L’IDROLOGIA Etimologicamente la parola idrologia viene dal greco antico: yδρω (idro) acqua + λογos (logos) discorso e pertanto, nella sua genericità, può significare molte cose, dalla fisica del moto dell’acqua, che noi preferiamo chiamare col termine idraulica, a gli effetti delle acque sull’organismo umano (idrologia medica). In campo tecnico col termine idrologia s’intende lo studio del ciclo naturale delle acque, dalla loro precipitazione allo stato liquido o solido, fino a quando, convogliate, sopra o sotto il suolo, fino al mare, ritornano nell’atmosfera, da questo o da un altro punto del percorso. Più in particolare, l’idrologia tecnica si occupa della variabilità spaziale e temporale di tutte quelle grandezze fisiche che intervengono nel ciclo ideologico e che interessano il tecnico, sia per la valutazione delle risorse che per la difesa dalle piene. Pertanto, volendo fare un elenco, non esaustivo, delle grandezze di cui si occupa l’idrologia, indicheremo: le precipitazioni, sotto qualsiasi forma ed intervallo temporale, le portate dei corsi d’acqua e il deflusso di falda, nonché tutte le grandezze che intervengono nei fenomeni d’infiltrazione e d’evaporazione. Nel nostro corso ci occuperemo, essenzialmente, della difesa del territorio e, quindi: delle piene, delle piogge massime, da cui sono generate le piene, e dei fenomeni che controllano la trasformazione delle piogge in deflussi (infiltrazione e modelli afflussi- deflussi). SERVIZIO IDROGRAFICO E MAREOGRAFICO ITALIANO L’istituzione di un Servizio Idrografico Nazionale quale organismo col compito specifico di osservare e studiare, su tutto il territorio nazionale, le acque naturali di qualunque specie: superficiali, come i fiumi, i torrenti, i laghi, o sotterranee, come le falde freatiche ed artesiane, e di indagare i fenomeni che più direttamente ne determinano le vicende, come le precipitazioni atmosferiche e la temperatura dell'aria, in Italia, fu determinata dalla possibilità che si andava presentando, all’inizio del ‘900, di sopperire al fabbisogno di energia con le risorse idrauliche, mediante la produzione idroelettrica. Di conseguenza, si decise, alla fine del 1917 di istituire un Servizio Idrografico Centrale con lo scopo di uniformare, organizzare e rendere disponibili le misurazioni pluviometriche, idrometriche e mareografiche. A partire dai primi mesi del 1918, quindi, le osservazioni e le indagini idrografiche vennero estese a tutto il territorio italiano che venne suddiviso, grosso modo, in 14 grandi compartimenti (vedi figura) delimitati con criteri puramente idrografici in modo che ognuno di essi fosse racchiuso da linee spartiacque e comprendesse solo bacini interi, indipendentemente da suddivisioni provinciali e regionali. I compartimenti vennero affidati ad altrettante Sezioni Autonome del Genio Civile nell'ambito del Ministero dei Lavori Pubblici e sostanzialmente questa suddivisione è stata in vigore fino a pochi anni fa. Dopo circa settant'anni di attività ininterrotta, a meno di alcuni anni nel corso della Seconda Guerra Mondiale, a seguito della riorganizzazione e potenziamento dei Servizi Tecnici Nazionali (L. 18 maggio 1989, n. 183) le attività del Servizio Idrografico e Mareografico Nazionale e degli Uffici periferici vennero trasferite alla Presidenza del Consiglio dei Ministri. Dopo ulteriori passaggi legislativi, col DPCM 24/07/2002 "Trasferimento alle Regioni degli Uffici periferici del Dipartimento dei Servizi Tecnici Nazionali - Servizio Idrografico e Mareografico", i Servizi Idrografici e Mareografici vennero trasferiti alle regioni. Questo ha comportato che le competenze del Servizio Idrografico sono passate ad enti regionali (agenzie ARPA, oppure servizi tecnici regionali, singoli Dipartimenti di Protezione Civile ecc.), e i precedenti Compartimenti che erano molto spesso sovraregionali sono stati così smembrati sotto enti aventi estensione regionale. Il Servizio Idrografico e Mareografico Italiano ha proceduto, fino alla sua dismissione, alla pubblicazione dei cosiddetti Annali idrologici, relativi ai vari compartimenti in cui era stato diviso il territorio. A seguito della regionalizzazione, la pubblicazione degli Annali è stata sospesa ed ogni struttura regionale si è incaricata di pubblicare i dati di sua competenza come e se voleva. LE PIENE STAZIONI IDROGRAFICHE ED IDROMERTROGRAFICHE Aste idrometriche Idrometro registratore Mulinelli Misure di velocità Scala di deflusso Q = α hn Stazione per misure fisse Servizio Idrografico e Mareografico Italiano Compartimento di Napoli Sezioni idrometrografiche Diagrammi storici delle portate Dati giornalieri di portata Massimi annuali delle portate al colmo di piena Massimi annuali delle portate al colmo di piena Componenti di una piena Deflusso ipodermico Deflusso di base MASSIME PIENE Leggi empiriche: S ⎞ −a ⎛ ⎟ qmax = q100 ⎜ ⎝ 100 ⎠ qmax massimo contributo unitario di piena per un bacino di superficie S (m3/s km2); S superficie del bacino (km2); q100 contributo di un bacino di superficie 100 km2; a costante; Gherardelli (1939) a = 0.7 per bacini impermeabili a = 0.5 per bacini permeabili Marchetti (1955) a = 2/3 • I valori di q100 sono proposti dai vari autori, in genere con differenziazione regionale, “per analogia a quei bacini in condizioni morfologiche ed idrologiche simili e confrontabili”. Popolazione x generica grandezza idrologica (ad es. massimi annuali delle portate di piena) Variabile casuale: X { Stazionarietà della popolazione Indipendenza dei dati assegnato valore della generica grandezza idrologica x Definiamo: “Probabilità cumulata di X” il valore Φ{X} che indica la probabilità dell’evento x ≤ X PROBABILITA’ CUMULATA La funzione Φ{x}, detta “Probabilità Cumulata”, sarà una funzione monotona crescente di x con: Φ{∞} = 1 DENSITA’ DI PROBABILITA’ La funzione ϕ{ x} = dφ{ x} prende il nome di “Curva di dx densità di probabilità”. x Φ{x} = ∫ ϕ {x}dx −∞ Definiamo: Media x Moda x~ ϕ { x~} = Max ( ( Φ { x} = 0.50 Mediana x PERIODO DI RITORNO T Intervallo medio di tempo intercorrente tra un superamento e l’altro. 1 T= 1− Φ Variabile: massimi annuali (1 evento all’anno) T in anni PROBABILITÀ E RISCHIO Φ{X} = probabilità che il valore x ≤ X 1 - Φ{X} = probabilità che il valore x > X N numero di anni (Vita dell’opera) • La probabilità che in N anni X sia il massimo è data da: • x ≤ X per N anni • Φ{X}N • La probabilità che in N anni X sia il minimo è data da: • x > X per N anni • (1-Φ{X})N RISCHIO: Definiamo rischio R la probabilità che si verifichi l’evento insuccesso R ===> 1 - Φ{X}N Momenti Momento di ordine n rispetto all’origine: ∞ ∫ M on = x nϕ { x} dx −∞ M o1 = μ = media Momento di ordine n rispetto alla media: M μn = ∞ ∫ ( x − μ )n ϕ { x} dx −∞ M μ2 = ν = varianza scarto quadratico medio σ = ν FORMA DELLA DISTIBUZIONE DI PROBABILITA’ Coefficiente di variazione Coefficiente di asimmetria γ = σ μ γ1 = M μ3 σ3 Campione xi i = 1,...., n n = dimensione del campione (numero degli elementi tratti, a caso, dalla popolazione) Frequenza cumulata F(xi) stima della Probabilità cumulata: F ( xi ) = i n +1 (formula di Weibul) F ( xi ) = i − 0.5 n (formula di Hazen) Stima della funzione Probabilità cumulata col Metodo dei momenti Due funzioni risultano coincidenti se sono coincidenti tutti i loro momenti. Stima dei momenti: n ∑ xi Media M o1 = i =1 n _ = x stima di μ n ∑ ( xi − x )2 Varianza M 2 = i =1 x n −1 = v stima di ν Scarto quadratico medio s = v stima di σ = ν Coefficiente di variazione g= s x stima di γ n Coefficiente di asimmetria stima di γ1 g1 = n (n − 1)(n − 2) ∑ (x − x) i =1 i s3 3 La stima dei momenti è tanto più incerta: - quanto più è piccolo il campione; - quanto più elevato è l’ordine del momento. Pertanto, con la dimensione usuale dei nostri campioni (20 – 50 dati), la stima di momenti di ordine superiore al secondo è fortemente inaffidabile. Ne consegue che siamo costretti ad ipotizzare il tipo di funzione distribuzione di probabilità, limitandoci ad utilizzare il metodo dei momenti unicamente per la valutazione dell’ordine di grandezza dei parametri di questa. DISTRIBUZIONE NORMALE DEL CASO O DI GAUSS Funzione di probabilità cumulata: x 1 e −∞ 2πσ Φ{x} = ∫ x−μ⎞ ⎟ −0.5⎛⎜ ⎝ σ ⎠ 2 dx Il calcolo dei momenti di primo e secondo ordine della funzione φ{x} da: media μ x = E(x) varianza σ 2x = VAR(x) coefficiente di variazione γ x = σx μx μ 03 coefficiente di asimmetria γ 1 [ x ] = σ 3 = 0 x mediana ξx ≡ Φ{ξ} = 0.5 per la Legge Normale del Caso μ x = ξx Sia y = f{x} una funzione monotona crescente di x, si avrà: Φ{y} = Φ{x} Consideriamo la variabile normale standardizzata o ridotta: u= u x−μ σ 1 −∞ 2π Φ{u} = ∫ u2 − e 2 du Avremo: Φ{x} = Φ{u} Inoltre in questa sarà: E(u) = 0; VAR(u) = 1 Ed, in aggiunta, ad ogni valore di u corrisponderà un solo valore di Φ{u} e viceversa. Legge normale del caso Φ uΦ 0,01 0,025 0,05 0,10 0.15 0.20 0,30 0,40 0,50 0,60 0,70 0,80 0,85 0,90 0,95 0,975 0,99 - 2,326 - 1,960 - 1,645 - 1,282 - 1,036 - 0,842 - 0,524 - 0,253 0,000 0,253 0,524 0,842 1,036 1,282 1,645 1,960 2,326 Carte probabilistiche Se la funzione y = f{x} monotona crescente di x, è una funzione lineare questa sarà rappresentata da una retta nel diagramma cartesiano (x,y); pertanto si avrà: Φ{x} = Φ{y} y x Montiamo, lungo l’asse delle y, un corrispondente asse che riporta, per ogni valore di y, il corrispondente valore di Φ{y}. Poiché l’espressione lineare è quella di una funzione monotona crescente, il valore della frequenza cumulata Φ{x} sarà lo stesso della frequenza cumulata Φ{y}. Pertanto avremo montato un diagramma in cui si ha, in ascissa, la variabile x ed in ordinata la frequenza cumulata Φ{x}. Al variare della funzione y = f{x} varierà la posizione della retta sulla carta probabilistica. Carta probabilistica normale: Nel diagramma cartesiano: in ascissa: x, in ordinata: u ed il corrispondente Φ{u}. La funzione di probabilità cumulata Φ{x} sarà rappresentata dalla retta: x = μ x + uσ x pertanto la retta passerà per il punto μx, Φ{x}=0,50 (u0,5 = 0) e il suo coefficiente angolare sarà proporzionale a σx. DISTRIBUZIONE LOG-NORMALE La variabile y = log x è normalmente distribuita: y 1 Φ{y}= ∫ e 2 πσ −∞ y−μ⎞ ⎟ −0.5⎛⎜ ⎝ σ ⎠ 2 dy media μ y = E( y) , varianza σ 2y = VAR(y), μ x ≠ ξx, Φ{y}= Φ{x} = Φ{u} Φ{ξx}= Φ{ξy} = Φ{ μ y } = 0.5 Se si calcolano i momenti della funzione φ{x} avremo le seguenti relazioni: σ 2y = 0.4343 2 ln (1 + γ 2x ) μ y = log μ x − 1.1513 σ 2y Molto utili per calcolare i parametri della distribuzione delle y, in base ai momenti della variabile x. coefficiente di variazione γx = σx/μx coefficiente di asimmetria γ 1[ x ] = 3γ x + γ 3x ≠ 0 Carta probabilistica log-normale: In diagramma cartesiano ascissa: y = log x ordinata: u, Φ{u}≡Φ{y}≡Φ{x}. La funzione di probabilità cumulata Φ{x} sarà rappresentata dalla retta: y = μ y + uσ y Formule approssimate: se γ x piccolo ==> γ 1[ x ] = 3γ x ==> legge distribuita in maniera quasi-normale. se γ x < 1 ===> 3 σ y ≅ 0.4343 γ x DISTRIBUZIONE DEI PARAMETRI STATISTICI (media, varianza, coeff. di variazione ecc.) In generale, per conoscere la distribuzione di probabilità di uno qualsiasi di questi parametri statistici, occorrerebbe conoscere la distribuzione della grandezza originale x. Purtroppo la statistica ci consente di conoscere le distribuzioni dei parametri statistici di poche distribuzioni originali, in particolare dei parametri della legge normale del caso. Distribuzione della media Distribuzione della media Quale che sia la distribuzione di probabilità della variabile originale x, se n non è troppo piccolo la variabile x n è distribuita secondo la legge normale del caso con: Media M { x n} = μ Scarto quadratico medio σ{ x n}= σ {x} n Se, però, non conosciamo il valore di μ e, quindi assumiamo: μ ≡ xn e σ{x} ≡ sn{x} la distribuzione è quella della t di Student e la variabile ridotta sarà lo t: x −μ t= n sn n che dipende anche dal valore di n. I valori di t, per vari valori di n e di Φ, sono riportati nella seguente tabella. Valori del t per diversi valori di n e per probabilità cumulate Φ = 0,025 e Φ =0,975 Distribuzione della varianza Se la variabile originale x è distribuita secondo la legge normale del caso, o con altra legge di probabilità che poco si discosta dalla normale, la grandezza z = V n {x } è distribuita secondo la ν χ2 . grandezza n −1 Questo significa che i valori Vn {x} ν =z= χ2 n − 1 hanno stessa probabilità cumulata: ⎧Vn {x}⎫ ⎧ χ2 ⎫ Φ ⎨⎩ ν ⎬⎭ = Φ{z} = Φ ⎨ ⎬ n −1 ⎩ pertanto posto: ⎧ χ2 ⎫ Φ ⎨z 0.025 = ⎬ = 0.025 n − 1⎭ ⎩ ⎧ χ2 ⎫ Φ ⎨z 0.975 = ⎬ = 0.975 n − 1⎭ ⎩ avremo: V0.025n = z 0.025n ν con ⎭ N z0.025 z0.975 5 0.1210 2.3720 10 0.3000 2.1137 15 0.4021 1.8656 20 0.4688 1.7291 25 0.5167 1.6402 30 0.5533 1.5766 35 0.5825 1.5284 40 0.6065 1.4903 50 0.6440 1.4331 60 0.6722 1.3918 80 0.7128 1.3351 100 0.7410 1.2972 Analogamente si può procedere per altri valori della probabilità cumulata. Distribuzione del coefficiente di variazione g = sn { x} x Se la x è distribuita secondo la legge normale del caso, o secondo altra legge che poco si discosta da questa, la g è distribuita, approssimativamente, secondo la legge normale del caso con: M{g} ≅ γ V{g} ≅ γ2 2(n − 1) Pertanto gp = M{g} + up σ{g}. (1 + 2γ 2 ) Distribuzione della F{xΦ} La statistica mostra che F{xΦ} è distribuita secondo la legge binomiale del caso, funzione dei parametri Φ ed n. Tuttavia considerando: 0.15 ≤ Φ ≤ 0.85, per n ≥ 30 oppure 0.30 ≤ Φ ≤ 0.70, per n ≥ 10 la F{xi} può considerarsi distribuita secondo la legge normale del caso con: M {F } = Ф σ { F} = e φ (1 − φ ) n Distribuzione del frattile xF Se la variabile x è distribuita secondo la legge normale del caso, consideriamo la variabile ridotta: x −μ uF = F , σ per 0.15 ≤ Φ ≤ 0.85, uF è funzione pressoché lineare di F per cui: Φ{uF} ≡ Φ{F} Se F è distribuita secondo la legge normale del caso, uF è distribuita secondo la legge normale del caso. Da cui V{uF} si ricava da V{F} e risulta: 1 φ (uφ ) [1 − φ (u p )] V {u F } = n ϕ 2 (u p ) LA SIMILITUDINE IDOLOGICA Il secondo problema che deve affrontare un idrologo è quello di trasferire le informazioni sulle distribuzioni di probabilità delle grandezze idrologiche studiate, da dove disponibili le misure, alle sezioni, ai punti o ai bacini d’interesse. Nel caso delle massime piene si tratterà, partendo dai dati registrati nelle sezioni del servizio idrografico, di stimare la distribuzione di probabilità delle massime piene anche nella sezione d’interesse di una qualsiasi opera. La prima considerazione che si può fare è che, se si è ipotizzato che la distribuzione di probabilità delle massime piene sia un certo tipo di legge, e si è verificato che questa è accettabile per tutte le sezioni per cui si hanno misure, le piene di tutte le altre sezioni, anche se non disponibili le misure, saranno distribuite secondo la stessa distribuzione di probabilità. Pertanto il problema si riduce a quello di trasferire i valori dei parametri della distribuzione. Ovviamente questo trasferimento d’informazione, per essere convincente, deve essere effettuato su una base fisica condivisa, in modo che la distribuzione di probabilità, così stimata, possa essere considerata, da tutti, come la migliore valutazione delle piene di quella sezione, in mancanza di dati specifici. La successiva considerazione è che una piena è il prodotto delle precipitazioni atmosferiche sul bacino e queste danno luogo a un diverso valore di portata in ragione delle caratteristiche specifiche del singolo bacino (superficie, permeabilità, forma, acclività ecc.). Peraltro, mentre le caratteristiche dei singoli bacini sono immutabili nel tempo e, quindi, il loro effetto non varia da evento a evento, le precipitazioni atmosferiche variano nel tempo e determinano la variazione temporale delle piene. Inoltre, i singoli eventi meteorici, benché variabili nel tempo, agiscono interessando aree molto ampie, in genere delimitate da contesti orografici caratteristici (creste montane, orientamento rispetto ai venti apportatori di precipitazioni ecc.), pertanto, il loro effetto è comune a molti bacini limitrofi. Ne consegue la possibilità di avanzare, in maniera fisicamente basata, l’ipotesi che: il coefficiente di variazione γ j = cost.= γ per una zona molto ampia. Definizione della ipotesi: 1. Qij valore del massimo annuale della portata al colmo, nell’anno i-esimo, nella sezione j-esima, Qij distribuita, per ogni sezione j, con parametri μj{Q} e σj{Q}. 2. Per ogni sezione, dal campione di n anni, stimo: Mj{Q}, sj{Q} e gj{Q}= Mj{Q}/sj{Q} Se l’ipotesi è valida, dette stime di gj{Q} si scosteranno dall’effettivo valore di γ solo per scarti di campionatura. Verifica della ipotesi: 3. Ipotizzo γ ≅ M{gj} Se i valori di gj{Q} si spostano da γj per scarti confrontabili con gli scarti di campionatura, l’ipotesi è valida. Verifica delle zone omogenee nel caso di variabile originaria distribuita secondo la legge normale del caso Se la variabile originaria Q (massimo annuale delle portate istantanee) è distribuita secondo la legge normale, o poco discosta da questa, la variabile g è distribuita, approssimativamente, secondo la legge normale del caso con: M{g} ≅ γ V{g} ≅ γ2 2(n − 1) (1 + 2γ 2 ) pertanto: gp = M{g} + up σ{g}. Di conseguenza, è possibile montare le fasce di controllo, g0.025 e g0.975, al variare di n, nel piano (n, gj), in cui gj è il coefficiente di variazione di Q, relativo alla singola stazione j. Si ricorda, però che queste fasce sono esatte se la variabile originaria è distribuita secondo la legge normale e sono tanto più approssimate, quanto più la distribuzione della variabile originale si discosta da quella normale. 0.80 g0.975 g0.025 n=10 0.70 n=20 g0.975 0.60 n=30 n=40 n=50 0.50 0.40 n=50 n=40 n=30 0.30 n=20 n=10 0.20 g0.025 0.10 0.00 0 0.1 0.2 γ 0.3 0.4 0.5 Verifica delle zone omogenee nel caso di variabile originaria distribuita secondo la legge log-normale del caso. - Qij valore del massimo annuale della portata al colmo di piena, nell’anno i-esimo, nella sezione j-esima,distribuita, per ogni sezione, secondo la legge log-normale con parametri μj{Q} e σj{Q}, - yij = logQij variabile distribuita, per ogni sezione, secondo la legge normale del caso, con parametri μj{y} e σj{y}, - in questo caso tra i parametri delle popolazioni esiste la relazione: σ 2 y = 0 . 4343 2 ln ( 1 + γ 2 Q ) (1) - mentre tra i parametri del campione esiste la relazione: V y = 0 . 4343 2 ln ( 1 + g Q2 ) (2) L’ipotesi γj = cost.= γ per tutta la zona, per la (1) diventa: γj{Q} ≡ σj2(y) =Vy = cost (3) Poiché y è distribuita normalmente, le fasce di controllo possono essere definite, esattamente, dalla distribuzione della varianza. Infatti, fissato γ, dalla (1) ricavo σy2 e poiché z = V n {y } σ 2 y χ2 è distribuito secondo il n − 1 è possibile calcolare: V0.025 n = z 0.025 n σ y2 V0.975 n = z 0.975 n σ y2 e, dalla (2), ricavare i valori corrispondenti di: g0.025n e g 0.975 n Nel modo descritto sono stati ricavati i valori riportati nel grafico successivo. 0.8 g0.975 g0.025 0.7 n=10 n=20 n=30 n=40 n=50 g0.975 0.6 0.5 0.4 n=50 n=40 n=30 n=20 0.3 n=10 0.2 g0.025 0.1 0 0 0.1 0.2 γ 0.3 0.4 0.5 Limiti delle verifiche sopra riportate. Le verifiche sopra riportate si basano sulle ipotesi che: - il coefficiente di variazione γ j = cost.= γ per una zona molto ampia, - i valori di gj{Q} si differenziano da γ solo per scarti di campionatura. In effetti, oltre alla variabilità delle precipitazioni, vi sono altri fattori che possono determinare una maggiore variabilità del coefficiente di variazione, rispetto ai soli scarti di campionatura quali, ad esempio, l’effetto più o meno variabile nel tempo di caratteristiche fisiche del bacino peraltro immutabili, o la non completa sovrapponibilità delle ampie aree su cui agiscono, simultaneamente, i diversi eventi atmosferici. Ne deriva che, è più corretto porre che il coefficiente di variazione γ , per una zona molto ampia può essere assunto come costante in quanto, a parte gli scarti di campionatura, le differenze significative, nel passare dall’uno all’altro bacino, sono del tutto casuali e non evidenziabile, a priori, una qualsiasi tendenza, nel passare da un bacino all’altro. Ne consegue che nelle verifiche sopra riportate, spesso si accetta che dalle fasce escano più punti di quanti sarebbero “statisticamente” accettabili mentre si deve fare molta attenzione a che la distribuzione dei valori di gj risulti, comunque, spazialmente casuale. STIMA DI μ(Q) Il secondo parametro della distribuzione è un parametro di scala che non tiene conto della variabilità temporale delle precipitazioni ma delle caratteristiche specifiche del singolo bacino (superficie, permeabilità, forma, acclività, ecc.). Questo normalmente è rappresentato dal valor medio delle piene μ(Q). Il valor medio delle piene μ(Q), può essere calcolato con un modello afflussi-deflussi, come vedremo in seguito, o per similitudine con gli alti bacini della stessa area. Nell’ambito del progetto VAPI è stata valutata la dipendenza di μ(Q) (in m3/s).da uno dei parametri più importanti, quale la superficie S del bacino(in Km2) o, per tener conto anche della permeabilità del bacino, dalla superficie ridotta Srid , che rappresenta l’area del bacino depurata della frazione permeabile (Km2). Per la Campania si ha: μQ = 1.19S 0,84 o: 0 , 715 μQ = 3,22S rid In ambedue i casi, gli errori di stima risultano elevati e riducibili mediante il ricorso ad un modello di stima afflussi-deflussi. Dati relativi ai bacini Campani Bacino n° dati Area Km2 Area rid Km2 μ(Q) m3/s Volturno ad Amorosi Calore Irpino a Montella Calore Irpino ad Apice Tammaro a Pago Veiano Tammaro a Paduli Calore Irpino a Solopaca Volturno a Ponte Annibale Tusciano ad Olivano Tanagro a Polla Sele ad Albanella Alento a Casalvelino Busento a Caselli in Pittori 37 41 38 11 15 12 16 10 46 38 11 17 2015 106 533 556 673 2966 5542 95 659 3235 285 113 1652 34 448 535 659 2757 4877 44 567 2845 279 70 642 52 335 211 259 974 1291 40 221 1239 290 56 CAMPANIA 10000 1000 0.84 μ = 1.19 S 3 μ (m /s) 100 ρ = 0.90 10 10 100 1000 10000 S (Km2) 10000 1000 0.715 μ = 3.22 S rid 3 μ (m /s) 100 ρ = 0.97 10 10 100 1000 Srid (Km2) 10000 DISTRIBUZIONE DI PROBABILITÀ DEL MASSIMO L’incertezza su quale sia la distribuzione di probabilità che si adatta meglio a interpretare quella delle massime piene pone l’esigenza di determinare delle distribuzioni che siano giustificate statisticamente a interpretare queste grandezze. E’ questo il caso delle distribuzioni dei massimi. Se infatti consideriamo: z variabile originaria (es. portate al colmo della singola piena) Φ1{z} Funzione di distribuzione di probabilità cumulata delle z • In un campione di k valori indipendenti di z sia zk il massimo. • Dalla popolazione delle z possono estrarsi infiniti campioni di dimensione k. • zk assumerà di volta in volta valori differenti. • Si può quindi considerare la distribuzione del valore massimo zk di un campione di dimensione k. • La funzione di distribuzione Φ2{x}, del massimo valore x= zk, indica la probabilità che, in un campione k dati, il massimo valore x risulti inferiore o al più eguale ad un assegnato valore. La distribuzione Φ2{x}, dei massimi su k estrazioni, potrebbe essere dedotta da quella Φ1{z}, della variabile originale z, se si conoscessero: • il valore k delle estrazioni indipendenti; • la distribuzione Φ1{z} della variabile originale. Φ2{x = zk} = Φ1{z}k ma: • i valori k dei colmi indipendenti, in un anno, varia da anno ad anno e sono sconosciuti; • la distribuzione Φ1{z} è, di norma, sconosciuta. Molte delle distribuzioni di probabilità Φ1{z}, per campioni di grandi dimensioni (k sufficientemente grande), per i quali i valori zk risultano spostati nel campo dei valori più grandi della x, possono essere messe nella forma asintotica: 1 Φ1{z} = 1 − e −α ( x − ε ) k dove ε è il valore atteso che ha probabilità di superamento di una sola volta su k estrazioni. In questo caso per k → ∞ −α ( x − ε ) e − Φ2{x} = e che viene definita legge asintotica del massimo valore, o legge doppio esponenziale, o legge di Gumbel. LEGGE DI GUMBEL x (variabile) massimo annuale delle portate al colmo di piena. Benché le piene indipendenti z, in un anno, non siano più di 10÷20, tuttavia si assume che i massimi x siano distribuiti secondo la legge di Gumbel: Funz.di Prob. Cum. Φ{x} = e dove: − e −α ( x − ε ) y = α ( x − ε ) variabile ridotta −y − e Φ{x} = Φ{y} = e con funzione di densità di probabilità: ϕ{y} = e −( y + e − y ) moda ~ y => ϕ{ ~ y } = max ϕ ’{ ~ y} =e − ( y +e− y ) (e − y − 1) = 0 y =0 che si verifica per ~ ~ y = α ( x − ε) = 0 per x = ε da cui ε moda della variabile x Inoltre ~ x =ε Φ{ε } = Φ{0} = 0.368 Φ{0.36651} = 0.50 mediana ξy = y0.5 = 0.36651 media μ y = E( y) = 0.57722 σy = Φ{0.57722} = 0.57 π 6 Ricordiamo che, nel caso di variabili dipendenti legate da una relazione monotona crescente di tipo lineare, come t = a + b z, per la stessa definizione dei momenti, valgono le relazioni: μt = a + b μz e σt = b σz Pertanto, poiché y = α ( x − ε ) , avremo: μ y = α (μ x − ε ) σ y =α σ x e da cui: 0.57722 = α ( μ x − ε ) π e 6 =α σ x Ne consegue: 1 α e = σx 1.28255 ε = μ x − 0.450 σ x y = 0.57722 + 1.28255 (x − μ x ) σx Φ{y} = 0.025 y0.025 = -1.305 Φ{y} = 0.975 y0.975 = 3.675 Formula approssimata: T Periodo di ritorno; xT massimo in T anni. Φ{xT} = 1-1/T poichè −y − e Φ{y} = e avremo yΦ = − ln ln ma yΦ = α ( x Φ − ε ) 1 Φ{ y} 1 α ( x Φ − ε ) = − ln ln Φ{ x} da cui T ⎞⎟ α ( xT − ε ) = − ln ln⎛⎜ ⎝ T − 1⎠ x T con =ε − ⎛ T ⎞ ln ln⎜ ⎟=ε α ⎝ T −1⎠ 1 K '= ⎡ ⎛ T ⎞⎤ − 1 K ' log ln ⎜ ⎟⎥ ≅ ε (1 + K ' log T ) ⎢ ⎝ T − 1 ⎠⎦ ⎣ 1 0.4343ε α DEFINIZIONE DELLE ZONE OMOGENEE Coefficiente di variazione γ = cost. per una zona molto ampia K'= 1 σ σ = = 0.4343εα 0,4343ε 1,28255 0,557ε pertanto K’ è confondibile con γ. Fasce di K’ DOPPIA COMPONENTE L’esperienza mostra che, in molti casi, nonostante che la legge di Gumbel dovrebbe interpretare la distribuzione di probabilità dei massimi, i dati registrati si distribuiscono, nella corrispondente carta probabilistica, con andamento non coerente e niente affatto casuale. Questi casi sono stati interpretati, piuttosto che come una inadeguatezza della legge di Gumbel a interpretare la distribuzione di probabilità dei massimi, con l’ipotesi fisica che i massimi non sono estratti, a caso, da un'unica popolazione, ma da una miscela di due popolazioni, ciascuna con la sua distribuzione di probabilità: Φ1{x} e Φ2{x} e con una percentuale dei dati della prima popolazione di p sul totale. Ne deriva che, se ciascuna delle due popolazioni è distribuita secondo la legge di Gumbel, la distribuzione della miscela sarà data da: Φ{x} = p Φ1{x} + (1-p) Φ2{x} Con 5 parametri: p, α1 ,ε1, α2 ,ε2 MODELLO POISSONIANO Il modello Poissoniano è una diversa maniera di giustificare come la distribuzione di probabilità di Gumbel si adatti bene ad interpretare la distribuzione dei massimi. Questo tipo di giustificazione permetterà poi di estendere il ragionamento anche a miscele di più popolazioni. La massima piena annuale X è il massimo di k variabili casuali indipendenti x (portate al colmo di piena). Se k è distribuito secondo la legge di Poisson: M{k} = V{k} = λ la distribuzione di probabilità Φ2{X}, del massimo X, sarà legata alla distribuzione Φ1{x}, della variabile originale x, dalla relazione: Φ 2 {X } = e − λ ( 1− Φ1 {x} ) Ipotizzato che la distribuzione di probabilità Φ1{x} sia di tipo esponenziale, questa, per x sufficientemente grande, potrà essere espressa nella forma: Φ1{x} = 1 − e − x / θ con θ = M{x}. Pertanto risulta: { Φ 2 {X } = exp − λ e − x / θ } in cui i nuovi parametri λ e θ hanno un diverso significato fisico: θ = M{x} λ = M{k} La relazione sopra riportata è identica alla legge di Gumbel solo che si ponga: Θ = 1/ α Infatti: { ε /Θ λ =e } { } Φ{x} = exp − λ e − x / θ = exp − e − x / θ ⋅ eln λ = = exp{− e −1 / θ ( x −θ ln λ ) } = exp{− e α − ( x −ε ) } MODELLO TCEV (Two - Component Extreme Value Distribution) Φ{x} = p Φ1{x} + (1-p) Φ2{x} con p = λ1 λ1 +λ 2 avremo: { } { Φ{x} = p 1 − e − x / θ1 + (1 − p ) 1 − e − x / θ2 }= = p − pe − x / θ 1 + 1 − e − x / θ 2 − p + pe − x / θ 2 = = 1 − pe − x / θ 1 + ( p − 1) e − x / θ 2 = [ = 1 − pe − x / θ 1 + (1 − p) e − x / θ 2 posto λ = λ 1 + λ 2 ] avremo p= da cui λ1 1− p = e λ Φ {x} = 1 − 1 λ [λ 1 λ2 λ e − x / θ1 + λ 2 e − x /θ 2 ] se ora passiamo alla distribuzione del massimo X di x avremo: ⎧⎪ Φ{X } = exp⎨− λ ⎪⎩ ( ⎡ 1 − X /θ λ1e 1 + λ2 e − X / θ 2 ⎢1 − 1 + λ ⎢⎣ { = exp − λ 1 e − X / θ 1 − λ 2 e − X / θ 2 che ha solo quattro parametri λ 1 , λ 2 ,θ 1 ,θ 2 } ⎤ ⎫⎪ ⎥⎬ = ⎥⎦ ⎪⎭ ) REGIONALIZZAZIONE { Φ{X } = exp − λ1 e − X / θ1 − λ2e − X / θ 2 } (1) con parametri λ 1 , λ 2 ,θ 1 e θ 2 I° livello di regionalizzazione θ* = λ* = θ2 θ1 = cos t λ2 1/ θ * λ1 = cost (2) (3) in una stessa zona. Le due ipotesi hanno un significato fisico sufficientemente accettabile infatti: • la prima ipotesi θ * = θ2 θ1 = cos t implica un rapporto costante tra l’ampiezza della prima e della seconda componente in una vasta regione; • la seconda ipotesi λ * = λ2 = cost implica che il rapporto tra 1/ θ * λ1 il numero di dati indipendenti della prima e della seconda componente è costante. Per la Campania è risultato: θ * = 2.654 e λ * = 0.350 II° livello di regionalizzazione λ1 = cost (4) per ogni sottozona che indica che, in questa, il numero di dati indipendenti della prima componente è costante. Per la relazione (3) risulta costante anche λ 1/ θ 2 = λ1 Per la Campania, che risulta un'unica sottozona, è λ1 = 13.11 da cui avremo λ 2 = 0.923 *λ * Alcune Zone e Sottozone III° livello di regionalizzazione Occorre, infine, trovare il valore di un quarto parametro. Noi conosciamo il valore della media μ {X }, dei massimi annuali delle portate al colmo. Questa, però, è diversa da θ1e θ 2 , che sono le medie dei colmi, della prima e della seconda componente, presenti nella relazione (1). Pertanto occorre trasformare l’espressione della distribuzione di probabilità affinché, invece di θ1e θ 2 vi appaiano μ {X }, e θ ∗ . μ{X } Consideriamo le nuove variabili K = μ {X } e η = θ 1 X X X per cui avremo: K = μ{X } = η θ => X = K η θ1 1 sostituendo nella (1) si avrà: η ⋅θ1 ⋅ K η ⋅θ1 ⋅ K ⎧⎪ ⎫ − − θ1 θ2 ⎪ Φ{K } = Φ{X } = exp⎨− λ1e − λ2e ⎬= ⎪⎩ ⎪⎭ η ⋅K ⎫ ⎧ − ⎪ ⎪ = exp⎨ − λ e −η ⋅ K − λ e θ * ⎬ 2 ⎪ 1 ⎪ ⎩ ⎭ In cui, siccome la relazione tra μ {X }, e K è monotona crescente, avremo che Φ{X } = Φ{K } Per la Campania si ha η = 3.906 I valori di KT, riportati in tabelle in funzione di F( ) o T, vengono definiti Funzione Probabilistica di Crescita o Curva di Crescita e sono unici per ogni sottozona. Determinazione del miglior Modello probabilistico Affinché due distribuzioni di probabilità cumulata o, il che è lo stesso, funzioni di ripartizione siano uguali occorre che coincidano tutti i momenti. Abbiamo visto finora che, nelle funzioni di ripartizione a due parametri, facciamo coincidere, tra f.d.r. e campione solo due momenti: la media μ e la varianza σ2. Il Momento del terzo ordine, rispetto alla media, adimenzionalizzato, è il coefficiente di asimmetria o skewness. γ1= M3μ/ σ3 Per la distribuzione Logaritmico normale: γ1[x] = 3CV + CVx3 ≠ 0 Con CV = coefficiente di variazione = γ = σ/μ Per la distribuzione di Gumbel: γ1 = cost. = 1,1395 Esaminando lunghe serie, registrate in tutto il mondo, si è riscontrata una notevole variabilità del coefficiente di asimmetria e una sua relazione con il coefficiente di variazione CV, diversa da quella della legge log-normale del caso, come è mostrato dalla figura. Log normale GUMBEL NORMALE Modello probabilistico MG La gran parte delle funzioni di probabilità cumulata, a due parametri, dei massimi possono essere messe nella forma (Chow, 1951): Q/µ = 1 + K(T) CV (1) Dove :CV = γ = σ/μ è il coefficiente di variazione e K(T) è un fattore di crescita. Per la Legge di Gumbel: ⎛ T ⎞ K (T ) = −(0,45 + 0,779 ln ln⎜ ⎟ ⎝ T − 1⎠ K (T ) = −0,45 + 1,79 log(T ) ) (2) In base a quanto sopra riscontrato, si è ipotizzato di cambiare di volta in volta la funzione di ripartizione, per tener conto del diverso coefficiente di asimmetria, senza, introdurre un nuovo parametro, ma modificando la funzione di ripartizione (1) nella forma: QT/µ = 1 + γK(T)α CVβ, con i valori di α, β e γ da ricavare sperimentalmente e in cui l’espressione di K(T) è quella della distribuzione di Gumbel (2). Esaminando i massimi valori di tutte le sezioni istallate, in Italia, dal SIMI, con più di 20 anni di osservazione, si è ricavata l’espressione empirica: QT/µ = 1 + 1,73 K(T)0.80 CV1.35 Inoltre, partendo da considerazioni fisiche, (metodo cinematico) i valori di μQ e σQ sono stati espressi in funzione di: S = superficie del bacino (km2) Φ = coefficiente di afflusso medio sul bacino, calcolato nel mese in cui si verificano maggiormente gli eventi di piena) μh e σh = media e varianza dei massimi annuali delle piogge giornaliere, dalle relazioni: μQ = Cμ ⋅ μ hα ⋅ S β ⋅ Φ γ μ μ μ σ Q = Cσ ⋅ σ hα ⋅ S β ⋅ Φ γ σ σ σ AREE IDROLOGICAMENTE OMOGENEE I bacini italiani sono stati ripartiti in aree omogenee con valori eguali dei coefficienti e degli esponenti. Cμ αμ βμ γ μ Cσ α σ βσ γσ Bacino del Po 0,014 1.46 0,64 0,56 0,86 0,80 0,54 0,74 Liguria e 0,840 0,48 0,70 0,81 5,78 0,34 0,48 1,05 Toscana Emilia e Marche 0,038 1,12 0,69 0,00 0,10 1,07 0,70 0,00 Campania Calabria e Puglie 4,50 0,00 0,76 1,41 10,3 0,00 0,55 1,04