ANALISI STATISTICA

1. Raccolta dati
Al fine di effettuare uno studio idrologico per la rappresentazione della curva di probabilità pluviometrica
sono stati raccolti i dati relativi alle altezze di pioggia della stazione pluviometrica di Addis Abeba. Si è
ricorso ad un approccio probabilistico che tiene conto del periodo di ritorno. Esso viene definito come il
numero di anni entro cui si verifica mediamente un evento eccezionale, o alternativamente, il numero di
anni che in media separa il verificarsi di due eventi d’intensità uguale o superiore a quella media. Si
perviene alla definizione del legame tra l'altezza di pioggia h e la durata dell'evento meteorico in funzione
del periodo di ritorno T. Tale legame è detto Curva di Probabilità Pluviometrica (CPP), la quale rappresenta
la forzante idrologica lorda del nostro bacino. La valutazione della CPP, per un assegnato periodo di ritorno
T, viene effettuata con metodologie diverse in relazione alla qualità e quantità dell’informazione idrologica
disponibile.
La relazione fra le altezze di precipitazione h e la loro durata t, per un assegnato valore del periodo di
ritorno T, viene solitamente espressa dalla legge di potenza monomia:

ht ,T =K T ∙ a ∙ t n (1)

dove t è la durata della precipitazione, h è l’altezza di precipitazione massima annuale relativa alla durata in
esame; “a” e “n” sono dei coefficienti dipendenti dal periodo di ritorno (T) che verranno successivamente
calibrati e KT è il fattore di crescita.
In generale, si definisce altezza di pioggia h(t) caduta dal tempo 0 al tempo t, la quantità di acqua che si
depositerebbe al suolo in assenza di deflusso, infiltrazione ed evaporazione. Essa dipende da latitudine,
altitudine, orografia, direzione, frequenza dei venti e posizione rispetto ai mari più prossimi.
Le CPP possono essere ricavate elaborando i dati di altezza di pioggia disponibili attraverso un’analisi
statistica. Poiché i dati raccolti si riferiscono a dei valori massimi annuali di pioggia, si è deciso di effettuare
un’analisi statistica degli estremi idrologici attraverso i modelli di distribuzione dei valori estremi.
All’interno dei suddetti modelli probabilistici, hanno particolare rilevanza quelli derivanti da alcuni classici
risultati asintotici del calcolo delle probabilità. Se si considerano i massimi annuali X di una grandezza
idrologica (piogge giornaliere, portate al colmo, etc.) come i massimi di una serie di N variabili casuali Y i
(i=1,….N), indipendenti e identicamente distribuite, è possibile, per N tendente ad infinito, individuare la
distribuzione asintotica di X a prescindere dalla distribuzione delle Y, ma soltanto in base all’andamento
della sua coda superiore (ovvero di come la funzione di probabilità delle Y tende ad uno).

L’approccio probabilistico per la determinazione delle curve di probabilità pluviometrica si basa sull’analisi
delle curve di distribuzione cumulata (CDF), costruite per le serie storiche dei dati prelevati dalle stazioni
pluviometriche, costituiti dai massimi annuali delle piogge di durata 1h, 3h, 6h, 12h, 24h, e per i vari tempi
di ritorno sfruttando diversi tipi di modelli probabilistici che ne fanno stimare i valori della legge che lo
rappresenta.
Lo studio è stato condotto sotto due ipotesi di lavoro:
- dati storici, dal 1964 al 2010;
- dati storici e proiettati, dal 1964 al 2050.

Di seguito si riportano i dati utilizzati:

1
 0,16667 0,5 1 3 6 12 24
29,7393
1964 11,75 19,5 21 2 35,26096 41,80779 44
23,5725
1965 13,25 20 23 8 29,94355 38,22581 39,5
16,4281
1966 6 11 13,4 7 21,44789 26,92394 32,4
19,2094
1967 7,25 13,8 17 5 24,26457 33,70079 42,8
42,0987
1968 23,25 40,25 41 7 42,8642 59,7037 62
36,8469
1969 24,25 28 30 4 53,66837 60,07653 78,5
40,0290
1970 22,75 35 38 7 53,37209 60,43605 67,5
23,6929
1971 14,5 21,5 22,7 4 32,39647 33,84706 41,1
16,6666
1972 8,9 10 15 7 23,33333 36 40
29,7391
1973 14,5 21,25 29,5 3 40,27174 46,46739 57
19,3129
1974 10,25 16 18 4 24,94588 30,17647 34,2
17,8823
1975 5,875 14,3 15,6 5 24,47059 30,58824 32
1976 10,5 15 22 23,584 34,84 36,984 40,2
38,4527
1977 19,25 30,25 37,25 5 56,25495 59,81538 64,8
27,8368
1978 15,5 19,6 25,7 4 39,37895 41,41579 51,6
15,1738
1979 9,375 11,4 14,3 3 28,1271 34,41869 39,6
1980 12,5 19,4 20,4 23,575 24,6 40,4875 41
31,2307
1981 18,4 22,1 28,4 7 40,15385 53,53846 58
24,9632
1982 11,2 15,4 22,1 4 39,94118 46,36029 48,5
23,2008
1983 10,75 15,4 22,1 5 24,34188 27,00427 44,5
48,8517
1984 27,25 40,75 45,3 9 59,21429 66,61607 82,9
25,4769
1985 11,875 21 25,25 2 25,94872 33,49744 36,8
1986 25 46 58 58,5875 77,6625 88,5625 98,1
31,5476
1987 21 25,6 30,3 2 41,64286 42,27381 53
28,1010
1988 12,875 23,25 27 5 28,52047 32,29523 36,07
37,0114
1989 23 28,7 35,4 3 44,26857 62,41143 71,12
1990 12,4 23,4 32,5 39,6422 50,96864 72,6775 83,06
2
 7
31,5359
1991 13,1 24,4 27,8 8 32,47735 39,53765 48,01
1992 6,5 12,4 18,5 20,8715 27,4625 35,152 43,94
47,8139
1993 12,4 23,4 33,5 5 50,47028 60,43152 85,66667
26,6404
1994 13,5 20,2 24,5 7 30,87872 36,93337 52,07
25,6019
1995 14,875 22,1 24,3 8 28,0637 28,55605 39,88
24,1788
1996 11,125 19,25 23,4 5 27,84231 37,36731 38,1
1997 5,5 9,12 15,4 17,78 25,03714 28,66571 33,02
16,3956
1998 8,9 11,3 14,35 2 27,57445 49,55949 51,05
17,0212
1999 9,84 10,34 12,1 8 25,53191 38,29787 40
21,6263
2000 7,7 12,54 19,8 2 41,19298 46,34211 58,7
2001 8,8 12,3 15,6 18,25 19,71 27,01 43,8
23,4585
2002 9,34 12,5 18,9 4 25,69268 35,74634 45,8
53,1961
2003 24,5 43,75 52,5 7 60,57499 68,97733 70,9
44,1501
2004 24,75 37 43 1 48,88585 54,12957 56
49,0155
2005 22,5 42 48 7 37,06122 47,3122 62,29439
35,6579
2006 20 30 35 6 23,39755 34,40816 34,86694
29,8516
2007 14,125 25,5 29,25 8 19,76589 23,88379 35,82568
24,8959
2008 15 21,25 23,5 5 18,95859 23,69824 28,07329
39,4093
2009 17,25 35,5 39 6 44,73296 50,7757 51,05
70,6567
2010 30,5 47,5 63,25 9 83,71164 99,17856 110

0,16667 0,5 1 3 6 12 24
2011 21 34 54 71 90 107 139
2012 19 44 65 74 95 137 111
2013 23 35 62 89 130 139 180
2014 16 26 44 75 95 112 121
2015 42 53 73 104 108 115 121
2016 10 24 38 65 73 88 92,5
2017 25 43 54 65 97 107 110
2018 36 52 80 100 101 127 129
2019 27 31 51 64 82 100 107
2020 15 32 46 91 95 111 123
3
 2021 26 32 42 53 64 74 107
2022 35 65 77 97 118 124 254
2023 17 36 52 65 76 89 91,6
2024 11 23 31 42 75 63 66,3
2025 23 35 43 65 68 86 91,6
2026 9 18 28 44 56 71 74,2
2027 23 38 46 80 82 85 126
2028 7 13 21 34 42 45 53,3
2029 44 65 77 94 146 160 251
2030 22 34 65 91 129 150 160
2031 26 41 58 79 113 115 126
2032 19 28 45 60 76 104 107
2033 14 25 36 47 59 70 73,1
2034 8 15 22 50 71 86 87,9
2036 24 31 43 51 69 77 79,7
2037 36 45 76 85 93 96 121
2038 33 53 88 103 112 126 170
2039 28 48 65 79 91 100 126
2040 24 32 54 98 103 114 114
2041 26 40 50 60 62 78 88,6
2042 27 38 78 94 101 138 143
2043 30 43 63 80 96 113 145
2044 35 51 82 116 119 125 134
2045 27 38 52 64 79 159 197
2046 20 29 44 61 68 79 87,2
2047 19 25 31 43 62 71 74,3
2048 36 48 79 113 115 124 133
2049 31 41 56 67 71 112 124
2050 22 36 48 95 101 140 168

2. Modelli statistici

2.1 Premessa
La progettazione di opere idrauliche finalizzate alla difesa idraulica e la gestione delle risorse idriche
necessita di un’identificazione delle caratteristiche idrologiche dell’area interessata. In molti casi è
sufficiente sviluppare un’analisi statistica considerando le variabili idrologiche come variabili casuali
caratterizzate da una specifica distribuzione di probabilità.
L’analisi dei valori misurati della grandezza idrologica di interesse consente, comunque, di inquadrare,
nell’ambito delle approssimazioni accettabili, i fenomeni idrologici e di provvedere, quindi, con la
progettazione, alla soluzione dei diversi problemi tecnici, definendo quantitativamente anche il rischio di
insuccesso.
La prima fase dell’analisi idrologica individua le grandezze idrologiche di interesse e le stazioni nelle quali
sono misurate. Si procede quindi alla raccolta dei dati, alla loro analisi statistica ed alla valutazione dei
valori che le variabili indagate potranno assumere nel futuro.
4
La stima dei valori di una qualsiasi variabile idrologica consiste essenzialmente nella identificazione della
relazione x = x (T), che lega la variabile al periodo di ritorno T, attraverso la determinazione della funzione di
probabilità cumulata F X (x ), che meglio si adatta alla distribuzione di tale variabile.
La metodologia consueta adottata nelle analisi statistiche è applicata attraverso le seguenti fasi:
- formulazione dell’ipotesi di lavoro riguardo la composizione della popolazione della X, individuando quale
fra le leggi di distribuzione meglio si adatta a descrivere la suddetta popolazione;
- precisazione dell’ipotesi di lavoro avanzata, calcolando i parametri, in funzione degli N valori osservati
della X. In questo modo si trovano le migliori stime dei parametri che caratterizzano la distribuzione
utilizzata, traendo dal campione la massima informazione sulla popolazione da cui esso proviene;
- verifica dell’ipotesi di lavoro, con test statistici atti a verificare che gli scarti che si riscontrano fra la
composizione della popolazione e quella del campione siano o meno significativi.
Le variabili casuali di interesse possono essere diverse a seconda del caso di studio, ma in ogni caso devono
essere correttamente individuate e ben definite. Quando si affrontano problemi relativi alla difesa del suolo
dalle piene e problemi relativi alla gestione delle risorse idriche, le variabili che vengono prese in
considerazione sono:
- massimi annuali di piogge e portata;
- pioggia media annua;
- portata media nel periodo secco;
- pioggia nel periodo secco;
- massimo annuale del numero di giorni consecutivi non piovosi;
- minimo annuale in k giorni non piovosi.
Si potrebbero considerare anche altri parametri, meno significativi, quali:
- Massimo annuale della portata media in k ore consecutive
- Massimo annuale della portata media giornaliera
- Massimo annuale delle piogge in k giorni consecutivi

In questo elaborato l’obiettivo prefissato è quello di studiare soltanto le problematiche relative alla difesa
dalle inondazioni. A tal fine il principale parametro casuale da valutare è il massimo annuale della portata al
colmo.

2.2 Distribuzione Gumbel

Si può fare riferimento, in prima battuta, alla distribuzione di Gumbel, distribuzione asintotica del valore
massimo del primo tipo EV1 (Extreme Value of First Type).
La Gumbel è una distribuzione continua a 2 parametri, α e u, limitata inferiormente ed illimitata
superiormente. Di seguito si riportano le espressioni della CDF e della PDF:

CDF:

PDF:

5
I parametri α e u della distribuzione vengono stimati con il metodo dei momenti:

Il fattore di crescita KT consente di rappresentare la relazione di frequenza delle precipitazioni secondo il

prodotto:

KT

Dove, è il coefficiente di variazione.

Di seguito si riportano i calcoli delle medie delle altezze di pioggia per ciascuna durata, relativi ai dati
“storici”.

t 0.16667 0.5 1 3 6 12 24
14.7575 22.9829 27.9117 30.4353 36.6197 44.7292 52.1127
Media
5 8 0 7 1 6 0
6.41188 10.4865 11.9719 12.3527 14.7459 16.5062 18.3540
Dev Standard
2 2 7 8 9 8 7
0.43448 0.45627 0.42892 0.40586 0.40267 0.36902 0.35219
CV
1 3 3 9 9 6 9
CV medio 0.407065
K' 0.894542

T 5 10 30 50 100 200
Kt 1.293456 1.531711 1.891724 2.056072 2.277748 2.498616
Nel grafico di seguito riportato è rappresentato l’andamento delle altezze di pioggia al variare della durata,
riferite ai diversi periodi di ritorno. Sono state altresì riportate, per tutte le curve, le linee di tendenza; in
particolare si riportano i valori di a=24,906 e n=0,234 riferiti alla curva delle altezze di pioggia medie.

6
 Curva di Probabilità Pluviometrica
140

120

100

80
ht,T [mm]

60

40 f(x) = 24.9059405639173 x^0.234003730744962

R² = 0.967742422381969
20

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
t [h]
h(t,5) Power (h(t,5)) h(t,10)
Power (h(t,10)) h(t,30) Power (h(t,30))
h(t,50) Power (h(t,50)) h(t,100)

T 5 10 30 50 100 200
a 32.215 38.149 47.115 51.208 56.729 62.23
n 0.234 0.234 0.234 0.234 0.234 0.234

Gli stessi procedimenti si ripetono per i dati “storici + proiettati” ottenendo i seguenti risultati:

t 0,16667 0,5 1 3 6 12 24
29,3046 50,4472 72,3171 84,3790
Media
18,9489 5 39,8936 4 60,5131 5 3
8,99140 13,1449 27,7616 32,4760 37,6117 48,2222
Dev Standard
8 5 19,7058 8 1 9 7
0,47450 0,44856 0,49395 0,55031 0,53667 0,52009 0,57149
CV
8 2 9 1 7 5 6
CV medio 0,513658369
K' 1,199209592

T 5 10 30 50 100 200
1,67103 2,12538 2,33279 2,61255 2,89129
Kt
1,37035 4 1 2 4 5

Nel grafico di seguito riportato è rappresentato l’andamento delle altezze di pioggia al variare della durata,
riferite ai diversi periodi di ritorno. Sono state altresì riportate, per tutte le curve, le linee di tendenza; in
particolare si riportano i valori di a=35,41 e n=0,292 riferiti alla curva delle altezze di pioggia medie.
7
 Curva di Probabilità Pluviometrica
300

250

200
ht,T [mm]

150

100
f(x) = 35.4183675157825 x^0.292539852696585
50 R² = 0.982147514767497

0 h(t,10) Power (h(t,10))

0 1 2 3 4 5 h(t,30)
6 7 8 9 10 11 12 13 Power 14 15(h(t,30))
16 17 18 19 20 21 22 23 24
h(t,50) t [h] Power (h(t,50))
h(t,100) Power (h(t,100))
h(t,200) Power (h(t,200))
h(t,5) Power (h(t,5))
Storici + Proiettati Power (Storici + Proiettati)

T 5 10 30 50 100 200
a 48.536 59.185 75.278 82.624 92.532 102.4
n 0.292 0.292 0.292 0.292 0.292 0.292

Confrontando i valori ottenuti dalle due serie di dati si osserva che i valori di K T sono più alti per i dati storici
+ proiettati; ciò è dovuto alla numerosità del campione.

2.3 GEV (GENERAL EXTREME VALUE)

La GEV consiste in un modello probabilistico basato sui valori estremi. Se si considerano i massimi annuali X
di una grandezza idrologica (piogge giornaliere, portate al colmo, etc.) come i massimi di una serie di N
variabili casuali Yi (i=1,….N), indipendenti e identicamente distribuite, è possibile, per N tendente ad
infinito, individuare la distribuzione asintotica di X a prescindere dalla distribuzione delle Y, ma soltanto in
base all’andamento della sua coda superiore (ovvero di come la funzione di probabilità delle Y tende ad
uno).
In particolare, le distribuzioni asintotiche possono essere di tre tipi: distribuzione EV1 o di Gumbel,
distribuzione EV2 o di Frechet e distribuzione EV3 o di Weibull.
Queste tre leggi di distribuzione asintotiche possono essere viste come tre casi particolari di una
distribuzione generalizzata proposta da Jenkinson nel 1955 e nota, appunto, come Generalized Extreme
Value.
La distribuzione GEV è continua a 3 parametri:

8
Dove:
1
σ {
p(x)=¿ exp (−( 1+kz )−1/k ) ( 1+kz )−1−1/k ¿ ¿¿¿ k≠0

k=0

x−μ
z=
σ ;
σ = parametro di scala;
μ = parametro di posizione;
k = parametro di forma.
Il parametro di scala deve essere positivo, mentre il parametro di forma e il parametro di posizione possono
assumere qualsiasi valore.

Tale funzione generalizzata può dunque degenerare in Gumbel, in Frechet e in Weibull, come funzione
limite per diversi valori di K, rispettivamente uguale,maggiori e minori di 0.

La GEV prevede l’utilizzo dei dati della coda della distribuzione, ovvero il quantile del 95% che prevede una
probabilità di accadimento del 5%.
Per la stima dei parametri della distribuzione, di seguito riportati, ci si è avvalsi dell’utilizzo del software
EasyFit.
Si riporta, di seguito, un’immagine dell’interfaccia del software utilizzato:

I valori dei parametri della distribuzione, ottenuti per ciascuna durata, sono di seguito riportati:

9
 t 0.16667 0.5 1 3 6 12 24
k -0.00512 0.04993 0.098 0.11629 0.15428 0.12717 0.17131
σ 5.2524 8.0468 8.5664 8.6043 9.6942 11.228 11.808
μ 11.752 17.922 22.053 24.359 29.294 36.646 42.911

T −1
Si è proceduto al calcolo del quantile a partire dalla CDF, esprimendo il periodo di ritorno come P= ;
T
la relazione che si ottiene è la seguente:

Quantile 0.16667 0.5 1 3 6 12 24 T 1/T

13.67527 20.89841 25.24976 27.58076 32.94942 40.85862 47.37754 2 0.5
19.60011 30.45518 35.89448 38.45891 45.6548 55.20073 63.10588 5 0.2
23.504 37.08678 43.62152 46.49168 55.37565 65.89963 75.33214 10 0.1
X
32.04318 52.58736 62.76819 66.84515 81.18011 93.3717 108.4745 50 0.02
35.63151 59.53461 71.84217 76.69697 94.22802 106.8369 125.5627 100 0.01
39.194 66.70161 81.52208 87.34149 108.704 121.4963 144.7475 200 0.005

Si riportano di seguito i risultati ottenuti per i dati storici:

t\T 2 5 10 50 100 200

0.16667 13.67527 19.60011 23.504 32.04318 35.63151 39.194
0.5 20.89841 30.45518 37.08678 52.58736 59.53461 66.70161
1 25.24976 35.89448 43.62152 62.76819 71.84217 81.52208
3 27.58076 38.45891 46.49168 66.84515 76.69697 87.34149
6 32.94942 45.6548 55.37565 81.18011 94.22802 108.704
12 40.85862 55.20073 65.89963 93.3717 106.8369 121.4963
24 47.37754 63.10588 75.33214 108.4745 125.5627 144.7475
a(T) 22.711 32.167 38.862 54.997 62.459 70.308
n 0.2314 0.2146 0.2125 0.2208 0.2278 0.2361

Si è proceduto in modo analogo per i dati storici + proiettati, ottenendo i seguenti risultati:

t 0.16667 0.5 1 3 6 12 24

k -0.07058 -0.10461 -0.01387 0.01307 -0.00938 0.00164 0.13139

σ 7.803 11.784 16.299 22.375 26.78 30.685 32.477

μ 14.957 23.617 30.706 37.239 45.301 54.556 60.821

Quantile 0.16667 0.5 1 3 6 12 24 T 1/T
X 17.78023 27.85424 36.66464 45.4594 55.09936 65.80583 73.0155 2 0.5
10
 26.0628 39.97536 54.90097 71.13129 85.18814 100.6383 114.6662 5 0.2
31.1931 47.24515 66.81823 88.33877 104.9342 123.7361 145.8595 10 0.1
41.57108 61.36973 92.61338 126.8094 147.9058 174.6709 226.3707 50 0.02
45.60742 66.645 103.342 143.3245 165.873 196.2454 266.0247 100 0.01
49.43598 71.53144 113.9286 159.9299 183.658 217.7657 309.3226 200 0.005

t\T 2 5 10 50 100 200

0.16667 17.78023 26.0628 31.1931 41.57108 45.60742 49.43598
0.5 27.85424 39.97536 47.24515 61.36973 66.645 71.53144
1 36.66464 54.90097 66.81823 92.61338 103.342 113.9286
3 45.4594 71.13129 88.33877 126.8094 143.3245 159.9299
6 55.09936 85.18814 104.9342 147.9058 165.873 183.658
12 65.80583 100.6383 123.7361 174.6709 196.2454 217.7657
24 73.0155 114.6662 145.8595 226.3707 266.0247 309.3226
a(T) 32.751 48.927 59.285 81.169 90.065 98.732
n 0.2781 0.2941 0.3059 0.3331 0.3449 0.3568

2.4 TCEV (TWO COMPONENTS EXTREME VALUE)

La TCEV consiste in un modello di distribuzione di probabilità a doppia componente, ideato e
sviluppato dal docente universitario napoletano Fabio Rossi.
Tale modello riesce a superare le difficoltà della distribuzione di Gumbel, la quale tende a
sottostimare i valori estremi nel momento in cui ci si trovi di fronte a campioni di ampiezza inferiore
al periodo di ritorno considerato, non riuscendo a interpretare la presenza dei cosiddetti “outliers”.
Quindi, essendo un modello a doppia componente, si andranno a stimare quattro parametri
Λ1 , Λ2 ,θ 1 , θ2 , evidenziati nella CDF di seguito riportata:

{
F X ( x ) =exp − Λ1 ∙ exp
( −xθ )− Λ ∙ exp( −xθ )}
1
2
2

dove x ≥ 0 , il pedice 1 indica la componente degli eventi ordinari e il pedice 2 indica la componente
dei soli eventi straordinari, caratterizzati da una probabilità di superamento inferiore al 5% che
equivale ad un periodo di ritorno > di 20 anni.
Tali parametri forniscono una significativa aderenza al fenomeno fisico, e garantiscono una
maggiore accuratezza nei risultati, rispetto ai modelli probabilistici in precedenza analizzati.
In realtà, per una migliore caratterizzazione dei parametri della distribuzione, si è ricorso all’ artificio
della trasformazione delle variabili:

θ2 Λ2
θ¿ = Λ ¿=
e
θ1 Λ
( θ )
1
¿
1

Quindi la CDF si può scrivere come:

11
 { (θ )
( )}
1

F X ( x ) =exp − Λ1 ∙ exp
( )
−x
θ1
− Λ¿ ∙ Λ1 ∙ exp ¿
−x
θ¿ ∙θ 1

Per la caratterizzazione dei parametri, la TCEV prevede un’analisi di tipo regionale a più livelli,
ipotizzando che alcuni di essi si mantengano costanti all’interno di zone pluviometricamente
omogenee molto ampie.

Al primo livello di regionalizzazione sono stati individuati i due parametri Λ¿ e θ¿ , il cui valore si può
assumere costante all’interno di ampie zone pluviometricamente omogenee.
Al secondo livello di regionalizzazione, i parametri Λ¿ e θ¿ , ottenuti al primo livello di
regionalizzazione, sono stati mantenuti costanti e si è proceduto alla valutazione di un terzo
parametro della distribuzione, Λ1 , ritenuto costante. Quest’ultimo rappresenta il numero medio
annuo di eventi che superano la soglia ordinaria.
In questo caso si è visto, sulla scorta dell’intera informazione idrologica disponibile, che questo terzo
parametro Λ1 assume valori costanti su sottozone omogenee di minori dimensioni, grosso modo
corrispondenti all’estensione delle regioni italiane.
Al terzo livello di regionalizzazione sono stati assunti costanti i valori delle variabili Λ1 , Λ¿ e θ¿ , e si è
proceduto alla stima dell’ultimo parametro θ1 della distribuzione, verificando che esso assumesse
dei valori costanti in sottozone ancora più ridotte.
Per esempio, la regione Campania è stata divisa in 5 sottozone omogenee, per le quali sono
disponibili tutti e quattro i parametri della distribuzione.
Successivamente si è proceduto alla determinazione della curva di probabilità pluviometrica,
legando le altezze di pioggia ottenute, in funzione dei diversi periodi di ritorno (T=10, 30, 50 anni). A
X
tal fine è stata introdotta la variabile adimensionale , pari al fattore di crescita x’.
μ
La distribuzione di probabilità della suddetta variabile, ricavata con il modello TCEV, assume la
seguente espressione:

{ ( θ )
(−η∙θ x )}
1

F X ( x )=exp − Λ 1 ∙ exp (−η ∙ x ' )− Λ ¿

'
' ∙ Λ ∙ exp
1
¿

μ
dove η= .
θ'
Tale procedimento è stato effettuato attraverso il programma Extreme (software gratuito di
GeoStru).
Si riporta, di seguito, un’immagine dell’interfaccia del software utilizzato:

12
I risultati ottenuti sono i seguenti:

T/t 2 5 10 20 50
0.16667 13.6 19.3 23 26.6 31.3
0.5 21 29.6 36.2 42 53.4
1 25.3 36.2 43.9 49.6 61
6 32.4 47.7 57.2 68.7 76.3
12 40.5 56.3 68.7 76.3 91.6
24 46.7 64.8 76.3 91.6 106.8
a 22.835 32.446 39.126 45.218 54.341
n 0.2292 0.2266 0.2247 0.2285 0.218

Nel caso dei dati relativi alla durata di 3 ore e per T > 50 anni, i risultati ricavati da Extreme non sono
convergenti.

È stato inoltre eseguito un confronto tra i fattori di crescita KT per una prefissata durata dell’evento
metorico:

13
 Confronto dei KT (storici) [t=24 H]
2.8

2.6

2.4

2.2

KT 2

1.8

1.6
gumbell gev tcev
1.4

1.2 Periodo di ritorno [anni]

0 50 100 150 200 250

Sulla base dell’andamento dei coefficienti di crescita riportati in funzione del tempo di ritorno
notiamo che, per valori minori di 50 anni i KT restituitici dai modelli Tcev e Gumbel sono
leggermente maggiori della Generalized Extreme Value mentre per valori superiori si riscontra
un’inversione di tendenza, ovvero il modello GEV restituisce valori di KT più grandi. Sulla base dei
dati pluviometrici del sito oggetto di studio si deduce che qualora si preveda la progettazione di
opere idrauliche il cui dimensionamento richieda periodi di ritorno maggiori di 50 anni, l’utilizzo del
modello probabilistico Generalized Extreme Value per l’analisi idrologica risulta essere più
conservativo.

14
 Confronto dei KT (storici+proiett ati ) [t=24h]
tcev Gumbel GEV

3.7

3.2

2.7
kt

2.2

1.7

1.2
0 50 100 150 200 250
Periodo di ritorno (anni)

Avendo a disposizione oltre ai dati storici anche i dati proiettati fino al 2050, si è proceduto ad un
ulteriore confronto sui fattori di crescita KT per durate di 24 ore, confermando il risultato
pervenutoci dal confronto eseguito sulla base dei dati storici. Possiamo notare come, all’aumentare
del tempo di ritorno, i KT restituitici dal modello Gumbel sono minori di quelli del modello TCEV
rispetto al precedente confronto.

Confronto dei fattori di crescita del modello GEV tra dati storici e dati
storici+proiettati
4

3.5

2.5
KT

1.5
gev storici gev proiettati

1
0 50 100 150 200 250

Periodo di ritorno [anni]

15
Il confronto dei fattori di crescita del modello Gev, tra quelli ottenuti per la serie dei dati storici e
quelli ottenuti per la serie dei dati storici più i dati proiettati al 2050, ci fa notare come eventi aventi
la stessa magnitudo, valutata proprio tramite i KT, siano caratterizzati da tempi di ritorno minori
sulla base dei dati proiettati. A titolo d’esempio, il valore KT=2.7 che per la serie dei dati proiettati
caratterizza un tempo di ritorno pari a 50 anni, per i dati storici caratterizzava un periodo di ritorno
pari a circa 200 anni.

Queste previsioni evidenziano come il cambiamento climatico provochi l’aumento dell’intensità e

della frequenza di eventi prima ritenuti eccezionali.

16
2.5 Triparametrica

Per un’analisi di maggior dettaglio capace di cogliere tutti i parametri che influenzano i fenomeni
meteorologici è possibile tener conto di tutti gli eventi estremi anche tramite un “quadro meteorologico”
come strumento di supporto utile capace di comprendere la genesi e la dinamica di eventi complessi. In
particolare, questi eventi estremi si generano quando una perturbazione si scontra contro ostacoli
orografici, a causa di una differenza di pressione si generano scrosci di grande intensità e piccola scala
capaci di scaricare grandi e notevolissime quantità d’acqua. Da questa considerazione si può comprendere
bene come sorge la necessità di un modello che possa tener conto di una effettiva distribuzione delle quote
o quanto meno della orografia del posto, di conseguenza un approccio su base regionale risulta essere il
migliore che possa comprendere il comportamento di questi eventi. Se si definisce massimo annuale delle
intensità di pioggia I(d) come il rapporto tra la massima altezza annuale di pioggia h(d) e la durate
dell’evento meteorico d, si può osservare come varia la media del massimo annuale dell’intensità di
precipitazione μi(d) con la durata stessa tramite le leggi di probabilità pluviometrica. Per la regione
Campania è stata definita la seguente relazione triparametrica, nella quale è possibile vedere il legame con
la quota z a cui è posto il pluviometro in analisi:

I0
µi = C− Dz
d
d
(1+ )
dc

Dove:

μi = media del massimo annuale dell’intensità di pioggia per una fissata durata d ;
d

d = durata;
I 0 , dc , C e D = parametri della distribuzione;
z = quota geodetica della stazione pluviometrica
Il motivo per cui si ricorre ad un modello triparametrico è il superamento di tutta una serie di ipotesi,
implicitamente effettuate nella formula monomia:

 Per durate d  0, risulta μi,d  I0, e, quindi, anche per durate ridotte si ottengono valori non troppo
elevati dell’intensità media di pioggia nella durata d;
 La derivata di μi,d rispetto a d si presenta continua in tutto l’intervallo di durate, il che la rende
notevolmente più duttile nella ricerca della durata critica con un approccio variazionale;
 Compare direttamente la quota z sul livello del mare.

Si procede, di seguito, al calcolo dei parametri del modello.

Posti:

17
 

la formula per il calcolo della μi,d può scriversi nella forma:

nella quale le costanti Ai possono ricavarsi in base ad un modello di regressione lineare multipla vincolata,
valutando per tentativi il valore del parametro dc che varia in un range che va da 0,1 a 3.

Si sceglie il dc

Si è quindi proceduto all’analisi pluviometrica seguendo questo modello, per i comuni di:

 San Martino Valle Caudina

 Telese
 Montesarchio

Si riportano, di seguito, le medie delle massime intensità di pioggia per le diverse durate:

La regressione lineare vincolata è stata ottenuta sfruttando un opportuno software. Si riportano, di seguito,
i dati di input che sono stati forniti:

18
il modello mi da dei valori simulati Y meno quelli osservati al quadrato, faccio la somma che va per i=1 fino
7 cosi da avere l’errore residuo:

( )
2
7 Ysimulati−Yosservati
e=∑ Yosservati ¿= R
i=1
¿
In pratica facciamo variare dc nel range e scegliamo quello che alla fine ci restituisce l’errore minore R

I valori dei parametri tali per cui si ha il minimo errore sono i seguenti:

Di seguito si riporta l’andamento di dc in funzione dell’errore e si osserva che è stato scelto il valori di
dc = 0.413 tale per cui si ha il minimo errore.

0.45
0.4
0.35
0.3
0.25
errore

0.2
0.15
0.1
0.05
0
0 0.5 1 1.5 2 2.5 3 3.5
dc

Infine, si riporta, di seguito, l’andamento della curva di probabilità pluviometrica ottenuto:

Curva di probabilità pluviometrica

100
90
80
70
60
50
h-i
40
30
20
10
0
0 5 10 15 20 25 30
d [h]

19
È interessante osservare come, per d = 0, μi,d = I0.

3. Conclusioni
Gli approcci fin qui visti vengono utilizzati per la definizione delle curve di probabilità pluviometrica in modo
da poter definire ad un fissato tempo di ritorno T, definito con valutazioni di carattere tecnico-economico,
l’altezza di pioggia su un dato bacino. L’utilizzo di questa ultima informazione risulta essere fondamentale
nei vari modelli afflussi-deflussi per stimare il deflusso, ovvero la portata in un ben definito corso d’acqua.
Note queste informazioni sarà possibile tramite lo studio idraulico dell’alveo procedere a varie attività di
natura tecnica come: la definizione delle aree a rischio ai sensi della D.L.267 del 11/09/98 ben nota come
“Legge Sarno”; la progettazione di interventi di mitigazione come realizzazione di interventi di ricalibratura
d’alveo, casse di espansione e arginature. Da quanto detto emerge l’importanza della relazione idrologica
come attività tecnica propedeutica a tutte quelle attività proprie dell’ingegneria idraulica per la mitigazione
del rischio idraulico e più in generale idrogeologico.

20