LA STIMA DELLE PORTATE DI MASSIMA PIENA

➢Tracciamento profili pelo libero

➢Verifica officiosità idraulica di sezioni fluviali

➢Verifica e progetto di infrastrutture fluviali

➢Analisi sicurezza idraulica del territorio

70 Modello quasi-2D
Fondo
65 idrometri
GOLENA ESTERNA SX
60
GOLENA ESTERNA DX
55 Piena Ottobre '00
Cremona

50
Casalmaggiore

45
Z (m s.l.m.)

40
Boretto
Adda

35

30
Taro

Parma

25
Enza

20

15

10
340000 360000 380000 400000 420000 440000 460000
Progressiva (m)
In qualche caso non è sufficiente conoscere solo Q
 Scenari di inondazione nel comparto Secchia Panaro
per rottura dell’argine destro di Po

Po

Secchia

Panaro

4h 16h

32h 100h
 Alcuni richiami di calcolo delle probabilità

Il concetto di variabile casuale

Variabili continue e variabili discrete

La funzione di distribuzione di probabilità (o funzione di ripartizione)

La funzione di densità di probabilità

Le grandezze idrologiche interpretate come variabili casuali

Variabile casuale (VC): una variabile il cui valore non può essere
previsto con certezza (prima dell’osservazione)

Popolazione di una VC: l’insieme dei valori che la VC può assumere

(non tutti equiprobabili)

VC discrete (possono assumere solo un numero finito di valori)

VC continue (possono assumere infiniti valori all’interno del campo di definizione della
VC)

Esempi di VC discrete in idrologia:

- Numero di giorni piovosi in un anno
- Numero di superamento di una soglia assegnata di portata in un anno (o in periodo fissato)
- Numero di anni al prossimo superamento di una portata assegnata

Esempi di VC continue:
- Il totale annuo di pioggia
- Il deflusso totale annuo
- La portata massima annuale
Il concetto di probabilità

Definizione di probabilità a priori

𝒏𝑨 Numero di casi favorevoli su 𝒏 casi possibili

Se un evento A si verifica 𝒏𝑨 volte in un esperimento che è condotto 𝒏 volte

𝒏𝑨
Frequenza relativa di 𝑨: 𝒏

𝒏𝑨
𝑷 𝑨 = lim Definizione di probabilità a posteriori (o frequenziale)
𝒏→∞ 𝒏
 Variabile casuale discreta X: risultato lancio di 1 dado

1 6/6

0.9
Probabilità comulata
5/6
0.8

Risultato del lancio di 1 dado 0.7

P(xi) 4/6

Probabilità di non superamento

0.2000
0.6

0.1800
0.5
3/6
1/6 1/6 1/6 1/6 1/6 1/6
0.1600 0.4
2/6
0.1400 0.3

0.1200 p(xi) 0.2 1/6

Probabilità

0.1000 0.1

0.0800 0
0 1 2 3 4 5 6 7 8
Valore variabile casuale
0.0600

0.0400

0.0200

0.0000
1 2 3 4 5 6
Risultato

p(xi) = Prob{X = xi} Funzione (di massa) di probabilità di X (PMF)

Funzione di probabilità cumulata di X

P(xi) = Prob{X xi}
(funzione di ripartizione di X)
Variabile casuale: somma dei valori di due dadi

Somma dei valori:

compresa tra 2 e 12

36 combinazioni possibili

Variabile casuale: "somma del lancio di due dadi"

0.18 Variabile casuale: somma del lancio di 2 dadi
1 36/36
6/36 35/36
33/36
p(xi)
0.16
P(xi)
0.9
5/36 5/36
30/36
0.14 0.8
26/36
Probabilità di non superamento

0.7
0.12 4/36 4/36
0.6 21/36
0.1
Probabilità

3/36 3/36 0.5

0.08 15/36
0.4

0.06 2/36 2/36

0.3 10/36

0.04 0.2 6/36

9
1/36 1/36

0.02 0.1 3/36

1/36
0
0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
2 3 4 5 6 7 8 9 10 11 12
Valore della VC
Valore della VC
Variabile casuale discreta

Magra a Calamazza
Numero di piene all’anno con colmo >
300 mc/s dal 1939 al 1972
0.300
Numero Num casi 0.265
piene (anni) f 0.250
0 0 0.000 0.206
1 2 0.059 0.200 0.176

Frequenza
2 6 0.176
0.150
3 7 0.206 0.118 0.118
4 9 0.265
0.100
5 4 0.118 0.059
6 1 0.029 0.050 0.029 0.029
7 4 0.118 0.000 0.000
8 1 0.029 0.000
0 1 2 3 4 5 6 7 8 9
9 0 0.000
Totale 34 1.000 Numero piene

10
Variabili casuali continue

𝑭𝑿 𝒙 Funzione di distribuzione di
probabilità (CDF)

𝐹𝑋 𝑥 = 𝑃𝑟𝑜𝑏{𝑋 ≤ 𝑥} 0 ≤ 𝐹𝑋 𝑥 ≤ 1

𝐹𝑋 𝑥 𝑛𝑜𝑛 𝑑𝑒𝑐𝑟𝑒𝑠𝑐𝑒𝑛𝑡𝑒 𝑐𝑜𝑛 𝑥

𝒇𝑿 𝒙 Funzione di densità di
f(x) probabilità (PDF)
f(x)dx
𝑓𝑋 𝑥 ∙ 𝑑𝑥 = 𝑑𝐹 = 𝑃𝑟𝑜𝑏{𝑥 ≤ 𝑋 ≤ 𝑥 + 𝑑𝑥}

dx 𝑑𝐹
𝑓𝑋 𝑥 =
𝑑𝑥
11
𝑥
𝐹𝑋 𝑥 = න 𝑓𝑋 𝑥 𝑑𝑥
−∞
Descrittori delle variabili casuali

Media di una v.c.

+∞
𝜇𝑋 = 𝐸 𝑋 = ෍ 𝑥𝑖 𝑝𝑋 𝑖 𝜇𝑋 = 𝐸 𝑋 = න 𝑥 𝑓𝑋 𝑥 𝑑𝑥
−∞

Momenti centrali (attorno alla media)

+∞
𝑟 𝑟
𝜇𝑟 = 𝐸[(𝑋 − 𝜇𝑋 )𝑟 ] = σ(𝑥𝑖 − 𝜇𝑋 )𝑟 𝑝𝑋 (𝑖) 𝜇𝑟 = 𝐸 𝑋 − 𝜇𝑋 = න 𝑥 − 𝜇𝑋 𝑓𝑋 𝑥 𝑑𝑥
−∞

Momenti (attorno all’origine)

𝜇′𝑟 = 𝐸[𝑋 𝑟 ] = ෍(𝑥𝑖 )𝑟 𝑝𝑋 (𝑖)

Momento di ordine 1

𝜇′1 = 𝐸[𝑋] = σ 𝑥𝑖 𝑝𝑋 (𝑖)

Descrittori delle variabili casuali

Particolarmente importanti:
+∞
𝜇2 = 𝜎 2 = 𝐸[(𝑋 − 𝜇𝑋 )2 ] = ‫׬‬−∞ 𝑥 − 𝜇𝑋 2
𝑓𝑋 (𝑥) 𝑑𝑥 𝜎 2 Varianza
𝜎 Scarto quadratico medio

𝜎
𝐶𝑉 = 𝐶𝑉 Coefficiente di variazione
𝜇

+∞
𝜇3 = 𝐸[(𝑋 − 𝜇𝑋 )3 ] = ‫׬‬−∞ 𝑥 − 𝜇𝑋 3 𝑓𝑋 (𝑥) 𝑑𝑥 Momento del terzo ordine

𝜇3
𝛾 = coefficiente di asimmetria (skewness)
𝜇23
Descrittori delle variabili casuali

𝐶𝑉1

𝐶𝑉2
𝐶𝑉3

𝛾>0 𝛾=0 𝛾<0

Previsione dei valori estremi di una serie temporale

12000

Po a Boretto
Portate medie giornaliere
10000

8000
Portata [mc/s]

6000

4000

2000

0
01/01/1960

01/01/1965

01/01/1970

01/01/1975

01/01/1980

01/01/1985

01/01/1990

01/01/1995

01/01/2000

01/01/2005

01/01/2010

01/01/2015

01/01/2020
Serie continua q(t) : estrazione di un campione di una VC,
scelta secondo opportuni criteri
ANALISI DEGLI ESTREMI DI UNA SERIE TEMPORALE
Estrazione delle portate al colmo massime annuali (serie AFS o AM)
Estrazione delle portate al colmo al di sopra della soglia qo (serie PDS)
Estrazione delle portate al colmo al di sopra della soglia qo (serie PDS)
Distribuzioni di probabilità più usate per modellare AFS (massimi annuali portate al colmo)

𝐹𝑋 (𝑥) =
GUMBEL (distr. valore estremo del primo tipo, EV1)
𝑒𝑥𝑝 ቊ− ቂ1 −
𝑥−𝑢
− 𝜇𝑋 = 𝑢 + 0.5772 ∙ 𝛼
−𝑒 𝛼 −∞ ≤𝑥≤∞
𝐹𝑋 (𝑥) = 𝑒 𝜅
𝑥−𝑢 1/𝜅
ቃ ቋ
𝛼 𝜎𝑋 = 1.282 ∙ 𝛼
𝑥(𝐹) = 𝑢 − 𝛼 ∙ 𝑙𝑛 −𝑙𝑛 𝐹

GEV (distr. Generalizzata dei valori estremi)

𝜅=0 Gumbel Coincide con EV1
𝑥−𝑢 1/𝜅 𝛼
𝐹𝑋 (𝑥) = 𝑒𝑥𝑝 − 1 − 𝜅 𝜅<0 𝑥>𝑢+ Coincide con EV2
𝛼 𝜅
𝛼
𝜅>0 𝑥<𝑢 + Coincide con EV3
𝜅
𝛼 𝜅
𝑥(𝐹) = 𝑢 + ∙ 1 − −𝑙𝑛 𝐹
𝜅
20
Distribuzioni di probabilità più usate per modellare AFS (massimi annuali portate al colmo)

TCEV (distribuzione a doppia componente)

−𝜆1 ∙𝑒 −𝑥/𝜃1 −𝜆2 ∙𝑒 −𝑥/𝜃2

𝐹𝑋 𝑥 = 𝐹𝑋1 𝑥 ∙ 𝐹𝑋2 𝑥 = 𝑒

1, 2 : media dei valori della 1a e della 2a componente

𝑗
−1 𝑗 ∙Λ∗
𝜇𝑋 = 𝐸[𝑋] = 𝜃1 ∙ 𝑙𝑛(𝜆1 ) + 0.577 − σ∞
𝑗=1 ∙ Γ 𝑗ΤΘ∗ = 𝜃1 ∙ 𝜂 Λ ∗ , Θ∗ , 𝜆1 21
𝑗!


 SERIE STORICHE DI OSSERVAZIONI DI INTERESSE

Portate istantanee
Serie AFS Qmg
Portate medie giornaliere

Portate istantanee
Serie PDS
Portate medie giornaliere

SUPPORTO INFORMATIVO EFFETTIVAMENTE DISPONIBILE

Serie delle portate medie giornaliere Si estrae una serie PDS

Portate istantanee
Serie dei valori massimi annuali Sono già serie AFS
Portate medie giornaliere

Formule empiriche di trasformazione

Fonti: pubblicazioni del S.I.M.N.
Q(T ) 68
Es. Tonini = 1+ con S in Km 2
Qmg (T ) S

Limitata affidabilità
SERIE STORICHE DI OSSERVAZIONI DI INTERESSE
SERIE STORICHE DI OSSERVAZIONI DI INTERESSE
 Il concetto di tempo di ritorno

Distribuzione di Gumbel avente

x(10) =1000 mc/s
in 200 anni 19
Serie campionaria di 200 osservazioni, superamenti
generata da una distribuzione di
Gumbel avente x(10) =1000 mc/s
200
= 10.52 𝑎𝑛𝑛𝑖 ≅ 𝑇
19
Nei primi 30 anni 1 superamento

30
= 30 𝑎𝑛𝑛𝑖
1
Dall’anno 126° al 155° (30 anni) 8
superamenti
30
= 3.75 𝑎𝑛𝑛𝑖
8
X massimo annuale di Q(t) in un anno generico

100 m3/s

FX ( x)=Prob( X  x) 100 m3/s

100 m3/s

1 x = x(T ) legge di previsione

T ( x) =
1 − F ( x)
100 m3/s

Esempio legge di Gumbel (o EV1)

x −u
− 𝛼 = 0.78𝜎 𝛼ො = 0.78 𝑠 Stime parametri
−e  ቊ ቊ
FX ( x)=e 𝑢 = 𝜇 − 0.45𝜎 𝑢ො = 𝑚 − 0.45 𝑠 con metodo dei momenti

1
x( F ) = u −  ln− ln ( F ) essendo: F = 1−
T

  1 
x(T ) = u −  ln − ln 1 −  legge di previsione del modello
  T  probabilistico di Gumbel
 DISTRIBUZIONI DEI VALORI ESTREMI (massimi e minimi)

X avente FX ( x)= Prob ( X  x)

X1 , X 2 , ...... , X N  N osservazioni di X

v.c. v.c. v.c.

x1 ' , x2 ' , ...... , xN ' x1", x2 ", ...... , xN "

Distribuzione del massimo valore fra N osservazioni

YN = max X 1 , X 2 , ...... , X N  variabile casuale FYN ( x) = Prob YN  x 

v.c.
FYN ( x) = Prob YN  x = Prob tutti gli X i  x =
= Prob X 1  x Prob X 2  x....  Prob X N  x = FX ( x)
N

FYN ( x) = FX ( x)

N

dFYN
= N FX ( x)
N −1
fYN ( x) = f X ( x)
dx
Distribuzione del minimo valore fra N osservazioni
 Distribuzioni asintotiche del massimo valore

FYN (x)
FYN ( x) = FX ( x)
N

Distribuzioni asintotiche del massimo valore

se F ( x) 1 − e − g ( x ) per x → 

− ( x −u ) / 
allora FYN ( x) = e − e per N →  distribuzione asintotica del massimo valore del 1° Tipo (EV1)
o di Gumbel
 1

0.9

0.8

0.7

0.6 N=0
N=20
0.5
N=50
0.4

0.3

0.2

0.1

0
0 2 4 6 8 10 12 14
 1

0.9

0.8
N=1

0.7 N=5
N=10
0.6 N=500
N=1000
0.5

0.4

0.3

0.2

0.1

0
1 10 100
 Distribuzioni asintotiche del massimo valore

x −u
−
−e 
EV1 FX ( x)=e Distribuzione del valore estremo
(massimo) del primo tipo o di GUMBEL

− ( xo / x ) 
EV2 FX ( x) = e Distribuzione del valore estremo
(massimo) del secondo tipo o di FRECHET

k
 x − x
EV3 F ( x) = exp − o  x  xo Distribuzione del valore estremo
x
 o − u 
(massimo) del terzo tipo (non usata)
 LEGAME TRA LA DISTRIBUZIONE DELLE ECCEDENDE
E QUELLA DEL MASSIMO ANNUALE

P(x) CDF delle eccedenze  x − qo 

es: P( x) =1 − exp −
  
Distribuzione di Poisson M: numero superamenti in 1 anno

m E M = 
p ( m) = e −
= Prob M = m
m!
0.40

0.35


F ( x) =  p(m) P( x) = e

P( x)m 0.30 Poisson Lambda =1
m −
 m!
0.25

p(m)
0.20
m =0 m =0 0.15

0.10

0.05

0.00
0 1 2 3 4 5 6 7
Numero Probabilità Probabilità m

super.di qo, m Max ann < x

0.25

Poisson Lambda =3
0.20

0 p(0) 1
0.15

p(m)
1 p(1) P(x)
0.10

2 p(2) P(x)P(x)
0.05

3 p(3) P(x)P(x)P(x)
0.00
0 1 2 3 4 5 6 7
m

m p(m) [P(x)]m

 p() [P(x)] 
 LEGAME TRA LA DISTRIBUZIONE DELLE ECCEDENDE
E QUELLA DEL MASSIMO ANNUALE

se M=m
𝑚
la probabilità che X (max annuale) sia <x vale: 𝑝(𝑚) 𝑃(𝑥)


F ( x) =  p(m) P( x) = e

P( x)m
m =0
m −

m =0 m!


zm
ricordando che: e =
z
si ottiene: F ( x) = e − eP ( x )
m=0 m!

numero medio annuo

eccedenze

F ( x) = e −  1− P ( x ) 

CDF eccedenze Se P(x) è esponenziale di par. qo e 

CDF max.ann. F(x) è Gumbel

x −u
−

FX ( x)=e −e con u = qo +  ln 
INFERENZA STATISTICA NELL’ANALISI LOCALE DI FREQUENZA
 METODI DIRETTI
Le nostre valutazioni riguardano tempi di ritorno dell'ordine di
100-200 anni. Se vogliamo stimare la portata associata ad un Necessità e
tempo di ritorno pari a 200 anni in modo affidabile, ci servirebbero disponibilità di osservazioni
dati sperimentali di 100 anni (quindi pari alla meta). Nella realta
anche con dati sperimentali relativi a 30-40 anni qualcosina la si
può fare, con un periodo di osservazione minore stimo messi male.

Non possiamo lavorare con un analisi puntuale

delle frequenze di piena se abbiamo un numero di
dati relativi ad un arco temporale di pochi anni, o
addirittura se non c'è li abbiamo proprio.

Stazioni affidabili con N>=20 anni

In questa tabella possiamo vedere che in Italia erano 138 stazioni soltanto ad avere
più di 20 anni di massimi annuali, cioè un camoione di massimi annuali avente delle
portate al colmo di piena di dimensioni maggiori di 20 anni. Quindi la probabilità di
ricadere proprio in una sezione di questo tipo è molto molto bassa. Allora bisogna
operare in maniera diversa, non con un'analisi locale, ma o ricorrendo alle piogge
(elaborazione statistica delle stesse e poi rasformazione delle piogge in portate che
costituiscono i cosiddetti METODI INDIRETTI), oppure metodi regionali,
regionalizzazione delle portate di piena.
 ANALISI REGIONALE DI FREQUENZA DELLE PIENE
(REGIONALIZZAZIONE) Non più puntuale
Necessità e vantaggi

Fase 1) Identificazione di gruppi omogenei (regioni)

Criteri geografici Raggruppamento di bacini ricadenti in

una certa area geografica

Criteri di similitudine idrologica Raggruppamento di bacini aventi

analoghe caratteristiche:
climatiche, morfologiche, geologiche,
pedologiche, ecc

Di che cosa si tratta? Si tratta di sfruttare l'informazione che

esiste nelle stazioni disponibili sul territorio, ovvero quelle
sezioni dotate di stazioni di misura, limitrofe alla sezione di
mio interesse, per cercare di estrapolare qualche
informazione sul comportamento delle piene. Quindi con
"regionalizzazione" si intende formare dei gruppi di stazione
di misura, oppure di bacini sottesi da queste stazioni di
misura, che possono essere considerati omogenei. E da qui
poi ottenere le informazioni che mi servono per la sezione
che non ha proprio misura.
Come si formano i gruppi? O basandosi su criteri geografici oppure su criteri di similitudine idrologica.
Basarsi su criteri geografici vuol dire raggruppare i bacini che ricadono in una certa area geografica (ad
esempio tutti gli affluenti emiliani del Po), nelle quali posso pensare che il comportamento delle piene
sia molto simile tra un corso d'acqua e l'altro, facenti parte entrambi della stessa area geografica.
Sono simili per altri versi, come ad esempio la distanza che c'è tra lo spartiacque e l'asta del Po sono
simili, la pendenza, la geologia non è tanto diversa trovandomi nella stessa zona territoriale. Posso
anche usare come detto prima, dei criteri di similitudine idrologica e quindi raggruppare i bacini che
presentano magari stessa caratteristiche climatiche, geologiche, morfologiche.
X 1 v.c. x
1,1 , x1, 2 , ........, x1,n1

X 2 v.c. x 2 ,1 , x2, 2 , ........, x2,n 2  N = n1 + n2 + .... + ns

x , xs , 2 , ........, xs ,ns 
Una volta deciso come formare i gruppi, io ho S stazioni di
X s v.c. s ,1 misura e quindi ho S sezioni di corsi d'acqua dove io ho le
osservazioni. S non è una variabile aleatoria, è un numero.
X1 è il massimo annuale che ho registrato nella stazione 1,
X2 è il massimo annuale della stazione 2, ... , XS è il
massimo annuale della stazione di misura S. Di ognuna di
queste abbiamo un certo numero di osservazioni.
 ANALISI REGIONALE DI FREQUENZA DELLE PIENE

Fase 2) Identificazione del modello probabilistico regionale

2.1 Metodi di regressione sui quantili (anche con distribuzioni diverse)

FX 1 ( x) → x1 (T ) FX 2 ( x) → x2 (T ) FX s ( x) → xs (T )

x(T )= f (C1 , C2 , C3 ,......., C p ) C1 , C2, C3,….., Cp

caratteristiche geomorfoclimatiche
Quello che stiamo facendo si chiama ANALISI REGIONALE DI FREQUENZA
DELLE PIENE, indipendentemente dal fatto che si siano raggruppate le
stazioni di misura per criteri geografici o criteri di similitudine idrografica.
Come si OPERA a questo punto? Vado alla ricerca, all'identificazione di un
1 2 3 p
x(T )=   C  C  C .......C
1 2 3 p
modello probabilistico che vada bene per tutta la mia regione. Come lo
identifichiamo il modello di probabilita? Ci sono diversi metodi, il primo che
Cerco un legame di questo tipo, espresso da una legge vediamo è il METODO DI REGRESSIONE SUI QUANTILI anche con
di potenza. uso questa perché facilmente linearizzabile distribuzioni diverse: questo vuol dire che per ciascuna stazione di misura io
fisso, cioè vado a calibrare un modello di probabilità (che può essere il
modello di Gumbel, quello ortonormale e così via..) che vada bene per
Esempio Lazzari (1967) per la Sardegna quella sezione, trovando il legame che vi è tra queste x_i e il tempo di
intorno T, cioè trovo un valore della portata per quella sezione che ha un
log q g (T) = 0.282 z (T) + 0.956 log(S  H m ) − 9.027certo tempo di ritorno. I modelli calibrati, che possono anche essere diversi
tra loro, vengono calibrati independentemente l'uno dall'altro. Facendo per
log q g (T ) = 0.377 z (T) + 0.746 log(S  H m ) − 6.563
tutte le S stazioni, mi ritrovo ad avere così a disposizione S valori della
portata di assegnato tempo di ritorno, ciascuno per ogni stazione. Questi si
chiamano quantili di assegnata frequenza. Voglio ecerrcare empiricamente
dei legami che mi mettano in relazione la portata di assegnato tempo di
ritorno, quindi il quantille X(T) con alcune caratteristiche C1,C2,...C_p
geomorfoclimatiche (pendenza del bacino, indice di permeabilità del
terreno, precipitazione giornaliera)dei singoli bacini sottesi.
 ANALISI REGIONALE DI FREQUENZA DELLE PIENE

Fase 2) Identificazione del modello probabilistico regionale

Altro metodo per la scelta della distribuzione di probabilità

2.2 Metodi parametrici Esempio legge di Gumbel
x −u
−
−e 
 '1  '2  '3
a=  '  C '1 C '2 C '3 .......C 'r  'r FX ( x)=e In questo metodo una volta scelta
 la distribuzione di probabilita, sono
u = ............... vincolato ad utilizzare sempre
questa per tute le mie stazioni di
Esempio Canuti e Moisello (1980) per 74 bacini in Liguria e Toscana misura, stimando sempre tutti i
parametri che vanno stimati. Ad
.  10−4 S 0.961  ( h m ) 0.620  ( h1 ) 0.982
 (q g ) = 182
, u esempio utilizzando la legge di
Gumbel, trovo i parametri alpha_1
 (q g ) = 2.95  10 −3 S 0.914  ( h m )1.080 ed u_1 per la prima stazione e così
via. Faccio un'analisi puntuale della
stazione, ma sempre con la stessa
legge di distribuzione. A questo
punto, comeprima, dobbiamo
andare alla ricerca di quella
relazione 1)
Altro metodo che consiste nel seguente processo: che lega le caratteristiche
abbiamo individuato la
geomorfoclimatiche
regione, 2) abbiamo nella regione S stazioni, e questo metodo cosa ai parametri
fa? 3) Prende i
aplha
dati delle S stazioni e li mette tutti assieme e u. un campione unico. Prima di
facendo
fare quest'operazione, i dati devono essere riscalati, cioè vengono
adimensionalizzati dividendo ciascuno di essi per un parametro caratteristico della
sezione stessa che si chiama PIENA INDICE, O PORTATA INDICE, indicato con X1*
che è la media dei valori osservati (potrei averli adimensionalizzato anche rispetto
allo scarto quadratico medio). Dopo li metto insieme! In definitiva, ottengo un
campione di dimensione N più una variabile casuale psi data dal rapporto tra la
portata massima annuale diviso x* (portata indice).
2.3 Metodo della portata indice (index flood)

X
= x * portata indice
x*
X1  x1,1 x1, 2 x1,n1 
v.c.  * , * , ........, * 
x1*  x1 x1 x1 
Unico campione di N Esempio legge di Gumbel
elementi di  con N: x −u
X2  x2,1 x2, 2 x2 , n 2  −


x2*
v.c.  * , *
, ........,  N = n1 + n2 + .... + ns F ( x)=e −e
 x2 x2 x2*  A questo punto studio la distribuzione di probabilita della variabile aleatoria
adimensionalizzata x* lavorando su in campione di N elementi adiemnsionali, e
Xs  xs ,1 xs , 2 xs ,ns  da questa posso trovare la legge di previsione, che è l'inverso della legge di
v.c.  * , *
, ........,  distribuzione. Quindi ho trovato il quantille della variabile adimensionalizzata,
*
xs  xs xs xs*  che è funzione del tempo di ritorno. Per arrivare alla portata devo moltiplicare
per la portata indice, in simboli:

Identificazione di F ()   =  (T ) CURVA DI CRESCITA

REGIONALE

 x(T ) =  (T )  x *

 1 2 3 p

 x* =  C 1  C 2  C3  ..............  C p
Legge di previsione
della portata indice
Nelle stazioni in cui ho le misure la portata indice la conosco, dove
invece, non c'è l ho devo utilizzare devo costruirmi un modello per x*
cercando di metterlo in relazione con le caratteristiche
geomorfoclimatiche dei bacini utilizzando una legge di potenza.
 Formule
empiriche
Formula Gherardelli Marchetti
Ci sono diverse formule empiriche sviluppate per il territorio nazionale, e
−2/3 questa sottostante è quella più diffusa. Notiamo che non si parla di tempo
𝑆 di ritorno, perché𝑄la=
formula 1/3ricavata in un periodo in cui l'uso del
𝐶 è𝑆stata
𝑢 = 𝑢100 concetto di tempo di ritorno non era così consolidato. È definito u, detto
100 coefficiente udometrico è il rapporto tra la portata e la superficie del bacino
S. La portata di massima piena è quella che dobbiamo trovare.

Hanno diviso il territorio nazionale in zone

per ciascuna delle quali è stato definito il
coefficiente udometrico espresso in m^3/s
che e la porata, diviso km^2 che è la
superficie. Questo viene fornito
considerando un bacino di 100 km^2 e
questo viene chiamato u_100 (cioè il valore
che troviamo tabellato). Nel complesso la
relazione è quella riportata in slide. Per
S=100 km^2 abbiamo u=u_100. La portata
è direttamente proporzionale alla radice
cubica della superficie.

I vantaggi nell'utilizzare questa formula sono tanti, am presenta due difeeti: 1) non dice
di che tempo di ritorno stiamo parlando, cioè abbiamo una stima a cui non associo
tempo di ritorno; 2) porta con sé, essendo empirica, un margine di errore significativo.

Metodi indiretti di stima di
Si parte dalle piogge. Adesso noi delineamo
Q(T) un percorso di stima indiretta della portata
di assegnato tempo di ritorno che parte dai
metodi indiretti. È un percorso ideale.
Supponiamo di avere una certa sezione
pluviale e di voler stimare la portata di
assegnato tempo di ritorno nel bacino che
sto considerando. Supponiamo di inserire
un certi numero di pluviometri, ognuno dei
quali ci fornisce delle prezione informazioni
anche qualitative (intensità di pioggia ad
esempio a scala oraria o scala sub-oraria).
Cosa facciamo? Consideriamo delle serie
molto lunghe (voglio considerare intervalli di
tempo elevati) di intensità di pioggia in
queste stazioni, costruisco l'intensità media
di pioggia ragguagliata sul nostro bacino
(con le isoiete) e dall'informazione
punntuale arrivo a conoscere lintensita di
pioggia media reale sul bacino per la serie
che ho considerato. Dall'intensita di pioggia
in funzione del tempo, dopo aver
opportunamente calibrato un modello
matematico di tarsformazione afflussi/
deflussi, arrivo a conoscere l'onda di piena
corrispondente.

A questo punto ho una successione di eventi di piena, e con

esse una serie di colmi Q1, Q2, Q3... Dai quali io riesco ad
estrarre i colmi che superano una soglia assegnata q0 e fare
la distribuzione di probabilita di q, cioè studiare la probabilità
che il colmo del singolo evento sia inferiore o uguale ad un
valore q piccolo assegnato. Oppure posso prendere il
massimo di ogni anno e fare una distribuzione dei massimi
annuali. Sono arrivato fino in fondo perché da quest'ultima io
riesco a stimare la portata di assegnato tempo di ritorno.
 Metodi indiretti di stima di Q(T)
Normalmente non si fa cosi, ma si parte dalle curve di
possibilità climatica, ovvero la curva che lega, per un certo
tempo di ritorno assegnato, l'altezza di pioggia alla durata.
Il concetto di evento critico
Come usiamo questa informazione, cioè quella
relativa alla curva di possibilità pluvimetrica?
Questa curva ci consente di dire che ad una
durata d_1 corrisponde un intensità media di
pioggia pari a i_1 e che ad una durata d_2
corrisponde un'intensità i_2. Immaginiamo nelle
varie durate, la pioggia abbia intensità che è
istantaneamente costante (me lo immagino io
perché la curva di possibilità climatica non c'è lo
dice come è distribuita l'intensità di pioggia, ma
mi dice solo il valore medio), e quindi arrivo a
conoscere lo ietogramma di ciascuna durata
(indico con rettangoli colorati)
Ma chi mi dice che la portata al colmo più alta è quella
che è caratterizzata dallo stesso tempo di ritorno? È
stata dimostrato che l'ipotesi in generale non è del tutto
corretta, ma è comunque accettabile. Altra limitazione il
modello che io utilizzo, che deve essere
opportunamente calibrato. Ma se io non ho misure
sufficienti posso avere dei dubbi sulla legittimità dei
parametri scelti per descrivere il modello matematico.
È descritta da una relazione di questo tipo, dove n è
un numero che varia tra 0 e 1 in teoria. Nella pratica
si ottengono statisticamente elaborando i dati di
pioggia degli anni precedenti, ed oscilla tipicamente
tra 0,25 e 0,60.
Assieme a questa curva si può considerare quella che
da l'intensità media di pioggia (è il rapporto tra
l'altezza di pioggia e la durata, quindi in mm/h) ed ha
equazione A*d^(n-1). Ma siccome n è più piccolo di 1,
la curva dell'intensità di pioggia è fatta così come nel
secondo grafico.
A questo puno, prendo un modello maematico
afflussi/deflussi e considero l'effetto di queste piogge
di durata d1, d2 e d3 e le inserisco al suo interno
(modello A/D). Cosa trovero? Trovo l'onda che
corrisponde a ciascun evento di pioggia di diversa
durata (ATTENZIONE= non sto considerando solo
queste tre durate, ma sto considerando tutte le durate
di pioggia che possono variare tra 0 ed infinito). Cosa
osservo? Che pur essendo caratterizzate dallo stesso
tempo di ritorno, non sono caratterizzate dallo stesso
valore di portata al colmo, ma c'è ne sarà sempre una
che darà luogo al colmo massimo che io SCELGO. A
questo colmo attribuisco lo stesso tempo di ritorno
che caratterizza la curva di possibilità climatica da
cui io sono partito.
 Metodi indiretti di stima di Q(T)

Il concetto di evento critico

 FORMULA RAZIONALE
Metodo cinematico con curva area tempi lineare Curva area-tempi lineare
1 dA t
h(t ) = IUH mod. cin. A(t ) = AT
AT dt Tc
h(t) A(t)

Se curva A(t) lineare, IUH:

1 dA 1 AT 1 AT
h(t ) = = =
AT dt AT Tc Tc 1/Tc

t
Tc t Tc

P(t)
Q= p P(t)
q(t) q(t)

Q= p
p p Tc

Tc  +Tc  Tc +Tc
1° Caso   Tc
t t
t  q(t) = p  h(t −  )d = p  h( x)dx Essendo t  è anche t<Tc quindi h(x)=1/Tc sempre
o o

1 t 
q(t) = p xto q(t) = p per t = q(t) = p
Tc Tc Tc

 t
p t 
  t  Tc q(t) = p  h(t −  )d essendo p = 0 per    q(t) = p  h( x)dx = t t − q(t) = p
Tc
o t −
Tc

Come sopra ma nell’estremo di integrazione di sopra deve tenersi conto h(x)=0 per t>Tc quindi l’integrale si estende fino a Tc
t  Tc

Tc
p Tc  t − 
q(t) = p  h( x)dx = t t − q(t) = p 1 − al tempo t =  + Tc e ovviamente a tempi successivi q(t)=0
t −
Tc  Tc 

P(t)
q(t)

Q= p
p Tc

 Tc +Tc
2° Caso   Tc
t t

t  Tc q(t) = p  h(t −  )d = p  h( x)dx

o o
t
t
q(t) = p  h( x)dx = p Per t=Tc q(t) = p
o
Tc

t t Tc

Tc  t  q(t) = p  h(t −  )d = p  h( x )dx = p  h( x )dx In quanto, essendo t>Tc, h(x) è diverso da zero solo per t<=Tc; quindi q(t) = p
o o o

 t
t  1 Tc
q(t) = p  h(t −  )d = p  h( x )dx = p xt − L’estremo sup di integrazione t va limitato a Tc essendo per t>Tc h(x)=0
o t −
Tc

 t − 
q(t) = p 1 −  Che per: t =  + Tc Si annulla
 Tc 

P(t)
q(t)
Q= p

Tc  +Tc
 FORMULA RAZIONALE
Metodo cinematico con curva area tempi lineare

Riepilogo forme onda di piena

𝜃 ≤ 𝑇𝑐 𝜃 ≥ 𝑇𝑐
P(t) P(t)
Q= p
q(t)
 q(t)

Q= p
p Tc p

 Tc +Tc Tc  +Tc
 EVENTO CRITICO PER MODELLO CINEMATICO - FORMULA RAZIONALE

   p = ie A
Q = p =  iA per   Tc
 Tc Tc
Q = p =  iA per   Tc Modello percentuale (o
 proporzionale)

 n ie =  i
h = a n
Q =  aA per   Tc
 Tc Coefficiente
i = a  n −1  n −1 di afflusso
Q =  aA  per   Tc

   
n 1

Q =  aA Tc n−1  
Q
  per   Tc 0.9
 aATcn−1
 T
 c
0.8

 n −1
0.7

 n −1    0.6

Q =  aATc   per   Tc 0.5

 T
 c 0.4
0.3
0.2
0.1 
0
0 0.5 1 1.5 2 2.5 3
Tc 3.5

Q(T ) =  a(T ) ATcn(T )−1 Formula razionale