El mapeamento del potencial eólico para todo el territorio brasileño fue realizado a partir del modelo numérico de mesoescala Brams (Brazilian developments on the Regional Atmospheric Modeling System), con resolución horizontal de 5 km x 5 km y una red de mediciones anemométricas utilizada para ajuste de los resultados.
En esta sección serán presentadas las metodologías utilizadas para el ajuste de los resultados de mesoescala. También serán descritos los datos anemométricos utilizados en el ajuste y validación de los resultados, además de los cálculos necesarios para la elaboración de los diversos mapas temáticos, tales como los de velocidad y dirección del viento en diversas alturas, factor de forma y escala de la distribución de Weibull, régimen diurno, etc.
El modelo utilizado en este trabajo fue el Brams, el cual es un modelo numérico para previsión numérica de tiempo y clima (PNTC) desarrollado por el INPE a partir de un modelo generado en la década de los 80 en la Universidad Estadual de Colorado, el Rams (Regional Atmospheric Modeling System), que es una herramienta flexible y de código abierto para modelaje y previsión de fenómenos atmosféricos. El Rams tiene como base un conjunto de ecuaciones no hidrostáticas y compresibles y de dos modelos de mesoescala hidrostáticos (PILKE, et al., 1992).
El modelo Brams es constantemente perfeccionado (FREITAS, et al., 2017), incluyendo funcionalidades y modificaciones, con el objetivo de mejorar la representación numérica de procesos físicos fundamentales sobre regiones tropicales y subtropicales. El modelo matemático, como se ilustra en la Figura 1, posee un conjunto de parametrizaciones físicas apropiadas para simular procesos interactivos entre atmósfera y superficie, abarcando turbulencia, convección, radiación y microfísica de nubes. El modelo Brams es acoplado al CCATT (Coupled Aerosol and Tracer Transport model), que es un modelo de transporte de transformación química de gases y aerosoles e integrado al JULES (Joint UK Land Environment Simulator) (MOREIRA, et al., 2013).
Figura 1 - Representación esquemática del modelo Brams (FREITAS, et al., 2017)
El Brams constituye hoy el modelo del CPTEC/Inpe que posee el mejor conjunto de parametrizaciones y funcionalidades de mayor desempeño, con indicadores cuantitativos de destreza igual o superior a modelos de otros centros internacionales (FREITAS, et al., 2017).
Para la elaboración del nuevo Atlas se desarrolló una versión especial del Brams con el objetivo de estimar, con todos los detalles posibles para una célula con 5 km de resolución, la intensidad y dirección del viento en diferentes alturas para todo el territorio nacional. El modelo Brams del CPTEC/Inpe puede ser ejecutado con mayor resolución espacial; sin embargo, se optó por la misma célula de 5 km que ya había sido utilizada en las versiones operativas para generar la previsión de tiempo en el Brasil, ya que el cambio de la resolución podría exigir la recalibración de algunos parámetros internos del modelo.
La resolución temporal de los resultados es horaria, lo cual permite una evaluación del comportamiento de las variables meteorológicas a lo largo del día (ciclo diurno) y, para no exceder excesivamente el volumen de datos, sólo un subconjunto de los datos de salida del modelo fue almacenado. Fueron seleccionadas algunas variables de superficie, que también estaban disponibles para las alturas “nativas” del modelo de 32,2 m, 80,5 m, 120,1 m, 160,0 m, 200,0 m y 240,0 metros. Otra modificación importante en esta versión del Brams fue la generación de la rosa de los vientos en el post-procesamiento del modelo, obtenido a partir de la dirección del viento de cada timestep del modelo, generando una “rosa de los vientos” para cada horario de salida.
Las condiciones iniciales (CI) escogidas para alimentar el modelo Brams son provenientes de la base de reanálisis ERA-Interim del ECMWF (el Centro de Previsión del Tiempo de Medio Plazo de la Comunidad Europea). El mismo conjunto de datos fue utilizado para generar las condiciones de contorno para cada seis horas. Alimentado por estos datos, el modelo fue ejecutado a las 00z horas para todos los días de 2013. El esquema de ejecución del modelo genera las salidas horarias para las próximas 36 horas, posteriormente las primeras 12 horas de integración son descartadas y las previsiones para el intervalo de las 13 hasta las 36 horas de integración son almacenadas. De esta manera, se descartan los datos que son afectados por los efectos indeseables de la inicialización del modelo, el tiempo necesario para que los resultados entren en el estado estacionario, el llamado Spin-up del modelo.
Estos datos horarios, previstos por adelantado entre 13 y 36 horas, forman la base de datos numéricos utilizados en el proyecto. Las dos principales ventajas de este conjunto sobre los reanálisis del ERA-Interim son la resolución temporal de 1 hora y la resolución espacial de 5 Km. La principal desventaja es la exactitud de los datos, que corresponderán a la exactitud de las previsiones de 12 a 36 horas del modelo Brams.
El dominio de ejecución del modelo numérico fue dividido en dos partes a fin de ahorrar tiempo de procesamiento en el supercomputador. Una parte fue ejecutada con la resolución de 5 km, englobando toda la región de Brasil donde se presupone la existencia de potencial de energía eólica y otra parte, comprendiendo el Amazonas occidental, donde se sabe que no existe este potencial, fue generada con 15 km de resolución horizontal. Posteriormente las dos partes fueron reunidas para generar un campo único, con el objetivo de hacer el ajuste estadístico y generar los productos numéricos derivados. Los límites del dominio del área de 5 km van de 62,44 a 29,56 grados de longitud oeste, y de 37,27 grados de latitud sur hasta 7,59 grados de latitud norte. El dominio del área de 15 km va de 80,56 a 48,41 grados de longitud oeste y de 22,53 grados de latitud sur a 14,54 grados de latitud norte (Figura 2). En la concatenación de las dos áreas para generar el campo único, el área de 5 km prevaleció sobre la de 15 km donde hubo la superposición, de forma que el límite final entre las dos áreas quedó a lo largo de la longitud de 62,44 oeste.
Figura 2 - Áreas de diferentes resoluciones del Brams
[3]European Centre for Medium-Range Weather Forecasts
[4] La letra z indica que la hora se expresa en Zulú, o sea, es en realidad la hora en la longitud 0° que atraviesa Greenwich, Inglaterra.
A pesar de todos los avances y desarrollos recientes de los modelos numéricos de previsión del tiempo y clima, los resultados actuales todavía poseen un grado razonable de imprecisión e incertidumbre. Debido a que los modelos numéricos (incluyendo el modelo Brams utilizado en este trabajo) representan una simplificación de un sistema real (Figura 3) y que las imperfecciones del modelaje provienen del conocimiento incompleto de los procesos físicos, de la formulación matemática simplificada de los procesos modelados, así como de los procesos que ocurren en escalas que no pueden ser representadas en la solución numérica adoptada, se hace necesario ajustar (o calibrar) los resultados de los modelos numéricos, convirtiéndolos, de esta manera, en una base de datos más coherente con las condiciones observadas en campo y, consecuentemente, un producto de mejor resultado para los usuarios finales.
Figura 3 - Ilustración de las diferencias entre el "mundo real" y la representación matemática de los modelos numéricos (KARL, et al., 1989)
Ya que es necesario obtener un número significativo de datos anemométricos para validación de los resultados del modelo Brams, se utilizaron informaciones provenientes de estaciones climatológicas distribuidas por todo Brasil pertenecientes al Inpe, al Inmet (Instituto Nacional de Meteorología) y al DECEA/ICEA (Departamento de Control del Espacio Aéreo/Instituto de Control del Espacio Aéreo), entre otras instituciones. Es importante resaltar que una parte importante del acervo permanente de ambas instituciones presentó series históricas de buena calidad, que probaron ser adecuadas para el ajuste de los resultados simulados. Los datos utilizados para generar el campo de ajustes fueron obtenidos a través del banco de datos observado del CPTEC/Inpe, que incluye informaciones de diversas fuentes, tales como:
Datos de estaciones sinópticas convencionales y estaciones automáticas del Inmet;
Datos de aeropuertos y aeródromos (la mayoría del DECEA/ICEA );
Datos de red de estaciones de la Marina de Brasil;
Datos de otras redes regionales (PCDs del Inpe, Funceme, ANA, Cemig etc.)
Adicionalmente, ya que la finalidad del Atlas del Potencial Eólico brasileño es ofrecer información con el objetivo de identificar terrenos con potencial para la implantación de parques eólicos de generación de energía eléctrica en todo el territorio nacional, el ajuste de los resultados del modelo Brams debería contar con series históricas de alta calidad destinadas a este fin. En este sentido, el Cepel, a través del apoyo del entonces MCTI y de la Empresa de Investigación Energética – (sigla en portugués EPE), obtuvo la autorización de 12 emprendedores para la utilización de datos anemométricos provenientes de 39 parques eólicos en operación, distribuidos en todo Brasil. En dicha oportunidad, fue autorizada la utilización de medias mensuales de la velocidad del viento, medidas en la altura de los aerogeneradores instalados. Las autorizaciones fueron concedidas para el uso de las medias mensuales de la velocidad y la dirección del viento, exclusivamente para el ajuste de las simulaciones del modelo Brams referentes a los años de 2013 a 2015.
Por cuestiones de orden práctica, inicialmente se seleccionó un conjunto de datos de aeropuertos distribuidos por todos los estados brasileños, con preferencia para aeropuertos internacionales, ya que poseían datos de mejor calidad y mayor cobertura temporal. Estos datos fueron extraídos del sistema de procesamiento del CPTEC/Inpe y consolidados en medias mensuales. Vale mencionar que, a diferencia de los datos medidos en parques eólicos, cuya altura de medición es cercana a 100 m (altura de los modelos de aerogeneradores comercializados actualmente), la altura estándar de las mediciones en las estaciones sinópticas es de 10 m.
Tras un control de calidad realizado por el Cepel en los datos de más de 300 estaciones que componen el banco de datos observados del CPTEC/Inpe (como fue presentado anteriormente), fueron seleccionadas 99 estaciones representativas en todo el territorio nacional para evaluación y ajuste de los resultados de la simulación del Brams para el año 2013.
Debido a que los datos simulados a través de un modelo numérico de previsión de clima presentan, para cada punto, desvíos sistemáticos , es necesario identificarlos y corregirlos a través de informaciones provistas de mediciones en campo de forma que haya mayor adherencia entre las previsiones presentadas por el modelo y las condiciones observadas.
[5]Instituto Nacional de Meteorología
[6] Departamento de Control del Espacio Aéreo/Instituto de Control del Espacio Aéreo
[7]Desvíos sistemáticos o errores sistemáticos son debidos a causas identificables y pueden, en principio, ser eliminados. Errores de ese tipo resultan en valores que son sistemáticamente más altos o más bajos con relación a un valor esperado. Un ejemplo de este tipo de desvío puede ser observado en las mediciones realizadas en equipos descalibrados.
El método de ajuste aplicado en el Atlas asume que la comparación de los datos observados en estaciones meteorológicas o anemométricas con los respectivos datos simulados proporcionará una indicación de la intensidad y de la señal de estos desvíos sistemáticos que, de esta manera, podrán ser medidos y removidos.
El método de corrección de la tendencia media, utilizado en este trabajo, es ampliamente utilizado en meteorología numérica, con diversos ejemplos de aplicación en Brasil en las áreas de agricultura (AVILA, et al. 2009), meteorología (AVILA, et al. 2008) y recursos hídricos (ONS, 2013).
A priori, la aplicabilidad del método de remoción de tendencia es válida para los puntos donde existen datos locales para las comparaciones. No obstante, es necesario extender el método de ajuste a las localidades donde estas observaciones no existen, visto que la red de estaciones de medida en Brasil es relativamente escasa.
De manera más detallada, el trabajo de ajustar los resultados del modelo Brams se dividió en las siguientes etapas:
Evaluación de los datos observados;
Elaboración del campo de ajuste;
Validación de los resultados.
1.1 Evaluación de los datos observados
Como ya fue mencionado, fueron utilizados datos provenientes de estaciones anemométricas de parques eólicos en operación y de estaciones sinópticas de aeropuertos para la realización de los ajustes necesarios de los resultados del modelo Brams. Teniendo en cuenta que los resultados presentados en este trabajo son basados en las simulaciones realizadas para el año 2013, todo el conjunto de datos utilizados para el ajuste de los resultados simulados también fue medido en el mismo período.
Ya que la autorización para el uso de los datos anemométricos provenientes de parques eólicos era restricta al suministro de medias mensuales de la velocidad y dirección del viento en la altura referente a los aerogeneradores instalados, y que no fue posible realizar investigaciones más profundas a través de series horarias (lo que haría posible la comparación, por ejemplo, del régimen diurno simulado con el observado), la aplicación de las referidas medias para fines de ajuste de los resultados del Brams fue realizada de forma directa.
La calidad y la disponibilidad de los demás datos obtenidos de estaciones meteorológicas, anemométricas y climatológicas fueron las principales limitantes para la utilización de una cantidad mayor de estaciones para ajuste. Como ya fue mencionado en la sección 1.2, todas las estaciones previamente escogidas pasaron por una evaluación de calidad en la que los principales criterios utilizados para el descarte de los datos medidos fueron:
Comportamiento temporal anómalo (como datos repetidos o que varían muy rápidamente)
Coherencia con datos de estaciones próximas,
Desvíos significativos con relación a los datos climatológicos disponibles para la región ,
Falta de representatividad regional (como estaciones instaladas en playas, es decir, en una zona limítrofe entre dos regiones muy distintas),
Insuficiencia de datos.
Al comienzo, se seleccionó un conjunto de datos de aeropuertos distribuidos por todos los Estados brasileños, dando preferencia a aeropuertos internacionales, ya que cuentan con datos de mejor calidad y mayor cobertura temporal. Posteriormente, otros aeropuertos fueron incluidos en el proceso de ajustes. Todos los datos fueron extraídos del sistema de procesamiento del CPTEC/Inpe, lo cual hizo posible el cálculo de la velocidad media anual para cada estación.
A través de la localización geográfica de cada aeropuerto y de las estaciones anemométricas provenientes de los parques eólicos, fue posible la extracción de los datos originalmente simulados por el modelo Brams y la obtención de la velocidad media anual correspondiente. El valor de la velocidad media anual estimada por el modelo no utilizó únicamente la información del punto correspondiente al valor medido. El valor utilizado para las comparaciones y ajustes fue la media de nueve puntos del modelo en torno a los locales con datos observados; es decir, en vez de utilizar el valor de la célula de 5 km, se utilizó el valor medio de una célula de 15 km como se muestra en la Figura 4. El motivo de esta decisión está relacionado a las cuestiones de representatividad temporal entre valores medidos en el suelo de forma instantánea y valores numéricos medios para la célula del modelo numérico. La coherencia entre los valores observados y simulados aumenta cuando utilizamos estas medias, así como la relación entre señal y ruido .
Figura 4 - Esquematización de la célula del modelo Brams mostrando los puntos de referencia para las simulaciones en el entorno de la localización del punto de observación
Debido a que gran parte de los datos utilizados para el ajuste de los resultados proviene de aeropuertos, cuya medición de la velocidad del viento es realizada a 10 metros de altura, todos los datos de las estaciones seleccionadas fueron comparados con las Normales Climatológicas del Inmet y la Climatología de la Fuerza Aérea Brasileña , además de la utilización de estaciones meteorológicas cercanas a los aeropuertos. Los valores observados en aeropuertos fueron considerados consistentes para los casos en que, al ser comparado a las normales climatológicas y estaciones cercanas, mostraron coherencia dentro de un límite de 10%. Una evaluación más detallada fue realizada solamente en los casos en que los valores observados, las climatologías y el modelo numérico mostraron discrepancias por encima de ese límite. Después de la evaluación de consistencia, fue aplicada una corrección en los datos simulados (cuando pertinente) con base en los datos observados utilizando, solamente, el conjunto de informaciones que probó tener mayor consistencia.
[10] Esta técnica fue utilizada por Móser y Raschke (1983) quienes optaron comparar las medias obtenidas de los piranómetros con los valores medios obtenidos con el satélite, solamente después de ponderar estos últimos en función de la distancia entre cada sector de la imagen y el sector donde se localizaba el piranómetro de validación. En el estudio realizado, una imagen de satélite con (5 x 6) células fue utilizada para validación a través de los datos de una estación solarimétrica cercana. Ya los autores de Cess et al. (1995), que disponían de varios piranómetros distribuidos por el sector de validación, optaron por comparar el valor medio obtenido de once piranómetros de la red con los valores ofrecidos por el satélite para el sector.
[11] La Organización Meteorológica Mundial (OMM) define Normales como “valores medios calculados para un período relativamente largo y uniforme, abarcando mínimo tres décadas consecutivas” y patrones climatológicos normales como “medias de datos climatológicos calculadas para períodos consecutivos de 30 años. En el caso de estaciones para las cuales la más reciente Normal Climatológica no esté disponible, bien sea porque la estación no estuvo en operación durante el período de 30 años o por cualquier otro motivo, Normales Provisionales pueden ser calculadas. Normales Provisionales son medias de corto período, basadas en observaciones que se extiendan sobre un período mínimo de 10 años (INMET,2017).
1.2 Elaboración de campos de ajustes
A partir de las medias anuales de cada estación (anemométricas provenientes de parques eólicos y aeropuertos) y las medias de los nueve valores de célula del modelo Brams asociados a cada estación, fue generada una tabla con la razón entre datos medidos y simulados para composición del campo de ajustes.
Con el objetivo de no forzar correcciones importantes en áreas muy distantes de los datos observados, donde su representatividad es menor, el método de corrección asume que el desvío sistemático calculado para un punto presentará variaciones de forma inversamente proporcional a la distancia. De esta forma, a no ser que existan datos observados en una distancia cercana de acuerdo con las definiciones de los parámetros de la interpolación, los resultados numéricos serán corregidos de forma cada vez menos intensa, prevaleciendo los valores numéricos originales para los lugares muy distantes de los locales con datos observados.
De esta manera, a partir de la razón entre los datos medidos y simulados para las localidades seleccionadas, fue generado un campo interpolado para todo el territorio brasileño en la misma célula del modelo. Durante la elaboración del campo de ajustes, se llegó a la conclusión de que lo mismo puede ser aplicado para todas las alturas simuladas del modelo. Las evaluaciones realizadas mostraron que no hay una interdependencia entre desvíos y altura, es decir, los desvíos sistemáticos del modelo son dominados por factores climáticos y geográficos. Así pues, se concluyó que es innecesario generar un campo de ajuste para cada altura de interés a pesar de las diferencias de alturas de medición de los datos observados (diez metros en aeropuertos y valores entre 80 y 100 m de altura en estaciones anemométricas de parques eólicos). Basta aplicar el mismo campo de ajuste (que engloba las informaciones de todas las estaciones en cualquier altura) para ajustar la velocidad en cada altura.
1.3 Validación y evaluación estadística de los resultados
La validación de los resultados del ajuste consistió en la comparación de los valores ajustados con datos e informaciones disponibles que no fueron utilizados para generar el campo de ajuste. Además de utilizar datos provenientes de estaciones meteorológicas convencionales y automáticas del Inmet y de otras instituciones, datos de aeropuertos del DECEA/ICEA, informes climatológicos del Inmet y del DECEA/ICEA y de campos interpolados, obtenidos a partir de todas las observaciones disponibles en la base de datos del CPTEC para 2013, también fueron utilizados datos provenientes de radiosondajes del Inmet y del DECEA/ICEA y datos del mapa del potencial eólico publicado por el Cepel en 2001.
Las discrepancias detectadas fueron analizadas y se aplicaron correcciones cuando fue necesario, bien sea con la inclusión de nuevos datos para refinar el factor de ajuste en áreas problemáticas, o con la exclusión de mediciones que se mostraron problemáticas o sin representatividad de las condiciones regionales.
Se generaron seis versiones del campo de ajuste, cada una con mejorías implementadas progresivamente sobre resultados de los ajustes de versiones anteriores. En la medida en que los campos ajustados fueron generados, los datos fueron repasados para el equipo del Cepel, que hizo verificaciones independientes y calculó la Raíz del Error Cuadrático Medio (RMSE) y otros índices estadísticos (el informe completo de la evaluación estadística se encuentra en el Anexo I). Estas evaluaciones estadísticas utilizaron datos de estaciones meteorológicas localizadas en aeropuertos, disponibles en los archivos del CPTEC/Inpe, así como datos de estaciones anemométricas de la base de datos del Cepel (Figura 5).
Figura 5 - Reducción del error RMSE observado con progresión de los ajustes aplicados en los resultados del modelo
La metodología de las pruebas estadísticas se basó en la comparación de los campos ajustados del modelo con las medidas de estaciones seleccionadas para formar un grupo de control, que no fueron utilizadas para ajustar los campos del modelo. Del conjunto de datos disponibles, cerca del 15% fueron separados para formar un grupo de control. De las 99 estaciones meteorológicas de aeropuertos, 84 tuvieron sus datos utilizados para el ajuste y 15 para formar el grupo de control. De las 39 estaciones anemométricas de parques eólicos, se utilizaron los datos de 29 de ellas para el ajuste y los de las 10 estaciones restantes para componer el grupo de control.
Los resultados obtenidos a lo largo del procesamiento de las varias versiones de ajuste mostraron una mejoría significativa de la última versión. Se obtuvo una media de error absoluto (MAE) de 0,44 m/s y un RMSE de 0,57 m/s, que son valores compatibles con las variabilidades de mediciones anemométricas teóricamente calculadas por la norma IEC 61400-12-1 Power performance measurements of electricity producing wind turbines o determinadas experimentalmente (NEIVA et al., 2016).
AVILA, A. M. H.; CARDOSO, A. O.; PINTO, H. S., 2009. Aplicação da correção estatística na previsão de tempo estendida, para três localidades da Região Sul. In: XVI CBA, 2009, Belo Horizonte. XVI CBA, 2009.
CESS R.D., M.H. ZHANG, P. MINNIS, L. CORSETTI, (1995). Absorption of Solar Radiation by Clouds: Observations versus Models, Science, 267. 27 January.
FREITAS, S. R. et al., 2017.The Brazilian developments on the Regional Atmospheric Modeling System (BRAMS 5.2): an integrated environmental model tuned for tropical areas. Geoscientific Model Development, v. 10, p. 189-222, 2017.
KARL T.R., TARPLEY J.D., QUAYLE R.G., DIAZ H.F., ROBLNSON D.A., BRADLEY R.S., 1989. The recent climate record. what it can and cannot tell us, Rev Geophys 27:405-430.
MOREIRA, D. S., et al., 2013. Coupling between the JULES land-surface scheme and the CCATT-BRAMS atmospheric chemistry model (JULES-CCATT-BRAMS1.0): applications to numerical weather forecasting and the CO2 budget in South America. Geoscientific Model Development, v. 6, p. 1243-1259, 2013.
MÓSER, W. and E. RASCHKE (1983), Mapping of Global Radiation and of Cloudiness from METEOSAT Image Data, Meteor. Rundsch., 36, 3341.
NEIVA, A.C.B., RAMOS, D.A., GUEDES, V.G., WALTER, A., e MELO, S.R.F.C., 2016. Estudo Comparativo Teórico e Experimental da Variabilidade de Dados de Velocidade de Vento em Estações Anemométricas. Brazil Windpower 2016 Conference and Exibition – 30/08/2016.
Operador Nacional do Sistema Elétrico – NOS, 2013. Aprimoramento da Metodologia de Remoção de Viés da Previsão de Precipitação – Aplicação nas Bacias do Alto Rio Paranaíba e do Baixo Rio Grande. Nota técnica do Operador Nacional do Sistema Elétrico, 2013.
PIELKE, R. A.; COTTON, W. R.; WALKO, R. L., et al., 1992. A comprehensive meteorological modeling system - RAMS. Meteorol. Atmos. Phys., v. 49, pp. 69-91, 1992.
SILVA, M.C.L.; MENDONÇA, A.M.; BONATTI, J.P., 2008. Determinação das previsões de temperaturas mínimas e máximas a partir do histórico das previsões de tempo por conjunto do CPTEC. Revista Brasileira de Meteorologia, v. 23, p. 431-449, 2008.
