Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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
Variabile casuale (VC): una variabile il cui valore non può essere
previsto con certezza (prima dell’osservazione)
Esempi di VC continue:
- Il totale annuo di pioggia
- Il deflusso totale annuo
- La portata massima annuale
Il concetto di probabilità
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
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
0.1000 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
36 combinazioni possibili
0.7
0.12 4/36 4/36
0.6 21/36
0.1
Probabilità
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 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
Momento di ordine 1
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
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
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
Portate istantanee
Serie dei valori massimi annuali Sono già serie AFS
Portate medie giornaliere
Limitata affidabilità
SERIE STORICHE DI OSSERVAZIONI DI INTERESSE
SERIE STORICHE DI OSSERVAZIONI DI INTERESSE
Il concetto di tempo di ritorno
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
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)
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
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
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
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
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 − eP ( x )
m=0 m!
F ( x) = e − 1− P ( x )
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.
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
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
FX 1 ( x) → x1 (T ) FX 2 ( x) → x2 (T ) FX s ( x) → xs (T )
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:
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.
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.
Si parte dalle piogge. Adesso noi delineamo
Metodi indiretti di stima di 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.
Come usiamo questa informazione, cioè quella Assieme a questa curva si può considerare quella che
relativa alla curva di possibilità pluvimetrica? da l'intensità media di pioggia (è il rapporto tra
Questa curva ci consente di dire che ad una l'altezza di pioggia e la durata, quindi in mm/h) ed ha
durata d_1 corrisponde un intensità media di equazione A*d^(n-1). Ma siccome n è più piccolo di 1,
pioggia pari a i_1 e che ad una durata d_2 la curva dell'intensità di pioggia è fatta così come nel
corrisponde un'intensità i_2. Immaginiamo nelle secondo grafico.
varie durate, la pioggia abbia intensità che è
A questo puno, prendo un modello maematico
istantaneamente costante (me lo immagino io
afflussi/deflussi e considero l'effetto di queste piogge
perché la curva di possibilità climatica non c'è lo di durata d1, d2 e d3 e le inserisco al suo interno
dice come è distribuita l'intensità di pioggia, ma (modello A/D). Cosa trovero? Trovo l'onda che
mi dice solo il valore medio), e quindi arrivo a corrisponde a ciascun evento di pioggia di diversa
conoscere lo ietogramma di ciascuna durata durata (ATTENZIONE= non sto considerando solo
(indico con rettangoli colorati) queste tre durate, ma sto considerando tutte le durate
Ma chi mi dice che la portata al colmo più alta è quella di pioggia che possono variare tra 0 ed infinito). Cosa
che è caratterizzata dallo stesso tempo di ritorno? È osservo? Che pur essendo caratterizzate dallo stesso
stata dimostrato che l'ipotesi in generale non è del tutto tempo di ritorno, non sono caratterizzate dallo stesso
corretta, ma è comunque accettabile. Altra limitazione il valore di portata al colmo, ma c'è ne sarà sempre una
modello che io utilizzo, che deve essere che darà luogo al colmo massimo che io SCELGO. A
opportunamente calibrato. Ma se io non ho misure questo colmo attribuisco lo stesso tempo di ritorno
sufficienti posso avere dei dubbi sulla legittimità dei che caratterizza la curva di possibilità climatica da
parametri scelti per descrivere il modello matematico. cui io sono partito.
Metodi indiretti di stima di Q(T)
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 xto 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 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 xt − 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
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
T
c 0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3
Tc 3.5