O modelo utilizado neste trabalho foi o Brams que trata-se de um modelo numérico para previsão numérica de tempo e clima (PNTC) desenvolvido pelo INPE a partir de um modelo desenvolvido na década de 80 na Universidade Estadual do Colorado, o Rams (Regional Atmospheric Modeling System), que é uma ferramenta flexível e de código aberto para modelagem e previsão de fenômenos atmosféricos. O Rams tem como base um conjunto de equações não hidrostáticas e compressíveis e de dois modelos de mesoescala hidrostáticos (PILKE, et al., 1992). O modelo Brams é constantemente aprimorado (FREITAS, et al., 2017), incluindo funcionalidades e modificações com objetivo de melhorar a representação numérica de processos físicos fundamentais sobre regiões tropicais e subtropicais. O modelo matemático, conforme apresentado na Figura 1, possui um conjunto de parametrizações físicas apropriadas para simular processos iterativos entre atmosfera e superfície, envolvendo turbulência, convecção, radiação e microfísica de nuvens. O modelo Brams é acoplado ao CCATT (Coupled Aerosol and Tracer Transport model), que é um modelo de transporte a transformação química de gases e aerossóis e integrado ao JULES (Joint UK Land Environment Simulator) (MOREIRA, et al., 2013).

O Brams constitui hoje o modelo do CPTEC/Inpe que possui o melhor conjunto de parametrizações e de funcionalidades de maior desempenho, com indicadores quantitativos de destreza igual ou superior a modelos de outros centros internacionais (FREITAS, et al., 2017). Para o trabalho do novo Atlas foi desenvolvida uma versão especial do Brams a fim de estimar, com todos os detalhes possíveis para uma grade com 5 km de resolução, a intensidade e direção do vento em diferentes alturas para todo o território nacional. O modelo Brams do CPTEC/Inpe pode ser executado com maior resolução espacial, mas optou-se pela mesma grade de 5 km já utilizada nas versões operacionais sendo utilizadas para gerar a previsão de tempo para o Brasil pois a mudança da resolução poderia exigir a recalibração de alguns parâmetros internos do modelo. A resolução temporal dos resultados é horária, o que permite uma avaliação do comportamento das variáveis meteorológicas ao longo do dia (ciclo diurno), e para não extrapolar excessivamente o volume de dados, apenas um subconjunto dos dados de saída do modelo foi armazenado. Foram selecionadas algumas variáveis de superfície, que também foram disponibilizadas para as alturas “nativas” do modelo de 32,2 m, 80,5 m, 120,1 m, 160,0 m, 200,0 m e 240,0 metros. Outra modificação importante nesta versão do Brams foi a geração da rosa dos ventos no pós-processamento do modelo, obtido a partir da direção do vento de cada timestep do modelo, gerando uma “rosa dos ventos” para cada horário de saída. As condições iniciais (CI) escolhidas para alimentar o modelo Brams são provenientes da base de reanálise ERA-Interim do ECMWF[1] (o Centro de Previsão de Tempo de Médio Prazo da Comunidade Europeia). O mesmo conjunto de dados foi utilizado para gerar as condições de contorno para cada seis horas. Alimentado por estes dados o modelo foi executado às 00z horas  para todos os dias de 2013. O esquema de execução do modelo gera as saídas horárias para as próximas 36 horas, a seguir as primeiras 12 horas de integração são descartadas e as previsões para a janela das 13 até as 36 horas de integração são armazenadas. Dessa forma descartam-se os dados que são afetados pelos efeitos indesejáveis da inicialização do modelo, o tempo necessário para os resultados entrarem no estado estacionário, o chamado Spin-up do modelo. São estes dados horários previstos com antecedência entre 13 e 36 horas que formam a base de dados numéricos utilizados no projeto. As duas principais vantagens deste conjunto sobre as reanálises do ERA-Interim são a resolução temporal de 1 hora e a resolução espacial de 5 Km. A principal desvantagem é a acurácia dos dados, que corresponderão à acurácia das previsões de 12 a 36 horas do modelo Brams. O domínio de execução do modelo numérico foi dividido em duas partes, a fim de economizar tempo de processamento no supercomputador. Uma parte foi executada com a resolução de 5 km, englobando toda a região do Brasil onde pode existir potencial de energia eólica, e outra parte, compreendendo a Amazônia ocidental, onde sabemos que não existe potencial de energia eólica, foi gerada com 15 km de resolução horizontal. Posteriormente as duas partes foram reunidas para gerar um campo único, a fim de fazer o ajuste estatístico e gerar os produtos numéricos derivados. Os limites do domínio da área de 5 km vão de 62,44 a 29,56 graus de longitude oeste, e de 37,27 graus de latitude sul até 7,59 graus de latitude norte. O domínio da área de 15 km vai de 80,56 a 48,41 graus de longitude oeste e de 22,53 graus de latitude sul a 14,54 graus de latitude norte (Figura 2). Na concatenação das duas áreas para gerar o campo único, a área de 5 km prevaleceu sobre a de 15 km onde houve a sobreposição, de forma que o limite final entre as duas áreas ficou ao longo da longitude de 62,44 oeste.

[1] European Centre for Medium-Range Weather Forecasts

Apesar de todos os avanços e desenvolvimentos recentes dos modelos numéricos de previsão de tempo e clima, os resultados atuais ainda possuem um razoável grau de imprecisão e incertezas. Uma vez que os modelos numéricos (incluindo o modelo Brams utilizado neste trabalho) representam uma simplificação de um sistema real (Figura 3) e que as imperfeições da modelagem ocorrem do conhecimento incompleto dos processos físicos, da formulação matemática simplificada dos processos modelados, assim como dos processos que ocorrem em escalas que não podem ser representados na solução numérica adotada, faz-se necessário ajustar (ou calibrar) os resultados dos modelos numéricos tornando-os, assim, uma base de dados mais coerente com as condições observadas em campo e, consequentemente, um produto de melhor resultado para os usuários finais.

Uma vez que é necessário obter um número significativo de dados anemométricos para validação dos resultados do modelo Brams, foram utilizadas informações provenientes de estações climatológicas espalhadas por todo o Brasil. pertencentes ao Inpe, ao Inmet (Instituto Nacional de Meteorologia), ao DECEA/ICEA (Departamento de Controle do Espaço Aéreo/Instituto de Controle do Espaço Aéreo) entre outras instituições. Vale ressaltar que uma parte importante do acervo de ambas as instituições apresentou séries históricas de boa qualidade,  que mostraram-se adequadas para ajuste dos resultados simulados. Os dados utilizados para gerar o campo de ajustes foram obtidos através do banco de dados observados do CPTEC/Inpe, que inclui informações de diversas fontes, tais como:

• Dados de estações sinóticas convencionais e estações automáticas do Inmet[1];
• Dados de aeroportos e aeródromos (a maior parte do DECEA/ICEA[2]);
• Dados da rede de estações da Marinha do Brasil;
• Dados de outras redes regionais (PCDs do Inpe, Funceme, ANA, Cemig etc.)

Adicionalmente, uma vez que a finalidade do Atlas do Potencial Eólico Brasileiro é disponibilizar informações  com o objetivo de identificar sítios promissores para implantação de parques eólicos de geração de energia elétrica em todo o território nacional, o ajuste dos resultados do modelo Brams teveriam contar com séries históricas de alta qualidade destinada para este fim. Neste sentido, o Cepel, através do apoio do então MCTI e da Empresa de Pesquisa Energética – EPE, obteve a autorização de 12 empreendedores para utilização de dados anemométricos provenientes de 39 parques eólicos em operação espalhados em todo o Brasil. Naquela oportunidade foi autorizada a utilização de médias mensais da velocidade do vento medidas na altura dos aerogeradores instalados. As autorizações foram concedidas para uso das médias mensais da velocidade e direção do vento exclusivamente para ajuste das simulações do modelo Brams referentes aos anos de 2013 a 2015. Por questões de ordem prática, num primeiro momento foram selecionados um conjunto de dados de aeroportos distribuídos por todos os estados brasileiros, com preferência para aeroportos internacionais, por possuírem dados de melhor qualidade  e maior cobertura temporal. Estes dados foram extraídos do sistema de processamento do CPTEC/Inpe e consolidados em médias mensais. Vale citar que, diferentemente dos dados medidos em parques eólicos, cuja altura de medição é próxima a 100 m (altura dos modelos de aerogeradores comercializados atualmente), a altura padrão das medições nas estações sinóticas é de 10 m. Após um controle de qualidade realizado pelo Cepel nos dados de mais de 300 estações que compõem o banco de dados observados do CPTEC/Inpe (conforme apresentado acima), foram selecionadas 99 estações representativas em todo o território nacional para aferição e ajuste dos resultados da simulação do Brams para o ano de 2013.

---

[1] Instituto Nacional de Meteorologia [2] Departamento de Controle do Espaço Aéreo/Instituto de Controle do Espaço Aéreo

Uma vez que dados simulados através de um modelo numérico de previsão de clima apresentam, para cada ponto, desvios sistemáticos[1], faz-se necessário identificá-los e corrigi-los através de informações providas de medições em campo de forma que haja maior aderência entre as previsões apresentadas pelo modelo e as condições observadas. O método de ajuste aplicado no Atlas assume que a comparação dos dados observados em estações meteorológicas ou anemométricas com os respectivos dados simulados fornecerá uma indicação da intensidade e do sinal destes desvios sistemáticos, que dessa forma poderão ser mensurados e removidos. O método da correção do viés médio, utilizado neste trabalho, é largamente utilizado em meteorologia numérica, com diversos exemplos de aplicação no Brasil nas áreas de agricultura(AVILA, et al. 2009), meteorologia(AVILA, et al. 2008) a recursos hídricos (ONS, 2013). A priori, a aplicabilidade do método de remoção de viés é válida para os pontos onde existem dados locais para as comparações. Mas é preciso estender o método de ajuste para as localidades onde estas observações não existem, visto que a rede de estações de medida no Brasil é relativamente esparsa. De forma mais detalhada, o trabalho de ajustar os resultados do modelo Brams  foi dividido nas seguintes etapas:

• Avaliação dos dados observados;
• Elaboração do campo de ajuste;
• Validação dos resultados.

1.1 Avaliação dos dados observados

Conforme já citado, foram utilizados dados provenientes de estações anemométricas de parques eólicos em operação e de estações sinóticas[2] de aeroportos para realização dos ajustes necessários dos resultados do modelo Brams. Tendo em vista que os resultados apresentados neste trabalho são baseados nas simulações realizadas para o ano de 2013, todo o conjunto de dados utilizados para ajuste dos resultados simulados também foram medidos no mesmo período. Uma vez que a autorização para uso dos dados anemométricos provenientes de parques eólicos era restrita ao fornecimento de médias mensais da velocidade e direção do vento na altura referente aos aerogeradores instalados, e que não foi possível realizar investigações mais profundas através de séries horárias (o que tornaria possível a comparação, por exemplo, do regime diurno simulado com o observado), a aplicação das referidas médias para fins de ajuste dos resultados do Brams foi realizada de forma direta. A qualidade e a disponibilidade dos demais dados obtidos de estações meteorológicas, anemométricas e climatológicas foram os principais limitantes para utilização de uma quantidade maior de estações para ajuste. Conforme já mencionado na seção 1.2, todas as estações previamente escolhidas passaram por uma avaliação de qualidade onde os principais critérios utilizados para o descarte de dados medidos foram:

• Comportamento temporal anômalo (como dados repetidos ou que variam muito rapidamente)
• Coerência com dados de estações próximas,
• Desvios significativos em relação aos dados climatológicos disponíveis para a região[3],
• Falta de representatividade regional (como estações instaladas em praias, isto é, numa zona limítrofe entre duas regiões muito distintas),
• Insuficiência de dados.

Num primeiro momento, foi selecionado um conjunto de dados de aeroportos distribuídos por todos os Estados brasileiros, com preferência para aeroportos internacionais, por possuírem dados de melhor qualidade e maior cobertura temporal. Posteriormente, outros aeroportos foram incluídos no processo de ajustes. Todos os dados foram extraídos do sistema de processamento do CPTEC/Inpe que possibilitaram o cálculo da velocidade média anual para cada estação. Através da localização geográfica de cada aeroporto e das estações anemométricas provenientes dos parques eólicos,  foi possível a extração dos dados originalmente simulados pelo modelo Brams e a obtenção da velocidade média anual correspondente. O valor da velocidade média anual estimada pelo modelo não utilizou somente a informação do ponto correspondente ao valor medido. O valor utilizado para as comparações e ajustes foi a média de nove pontos do modelo em torno dos locais com dados observados. Isto é, ao invés de se utilizar o valor da grade de 5 km, utilizou-se o valor médio de uma grade de 15 km conforme apresentado na Figura 4. O motivo desta escolha está relacionado às questões de representatividade temporal entre valores medidos no solo de forma instantânea e valores numéricos médios para a grade do modelo numérico. A coerência entre valores observados e simulados aumenta quando utilizamos estas médias, assim como a relação entre sinal e ruído[4].

Uma vez que grande parte dos dados utilizados para ajuste dos resultados é proveniente de aeroportos, cuja medição da velocidade do vento é realizada a 10 metros de altura,  todos os dados das estações selecionadas foram comparados com as Normais Climatológicas do Inmet e a Climatologia da Força Aérea Brasileira[5] além da utilização de estações meteorológicas próximas aos aeroportos. Os valores observados em aeroportos foram considerados consistentes para os casos em que, quando comparado com as normais climatológicas e estações próximas, mostraram coerência dentro de um limite de 10%. Uma avaliação mais detalhada era realizada somente nos casos em que os valores observados, as climatologias e o modelo numérico mostraram discrepâncias acima desse limite. Após a avaliação de consistência, foi aplicada uma correção nos dados simulados (quando pertinente) com base nos dados observados utilizando, somente, o conjunto de informações que mostrou-se com maior consistência.

1.2       Elaboração de campos de ajustes

A partir das médias anuais de cada estação (anemométricas provenientes de parques eólicos e aeroportos)  e as médias dos nove valores de grade do modelo Brams associados a cada estação, foi gerada uma tabela com a razão entre dados medidos e simulados para composição do campo de ajustes. A fim de não forçar correções importantes em áreas muito distantes dos dados observados, onde a sua representatividade é menor, o método de correção assume que o desvio sistemático calculado para um ponto vai variar de forma inversamente proporcional à distância. Dessa forma, a não ser que existam dados observados numa distância próxima de acordo com as definições dos parâmetros da interpolação, os resultados numéricos serão corrigidos de forma cada vez menos intensa, prevalecendo os valores numéricos originais para os locais muito distantes dos locais com dados observados. Assim, a partir da razão entre os dados medidos e simulados para as localidades selecionadas, foi gerado um campo interpolado para todo o território Brasileiro, na mesma grade do modelo. Durante a elaboração do campo de ajustes, concluiu-se que o mesmo pode ser aplicado para todas as alturas simuladas do modelo. As avaliações realizadas mostraram que não há uma interdependência entre desvios e altura, isto é, os desvios sistemáticos do modelo são dominados por fatores climáticos e geográficos. Assim, concluiu-se que é desnecessário gerar um campo de ajuste para cada altura de interesse apesar das diferenças de alturas de medição dos dados observados (dez metros em aeroportos e valores entre 80 e 100m de altura em estações anemométricas de parques eólicos). Basta aplicar o mesmo campo de ajuste (que engloba as informações de todas as estações em qualquer altura) para ajustar a velocidade em cada altura.

1.3       Validação e avaliação estatística dos resultados

A validação dos resultados do ajuste consistiu na comparação dos valores ajustados com dados e informações disponíveis que não foram utilizados para gerar o campo de ajuste. Além de utilizar dados provenientes de estações meteorológicas convencionais e automáticas do Inmet e de outras instituições, dados de aeroportos do DECEA/ICEA, relatórios climatológicos do Inmet e do DECEA/ICEA e de campos interpolados, obtidos a partir de todas as observações disponíveis na base de dados do CPTEC para 2013, também foram utilizados dados provenientes de radiossondagens do Inmet e do DECEA/ICEA e dados do mapa do potencial eólico publicado pelo Cepel em 2001. As discrepâncias detectadas foram analisadas e correções aplicadas sempre que necessário, seja com a inclusão de novos dados para refinar o fator de ajuste em áreas problemáticas, seja com as exclusões de medições que se mostraram problemáticas ou sem representatividade das condições regionais. Foram geradas seis versões do campo de ajuste, cada uma com melhorias implementadas progressivamente sobre resultados dos ajustes de versões anteriores. À medida que os campos ajustados foram gerados, os dados foram repassados para a equipe do Cepel, que fez verificações à parte e calculou a Raiz do Erro Quadrático Médio (RMSE) e outros índices estatísticos (o relatório completo da avaliação estatística encontra-se no Anexo I). Estas avaliações estatísticas utilizaram dados de estações meteorológicas situadas em aeroportos disponíveis nos arquivos do CPTEC/Inpe, assim como dados de estações anemométricas da base de dados do Cepel (Figura 5).

A metodologia dos testes estatísticos se baseou na comparação dos campos ajustados do modelo com as medidas de estações selecionadas para formar um grupo de controle, que não foram utilizadas para ajustar os campos do modelo. Do conjunto de dados disponíveis, cerca de 15% foram separados para formar um grupo de controle. Das 99 estações meteorológicas de aeroportos, 84 tiveram seus dados utilizados para o ajuste e 15 tiveram SUS dados utilizados para formar o grupo de controle. Das 39 estações anemométricas de parques eólicos, 29 tiveram seus dados utilizados para o ajuste e 10 tiveram seus dados para compor o grupo de controle. Os resultados obtidos ao longo do processamento das várias versões de ajuste mostraram uma melhora significativa da última versão. Obteve-se uma média de erro absoluto (MAE) de 0,44 m/s e um RMSE de 0,57 m/s, que são valores compatíveis com as variabilidades de medições anemométricas teoricamente calculadas pela norma IEC 61400-12-1 Power performance measurements of electricity producing wind turbines ou determinadas experimentalmente (NEIVA et al., 2016).

---

[1] Desvios sistemáticos ou erros sistemáticos são devidos a causas identificáveis e podem, em princípio, ser eliminados. Erros desse tipo resultam em valores que são sistematicamente mais altos ou mais baixos em relação a um valor esperado. Um exemplo deste tipo de desvio pode ser observado nas medições realizadas em equipamentos descalibrados. [2]  Estações sinóticas têm por objetivo fornecer dados para previsão do tempo. As medições realizadas nas estações sinóticas incluem direção e velocidade do vento, temperatura do ar, umidade relativa do ar, precipitação, pressão atmosférica, incidência de nuvens e geadas. As leituras são realizadas, na maioria dos casos, de forma manual e sempre três vezes ao dia: às 9, 15 e 21 horas. [3] Estes desvios significativos também foram identificados através de inspeção visual do campo de interpolação. Este recurso, apesar de ser um critério subjetivo, permitiu identificar e eliminar rapidamente dados impróprios para o ajuste final dos dados simulados. [4]  Esta técnica foi utilizada por Móser e Raschke (1983) que optaram por comparar as médias obtidas dos piranômetros com os valores médios obtidos com o satélite, somente após ponderar estes últimos em função da distância entre cada setor da imagem e o setor onde se localizava o piranômetro de validação. No estudo realizado, uma imagem de satélite com (5 x 6) células foi utilizada para validação através dos dados de uma estação solarimétrica próxima. Já os autores de Cess et al. (1995), que dispunham de vários piranômetros distribuídos pelo setor de validação, optaram por comparar o valor médio obtido de onze piranômetros da rede com os valores fornecidos pelo satélite para o setor. [5] A Organização Meteorológica Mundial (OMM) define Normais como “valores médios calculados para um período relativamente longo e uniforme, compreendendo no mínimo três décadas consecutivas” e padrões climatológicos normais como “médias de dados climatológicos calculadas para períodos consecutivos de 30 anos. No caso de estações para as quais a mais recente Normal Climatológica não esteja disponível, seja porque a estação não esteve em operação durante o período de 30 anos ou por outra razão qualquer, Normais Provisórias podem ser calculadas. Normais Provisórias são médias de curto período, baseadas em observações que se estendam sobre um período mínimo de 10 anos (INMET,2017).

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. 2016. Brazilian developments on the Regional Atmospheric Modeling System BRAMS version 5.2 Description of the Model Input Namelist Parameters. Disponível na internet no link ftp://ftp.cptec.inpe.br/brams/BRAMS5.2/documentation/namelist-BRAMS-5.2-feb2016.pdf.

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.

INMET, 2017. Normais Climatológicas do Brasil 1961-1990. Arquivo disponível na internet pelo link http://www.inmet.gov.br/portal/index.php?r=clima/normaisClimatologicas.

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.