ni) e I(5; i) l’intensità massima a 5 minuti, media per il sito i‐
mo. Analogamente, se  è un parametro della distribuzione da stimare, e i è la stima del
parametro dai dati del solo sito i‐mo, la stima regionale di  è
(R) = { ni i, i = 1, … , N } / n . (B.19)
L’unione delle due tecniche permette, quindi, di analizzare eventi piuttosto rari
(valori di intensità di pioggia elevati) migliorando la precisione delle stime dei livelli di
ritorno grazie all’aumento del numero di dati considerati, sia alla scala temporale (grazie
all’utilizzo della distribuzione GP), sia alla scala spaziale (grazie all’approccio regionale).
L’analisi condotta è stata così articolata, per ciascuna durata d:
a) selezione della soglia u0 per la definizione delle eccedenze;
b) test di omogeneità delle 23 stazioni esaminate ed eventuale determinazione di
sotto‐regioni omogenee;
c) stima della distribuzione regionale di frequenza di tipo GP delle eccedenze e
verifica delle bontà dell’adattamento del modello stimato ai dati;
d) calcolo dei livelli di ritorno ad alcuni tempi prefissati rilevanti ai fini della
prevenzione dal dissesto.
L’analisi di frequenza regionale segue l’approccio proposto da Hosking e Wallis
(1993; 1997) e sostanzialmente adottato da Madsen et al. (2002). Si tratta, quindi, di una
stima secondo il metodo dei momenti ove, però, non vengono utilizzati gli usuali momenti
(media, varianza, ecc.), ma gli L‐momenti introdotti da Hosking (1990), che sono
computazionalmente semplici da determinare e producono stime dei quantili di una
distribuzione che sono robuste ed accurate. Gli L‐momenti individuano univocamente la
distribuzione di probabilità, purché questa abbia media.
Si rimanda al paragrafo B5.1.2 per una più dettagliata esposizione dei metodi, ma è
qui brevemente riassunta la terminologia e le notazioni in modo da rendere comprensibile
l’esposizione dei risultati. Per ciascuna regione sono stati calcolati gli L‐momenti
campionari ed i corrispondenti L‐momenti medi regionali dai dati di eccedenza oltre la
soglia u0. In un approccio di tipo index‐flood (Dalrymple 1960), la distribuzione di Pareto
generalizzata con funzione dei quantili:
z(p) = α {1‐(1‐p)k} / k per k  0
(B.20)
z(p) = ‐α log (1‐p) per k = 0
è univocamente determinata dal coefficiente di L‐variazione, , in quanto i suoi parametri
incogniti possono essere espressi come: k = (1/) – 2 ; α = (1+k)= (1/) – 1. Per k > 0, la
distribuzione è ben definita per valori inferiori ad α/k, cioè le eccedenze sono limitate
superiormente. Questo permette una significativa interpretazione del parametro in
termini di piovosità, che verrà utilizzata nel seguito (Sezione 2.1). La funzione dei quantili
stimata è nota come regional growth curve. Stimando l’intensità del processo di Poisson
B.56

omogeneo che è supposto guidare l’occorrenza delle eccedenze con il numero medio
regionale di eventi sopra soglia per anno, , si ha che il livello (medio) di ritorno nel sito i‐
mo dopo T anni è calcolabile come
u0 + i z(1‐(T)‐1) (B.21)
ove i è la media delle eccedenze nel sito i‐mo (la grandezza indice) e u0 la soglia
prefissata.
Per verificare la bontà del modello ottenuto è stata adottata la misura proposta da
Madsen et al. (2002) come modifica al test di Hosking e Wallis (si veda Hosking e Wallis
1997) per tener conto del numero inferiore di parametri utilizzati:
G3 = 3‐1 (3(R) ‐ 3DIST ). (B.22)
La statistica test G3 confronta il valore regionale ottenuto dal campione per 3 (L‐
skewness) con il valore teorico corrispondente alla distribuzione Generalized Pareto, e la
deviazione standard di 3, 3, è ottenuto tramite simulazione Monte Carlo (generazione di
500 regioni omogenee dalla distribuzione kappa a 4 parametri con L‐momenti coincidenti
con quelli regionali campionari) e prendendo la deviazione standard dei valori regionali
simulati di 3. Se confrontato coi quantili di una normale standard risulta ‐1.96 < G3 < 1.96
si ha il buon adattamento ai dati del modello ottenuto.
Nel seguito sono riportati i risultati ottenuti con la procedura a)‐d), divisi per durata.
B5.1.1 – Alcune considerazioni sulla scelta delle distribuzione GP
Gli argomenti esposti in questo paragrafo giustificano l’adozione della distribuzione
GP nell’analisi di frequenza regionale condotta (Coles, 2001).
La teoria degli eventi estremi analizza il comportamento statistico del valore
massimo osservato in un dato periodo temporale (anno, stagione, mese …) durante il
quale il fenomeno osservato è misurato ad intervalli di tempo regolari (p. es., alla scala
giornaliera). In formula, essa si concentra sulla distribuzione di:
Mn = max {X1, … , Xn }. (B.23)
Per n sufficientemente grande, la distribuzione di Mn può essere approssimata da
una distribuzione nella famiglia delle distribuzioni generalizzate di evento estremo
(Generalized Extreme Value distributions, indicate semplicemente come distribuzioni GEV):
Pr(Mn ≤ z) = exp {‐[ 1+(z‐)/ ]‐1/} (B.24)
che è definita per ogni z tale che 1+(z‐)/ > 0, per qualunque valore di  e di  e
per valori positivi di . È ben noto che il parametro di forma (shape)  in (B.24) individua il
tipo di distribuzione: Fréchet per  > 0, Weibull per  < 0. Il caso  = 0 è ottenuto
considerando il limite per   0 in (B.24), che porta alla distribuzione di Gumbel, ben nota
in idrologia.
Questo risultato teorico permette di affrontare la modellazione degli eventi estremi
di una serie temporale di dati raggruppandoli in m blocchi di lunghezza n sufficientemente
elevata, calcolando per ogni blocco il valore massimo e adattando una distribuzione GEV ai
valori Mn,1, …,Mn,m così ottenuti. La situazione più nota è senz’altro quella in cui la serie
temporale è quella della pioggia misurata alla scala giornaliera (Xi), i giorni sono divisi per
anno ed i valori osservati sono i massimi annui.
B.57

Il valore zp tale che Pr(Mn ≤ zp)=1‐p, (0<p<1) è detto livello di ritorno associato al
periodo di ritorno 1/p: in altre parole, è il valore che ci si aspetta di veder superare in
media una volta ogni 1/p anni. Più precisamente, il massimo annuo può superare il valore
zp con probabilità p. Da (B.23) si ha che

 
z p  μ  σ 1   log1  p  ξ / ξ ξ 0
(B.25)
z p  μ  σ log log1  p  ξ 0
È stato dimostrato che se la distribuzione GEV è una buona approssimazione per la
distribuzione del massimo annuo, allora la distribuzione di Pareto generalizzata (GP) è una
buona approssimazione della distribuzione delle eccedenze giornaliere oltre una certa
soglia, quando sia noto che la soglia è effettivamente stata superata. Cioè, per una soglia u
abbastanza elevata, se vale (B.24) allora
Pr( X ‐ u ≤ y| X > u ) = 1 – (1+ y / * ) ‐1/ (B.26)
ove  =  +  (u‐), ,  e  conservano lo stesso significato che in (B.24) e la
*
distribuzione, nota come di Pareto generalizzata appunto, è ben definita per ogni valore y
tale che 1+ y / * > 0. La dualità tra GEV e GP fa sì che il parametro di forma  sia
determinante nel descrivere il comportamento qualitativo degli estremi. In particolare, se
 < 0, la distribuzione GP è limitata superiormente. Prendendo il limite per   0 in (B.3),
si ricava la distribuzione esponenziale con parametro 1/*. Da (B.26) otteniamo
immediatamente che, per x > u si ha
Pr( X > x | X > u ) = [1+ (x‐u) / * ] ‐1/ (B.27)
e quindi, posto ζu = Pr(X > u)
Pr( X > x ) = ζu [1+ (x‐u) / * ] ‐1/ (B.28)
da cui si ottiene che il livello xm superato in media una volta ogni m osservazioni è
xm = u +  [(m ζu) ‐ 1] /  (B.29)
purchè m sia abbastanza grande da garantire xm > u. Nel caso  = 0 si ha xm = u +  log(m
ζu). Per passare ai livelli di ritorno espressi per tempi di ritorno annuali basta sostituire in
(B.29) ad m il valore Tny ove T è il numero di anni ed ny è il numero di osservazioni per ogni
anno (365 tipicamente, o meno se per anno si intende in realtà una stagione). I parametri
 () e  possono essere stimati col metodo della massima verosimiglianza, mentre una
stima naturale di ζu è la proporzione di dati che superano la soglia u.
B5.1.2 – Scopi e metodi dell’analisi di frequenza regionale

Gli argomenti esposti in questa Appendice illustrano brevemente gli scopi ed i
metodi dell’analisi di frequenza regionale e sono basati essenzialmente su Hosking e Wallis
(1997) e su Madsen et al. (2002).
Per “analisi di frequenza” si intende usualmente la stima di quanto spesso un
evento, tipicamente un evento estremo, possa verificarsi in una certa località. L’analisi di
frequenza regionale basa la stima sull’utilizzo di dati che rappresentano osservazioni delle
variabile di interesse (qui, l’intensità massima ad una durata prefissata, o la piovosità
totale per evento) raccolte in siti diversi all’interno di una regione omogenea. Indichiamo
con Q la quantità di interesse, Q > 0, e con F(x) la probabilità che Q non superi il valore x
(probabilità di non eccedenza), cioè F(x)=Pr(Q ≤ x). Supposto che Q sia misurata ad
B.58

intervalli di tempo regolari (giorni o anni, per esempio), il quantile zT con periodo di ritorno
T (in unità di tempo) è un evento che ha probabilità 1/T di essere superato, cioè un evento
atteso in media una volta ogni T unità di tempo. Sotto ipotesi di regolarità per la funzione
F, si ha
zT = F‐1(1‐T‐1). (B.30)
La stima di zT, in una data località, per elevati valori di T è spesso resa difficoltosa
dall’insufficienza dei dati (periodo di osservazioni inferiore a quanto sarebbe necessario):
obiettivo dell’analisi di frequenza regionale è trovare buone stime di zT anche in presenza
di un numero non adeguato di dati, aumentando questi ultimi coi dati da siti che si
suppone abbiano delle distribuzioni di frequenza simili a quella della località designata. In
un approccio di tipo index‐flood, se una regione è omogenea, le distribuzioni di frequenza
nei siti differiscono l’una dall’altra solo per un fattore di scala (detto, appunto, valore
indice o index‐flood), in simboli:
Qi = i Q (B.31)
ove Qi indica l’osservazione nel sito i‐mo. Si ha allora che
Fi(x) = Pr(Qi ≤ x) = Pr(Q ≤ x/i) = F(x/i) (B.32)
e, quindi, per la funzione dei quantili al sito i‐mo si ha
Fi‐1(p) = i F‐1(p) (B.33)
e, in particolare,
Fi‐1(1‐T‐1) = i F‐1(1‐T‐1) (B.34)
In altre parole, i quantili con tempo di ritorno T al sito i‐mo si calcolano a partire
dalla curva di crescita regionale F‐1 (o funzione quantile adimensionale) tramite
moltiplicazione per il valore indice i. Usualmente i è stimato con la media dei dati al sito
i‐mo.
Il problema, quindi, si risolve una volta che venga stimata la funzione F, la quale è
generalmente assunta nota a meno di un certo numero di parametri incogniti. Nell’analisi
qui presentata la variabile osservata è il superamento di una certa soglia, variabile che si è
supposta avere distribuzione di Pareto generalizzata. Cunnane (1988) ha confrontato
diversi metodi di stima ed ha stabilito come migliore quello basato sui momenti di
probabilità pesati (probability weigthed moments, PWM). In questa analisi si è seguito un
metodo di stima basato sugli L‐momenti, che sono derivati dai PWM. Poiché una
distribuzione che ammette media è univocamente determinata dai suoi L‐momenti, il
metodo di stima consiste nell’uguagliare gli L‐momenti teorici di una distribuzione GP a
quelli campionari, ricavati dai dati. Così, se  è uno degli L‐momenti incogniti, e i è la sua
stima dai dati del solo sito i‐mo, la stima regionale di  è
(R) = { ni i, i = 1, … , N} / n (B.35)
ove N è il numero di siti che formano la regione omogenea, ni il numero di dati al sito i‐mo,
n il numero totale di dati (i ni).
Nel caso della distribuzione GP, con funzione dei quantili
z(p) = α {1‐(1‐p)k} / k per k  0
(B.36)
z(p) = ‐α log (1‐p) per k = 0
B.59

la conoscenza del coefficiente di L‐variazione, , basta ad individuare i parametri k

ed α, poiché questi si esprimono come:
k = (1/) – 2 ; α = (1+k)= (1/) – 1. (B.37)
Per il calcolo del valore campionario di  (dai valori delle eccedenze) si rimanda ad
Hosking e Wallis (1997). Nella Tabella B.VIII sono riportati i valori indice per ciascuna
stazione, durata e per la pioggia totale degli eventi.

Tabella B.VIII – Valori dell’index flood (valor medio dei dati considerati in ciascuna stazione) per i
diversi insiemi di dati analizzati (eccedenze).
Stazione 5 min 10 min 15 min 20 min 30 min 60 min P tot
1030 20.4 22.0 16.0 17.7 8.9 5.5 5.5
1092 20.4 15.6 14.3 10.7 7.3 8.1 27.6
1140 23.6 21.2 16.9 19.0 16.7 14.2 20.2
1180 17.8 17.5 13.3 13.5 4.6 8.7 42.0
1230 18.2 17.3 13.4 15.3 17.5 7.7 37.2
1850 25.2 24.0 18.5 21.8 20.4 11.0 23.8
1940 28.4 22.6 19.1 18.2 16.3 11.9 39.2
1980 21.4 18.8 16.9 14.0 12.4 8.7 52.6
2086 26.6 26.7 20.2 22.4 19.6 10.4 57.0
2090 26.8 26.8 18.1 20.7 19.9 11.5 45.7
2120 29.2 27.6 21.5 20.8 15.0 11.9 49.9
2150 28.5 23.7 19.6 20.5 20.7 11.2 70.6
2180 26.8 24.5 18.9 19.2 12.9 7.9 41.0
2210 23.6 21.0 19.7 22.7 21.7 18.0 61.1
2290 30.8 25.8 21.4 20.1 16.5 12.6 36.7
2310 17.8 19.5 17.2 18.4 16.4 12.2 36.0
2510 18.2 19.0 17.3 15.5 22.4 12.9 12.9
2600 25.2 15.8 12.9 12.1 8.0 5.2 35.1
2690 28.4 17.4 14.8 14.6 16.9 12.3 27.7
2730 24.7 21.3 15.9 17.3 14.2 10.4 7.2
2890 26.3 25.8 22.3 26.2 24.4 17.6 40.5
2940 21.4 18.22 17.1 13.6 9.5 5.4 19.4
3210 26.6 19.5 15.1 16.2 16.1 7.8 29.3

Tabella B.IX – Tabella riassuntiva delle stime per i parametri incogniti in (B.36) per le intensità alle
diverse durate e per la pioggia totale (l’apice (R) è stato omesso per semplicità).
Durata soglia  k α
5 minuti – SR1 35 mm/h 8.6 ‐0.146 0.854
5 minuti – SR2 35 mm/h 9.6 0.045 1.045
10 minuti 35 mm/h 5.7 ‐0.025 0.975
15 minuti 25 mm/h 7.5 ‐0.092 0.908
20 minuti 35 mm/h 2.8 0.001 1.001
30 minuti 35 mm/h 1.7 0.05 1.05
60 minuti 20 mm/h 2.5 ‐0.111 0.889
Pev 60 mm 4.1 ‐0.094 0.906

B.60

Nella Tabella B.IX, invece, sono riportati, assieme alle soglie usate per definire le
eccedenze, i parametri regionali stimati secondo le relazioni (B.37), e applicando (B.35).
La Tabella B.IX riporta anche il valore stimato per il parametro . Infatti, nell’analisi
PDS gli eventi che vengono esaminati sono eventi di piovosità ben definiti (si veda
l’Introduzione), la cui cadenza non è regolare. Supposto di misurare il tempo in anni, come
di solito, per il susseguirsi nel tempo degli eventi di piovosità oltre la soglia prefissata si fa
l’ipotesi che il fenomeno formi un processo di Poisson. Si suppone, cioè, che il numero di
eventi (superamenti della soglia) al tempo t segua una distribuzione di Poisson di media t,
ove  rappresenta il numero medio di eventi per anno; che l’intervallo di tempo che
trascorre tra due eventi (intertempo) abbia distribuzione esponenziale con media 1/ e
che gli intertempi siano tra loro indipendenti. Sotto queste ipotesi, il livello che viene
superato in media una volta ogni T anni si ottiene ancora dalla curva di crescita regionale
ma calcolata nel valore 1/(T)‐1:
Fi‐1(1‐(T)‐1) = i F‐1(1‐(T)‐1) (B.38)
Ricordando, infine, che Fi è la distribuzione delle eccedenze rispetto alla soglia u0, il
livello che viene superato in media una volta ogni T anni nella stazione i‐ma si ottiene
come:
u0 + i F‐1(1‐(T)‐1). (B.39)
I valori calcolati nelle Tabelle B.XIII, B.XV, B.XVII, B.XIX, B.XXI, B.XXIII, B.XXV sono stati
ottenuti a partire da (B.39) per i valori di soglia u0 e le stime dei parametri indicati in
Tabella B.IX, e per i valori indice indicati in Tabella B.VIII.
La discordanza delle stazioni, l’omogeneità della regione (o di una sotto‐regione) e la
bontà del modello stimato sono tutte proprietà verificate attraverso test sugli L‐momenti
campionari. La discordanza di una stazione viene verificata sulla base dello scostamento
degli L‐momenti calcolati nella stazione rispetto alla media (aritmetica) degli L‐Momenti
calcolati nella regione. L’omogeneità viene verificata simulando un elevato numero di
regioni con le stesse caratteristiche di quella analizzata: generando cioè dati da N siti,
ciascuno avente ni dati, ove N è il numero di siti nella regione reale e ni è il numero di dati
del sito reale i‐mo. In particolare, la statistica H usata nell’esposizione dei risultati come
riferimento principale, si ottiene come H=(V‐ V)/V ove V è la deviazione standard del
coefficiente di L‐variazione regionale (campionario)  (R)
[ { ni ( (i) ‐  (R))2 ; i = 1, … , N} / n] ½ (B.40)
e V, V sono, rispettivamente, la media e la varianza dei coefficienti di L‐variazione (i)
ricavati dalle simulazioni della regione. Le notazioni sono le stesse di (B.35). La simulazione
è ottenuta campionando da una distribuzione kappa a 4 parametri con L‐momenti
coincidenti con quelli regionali campionari. Hosking e Wallis suggeriscono di considerare la
regione accettabilmente omogenea se H < 1, eventualmente eterogenea se 1 ≤ H < 2 e
definitivamente eterogenea se H  2. Le statistiche H2 e H3 sono simili ad H ma includono
anche il momento di L‐skewness e quello di L‐kurtosis.
B.61

B5.2 – Risultati

Uno dei problemi principali nell’analisi di frequenza regionale di PDS è la
determinazione della soglia, usualmente assunta costante alla scala regionale. Le proposte
a noi note dalla letteratura si sono rivelate inadeguate. Visto il numero basso di stazioni a
disposizione, è stata allora effettuata un’analisi preliminare sito per sito (at site) delle
intensità massime alla durata di 5 minuti (durata per cui è disponibile il maggior numero di
dati). Sito per sito, la soglia è stata fissata sulla base dell’ispezione visiva del mean excess
plot (o mean residual life plot; si veda Coles 2001) e, quindi, è stata adottata una soglia
iniziale di 35 mm/h, corrispondente al valore più elevato tra quelli individuati, sulla base
del fatto che se le eccedenze oltre una data soglia u0 sono ben modellate da una
distribuzione di Pareto generalizzata lo sono anche le eccedenze oltre ogni soglia u* con
u* > u0 (si veda Coles 2001). La Tabella B.X riporta i risultati dell’analisi at site. I calcoli
sono stati svolti col package POT del software libero R (Ribatet, 2009).
Le stazioni a sfondo grigio sono quelle in cui i metodi di stima danno risultati
sostanzialmente diversi. In tutti i casi, il grafico dei livelli di ritorno con i relativi intervalli di
confidenza indica un adeguato adattamento del modello stimato (col metodo della
massima verosimiglianza) ai dati.
La soglia di 35 mm/h, pertanto, è stata considerata come punto di partenza per
ognuna delle durate d analizzate in questo lavoro. Poiché queste vanno a crescere, nel
caso di perdita di omogeneità per le durate superiori si è preferito procedere dapprima
abbassando la soglia e poi, eventualmente, considerando possibili sotto‐regioni.

B.62

Tabella B.X – Risultati dell’analisi at site: I parametri di forma (shape, sopra) e quello di scala (sotto, si
veda il paragrafo B5.1.1) sono stimati con i diversi metodi indicati dalla letteratura. MLE: stima di
massima verosimiglianza; MOM: stima col metodo dei momenti; PWMu: stima col metodo dei
momenti pesati non distorto (unbiased); PWMb: stima col metodo dei momenti pesati distorto
(biased).
Soglia n. eventi 95%‐CI
Stazione MLE MOM PWMu PWMb
(mm/h) per anno (MLE‐shape)
0.1090 0.0635 0.1664 0.1558
1030 30 6 (‐0.16, 0.47)
17.4673 18.2974 16.2874 16.4953
‐0.1356 ‐0.1069 ‐0.081 ‐0.08718
1092 20 11.5 (‐0.26, 0.07)
23.7849 23.1499 22.608 22.73666
0.08525 0.08284 0.08113 0.07632
1140 10 17 (‐0.05, 0.27)
20.19054 20.24658 20.28442 20.39042
0.04538 0.05173 0.04216 0.03776
1180 10 18.4 (‐0.07, 0.22)
17.79580 17.67906 17.85755 17.93959
0.07292 0.1001 0.007133 0.002906
1230 25 17.3 (‐0.03, 0.23)
17.87079 17.3666 19.161295 19.242869
0.06951 0.06349 0.05781 0.05453
1850 10 24.7 (‐0.05, 0.22)
21.12436 21.25537 21.38418 21.45878
0.1532 0.1312 0.1448 0.1424
1940 10 25.1 ( 0.04, 0.29)
19.0029 19.4660 19.1634 19.2158
0.07376 0.06286 0.09673 0.09308
1980 20 20.4 (‐0.05, 0.25)
18.09371 18.29757 17.63633 17.70764
0.2385 0.1734 0.2345 0.2302
2086 20 19.4 ( 0.08, 0.44)
16.6005 17.8676 16.5470 16.6398
0.2035 0.1759 0.1955 0.1913
2090 20 18 ( 0.06, 0.39)
18.4700 19.0698 18.6147 18.7117
0.0742 0.05357 0.1062 0.09982
2120 20 12.8 (‐0.11, 0.32)
24.8762 25.39994 23.9866 24.15865
0.1554 0.1420 0.1128 0.1088
2150 25 14 ( 0.01, 0.31)
23.4635 23.2982 24.0904 24.1980
0.03784 0.02821 0.0869 0.08258
2180 30 14.5 (‐0.12, 0.23)
25.84783 26.09331 24.5173 24.63341
‐0.004130 ‐0.001803 ‐0.03045 ‐0.03463
2210 15 17.3 (‐0.12, 0.15)
26.235015 26.175519 26.92398 27.03334
‐0.009778 ‐0.004817 0.03617 0.0327
2290 10 23.3 (‐0.14, 0.16)
28.220198 28.081396 26.93595 27.0329
‐0.1657 ‐0.1983 ‐0.2793 ‐0.2845
2310 20 11.5 (‐0.27, 0.00)
29.6071 30.4899 32.5487 32.6819
‐0.06532 ‐0.05871 ‐0.05484 ‐0.05981
2510 20 14.4 (‐0.19, 0.12)
25.93760 25.77666 25.68245 25.80343
‐0.06583 ‐0.07614 ‐0.1308 ‐0.1353
2600 30 13.4 (‐0.17, 0.09)
22.64470 22.87355 24.0361 24.1302
‐0.2321 ‐0.2028 ‐0.1959 ‐0.2001
2690 25 14.9 (‐0.31, ‐0.07)
27.6187 26.8895 26.7372 26.8309
0.0964 0.0878 0.1028 0.09655
2730 20 12 (‐0.06, 0.32)
19.2487 19.4215 19.1030 19.23524
0.1912 0.1345 0.1956 0.191
2890 20 15.1 (0.03, 0.40)
18.3821 19.5507 18.1717 18.275
‐0.1729 ‐0.101 ‐0.03212 ‐0.03725
2940 30 12.9 (‐0.31, 0.04)
24.9059 23.262 21.80628 21.91468
‐0.06911 ‐0.0544 ‐0.01605 ‐0.02255
3210 35 12.3 (‐0.16, 0.20)
23.85293 23.5207 22.66539 22.81034

B.63

B5.2.1 – Intensità massima alla durata di 5 minuti

Il test delle discordanze non porta a scartare alcuna stazione, tuttavia le 23 stazioni
risultano eventualmente eterogenee, secondo il test di Hosking e Wallis, e molto prossime
alla eterogeneità certa (statistiche test: H = 2, H2 = 2.4, H3 = 2)1. In questo lavoro, la
statistica di riferimento sarà sempre H (si veda l’Appendice B).
Le 23 stazioni sono state quindi suddivise in due sotto‐regioni, prendendo spunto
dall’esito dell’analisi at site: stazioni con parametro di forma positivo e stazioni con
parametro di forma negativo. Le due sottoregioni, rappresentate in Figura B.51, sono le
seguenti:
 SR1 = {1030, 1140, 1180, 1230, 1850, 1940, 1980, 2086, 2090, 2120, 2150, 2180, 2290,
2730, 2890}
 SR2 = {1092, 2210, 2310, 2510, 2600, 2690, 2940, 3210}.

4.4 ´ 10 6
6
4.3 ´ 10
1500
1000
5000
2.6 ´ 10 6
2.65 ´ 10 6
6
6 4.2 ´ 10
7 ´ 10
2.7
2

Figura B.51 – Rappresentazione delle 23 stazioni esaminate per l’analisi PDS suddivise nelle due sotto‐
regioni SR1 (rosso) ed SR2 (blu).

Va menzionato il fatto che è stata condotta anche un’analisi sulla base delle
coordinate dei siti e della piovosità media annua (calcolata sul lungo periodo) con lo scopo
di utilizzare tali criteri per la suddivisione delle stazioni, ma che nulla di significativo ne è
emerso.

1
Le 23 stazioni risultano non omogenee anche rispetto alle soglia di 30 mm/h e di di 25 mm/h, come
atteso dai risultati dell’analisi at site.
B.64

Le due sotto‐regioni individuate su base statistica sono risultate omogenee secondo
il test di Hosking e Wallis, come indicato nella Tabella B.XI.

Tabella B.XI – Esito del test di Hosking e Wallis per l’omogeneità delle sottoregioni individuate.
H H2 H3
SR1 ‐0.02 0.33 0.55
SR2 0.19 0.58 0.72

Si è quindi provveduto all’analisi delle eccedenze rispetto alla soglia di 35 mm/h
nelle due sotto‐regioni. La Figura B.52 mostra l’andamento teorico della relazione tra il
momento di L‐skewness e coefficiente di L‐variazione per una distribuzione GP, a
confronto con il grafico di dispersione dei dati (L‐momenti campionari delle eccedenze),
divisi per gruppi. Si vede come le due medie regionali (punti rosso e blu) siano molto vicini
alla curva.

L_SKEW
GENERALIZED PARETO DISTRIBUTION
0.5
SR1
SR2
0.45
0.4
0.35
0.3
0.25
L_CV
0.45 0.5 0.55 0.6
0.15

Figura B.52 –Andamento teorico della relazione tra il momento di L‐skewness ed il coefficiente di L‐
variazione per una distribuzione GP, a confronto con il grafico di dispersione degli L‐momenti
campionari delle eccedenze, divisi per gruppi. Durata: 5 minuti; soglia: 35 mm/h. I punti rosso e blu
rappresentano, rispettivamente, le medie regionali degli equivalenti campionari (punti neri e grigi)
nelle due sotto‐regioni SR1 ed SR2.

La Tabella B.XII mostra le stime ottenute dei parametri incogniti nelle equazioni
(B.20) ‐ (B.21) e riporta l’esito del test di bontà dell’adattamento, mentre la Tabella B.XIII
alcuni livelli di ritorno per tempi di ritorno rilevanti a scopi di prevenzione da dissesto idro‐
geologico.

Tabella B.XII – Analisi delle (eccedenze delle) intensità massime per la durata pari a 5 minuti.
u0 = 35 mm/h  k α G3
SR1 8.6 ‐0.146 0.854 ‐0.75
SR2 9.6 0.045 1.045 ‐0.48

B.65

Tabella B.XIII – Intensità stimata per alcuni tempi di ritorno rilevanti. La colorazione distingue le due
sotto‐regioni (SR1 in grigio e SR2 in bianco, rispettivamente).
Stazione T=10 T=20 T=50 T=100
1030 146.8 171.4 208.0 239.1
1092 117.9 129.1 143.3 153.7
1140 163.9 192.3 234.4 270.3
1180 132.3 153.7 185.6 212.6
1230 134.5 156.4 189.0 216.7
1850 172.7 203.0 248.0 286.3
1940 190.2 224.4 275.1 318.3
1980 151.9 177.7 215.9 248.4
2086 180.4 212.4 260.0 300.5
2090 181.4 213.6 261.5 302.3
2120 194.8 230.0 282.3 326.8
2150 191.0 225.3 276.4 319.8
2180 182.2 214.6 262.7 303.7
2210 142.7 157.2 175.7 189.1
2290 203.4 240.4 295.5 342.4
2310 126.5 138.8 154.5 165.9
2510 138.7 152.7 170.5 183.5
2600 118.5 129.8 144.1 154.6
2690 128.2 140.8 156.8 168.5
2730 169.9 199.5 243.7 281.2
2890 178.9 210.5 257.6 297.6
2940 125.8 138.0 153.6 165.0
3210 131.1 144.0 160.5 172.5


Con la soglia di 35 mm/h le 23 stazioni formano, rispetto alla nuova durata, una
regione omogenea (statistiche test: H = 0.22, H2= 0.15, H3 = ‐0.03). Le figure e le tabelle
riportate nel seguito hanno il medesimo significato illustrato nel paragrafo precedente,
pertanto, solo eventuali scostamenti saranno commentati.

Tabella B.XIV – Analisi delle (eccedenze delle) intensità massime per la durata pari a 10 minuti.
u0 = 35 mm/h  k α G3
23 stazioni 5.7 ‐0.025 0.975 ‐0.58

B.66

L_SKEW
0.5
0.45
0.4
0.35
0.3
0.25
L_CV
0.45 0.5 0.55 0.6
0.15

Figura B.53 – Andamento teorico della relazione tra il momento di L‐skewness ed il coefficiente di L‐
campionari delle eccedenze. Durata: 10 minuti; soglia: 35 mm/h. Il punto rosso rappresenta la media
regionale degli equivalenti campionari.

Tabella B.XV – Intensità stimata per alcuni tempi di ritorno rilevanti.
1030 126.5 143.0 165.4 182.7
1092 99.8 111.6 127.5 139.7
1140 123.3 139.3 160.9 177.5
1180 107.7 120.9 138.7 152.5
1230 107.0 120.0 137.7 151.2
1850 134.7 152.7 177.1 195.9
1940 129.0 146.1 169.1 186.8
1980 113.4 127.6 146.7 161.5
2086 145.9 166.0 193.2 214.1
2090 146.4 166.6 193.8 214.8
2120 149.7 170.5 198.5 220.2
2150 133.5 151.4 175.5 194.1
2180 137.1 155.6 180.6 199.8
2210 122.2 138.0 159.3 175.8
2290 142.2 161.7 187.9 208.2
2310 116.0 130.7 150.5 165.8
2510 113.8 128.1 147.4 162.3
2600 100.6 112.5 128.5 140.9
2690 107.4 120.6 138.3 152.0
2730 123.7 139.8 161.5 178.2
2890 142.3 161.7 187.9 208.2
2940 110.8 124.5 143.1 157.4
3210 116.3 131.0 150.9 166.3
B.67


Con la soglia di 35 mm/h (corrispondente ad un numero regionale medio di eventi
per anno pari a circa 4) il test di omogeneità sulle 23 stazioni fornisce un risultato al limite
(prossimo a 1). È stato pertanto preferito abbassare la soglia a 25 mm/h, anche in ragione
della durata più lunga, come menzionato in precedenza. Rispetto alla nuova soglia, le 23
stazioni formano una regione omogenea (statistiche test: H = 0.75, H2= 0.41, H3 = 0.17). Le
figure e le tabelle riportate nel seguito hanno il medesimo significato illustrato nel
paragrafo B5.2.1 e, pertanto, solo eventuali scostamenti saranno commentati.

L_SKEW
0.5
0.45
0.4
0.35
0.3
0.25
L_CV
0.45 0.5 0.55 0.6
0.15


Tabella B.XVI – Analisi delle (eccedenze delle) intensità massime per la durata pari a 15 minuti.
u0 = 35 mm/h  k α G3
23 stazioni 7.5 ‐0.092 0.908 ‐0.69

Tabella B.XVII – Intensità stimata per alcuni tempi di ritorno rilevanti.
1030 102.1 117.5 139.6 157.6
1092 93.9 107.7 127.4 143.5
1140 106.5 122.8 146.2 165.1
1180 89.0 101.8 120.1 135.0
1230 89.4 102.3 120.8 135.8
1850 114.2 132.2 157.7 178.5
1940 117.2 135.7 162.1 183.6
1980 106.2 122.5 145.7 164.7
2086 122.5 142.1 170.1 192.8
2090 112.3 129.9 154.9 175.2
2120 128.7 149.6 179.2 203.4
2150 119.3 138.2 165.2 187.1
2180 116.0 134.3 160.4 181.6
B.68

2210 119.9 139.0 166.2 188.3

2290 128.1 148.8 178.3 202.3
2310 107.7 124.3 148.0 167.3
2510 108.1 124.8 148.6 168.0
2600 87.3 99.8 117.6 132.1
2690 96.3 110.7 131.1 147.7
2730 101.8 117.3 139.2 157.1
2890 132.4 154.0 184.8 209.8
2940 107.4 124.0 147.6 166.8
3210 97.8 112.4 133.2 150.2

Con la soglia di 35 mm/h la stazione 1180 (Castrovillari) risulta discordante dalle
altre, e quindi non analizzata. Le 22 stazioni rimanenti formano, rispetto alla nuova durata,
una regione omogenea (statistiche test: H = 0.29, H2= 0.77, H3 = 1). Le figure e le tabelle
riportate nel seguito hanno il medesimo significato illustrato nel paragrafo B5.2.1 e,
L_SKEW
0.5
0.4
0.3
0.2
0.1
L_CV
0.35 0.4 0.45 0.5 0.55 0.6 0.65

Tabella B.XVIII – Analisi delle (eccedenze delle) intensità massime per la durata pari a 20 minuti
u0 = 35 mm/h  k α G3
22 stazioni 2.8 0.001 1.001 ‐1.28

B.69

Tabella B.XIX – Intensità stimata per alcuni tempi di ritorno rilevanti.
1030 94.1 106.3 122.4 134.6
1092 70.5 77.9 87.6 95.0
1140 98.2 111.3 128.6 141.6
1180 xx xx xx xx
1230 86.1 96.7 110.6 121.2
1850 107.6 122.6 142.5 157.5
1940 95.6 108.1 124.7 137.2
1980 81.7 91.4 104.1 113.8
2086 109.6 125.1 145.4 160.9
2090 104.0 118.2 137.1 151.3
2120 104.3 118.6 137.6 151.9
2150 103.2 117.4 136.0 150.1
2180 98.9 112.2 129.7 142.9
2210 110.6 126.3 147.0 162.6
2290 102.1 116.0 134.3 148.2
2310 96.3 109.0 125.7 138.4
2510 86.7 97.5 111.6 122.3
2600 75.4 83.7 94.8 103.1
2690 83.7 93.8 107.1 117.2
2730 92.8 104.8 120.5 132.5
2890 122.3 140.3 164.2 182.2
2940 80.3 89.7 102.1 111.5
3210 89.1 100.3 115.1 126.3


Con la soglia di 35 mm/h le 23 stazioni formano, rispetto alla nuova durata, una
regione omogenea (statistiche test: H = ‐0.94, H2= ‐1.13, H3 = ‐0.39). Le figure e le tabelle

Tabella B.XX – Analisi delle (eccedenze delle) intensità massime per la durata pari a 30 minuti.
u0 = 35 mm/h  k α G3
23 stazioni 1.7 0.05 1.05 ‐0.24

B.70

L_SKEW
0.5
0.4
0.3
0.2
0.1
L_CV
0.35 0.4 0.45 0.5 0.55 0.6 0.65

Tabella XXI – Intensità stimata per alcuni tempi di ritorno rilevanti.
1030 59.9 65.5 72.5 77.6
1092 55.3 59.8 65.5 69.7
1140 81.5 91.8 104.9 114.5
1180 47.8 50.6 54.3 56.9
1230 83.8 94.6 108.4 118.4
1850 91.8 104.5 120.5 132.1
1940 80.4 90.5 103.3 112.6
1980 69.5 77.2 86.9 94.0
2086 89.7 101.8 117.2 128.4
2090 90.3 102.6 118.1 129.5
2120 76.7 86.0 97.8 106.3
2150 92.7 105.5 121.8 133.6
2180 71.0 79.0 89.1 96.5
2210 95.3 108.7 125.7 138.0
2290 80.8 91.0 103.9 113.3
2310 80.6 90.7 103.6 112.9
2510 97.3 111.2 128.7 141.5
2600 57.3 62.3 68.6 73.2
2690 81.7 92.1 105.3 114.9
2730 74.6 83.4 94.6 102.7
2890 102.9 118.0 137.2 151.1
2940 61.4 67.2 74.7 80.1
3210 79.9 89.9 102.6 111.8

B.71


A questa durata, la soglia di 35 mm/h risulta troppo elevata, portando ad un numero
medio regionale di eventi per anno inferiore a 1. La soglia adottata è stata, quindi,
abbassata a 20 mm/h. Rispetto ad essa, la stazione 1180 (Castrovillari) risulta ancora una
volta discordante e, pertanto, eliminata dall’analisi. Le 22 stazioni rimanenti formano una
regione omogenea (statistiche test: H = ‐0.12, H2= ‐1.44, H3 = ‐1.44). Le figure e le tabelle

L_SKEW
0.5
0.4
0.3
0.2
0.1
L_CV
0.35 0.4 0.45 0.5 0.55 0.6 0.65

Tabella B.XXII – Analisi delle (eccedenze delle) intensità massime per la durata pari a 60 minuti.
u0 = 20 mm/h  k α G3
22 stazioni 2.5 ‐0.111 0.889 ‐0.26

Tabella B.XXIII – Intensità stimata per alcuni tempi di ritorno rilevanti.
1030 38.9 44.0 51.3 57.4
1092 47.6 55.0 65.7 74.6
1140 68.6 81.7 100.5 116.0
1180 xx xx xx xx
1230 46.4 53.4 63.6 72.0
1850 57.5 67.6 82.1 94.1
1940 60.8 71.7 87.5 100.5
1980 49.9 57.9 69.5 79.0
2086 55.5 64.9 78.6 90.0
2090 59.3 69.9 85.1 97.7
2120 60.8 71.8 87.5 100.6
2150 58.4 68.7 83.6 95.9
2180 47.2 54.5 65.0 73.7
B.72

2210 81.5 97.9 121.7 141.4

2290 63.2 74.7 91.4 105.2
2310 61.9 73.1 89.3 102.7
2510 64.3 76.1 93.3 107.4
2600 37.7 42.4 49.2 54.9
2690 62.0 73.2 89.5 102.9
2730 55.4 64.9 78.6 90.0
2890 80.2 96.2 119.5 138.7
2940 38.6 43.6 50.7 56.7
3210 46.9 54.0 64.4 73.0

B5.2.7 – Pioggia totale degli eventi
Per la pioggia totale è stata considerata la soglia di 60 mm, in considerazione del
fatto che il valore minimo osservato complessivamente nelle 23 stazioni è di poco
superiore a 70mm. Rispetto a tale soglia, risultano discordanti le stazioni 1030 (Torano
Scalo) e 2510 (Scilla)2. Le 21 stazioni rimanenti formano una regione omogenea
(statistiche test: H = 0.49, H2= ‐1.17, H3 = ‐1.05). Le figure e le tabelle riportate nel seguito
hanno il medesimo significato illustrato nel paragrafo B5.2.1 e, pertanto, solo eventuali
scostamenti saranno commentati.

Tabella B.XXIV – Analisi della pioggia totale per evento.
u0 = 60 mm  k α G3
21 stazioni 4.1 ‐0.094 0.906 ‐1.11

L_SKEW
0.7
0.6
0.5
0.4
0.3
0.2
0.1
L_CV
0.4 0.5 0.6 0.7

campionari delle eccedenze. Pioggia totale; soglia: 60 mm. Il punto rosso rappresenta la media

2
Anche abbassando la soglia a 50 mm e, successivamente, a 35 mm non si ottiene
l’omogeneità delle 23 stazioni nel loro complesso.
B.73

Tabella B.XXV – Intensità stimata stimati per alcuni tempi di ritorno rilevanti.
1030 xx xx xx xx
1092 171.4 196.8 233.1 262.6
1140 141.5 160.1 186.6 208.2
1180 229.4 268.1 323.2 368.2
1230 210.2 244.4 293.3 333.2
1850 156.2 178.2 209.5 235.0
1940 218.0 254.0 305.4 347.4
1980 272.4 320.8 389.9 446.3
2086 290.0 342.5 417.3 478.4
2090 244.3 286.3 346.2 395.1
2120 261.2 307.1 372.5 425.9
2150 344.9 409.8 502.5 578.1
2180 225.6 263.3 317.2 361.1
2210 306.4 362.6 442.7 508.1
2290 207.9 241.7 289.8 329.1
2310 205.2 238.3 285.5 324.1
2510 xx xx xx xx
2600 201.6 233.9 280.0 317.6
2690 171.9 197.5 233.9 263.6
2730 89.3 96.0 105.5 113.3
2890 223.3 260.6 313.7 357.0
2940 138.3 156.1 181.6 202.4
3210 178.3 205.3 243.8 275.2

B.74

B6 – Curve di Probabilità Pluviometrica per durate inferiori ad 1 ora
ORESTE TERRANOVA, (CON LA PARTECIPAZIONE DI STEFANO LUIGI GARIANO)

I risultati ottenuti nell’analisi PDS rendono possibile la costruzione delle curve di
probabilità pluviometrica (CPP) per durate inferiori all’ora, relativamente ai siti analizzati.
Tali curve esprimono la relazione fra le altezze di precipitazione h e la loro durata t,
per un assegnato valore del periodo di ritorno T. Generalmente viene considerato un
fascio di curve, ciascuna delle quali corrisponde ad un valore diverso del periodo di ritorno;
nel caso in esame vengono presi in esame i tempi di ritorno pari a 10, 20, 50 e 100 anni.
La relazione delle CPP viene tradizionalmente espressa in Italia con una legge di
potenza monomia del tipo:
ht ,T  a  t n (B.41)
dove h è l’altezza di precipitazione; t è la durata della precipitazione; a ed n sono
coefficienti che dipendono dal periodo di ritorno.
In Figura B.59 sono riportate le CPP per i 4 tempi di ritorno costruite sulla base dei
dati della stazione 1850.

Figura B.59 – Curve di probabilità pluviometrica per la stazione 1850

B.75

Bibliografia

ANTRONICO L., GULLÀ G., TERRANOVA O. (2002), “L’Evento Pluviometrico dell’8‐10 Settembre 2000 nella
Calabria Ionica Meridionale: Dissesti sui Versanti e Processi in Alveo”, in XIX Giornata dell'Ambiente
sul tema “Il dissesto idrogeologico: inventario e prospettive”, Accademia Nazionale dei Lincei,
Roma.
ARONICA G., FERRO V. (1997), “Rainfall erosivity over the Calabrian region”, in Hydrological Sciences,
42 (pp. 35‐48).
AUTORITÀ DI BACINO DELLA CALABRIA (2002), Piano stralcio di bacino per l’assetto idrogeologico.
BELLECCI C., COLACINO M., CASELLA L., FEDERICO S. (2003), Il clima in Calabria, Edizioni ARACNE, Roma,
Vol. 15.
BONTA J. V., RAO A. R. (1989), “Regionalization of storm hyetographs”, Water Resources Bulletin
25(1) (pp. 211−217).
BONTA J.V., (2004), “Development and utility of Huff curves for disaggregating precipitation
amounts”, Applied Engineering in Agriculture, 20(5) (pp. 641‐653).
COLES S. (2001), An Introduction to Statistical Modelling of Extreme Values, Springer Verlag, Londra.
COLOSIMO C., COPERTINO V.A. (1981), “Una descrizione stocastica delle sequenze di giorni non
piovosi”, Idrotecnica, 1.
COLOSIMO C., MENDICINO G., TERRANOVA O. (1996), An analysis of rainfall profiles of an experimental
basin (Turbolo creek basin ‐ Italy), VI Congreso nacional y Conferencia internacional de Geologia
ambiental y ordenacion del territorio, 22‐25 de Abril de 1996, Granada (Espana).
CUNNANE C. (1988), “Methods and merits of regional flood frequency analysis”, Journal of
Hydrology, 100 (pp. 269‐290).
DALRYMPLE T (1960), “Flood frequency analyses”, U.S. Geological Survey Water Supply Paper, 1543‐
A.
GULLÀ G., ANTRONICO L., FERRARI E., SORRISO‐VALVO M., TANSI C., TERRANOVA O., ACETO L., NICEFORO D.
(2001), Linee guida per interventi di stabilizzazione di pendii in aree urbane da riqualificare,
Consiglio Nazionale delle Ricerche ‐ IRPI, Regione Calabria, UE‐POP 1994/99‐Misura 4.4 ‐ Ricerca
Scientifica e Tecnologica, voll. 1‐8.
GUMBEL E. J. (1958), Statistics of extremes, Columbia University Press, New York.
HANSON, C. L., JOHNSON G. L., FRYMIRE W. L., (2002), “The GEM (Generation of weather Elements for
Multiple applications) weather simulation model”, in 13th AMS Conf. Appl. Climatology, 117−121.
American Meteorological Society, Portland, Oregon.
HENEKER, T.M., LAMBERT M.F., KUCZERA G., (2001), “A point rainfall model for risk‐based design”,
Journal of Hydrology, Vol. 247( 1‐2), (pp. 54‐71).
HERSHFIELD DM (1962), Extreme rainfall relationships, Jou. Hydraul. Div. ASCE 88 (pp. 73–92).
HOSKING J.R.M. (1990), “L‐moments: analysis and estimation of distributions using linear
combinations of order statistics”, in Journal of the Royal Statistical Society, Series B, 52 (pp. 105‐
124).
B.76

HOSKING J.R.M., WALLIS J.R. (1993), “Some statistics useful in regional frequency analysis”, in Water

Resources Research, 29 (pp. 271‐281).
HOSKING J.R.M., WALLIS J.R. (1997), Regional frequency analysis: an approach based on L‐moments,
Cambridge University Press, Cambridge, U.K.
HUFF F.A. (1967), “Time distribution of rainfall in heavy rainfalls”, in Water Resour Res 3 (pp. 1007–
1019).
HUFF F. A. (1990), Time distributions of heavy rainstorms in Illinois, Illinois State Water Survey,
Circular 173. Champaign, Ill.
HUFF F. A., ANGEL J. R., (1992), Rainfall frequency atlas of the Midwest, Illinois State Water Survey,
Champaign, Ill.
KOTTEGODA N.T., KASSIM A.H.M. (1991), “The turning bands method with the Fast‐Fourier Transform
as an aid to the determination of storm movement”, Jour. Hydrology n. 1–4, (pp. 55–69).
LAMBERT M.F., KUCZERA G.A. (1996) "A Statistical Model of Rainfall and Temporal Patterns." 7th
International Conference on Stochastic Hydraulics, IAHR, Mackay, July, (pp. 317‐324).
MADSEN H., MIKKELSEN P.S., ROSBJERG D., HARREMOËS P. (2002), “Regional estimation of rainfall–
intensity–duration–frequency curves using generalised least squares regression of partial duration
series statistics”, in Water Resources Research, 38 (11).
NERC – Natural Environmental Research Council (1975), “Estimation of flood volumes over
different duration”, in Flood Studies Report, vol. I (pp. 352‐373).
NICKS, A. D., LANE L. J., GANDER G. A, (1995), “Chapter 2. Weather Generator”, In FLANAGAN D. C.,
NEARING M. A., Hillslope Profile and Watershed Model Documentation, NSERL Report No. 10,
USDA−ARS National Soil Erosion Research Laboratory, West Lafayette, Ind.
ONOF C., WHEATER H.S., (1993), “Modelling of British rainfall using a random parameter Bartlett‐
Lewis rectangular pulse model”, Journal of Hydrology 149 (pp. 67–95).
PENTA A., ROSSI F., SILVAGNI G., VELTRI M., VERSACE P. (1980), Un modello stocastico per l’analisi delle
massime piogge giornaliere in presenza di grandi nubifragi, Atti del XVII Convegno di Idraulica e
costruzioni idrauliche, Palermo.
PILGRIM D.H., CORDERY E. (1975), “Rainfall temporal patterns for design floods”, J. Hydraul. Div., Proc.
Am. Soc. Civ. Eng, (pp. 81–95).
RIBATET M. (2009), POT: Modeling (multivariate) peaks over threshold (Available at: http://cran.r‐
project.org/web/packages/POT/index.html, ultimo accesso: 23 dicembre 2009).
ROSSI F., VERSACE P. (1982), Criteri e metodi per l’analisi statistica delle piene. Valutazione delle
piene. CNR ‐ Progetto finalizzato Conservazione del suolo, n.165 (pp. 63‐130).
STIDD C.K. (1970), “The nth Root Normal Distribution of Precipitation”, Water Resour. Res., 6 (pp.
1095‐1103).
TERRANOVA O. (2002a), “Probabilistic definition and analysis of severe rainy events”, in BREBBIA C.A.
(editor), Risk Analysis III, WIT Press Southampton, Boston (pp. 531‐540).
TERRANOVA O. (2002b), “Risk analysis of potentially damaging rainfall events”, in MCINNES R.G.,
JAKEWAYS J. (editors), Instability planning and management: Seeking sustainable solutions to ground
movement problems, Thomas Telford, London, U.K.
B.77

TERRANOVA O. (2003a), “Regional analysis of severe rainfall events”, in PICARELLI L. (editor), Fast slope
movements. Prediction and prevention for risk mitigation, Pàtron editore, Bologna (pp. 497‐501).
TERRANOVA O. (2003b), “Analisi di serie giornaliere di pioggia e proprietà degli eventi severi in
Calabria”, in PICCOLO D., UBERTINI L. (editors), Metodi statistici e matematici per l’analisi delle serie
idrologiche, CNR‐GNDCI. Pubbl. N° 2812 (pp. 221‐230).
TERRANOVA O., GULLÀ G. (2003), Scenari di pioggia critici per le instabilità di pendio in Calabria.
Metodologie d’approccio ed analisi di serie storiche, Convegno Nazionale La Difesa della Montagna,
Assisi 11–12 dicembre 2002 (pp. 291‐300).
TERRANOVA O. (2004), Caratteri statistico‐probabilistici degli eventi pluviometrici in Calabria, CNR‐
IRPI Sezione di Cosenza, Rapp. Int.
VENEZIANO D., VILLANI P. (1999), “Best linear unbiased design hyetograph”, Water Resources
Research, 35(9) (pp. 2725‐2738).
VERSACE P., FERRARI E., GABRIELE S., ROSSI F. (1989), Valutazione delle piene in Calabria, CNR, Gruppo
Nazionale per la Difesa delle Catastrofi Idrogeologiche, Geodata, Publ. 30.
VERSACE P., (2004), Dispense del corso di Idrologia A.A. 2004/2005. Corso di laurea in Ingegneria per
l’ambiente ed il territorio, Facoltà di Ingegneria, Università della Calabria, Rende (CS)
WILSON R.C. (1997), “Normalizing rainfall/debris‐flow thresholds along the U.S. Pacific coast for long
term variations in precipitation climate”, in CHEN C.L. (editor), 1st Int. Conf. on Debris‐Flow Hazard
Mitigation, Hydraulic Division, American Society of Civil Engineers, August 7‐9, 1997, San Francisco
(pp. 32‐43).
WISHMEIER W.H., SMITH D.D. (1978), “Predicting Rainfall Erosion Losses”, in Agriculture Handbook
n.537, Agriculture Research Service, USDA.

B.78

Lingua

Allegato - B (Un Po Di PDS)

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

Allegato - B (Un Po Di PDS)

Titolo originale:

Caricato da

Copyright:

Formati disponibili

POR

Per  vengono utilizzati i valori 0 (lognormale), 1/3 (radcubiconormale), ½

1470 San Giovanni in Fiore 1050 2666506.51 4346460.51 818.60 M

2150 Croceferrata 970 2632114.19 4258691.34 1584.33 F

3000 Rogliano 650 2634010.92 4337161.45 1011.88 Classico

1610 Rocca di Neto KR 183 2694901 4338013 2002 2002 1

2450 Reggio Calabria RC 15 2576531 4217310 1990 2008 19

3090 Cetraro Superiore CS 76 2600767 4374610 1990 2008 19

intermedia per ottobre‐novembre‐dicembre (Ar=0.50) e aprile‐maggio‐giugno (Ar=0.48)

la conoscenza del coefficiente di L‐variazione, , basta ad individuare i parametri k

2210 119.9 139.0 166.2 188.3

2210 81.5 97.9 121.7 141.4

HOSKING J.R.M., WALLIS J.R. (1993), “Some statistics useful in regional frequency analysis”, in Water

Interessi correlati

Potrebbero piacerti anche