universidade de aveiroclimetua.fis.ua.pt/publicacoes/artigo sofia alegg_sim.docx · web viewo grupo...

8ª Assembleia Luso Espanhola de Geodesia e Geofísica Évora 20148ª Asemblea Hispano Portuguesa de Geodesia y Geofisica

Predictabilidade das previsões numéricas em Portugal ContinentalPredictability of the numeric forecast in Continental Portugal

S. Bartolomeu (1), A. Rocha (2) e T. Luna (3)

(1)Departmento de Física, Universidade de Aveiro, Campus de Santiago, 3810-193, Aveiro, Portugal, [email protected] (2)Departmento de Física, CESAM, Universidade de Aveiro, Campus Universitário de Santiago 3810-193 Aveiro, Portugal, [email protected](3)IDAD - Instituto do Ambiente e Desenvolvimento, Campos Universitário de Santiago 3810-193, Aveiro, [email protected]

SUMMARY

Forecasts using mesoscale models have been applied in several areas representing realistically the atmospheric parameters. University of Aveiro performs forecasts for Portugal using weather stations located in wind parks all around the country, primarily for a three days period prevision further extended to seven days. This time increment allows the prediction of the wind speed and therefore allows the calculation, seven days in advance of the wind energy that it is capable of generating. However, the quality of such forecast was not taken into account. This work contributed in this regard, evaluating the predictability of the WRF model and the quality of the prediction of the wind speed energy production for 87 wind parks spread over the north and centre of Portugal. Monthly and spatially statistical measures (bias, RMSE, STDE and decomposition of RMSE) were calculated for the prediction between 1 st of November of 2011and 9th of March of 2011. For January, the forecasts are useful up to the sixth day; for November until the fifth day; for February and December until the fourth day and finally for March until the third day (considering the forecasts until the day which R decays for 0.6). These statistical measures were also calculated spatially for the country, considering the data from each station. In general, the largest errors are located in “Beira Alta” and the best predictions are near to the coast. They must be considered until the fifth day for the majority of the stations distributed across the country. The evaluation of all the calculated parameters allows to conclude that the model used, WRF, provides good quality in the predictions of the wind intensity.

1. INTRODUÇÃO

A previsão numérica do tempo é uma atividade científica da meteorologia relativamente recente, que utiliza o potencial de cálculo dos computadores para criar uma estimativa do estado futuro da atmosfera recorrendo a modelos de previsão. Estes modelos recorrem às Leis da Física expressas matematicamente que caracterizam o comportamento hidrodinâmico da atmosfera. Os seus resultados constituem a designada “previsão” que tem em conta as condições iniciais (assim como as condições fronteira que são especificadas no modelo). Para o seu cálculo, existem códigos informáticos de grande complexidade que permitem a previsão para diversas variáveis entre as quais: a temperatura, a pressão atmosférica, o vento e a precipitação. Os resultados extraídos são posteriormente comparados com outras fontes de informação meteorológica, de forma a desenvolver uma previsão mais rigorosa do estado do tempo.

Associadas às previsões existem incertezas que advêm: do conhecimento do estado inicial da atmosfera (induzindo erros na análise relacionado com a teoria do caos); das aproximações aplicadas às equações e discretização espaço-temporal (aproximações nos modelos, condicionadas pela capacidade dos computadores utilizados - erros introduzidos nos modelos) e do desconhecimento da Física de alguns fenómenos (como por exemplo a turbulência). Os erros, independentemente da sua natureza e do seu tamanho, tendem a acumular-se com o tempo, induzindo a previsões erradas. Desta forma, todos os modelos contêm erros que influenciam as previsões elaboradas.

O grupo de Meteorologia e Climatologia da Universidade de Aveiro (Departamento de Física) desenvolve investigação em meteorologia e clima, em particular modelação numérica da atmosfera e variabilidade climática da Universidade de Aveiro. Recorrendo ao modelo Weather Research and Forecast (WRF) são realizadas previsões numéricas com um horizonte de sete dias desde 2011 (anteriormente o horizonte era de três dias) para diferentes variáveis (p. ex., temperatura, precipitação total, vento, nuvens nevoeiro, humidade relativa). Para o vento são previstos os valores da intensidade e é sobre este parâmetro atmosférico que se centra o presente trabalho. Pela sua importância para a previsão de

produção de energia eólica nos parques eólicos localizados em Portugal Continental, é essencial realizar estudos de forma a prever o quão rentável será o parque construído e estimar a quantidade de energia que pode ser produzida a partir das previsões feitas para um dado local. Numa altura em que as alterações climáticas estão no ordem do dia, é necessário recorrer à obtenção de energia de forma mais ecológica e este é um método de gerar energia simples e rentável ao longo do tempo, que vai adquirindo cada vez maior aderência. Neste sentido, quanto melhor as previsões de ajustarem das observações, mais rigorosa é a simulação da energia que pode ser produzida.

De acordo com Richardson (2002) os pequenos erros nas condições iniciais e a aproximada representação dos processos atmosféricos num modelo numérico são as principais fontes para os erros nas previsões. Estes dois fatores de incerteza limitam a qualidade das precisões. Enquanto as incertezas em determinados instantes podem conduzir a grandes alterações nas previsões, existem situações em que esse impacto é menos significativo e os erros nas condições inicial pouco alteram a previsão. Esta variação de caso para caso na predictabilidade é mostrada pelo sistema “borboleta” do atractor de Lorenz (Lorenz, 1963), que mostra a evolução dos conjuntos dos pontos iniciais. Quando o estado é previsível os pequenos erros não conduzem a grandes impactos na previsão, ao invés, quando a situação é tão imprevisível não é possível saber qual o tempo que se segue. De acordo com Lorenz (1965, 1969), o tempo necessário para que os erros comparáveis a erros de observação na atmosfera crescerem até erros intoleráveis é fortemente dependente do padrão de circulação de corrente, e varia desde alguns dias até algumas semanas.

Num documento publicado pelo ECMWF (2009) é abordada a incerteza das previsões e apresentada uma maneira de saber previamente se a previsão é ou não precisa. O ECMWF foi o pioneiro no sistema para prever a confiança da previsão. Este sistema está operacional desde 1992 e é designado Ensemble Prediction System (EPS). Segundo este, o princípio básico da probabilidade da previsão de Ensemble consiste em fazer não apenas uma única previsão que usa o melhor palpite para condição inicial mas também para uma série de previsões adicionais utilizando condições iniciais com pequenas perturbações, com cada


previsão criada com um modelo ligeiramente perturbado (50 previsões, ECMWF (2009)). Esta técnica proporciona uma estimativa da incerteza associada às previsões a partir de um determinado conjunto de condições iniciais compatíveis com erros de observação. O sistema é confiável quando a realidade se insere dentro da faixa prevista.

Nas últimas décadas assistiu-se a uma forte evolução nas previsões numéricas, tornando-se cada vez mais fiáveis e precisas. O constante desenvolvimento e aperfeiçoamento dos modelos é o resultado de inúmeras investigações e testes realizados ao modelo. Os especialistas preocupam-se com os erros das previsões e procuram soluções para os reduzir. Para isso é necessário a validação do modelo que avaliam o comportamento do modelo recorrendo a medidas de erros e coeficientes.

Uma previsão numérica é alterada consoante o horizonte devido às razões indicadas, e é então expectável que quanto menor for o intervalo de tempo de previsão, melhor seja a previsão. O erro das previsões varia consoante a variável atmosférica mas também com o local (os resultados são diferentes do hemisfério Norte para o hemisfério Sul). Shapiro and Thorpe (2004), p. ex., para a altura geopotencial aos 500 hPa mostra para uma previsão de três dias que coeficiente de correlação do padrão cresceu de 0.70-0.84 (hemisfério Sul e Norte, respetivamente) em 1980 para os 0.96 em 2003; para previsões de 5 dias, que o coeficiente de correlação cresceu de 0.5-0.64 (hemisfério Sul e Norte, respetivamente) para 0.86 em 2003 e para previsões de 7 dias um coeficiente de correlação de 0.32-0.45 (hemisfério Sul e Norte) que cresce para próximo de 0.7 em 2003 (valores aproximados). Verifica-se ainda que a diferença entre os erros relativos ao hemisfério Norte e Sul diminuíram, de tal forma que para o ano mais recente por eles analisado, o coeficiente de correlação é semelhante. Os últimos dados disponíveis no ECMWF revelam um coeficiente de correlação de 0.98 para previsão para 3 dias; 0.91 para previsões 5 dias e 0.75 para previsões de 7 dias, resultados referentes a 2013. A partir de 1995 são apresentados também coeficientes para previsões de 10 dias e para 2013, o coeficiente de correlação ronda os 0.45.

Previsões até pelo menos dez dias são tão boas quanto as previsões actuais para sete dias parecem ser possíveis Lorenz (1982). Mais recente, Lynch (2010) refere que tem sido ganho um dia de previsão por década e que até 2010 as previsões foram feitas com 10 dias de precisão. Os valores de previsão são considerados até ao dia em que o coeficiente de correlação decai para os 0.6 (valor de referência para o R=0.6 Holton (2004)). Em média e atualmente, o coeficiente de correlação decai para este valor a partir do oitavo dia. Em Fevereiro de 2010, atingiu-se o referido valor no décimo dia de previsão, para o hemisfério Norte, que se tornou histórico.

Drobinski (2011) refere que a importância das previsões é a análise visual das condições iniciais e a produção de novas condições iniciais. Segundo Shukla (2005), os maiores obstáculos à realização do potencial de previsão do tempo e do clima são: modelos inadequados e observações insuficientes (e não um limite de predictabilidade intrínseco). Desde a década de oitenta, a maioria das melhorias na capacidade previsão do tempo surgiram devido a melhorias em modelos e técnicas de assimilação (Shukla, 2005).

Para Portugal, Ferreira (2007) relata um estudo com o sistema de modelação numérica do tempo WRF onde foram realizados testes de sensibilidade. Consistiu em fazer variar certas opções dos esquemas físicos do WRF-ARW, versão 2.2, comparando as previsões resultantes com um conjunto de observações locais de variáveis atmosféricas de superfície que permitiu avaliar quais os melhores esquemas a utilizar para Portugal.

O presente trabalho incide a avaliação da qualidade da previsão do vento para a produção de energia eólica e por conseguinte estudar a predictabilidade do modelo WRF para Portugal

Continental. Para tal, serão utilizados dados de várias estações que se localizam principalmente na região norte e centro de Portugal.

2. DADOS E MODELO NUMÉRICOO Weather Research and Forecasting Model (WRF) Versão 3 é

um modelo de previsão e simulação numérica do tempo idealizado para a investigação e aplicações operacionais na mesoescala (Skamarock, 2008). O contínuo desenvolvimento do modelo resulta da colaboração de centros de investigação e agências governamentais dos Estados Unidos da América. O modelo ao ser disponibilizado gratuitamente permite que seja constantemente melhorado.

O WRF foi criado para ser uma ferramenta de topo na arte da simulação atmosférica, flexível, portável e eficiente em várias plataformas de computação. Este está ainda habilitado para ser utilizado em situações reais mas também em situações atmosféricas idealizadas (simulações), trabalhando desde poucos metros até milhares de quilómetros.

As simulações operacionais com o WRF desde 2004 constituem uma clara afirmação das potencialidades práticas do modelo. O esforço de aperfeiçoamento do modelo é assim, para a comunidade científica, um desafio para uma melhor compreensão dos fenómenos atmosféricos a par da capacidade de os modelar corretamente (Ferreira, 2007).

O presente estudo foi realizado utilizando previsões do modelo anteriormente mencionado, versão 3. As condições iniciais e de fronteira foram previsões obtidas a partir do modelo global de previsão de tempo Global Forecasting System (NCEP (2003)), atuando com uma resolução horizontal de 0.5º em latitude e longitude.

O modelo apresenta opções físicas que se dividem em cinco categorias: microfísica, parametrização de cúmulos, camada limite planetária, modelo da superfície terrestre e radiação. Cada categoria tem vários parâmetros que formam previamente escolhidos para o estudo em causa (Ferreira, 2007). Foram utilizados os seguintes esquemas de parametrização: esquema WRF Single-Moment 6-class para a microfísica (Hong and Lim, 2006); esquema Grell-Devenyi ensemble (Grell and Devenyi, 2002) para a parametrização de cúmulos; esquema Yonsei University (YSU) para a camada limite planetária (Hong et al., 2006); esquema Monin-Obukhov para a camada de superfície (Monin and Obukhov, 1954); Noah Land-Surface Model para o modelo de superfície de solo (Chen and Dudhia., 2001); esquema Rapid Radiative Transfer Model (RRTM) para radiação de longo comprimento de onda (Mlawer et al., 1997); e esquema Dudhia para a radiação de curto comprimento de onda (Dudhia, 1989).

As simulações (realizadas pelo Clim@UA1) foram realizadas para a intensidade do vento e para as coordenadas onde se localizam as estações nos parques eólicos (Tabela 1). Apresentam um horizonte de sete dias e foram realizadas para uma altitude de 10 metros, pela importância nos parques eólicos e porque a este nível a superfície está livre de obstáculos. Foram então utilizados dados de 87 estações nos parques eólicos em Portugal Continental, maioritariamente distribuídas pelo norte e centro, existindo apenas duas estações no sul do país (Figura 1).

A análise engloba o período entre 1 de Novembro de 2010, data em que começaram a ser extraídas previsões para sete dias, e o dia 9 de Março de 2011, um total de 129 dias.

Cada previsão é repetida seis horas após a última, ou seja, existem quatro previsões por dia (516 previsões totais). Cada uma destas previsões apresenta um horizonte de sete dias intervaladas de 15 em 15 minutos, para cada estação. Dada a elevada quantidade de dados, foram filtradas as previsões selecionando apenas as intensidades do vento dos instantes: 00h, 06h, 12h e 18h.

Uma previsão de sete dias que começa às 00h de um dia termina às 00h do sétimo dia a partir do dia da previsão. Assim, a previsão completa para um dado instante de tempo contêm 29 previsões da intensidade do vento: lag 0, lag 6, lag 12, lag 18, lag 24, lag 30, lag 36, lag 42, lag 48, lag 54, lag 60, lag 66, lag 72, lag

1 http://climetua.fis.ua.pt


78, lag 84, lag 90, lag 96, lag 102, lag 108, lag 114, lag 120, lag 126, lag 132, lag 138, lag 144, lag 150, lag 156, lag 162 e lag 168.

Figura 1 – Topografia (escala a cores, em metros) e localização (marcas brancas) das estações localizadas nos parques eólicos para as quais foram realizadas as previsões da intensidade do vento, aos 10 metros e para um horizonte de sete dias. Valores da batimetria retirados do endereço http://maps.ngdc.noaa.gov/viewers/wcs-client/. (Topography (color scale in meters) and location (white markings) of the stations located in wind parks where the forecasts of wind intensity were performed at 10 meters and with a horizon of seven days. The values of bathymetry were taken from http://maps.ngdc.noaa.gov/viewers/wcs-client/. Maps on the right show greater detail of the topography and location of stations).

Tabela 1 - Coordenadas das estações localizadas nos parques eólicos (sinalizadas na Figura 1). (Coordinates of stations located in wind parks (marked in Figure 1)).Estação Lat. (o) Lon. (o) Z (m) Estação Lat. (o) Lon. (o) Z (m) Estação Lat. (o) Lon. (o) Z (m)

altasdefafe 41.4896 -8.0756 67 caselho 40.6213 -8.1504 65 penamacor1 40.2074 -7.2454 78

altasdefafe2 41.5478 -8.1239 67 chaofalcao 39.6135 -8.7560 80 penamacor2 40.2006 -7.1709 80

altodoarganil 40.2028 -7.7942 85 chaofalcao2 39.6515 -8.7538 80 penamacor3a 40.2809 -7.1347 78

altodocorisco 42.0195 -8.2449 68 chaofalcao3 39.5563 -8.6743 80 penamacor3b 40.2991 -7.0945 80

altodotalefe 40.9881 -7.9827 64.7 cigarrelho 40.0582 -7.6739 78 picao 40.9673 -7.9367 78

alvao1 41.4459 -7.7286 65 contim 41.7783 -7.8746 85 picoto 41.9835 -8.5593 68

alvao2 41.4757 -7.7753 65 fachocolmeia 41.7858 -7.8416 85 pinheiro 40.9735 -7.9853 65

alvelos 39.9400 -7.9716 80 fontedaquelha 41.0116 -8.1006 64.7 proenca 39.8062 -7.8880 65

alvoaca1 40.2400 -7.7315 64 fundeiro 39.8178 -7.9654 65 rendeiro 39.8465 -7.9721 79

alvoaca2 40.2634 -7.7020 64 furnas 39.8663 -7.8533 65 ribabelide 41.0151 -7.8727 78

arada 40.8264 -8.1626 78 lagoadjoaofeirao 41.0334 -7.9387 78 sabugal 40.3200 -6.9087 80

armamar1 41.0474 -7.6812 85 lameira 40.9623 -8.0341 60 salgueirosguilhad

o 41.4909 -7.5994 85

armamar2 41.0464 -7.6555 85 leomil 40.9605 -7.6626 80 santoantonio 42.0084 -8.2993 68

aroucasilva 40.1571 -7.8336 80 lombadovale 41.6026 -7.9896 80 saosilvestre 41.9628 -8.5679 78

aveloso 41.0145 -8.0829 78 lousa2a 40.0283 -8.2276 80 seladolinho 39.8772 -7.9142 65

http://maps.ngdc.noaa.gov/viewers/wcs-client/


baraosjoao1 37.1492 -8.8129 80 lousa2b 40.0630 -8.2199 80 serraalvao1 41.4202 -7.7357 67

baraosjoao2 37.1409 -8.7939 80 malhadizes 40.0149 -8.2975 65 serraalvao2 41.4554 -7.7465 67

bezerreira 40.5794 -8.1988 65 mastro 40.0727 -7.5683 78 serrabarroso2 41.6962 -7.8423 85

bornes1 41.4737 -6.9454 80 maunca 40.0983 -7.6491 78 serrabarroso3 41.6830 -7.8506 85

bornes2 41.4561 -6.9736 80 mendoiro 41.9956 -8.4179 68 sjoao1 40.0223 -8.2892 70

bravo 39.9063 -8.0430 85 moeda 40.0835 -7.6137 78 sjoao2 39.9994 -8.3986 70

burrela 40.2025 -7.8934 80 montalegre1 41.7301 -7.9473 85 spedro 40.9941 -8.0923 65

bustavade 42.0177 -8.4231 68 montalegre2 41.7616 -7.9137 85 testos 40.9825 -7.8468 85

cabecorainha 39.8731 -7.8785 85 moradal 39.9241 -7.7427 79 toitadecabelos 40.0886 -7.9496 80

cabril 40.9833 -8.0453 65 mougueiras 39.9087 -7.8352 85 trandeiras 41.5313 -7.7038 60

cadafaz 40.1209 -8.0467 85 mourisca 40.9481 -7.8069 67 videmonte 40.5774 -7.4034 67

calto 40.0946 -7.6852 78 nave 40.9434 -7.7666 67 vilanova2a 40.0531 -8.2555 85

candeeiros 39.3967 -8.9384 80 negreloguilhado 41.4764 -7.6253 85 vilanova2b 40.0332 -8.3029 85

carvalhosa 40.9739 -7.9682 78 pampilhosaserra 40.1229 -7.9367 80 zibreiro 40.0285 -7.7096 78

Para a análise dos resultados foram calculadas as seguintes medidas de erros, em que (Fn - An) corresponde ao desvio entre um dado de intensidade previsto algum tempo antes, Fn, com o dado de intensidade da previsão para o instante em análise (“a teoricamente observada”), An; a incógnita n é o número de verificações.

O Viés e RMSE são erros médios que mostram o afastamento entre as previsões e “observações” e são expressas por:

Viés=1n

Σi=1

n

(Fn−An )(1)

RMSE=√ 1n Σ

i=1

n

( Fn−An)2(2)

E o STDE que relaciona ambas estas medidas é dada por:

STDE=√Viés 2+RMSE2(3)

O coeficiente de correlação e os desvios padrão para as previsões e as “observações”, respetivamente:

R=1n

.∑n=1

N ( Fn−F ).( An−A )σ f σa (4)

σf 2=

1n

.∑n=1

N

(Fn−F )2

(5)

σa2=

1n

.∑n=1

N

( An−A )2

(6)A análise dos resultados foi dividida em duas partes:- Análise mensal: foram incluídos os resultados de todas as

estações e feita a analise por lag e por cada um dos meses inseridos na análise (Novembro, Dezembro, Janeiro, Fevereiro e Março);

- Análise espacial: foram incluídos os resultados para todo o período de análise (as previsões para todos os meses) e feita a analise por lag e por estação.

Ao longo de todo o período de análise houve ainda falhas de dados. A Tabela 2 indica o número de dados utilizados para cada uma das análises. Notar que o número de amostras para cada uma das estações (na análise espacial) é igual, uma vez que a falha de dados quando ocorre é no tempo.

Tabela 2 – Número total de dados utilizados na análise mensal e espacial. (Total number of samples for the monthly and spatial analysis ).lag Estação Nov. Dez. Jan. Fev. Mar.

6 494 10648 11102 10647 9464 309412 491 10557 11102 10556 9373 309418 489 10463 11102 10556 9282 309424 489 10375 11102 10647 9282 309430 489 10284 11102 10647 9373 309436 487 10193 11102 10556 9373 309442 486 10102 11102 10556 9373 309448 484 10011 11102 10556 9282 309454 483 9920 11102 10556 9282 309460 482 9829 11102 10556 9282 309466 481 9738 11102 10556 9282 309472 480 9647 11102 10556 9282 309478 402 6826 8372 10556 7735 309484 402 6826 8281 10556 7735 318590 401 6826 8190 10556 7735 318596 400 6826 8099 10556 7735 3185102 399 6826 8008 10556 7735 3185108 398 6735 8008 10556 7735 3185114 397 6735 7917 10556 7735 3185120 396 6644 7917 10556 7735 3185126 395 6644 7826 10556 7735 3185132 394 6644 7735 10556 7735 3185138 393 6644 7644 10556 7735 3185144 392 6644 7553 10556 7735 3185150 391 6644 7462 10556 7735 3185156 390 6644 7371 10556 7735 3185162 390 6644 7280 10647 7735 3185168 389 6644 7189 10646 7735 3185

3. RESULTADOS E DISCUSSÃOA análise espaço-temporal dos resultados é realizada através do

cálculo das diferentes medidas de erro para o vento a 10 metros. Numa primeira instância, os resultados foram analisados para

cada um dos meses incluídos no período em análise, que estão representados na Figura 2.


a.

0 24 48 72 96 120 144 168 192

-0.8

-0.4

0.0

0.4

0.8

Novembro Dezembro JaneiroFevereiro Março todos meses

b.

0 24 48 72 96 120 144 168 1920.01.02.03.04.05.0

c.

0 24 48 72 96 120 144 168 1920.01.02.03.04.05.0

d.

0 24 48 72 96 120 144 168 1920.0

0.4

0.8

1.2

e.

0 24 48 72 96 120 144 168 192-0.2

0.2

0.6

1.0

lag (horas)Figura 2- a. Viés (em m/s); b. RMSE (m/s); c. STDE (m/s); d. f/a; e. R, em função do lag com um horizonte de previsão de sete dias.

A Figura 2 mostra o Viés, RMSE, STDE, coeficiente f/a

e o R para cada um dos meses (indicadas na figura) e os dados de todo o período de análise (a preto) utilizando os dados disponíveis (Tabela 2). Cada uma das medidas apontam para um aumento dos erros nas previsões quanto maior é o lag. Pelo Viés, considerando os meses analisados, Novembro é o mês com mais subestimativas enquanto Março (9 dias) e Janeiro (no intervalo do 3º ao 6º dias) são os meses com as maiores sobrestimações. Comparando com o Viés, os valores de RMSE são superiores e por isso o valor de STDE é principalmente do RMSE (padrão semelhante entre estes). O coeficiente f/a (Figura 2, d.) ronda o 1, diminuindo, em geral, ao longo do aumento do lag (exceto para Março). Pela análise do R, podem ser consideradas as previsões até ao 3-5 dia, para uma análise aplicada a 87 estações e o período de análise de Novembro a Março. Em particular, para Março, R adquire 0.6 para previsões para 3 dias, enquanto para Janeiro se estende para além do quinto dia. Todavia, para além de uma variação temporal, ocorre também uma variação espacial, que é influenciada pelas caraterísticas físicas do local, que deve ser analisada (Figuras 3 e 4).

Figura 3 - Viés em m/s (em cima) e do RMSE em m/s (em baixo) para: a. lag 6; b. lag 12; c. lag 24 (1 dia); d. lag 48 (2 dia); e. lag 72 (3 dia); f. lag 120 (5 dia); g. lag 168 (7 dia). (Vés in m/s (top) and RMSE in m/s (bottom) for: a. lag 6; b. lag 12; c. lag 24 (1º day); d. lag 48 (2º day); e. lag 72 (3º days); f. lag 120 (5º day); g. lag 168 (7º day)).

As previsões para os primeiros lags apresentam valores do Viés próximos de zero. Enquanto as previsões para a intensidade do

vento são sub-estimadas nas estações localizadas no sul de Portugal, na região norte e centro a sub-estima e sobrestimação

a.

a.

b.

b.

c.

c.

d.

d.

e.

e.

f.

f.

g.

g.


varia consoante o lag. De modo geral, as estações mais próximas de Espanha são sobrestimadas e para um lag superior a 1 dia as previsões são sub-estimadas nas estações mais próximas do litoral,

em especial a Norte e na zona de Leiria (Figura 3, em cima). Os valores de RMSE (Figura 3, em baixo) são inferiores a 2 m/s para previsões até 1 dia, entre 1-3 m/s até 3 dias e 2-4.5 m/s até 7 dias.

Figura 4 – Coeficiente de f/a (em cima) e do Coeficiente de Correlação (em baixo) para: a. lag 6; b. lag 12; c. lag 24 (1º dia); d. lag 48 (2º dia); e. lag 72 (3º dia); f. lag 120 (5º dia); g. lag 168 (7º dia). (The coefficient of f/a (top) and the correlation coefficient (bottom) for: a. lag 6; b. lag 12; c. lag 24 (1º day); d. lag 48 (2º day); e. lag 72 (3º days); f. lag 120 (5º day); g. lag 168 (7º day)).

A partir dos valores de Viés e RMSE apresentados na Figura 3 (em cima e em baixo, respetivamente) é visível que os resultados de RMSE são superiores em módulo aos valores de Viés. Assim sendo, o padrão identificado para o STDE (não mostrado) é semelhante às figuras referentes a RMSE. O mesmo se verificou na análise mensal, de tal modo que o STDE é maioritariamente devido ao valor do RMSE e o Viés tem um menor contributo, pela equação 3. O coeficiente f/a representado na Figura 4 permite uma avaliação do desvio padrão previsões e “observações”. Para os lags 6 e 12 horas, valores acima de 1 encontram-se na maioria na região norte e abaixo de 1 na região centro. Para os lags que se seguem, os valores são em geral inferiores a 1, com um padrão é semelhante e intensificando-se com o lag. Relativamente ao R, apresenta valores superiores a 0.8 até ao 1º dia; para 2º e 3º dia entre 0.9 e 0.6; para 5º dia o R varia entre 0.3 e 0.6 e é inferior a 0.4 para previsões de 7º dia.

A Tabela 3 resume os máximos e mínimos obtidos para cada uma das medidas de erros indicando a respetiva estação e lag. Os piores resultados ocorrem, no geral, na região centro, no interior.

Tabela 3 – Valores máximos e mínimos obtidos para as medidas de erros calculadas: Viés, RMSE, STDE, f/a e R. (Maximum and minimum values obtained for measures calculated errors: Bias, RMSE, f/a e R).

Máximo MínimoValor lag

hEstação Valor lag

hEstação

Viés 0.584 m/s 132 Cabril -0.831 m/s 156 Baraosjoao1RMSE 4.497 m/s 168 Videmonte 0.820 m/s 6 CaselhoSTDE 4.495 m/s 168 Videmonte 0.820 m/s 6 Caselhof/a 1.145 126 Penamacor2 0.808 156 Mougueiras R 0.958 6 Aveloso 0.080 168 Trandeiras

No entanto, para ser avaliado o erro entre as previsões, torna-se necessário conhecer os valores típicos da intensidade do vento. A Figura 5 mostra as médias mensais (a partir de médias diárias de 00h, 06h, 12h e 18h) para a intensidade do vento para cada uma das estações e a Figura 6, o histograma utilizando todos os valores.

Novembro Dezembro

1 de Nov. a 9 de Mar.

Janeiro Fevereiro

a. b. c. d. e. f. g.

a. b. c. d. e. f. g.


Figura 5 - Climatologias mensais da intensidade do vento para Novembro, Dezembro, Janeiro, Fevereiro e para todo o período de análise. (Monthly climatologies of wind intensity for November, December, January, February and for the entire period of analysis).

Figura 6 – Histograma da intensidade do vento aplicado aos dados de todos os meses e todas as estações. (Wind intensity histogram applied to the data of every month and every station).

4. CONCLUSÕESAs previsões do tempo têm vindo a ser aplicadas nas mais

diversas áreas pela capacidade que têm de poder antecipar e dar a conhecer o tempo que irá ocorrer. Este trabalho teve como objetivo a avaliação da qualidade da previsão da intensidade do vento para a produção de energia nos parques eólico. A Universidade de Aveiro realiza previsões de tempo para estações meteorológicas localizadas em parques eólicos para Portugal Continental. O avanço das previsões para sete dias permite prever antecipadamente a intensidade do vento e assim calcular com sete dias de antecedência a energia que dele se conseguirá obter. No entanto, ficava por avaliar a qualidade destas previsões para verificar se estas seriam boas ou más. Desta forma, este trabalho veio dar um contributo na validação das mesmas, verificando a predictabilidade do modelo. Foram assim calculados vários erros e coeficientes para avaliar as previsões relativamente à intensidade do vento, variável estudada. Numa primeira análise foram avaliadas as previsões por cada mês do período considerado (desde 1/11/2010 e 9/3/2011) verificando quais os meses que melhor previram a intensidade do vento. Para estes foram calculadas as medidas de erro Viés, RMSE, STDE e decomposição de RMSE. Para Janeiro, pela análise das medidas avaliadas, as previsões podem ser consideradas até ao quinto dia até ao terceiro para Março. Numa segunda parte foi estudada a distribuição dos erros pelo país, considerando os dados de cada estação. De modo geral, os maiores erros situam-se na zona centro do interior e as melhores previsões correspondem às estações mais próximas do litoral. As previsões devem ser consideradas até ao terceiro dia, pois até este dia praticamente todas as estações apresentam um R superior a 0.6.

A avaliação de todos os parâmetros calculados permitiu afirmar que o modelo utilizado, WRF, consegue boa qualidade até ao terceiro dia nas suas previsões ao ser estudada a intensidade do vento.

5. AGRADECIMENTOSEste trabalho é financiado por fundos FEDER através do

Programa Operacional Factores de Competitividade – COMPETE e por fundos Nacionais Portugueses através da FCT – Fundação para a Ciência e a Tecnologia, no âmbito do projeto “Climate change of precipitation extreme episodes in the Iberian Peninsula and its forcing mechanisms” – CLIPE. PTDC/ AAC-CLI/111733/2009.

6. REFERÊNCIASHong, S. Y. and Lim, J. O. J., (2006): "The WRF Single-Moment 6-ClassMicrophysics Scheme (WSM6)". J. Korean Meteor. Soc., 42,129−151.Hong S.-Y., Noh Y., Dudhia J., (2006): "A new vertical diffusion package

with an explicit treatment of entrainment processes". Mon. Wea. Rev., 134, 2318–2341.

Monin, A. S., and A. M. Obukhov, (1954): "Basic laws of turulentmixing in the atmosphere near the ground". Tr. Inst. Teor.Geofiz. Akad. Nauk SSSR, 24, 1963–1987Mlawer, E. J., Taubman, S. J., Brown, P. D., Iacono, M. J., andClough, S. A. (1997): "Radiative transfer for inhomogeneous atmosphere:

RRTM, a validated correlated-k model for the long-wave".J. Geophys. Res., 102(D14), 16663–16682, 1997.Grell, G. A. and Devenyi, D.: "A generalized approach to parameterizingconvection com- bining ensemble and data assimilationtechniques". Geophys. Res. Lett., 29(14), 1693, 2002.Chen, F. and Dudhia, J. (2001): "Coupling an advanced landsurface/hydrology model with the Penn State/ NCAR MM5 modelingsystem. Part I: Model description and implementation".Mon. Weather Rev., 129, 569−585.Dudhia J., (1989). "Numericalstudy of convection observed during the

Winter Monsoon Experiment using a mesoscale two-dimensional model". J. Atmos. Sci., 46, 3077–3107.

David Richardson, T.C., (2002): " “Will it rain? Predictability, risk assessment and the need for ensemble forecasts” ", ECMWF

Lorenz, E.N. (1963). "Deterministic non-periodic flow". Journal of Atmospheric Science, 20, 130-141.

Shapiro, M. A., and A. J. Thorpe, (2004). "The Observing System Research and Predicability Experiment (THORPEX): Internation science plan, version 3". WMO/TD-1246, WWRP/THORPEX 2, 51 pp.

Lorenz, E. N., (1965): "A Study of the Predictability of a 28-Variable Model Tellus", 17, 321-333

Lorenz, E. N., (1969): "The Predictability of a Flow Which Contains Many Scales of Motion". Tellus, 21, 289-307

Ferreira, A. P., (2007): "Sensibilidade às parametrizações físicas do WRF nas previsões à superfície em Portugal Continental". Relatório de estágio em Meteorologia e Oceanografia Física. Universidade de Aveiro, Aveiro–Portugal, 125 pp. http://climetua.fis.ua.pt/publicacoes/Estagio PauloFerreira.pdf.


Novembro Dezembro

1 de Nov. a 9 de Março

Janeiro Fevereiro

universidade de aveiroclimetua.fis.ua.pt/publicacoes/artigo sofia alegg_sim.docx · web viewo grupo...

Documents