Predição da velocidade do vento a curto prazo via modelos matemáticos

(1)

CENTRO DE CIˆ

ENCIAS EXATAS E DA TERRA

DEPARTAMENTO DE CIˆ

ENCIAS ATMOSF´

ERICAS E CLIM ´

ATICAS

GRADUA ¸

C ˜

AO EM METEOROLOGIA

MONIKI DARA DE MELO FERREIRA

PREDI ¸

C ˜

AO DA VELOCIDADE DO VENTO A CURTO PRAZO VIA

MODELOS MATEM ´

ATICOS

NATAL/RN

2017

(2)

ii MONIKI DARA DE MELO FERREIRA

PREDI ¸C ˜AO DA VELOCIDADE DO VENTO A CURTO PRAZO VIA MODELOS MATEM ´ATICOS

Monografia apresentada ao Departamento de Ciências Atmosféricas e Climáticas da Univer-sidade Federal do Rio Grande do Norte como requisito parcial para obten¸cão do t´ıtulo de Ba-charel em Meteorologia.

Orientador: Prof. Dr. Paulo S´ergio L´ucio

NATAL-RN 2017

(3)

Ferreira, Moniki Dara de Melo.

Predição da velocidade do vento a curto prazo via modelos matemáticos / Moniki Dara de Melo Ferreira. - 2017.

64f.: il.

Monografia (Bacharelado em Meteorologia) - Universidade Federal do Rio Grande do Norte. Centro de Ciências Exatas e da Terra. Departamento de Ciências Atmosféricas e Climáticas. Natal, RN, 2017.

Orientador: Paulo Sérgio Lucio.

1. Energia eólica Monografia. 2. Velocidade do vento -Monografia. 3. Previsão híbrida - -Monografia. I. Lucio, Paulo Sérgio. II. Título.

RN/UF/CCET CDU 621.548

Universidade Federal do Rio Grande do Norte - UFRN Sistema de Bibliotecas - SISBI

(4)

iv MONIKI DARA DE MELO FERREIRA

PREDI ¸C ˜AO DA VELOCIDADE DO VENTO A CURTO PRAZO VIA MODELOS MATEM ´ATICOS

Monografia apresentada ao Departamento de Ciências Atmosféricas e Climáticas da Univer-sidade Federal do Rio Grande do Norte como requisito parcial para obten¸cão do t´ıtulo de Ba-charel em Meteorologia.

Aprovada em: / /

BANCA EXAMINADORA

Prof. Dr. Paulo S´ergio L´ucio

Departamento de Ciências Atmosféricas e Climáticas - UFRN Orientador

Prof. Dr. Cl´audio Mois´es Santos e Silva

Departamento de Ciências Atmosféricas e Climáticas - UFRN Examinador interno

Dr. Alexandre Torres Silva dos Santos

Centro de Tecnologias do G´as e Energias Renov´aveis - CTGAS-ER Examinador externo

(5)

Dedicat´

oria

Aos meus pais.

(6)

vi

Agradecimentos

Neste momento de conclusão não somente da monografia, mas também do curso de Meteorologia da Universidade Federal do Rio Grande do Norte devo agradecimentos a inúmeros. Particularmente, ao Departamento de Ciências Atmosféricas e Climáticas, seu corpo docente, dire¸cão e administra¸cão que sempre estiveram à nossa disposi¸cão.

Todavia, primeiramente quero agradecer aos meus pais por guiar meus passos, por sempre me darem suporte e est´ımulo, por acreditar nos meus sonhos e ideais e fazer de tudo para que eu pudesse alcan¸c´a-los, por terem apoiado as minhas escolhas e principalmente por sempre terem investido na minha educa¸c˜ao.

Ao meu irmão por ter sido meu companheiro, sempre trazendo alegria em minha vida. Aos meus amigos da gradua¸cão pelos momentos que passamos em sala de aula, trabalhos em grupo, congressos e simpósios, e em especial Alanderson, no qual, esteve mais próximo a mim enfrentando os desafios.

Ao meu orientador, prof. Dr. Paulo Sérgio Lúcio, pelo incentivo e apoio à execu¸cão deste trabalho e as demais pesquisas, e ao meu co-orientador, prof. Dr. Claudio Moisés Santos e Silva, por seu tempo em busca de transmitir conhecimento da melhor forma.

Agrade¸co também de forma especial ao Laboratório de Mapas e Dados de Recursos Energéticos (LMD) pertencente ao Centro de Tecnologias do Gás e Energias Renováveis (CTGAS-ER), a qual tive a grande oportunidade de estagiar dois anos e ampliar meus conhecimentos. Especialmente, ao meu supervisor de estágio, Dr. Alexandre Torres Silva dos Santos, que com toda paciência e dedica¸cão, me proporcionou grandes conhecimentos na Modelagem Atmosférica do vento, orientando-me e tornando-me uma profissional mais experiente e mais responsável.

E, finalmente, agrade¸co aos mestres que ao longo da minha trajetória estudantil e acadêmica me proporcionaram valiosos ensinamentos que tornaram-me uma cidadã mais ética e comprometida.

(7)

Lista de S´ımbolos

ANEEL - Agência Nacional de Energia Elétrica ONS - Operador Nacional do Sistema Elétrico m/s - metros por segundo

NEB - Nordeste brasileiro km/h - kilˆometros por hora

ZCIT - Zona de Convergˆencia Intertropical TSM - Temperatura da Superf´ıcie do mar ASAS - Alta Subtropical do Atlˆantico Sul HW - Holt-Winters

RNA - Redes Neurais Artificiais TA - Torres anemom´etricas MAE - Mean Absolute Error RMSE - Root Mean Square Error r - Coeficiente de Correla¸c˜ao de Pearson ANN - Artificial Neural Network

(8)

Lista de Figuras

2.1 Flutua¸cões da componente horizontal (u) e vertical (w) da velocidade do ar, comparadas com a temperatura (t), conforme observa¸cões feitas à superf´ıcie. Fonte: Varejão-Silva

(2006) apud Ibbetson (1978) . . . 5

2.2 O modelo idealizado de circula¸cão global e de distribui¸cão da pressão à superf´ıcie sobre a Terra com efeito de rota¸cão. Fonte: Ahrens, C. D. (2000). Adaptado pela autora (2017). . 6

2.3 O modelo idealizado de circula¸cão global e de distribui¸cão da pressão à superf´ıcie sobre a Terra com efeito de rota¸cão. Fonte: Ahrens, C. D. (2000). Adaptado pela autora (2017). . 7

2.4 Escalas de tempo e espa¸co. Fonte: SILVA, 2003 . . . 8

2.5 Ciclo anual da ZCIT nas longitudes de 10◦W e 45◦W. Fonte: SILVA, 2003. . . 9

2.6 Esquema da circula¸c˜ao de brisa mar´ıtima. Fonte: Silva (2003). . . 11

2.7 Zona de incremento da velocidade do vento (cinza) devido a canaliza¸c˜ao em ´areas monta-nhosas. Fonte: Silva (2003). . . 12

2.8 Esquemas das brisas de vale e montanha. Fonte: Silva (2003). . . 13

2.9 Perfil vertical da velocidade do vento. Zo ´e o comprimento de rugosidade. Fonte: Lira (2009). . . 14

2.10 Esquema dos efeitos de diferentes fatores locais. Fonte: Silva (2003) . . . 14

2.11 Litoral Norte-Nordeste. Fonte: Silva (2003) . . . 18

2.12 Litoral Nordeste-Sudeste. Fonte: Silva (2003) . . . 19

2.13 Litoral Nordeste-Sudeste. Fonte: Silva (2003) . . . 20

2.14 Exemplo de estrutura RNA – MLP com algoritmo backpropagation com 3 entradas, 1 camada oculta e 1 sa´ıda. Fonte: Camelo, Lucio e Leal Junior (2016). . . 22

3.1 Localiza¸cão em destaque de cada Torre Anemométrica utilizada no estudo. Fonte: Própria autora (2017). . . 26

4.1 Compara¸cão entre as séries observadas, as previstas pelos modelos e a reanálise MERRA-2 para a cidade de Belo Jardim/PE no dia 31/10/2004. . . 31

4.2 Compara¸cão entre as séries observadas, as previstas pelos modelos e a reanálise MERRA-2 para a cidade de Camocim/CE no dia 31/10/2004. . . 32

4.3 Compara¸cão entre as séries observadas, as previstas pelos modelos e a reanálise MERRA-2 para a cidade de Belo Jardim/PE no dia 31/11/2004. . . 35

(9)

4.4 Compara¸cão entre as séries observadas, as previstas pelos modelos e a reanálise MERRA-2 para a cidade de Camocim/CE no dia 30/11/2004. . . 36 4.5 Compara¸cão entre as séries observadas, as previstas pelos modelos e a reanálise MERRA-2

para a cidade de Belo Jardim/PE no dia 29/12/2004. . . 40 4.6 Compara¸cão entre as séries observadas, as previstas pelos modelos e a reanálise MERRA-2

(10)

x

Lista de Tabelas

3.1 Caracter´ısticas locais e localiza¸cão geográfica. . . 25 4.1 Res´ıduos dos modelos e da reanálise com as observa¸cões para Belo Jardim/PE para 30 dias

de previsão, em m/s. . . 30 4.2 Res´ıduos dos modelos e da reanálise com as observa¸cões para Camocim/CE para 30 dias

de previsão, em m/s. . . 31 4.3 Valores da predi¸cão para Belo Jardim/PE - 30 dias . . . 33 4.4 Valores da predi¸cão para Camocim/CE - 30 dias . . . 34 4.5 Res´ıduos dos modelos e da reanálise com as observa¸cões para Belo Jardim/PE para 60 dias

de previsão, em m/s. . . 37 4.7 Valores da predi¸cão para Belo Jardim/PE - 60 dias . . . 38 4.8 Valores da predi¸cão para Camocim/CE - 60 dias . . . 39 4.9 Res´ıduos dos modelos e da reanálise com as observa¸cões para Belo Jardim/PE para 90 dias

de previsão, em m/s. . . 41 4.11 Valores da predi¸cão para Belo Jardim/PE - 90 dias . . . 42 4.12 Valores da predi¸cão para Camocim/CE - 90 dias . . . 43

(11)

Sum´

ario

Dedicat´oria v

Agradecimentos vi

Lista de S´ımbolos vii

Lista de Figuras ix Lista de Tabelas x Resumo xiii Abstract xiv 1 Introdu¸c˜ao 1 1.1 Objetivos . . . 2 1.1.1 Objetivo Geral . . . 2 1.1.2 Objetivos Espec´ıficos . . . 2 1.2 Estrutura da Monografia . . . 3

2 Revisão bibliográfica 4 2.1 Caracteriza¸cão do vento . . . 4

2.2 Circula¸c˜ao Geral da Atmosfera . . . 5

2.3 Escala dos movimentos atmosf´ericos . . . 8

2.3.1 Escalas espaciais . . . 8

2.3.2 Escalas temporais . . . 15

2.4 Comportamento sazonal e interanual do vento na regi˜ao Nordeste . . . 16

2.5 Visão geral dos métodos de previsão do vento . . . 20

3 Metodologia 25 3.1 Base de dados observacionais e ´Area de estudo . . . 25

3.2 Aspectos clim´aticos de Belo Jardim/PE e Camocim/CE . . . 26

3.3 M´etodo de aplica¸c˜ao . . . 26

3.4 Modelos, rean´alise e configura¸c˜oes . . . 27

(12)

xii

3.4.1 Holt-Winters . . . 27

3.4.2 Redes Neurais Artificiais . . . 27

3.4.3 Modelo H´ıbrido . . . 27

3.4.4 Rean´alise: MERRA-2 . . . 28

3.5 Avalia¸c˜ao dos modelos . . . 28

4 Resultados & Discussões 30 4.1 Resultados: Análise qualitativa e quantitativa da predi¸cão para 24 horas . . . 30

4.2 Discuss˜ao . . . 43

(13)

Resumo

Este trabalho tem como objetivo realizar predi¸cões de médias horárias da velocidade do vento oriundas de torres anemométricas (altura de 50 metros), situadas em Belo Jardim/PE e Camocim/CE. Para isso, foram utilizados os seguintes modelos de séries temporais: Holt-Winters (HW), Redes Neurais Artificiais (RNA) e H´ıbrido. Os dados observacionais foram também avaliados pela reanálise MERRA-2 (estado-da-arte) na altura de referência das torres. Os resultados mostram que para as duas localidades o modelo h´ıbrido, em geral, apresentou um melhor desempenho com rela¸cão aos demais, inclusive na ava-lia¸cão com o MERRA-2. Exemplo disso, em termos de res´ıduos estat´ısticos, foram encontrados valores de RMSE e MAE de 0,91 e 0,62 m/s, respectivamente. Dessa forma, configura-se um bom método de previsão de dados de velocidade do vento para a gera¸cão eólica.

(14)

xiv

Abstract

This present work aims to predict wind speed hourly averaging from anemometric towers (at a height of 50 meters) located in Belo Jardim/PE and Camocim/CE. For this, the time-series models used are: Holt-Winters (HW), Artificial Neural Networks (ANN) and Hybrid. Observational data were also evaluated by the MERRA-2 reanalysis (state-of-the-art) at the same height of the towers. The results show that the hybrid model presented a better performance in relation to the others, including compared to evaluation with the MERRA-2. For example, in terms of statistical residues, RMSE and MAE were 0.91 and 0.62 m/s, respectively. In this way, hybrid models are a good method of forecasting wind speed data for wind generation.

(15)

Cap´ıtulo 1

Introdu¸

c˜

ao

O vento, dentre muitas defini¸cões existentes, pode ser definido como sendo o deslocamento do ar atmosférico e ocorre devido às diferen¸cas de pressões atmosféricas, entre duas regiões que apresentam distintas temperaturas, originando-se à for¸ca do gradiente de pressão. Ainda assim, é um vetor de uma variável meteorológica, bastante sens´ıvel, que tem sua magnitude e dire¸cão influenciadas pelos efeitos locais, seja de acordo com a rugosidade da superf´ıcie ou pela orografia local. As diferen¸cas barométricas ocorrem devido à distribui¸cão desigual da radia¸cão solar global, entre outros fatores, como por exemplo, à continentalidade, à altitude e latitude, que influenciam diretamente o aquecimento das massas de ar. De acordo com Munhoz e Garcia (2008), as principais caracter´ısticas f´ısicas do vento são: (i) deslocamento das regiões de altas para as baixas pressões; (ii) Devido à rota¸cão da terra originam-se as for¸cas de coriolis e centr´ıfuga e (iii) for¸ca de atrito devido à intera¸cão com a superf´ıcie terrestre.

O vento é uma variável meteorológica que atualmente vem sendo estudada com frequência para conversão da energia cinética em elétrica, denominada de energia eólica, por meio da instala¸cão de ae-rogeradores (AG ÊNCIA NACIONAL DE ENERGIA EL ÉTRICA, 2005). Para que a energia eólica seja considerada tecnicamente aproveitável, é necessário que sua densidade seja maior ou igual a 500 W/m2 , a uma altura acima de 50 m, o que requer uma velocidade m´ınima do vento entre 7-8 m/s (GRUBB; MEYER, 1993). Segundo a Organiza¸cão Mundial de Meteorologia, apenas 13% da superf´ıcie terrestre o vento apresenta velocidade média igual ou superior a 7 m/s, a uma altura de 50 m. Essa propor¸cão varia muito entre regiões e continentes, chegando a 32% na Europa Ocidental.

A fonte eólica se mostra competitiva no Brasil, tendo os seus projetos sido aprovados em diversos certames realizados nos últimos anos. Neste contexto, o Nordeste se destaca, em razão de seu elevado potencial eólico e por dispor de inúmeros s´ıtios com velocidades médias de vento dentre as maiores do Pa´ıs (GWEC, 2016). Este cenário se mostra promissor para vultosos investimentos na região nordestina em gera¸cão eólica, como já se observa atualmente (BEZERRA; SANTOS, 2017).

A previsibilidade das informa¸cões sobre o vento em um determinado local é essencial para a ava-lia¸cão de um projeto de gera¸cão de energia eólica. Nesse contexto, segundo a ONS (2017), prever com precisão a velocidade do vento é obter um melhor planejamento da gera¸cão eólica, reduzindo os gastos e o melhor uso dos recursos.

(16)

2 Assim, alguns estudos recentes vêm sendo desenvolvidos sobre previsibilidade da velocidade do vento, como de Gon¸calves, Pereira e Martins (2010), que utilizou as sa´ıdas operacionais do modelo ETA para alimentar um esquema de redes neurais artificiais e gerar previsões de vento a curto prazo para sete localidades no Nordeste; Camelo, Lucio e Leal Junior (2016) que utilizou o método de suaviza¸cão exponencial de Holt-Winters para realizar previsão de séries temporais de médias mensais de velocidade do vento no litoral do Ceará; Ramos et al., 2013 fez previsão do vento para 30 metros usando o modelo atmosférico WRF no Estado de Alagoas, tendo como dificuldades encontradas, previsão dos valores ex-tremos, máximos e m´ınimos da velocidade do vento e prognósticos em per´ıodos chuvosos. Para previsão da gera¸cão eólica no NEB, A ONS (2017) se baseia na metodologia de Box-Jenkins, usando como mo-delo complementar, o auto regressivo médias móveis com variáveis exógenas. Outros estudos viáveis de velocidade do vento são encontrados como em Ferreira, Santos e Lucio (2017) que propôs métodos para preenchimento de falhas em dados de velocidade do vento - localizados no Rio Grande do Norte - a fim de reduzir a propaga¸cão de erros sobre o resultado em estudos meteorológicos.

A variabilidade espacial e temporal do vento ´e dif´ıcil de ser simulada com precis˜ao. Isso se deve `

a heterogeneidade das regiões em fatores tais como: a rugosidade da superf´ıcie, a variabilidade da vege-ta¸cão e o uso variável do solo durante o ano (em lavouras, por exemplo). Além disso, diversos fenômenos meteorológicos e climáticos influenciam a dinâmica da atmosfera na região do NEB (SANTOS, 2014).

Diante disso, o presente trabalho tem como premissa apresentar diferentes metodologias para pre-visão da velocidade do vento em curto prazo a 50 metros acima da superf´ıcie do solo em duas localidades NEB, posicionadas em regiões litorânea (terreno plano) e interior (terreno complexo). Logo, o intuito é demonstrar se o modelo é capaz de prever com erros adequados a sua varia¸cão diurna, permitido dentro da gera¸cão eólica, tendo em vista que são locais com rugosidade e orografia diferentes.

1.1 Objetivos

1.1.1 Objetivo Geral

De maneira geral, o objetivo é testar diferentes métodos de previsão, a curto prazo, e comparar os resultados obtidos com os dados observados e dados de reanálises da velocidade média do vento (m/s) a 50 metros de altura, oriundos de torres anemométricas e ponto de grade, respectivamente, para as localidades de Camocim (Estado do Ceará - CE) e Belo Jardim (Estado de Pernambuco - PE).

1.1.2 Objetivos Espec´ıficos

Especificamente, pretende-se saber qual modelo exibe melhor comportamento na modela¸cão dos dados observados e se é poss´ıvel fazer uma previsão consistente quando se trata de uma variável instável como o vento.

(17)

1.2 Estrutura da Monografia

A partir do cap´ıtulo 2 é apresentado a Revisão Bibliográfica sobre o tema do trabalho proposto, incluindo informa¸cões meteorológicas e descri¸cão dos experimentos que foram conduzidos. Em seguida, o cap´ıtulo 4, com todos os resultados obtidos no estudo, assim como as avalia¸cões estat´ısticas e as discussões por meio de outros estudos sobre o tema do trabalho e por fim, no cap´ıtulo 5, as conclusões e os recomenda¸cões para trabalhos futuros.

(18)

Cap´ıtulo 2

Revis˜

ao bibliogr´

afica

2.1 Caracteriza¸

c˜

ao do vento

Segundo Varejão-silva (2006), chama-se vento à componente horizontal ~V x = ~ui + ~vj do vetor velocidade do ar ~V = u~i + v~j + w~k, em que u (componente zonal), v (componente meridional) e w (componente vertical) são determinados como vetor do vento nas dire¸cões horizontal (x, y) e vertical (z), respectivamente e, i, j e k são os vetores unitários nas respectivas dire¸cões. A caracteriza¸cão do vento em qualquer parte da atmosfera requer dois parâmetros: a dire¸cão e a velocidade (módulo). Ambas são grandezas instantâneas e pontuais, pois o escoamento do ar depende das condi¸cões atmosféricas, que variam no espa¸co e no tempo.

A magnitude da velocidade do vento é expressa pelas unidades metros por segundos (m/s), quilˆ o-metros por hora (km/h) e nós (kt). A velocidade do vento, dentro da camada limite planetária, camada essa próxima da superf´ıcie varia bastante com o tempo e tem como caracter´ıstica as intensas oscila¸cões (Figura 2.1) cuja rapidez e amplitude estão relacionadas com o estado de agita¸cão do ar (temperatura), que é definido como turbulência.

A anemometria (do grego anemós, que significa vento) é a determina¸cão quantitativa do vento, em termos de sua velocidade (módulo) e dire¸cão. Os instrumentos usados com essa finalidade são ditos anemógrafos ou anemômetros conforme efetuem, ou não, o registro da velocidade, ou simultaneamente da velocidade e da dire¸cão.

(19)

Figura 2.1: Flutua¸cões da componente horizontal (u) e vertical (w) da velocidade do ar, comparadas com a temperatura (t), conforme observa¸cões feitas à superf´ıcie. Fonte: Varejão-Silva (2006) apud Ibbetson (1978)

2.2 Circula¸

c˜

ao Geral da Atmosfera

O movimento da atmosfera, tanto horizontal como vertical, apresentam-se em diferentes escalas de espa¸co e de tempo. Existem processos convectivos turbulentos com diâmetro da ordem de cent´ımetros e dura¸cão de segundos (escala micrometeorológica), até configura¸cões sinóticas quase-permanentes com diâmetro de milhares de quilômetros.

A maior fonte de energia para os movimentos atmosféricos é a radia¸cão solar. A atmosfera ab-sorve calor em baixas latitudes - região limitada pelos trópicos de capricórnio (30o N) e de câncer (30o S), enquanto que nas outras regiões esta absor¸cão é bem menor. Como no equador tem calor em excesso, o excedente é deslocado para os pólos, onde déficit de temperatura é maior (AHRENS, 2000).

Vários modelos de circula¸cão foram propostos, sendo o primeiro sugerido pelo f´ısico britânico George Hadley em 1735. A teoria de Hadley sugeria que sobre a superf´ıcie da Terra sem rota¸cão, os movimentos atmosféricos seriam gerados pela energia do sol. Assim, o forte aquecimento sobre a região equatorial produziria uma zona de baixa pressão à superf´ıcie, enquanto que nos pólos, com o resfriamento, geraria uma região de alta pressão.

Dessa forma, em resposta ao gradiente horizontal de pressão, o ar frio polar à superf´ıcie se des-loca em dire¸cão ao equador, e em altos n´ıveis, em dire¸cão aos pólos. Assim, a circula¸cão consiste em um ciclo fechado com ar ascendente próximo ao equador e subsidente sobre os pólos, e em seguida, o ar `

(20)

6 sens´ıvel e latente para regiões onde há déficit de energia, que são as regiões polares. Esta representa¸cão pode ser melhor compreendida na Figura 2.2.

Ao adicionar o efeito de rota¸cão no modelo, o simples sistema de conveçcão é transformado em uma série de células como apresentado na Figura 2.3. Embora este modelo seja mais complexo quando comparado ao modelo de Hadley, ele possui algumas similaridades. A região tropical ainda recebe um excesso de calor e os pólos, um déficit. Em cada hemisfério, as três células (ao invés de uma) ainda têm a tarefa de redistribui¸cão de energia. As áreas de alta pressão estão localizadas nos pólos e no equador, permanece as áreas de baixa pressão. Do equador para a latitude de 30◦_{, a circula¸}_c˜_{ao ´}_{e a c´}_{elula de Hadley.}

Figura 2.2: O modelo idealizado de circula¸cão global e de distribui¸cão da pressão à superf´ıcie sobre a Terra com efeito de rota¸cão. Fonte: Ahrens, C. D. (2000). Adaptado pela autora (2017).

Em águas equatoriais, o ar é quente, o gradiente horizontal de pressão é fraco e os ventos são mais calmos. Essa região são denominadas no termo inglês doldrums (calmarias). Nela, o ar aquecido ascende, condensa e frequentemente forma grandes células convectivas que libera uma elevada quantidade de calor latente. Este calor faz com que o ar se torne mais leve e forne¸ca energia para a célula de Hadley. O ar ascendente atinge a tropopausa, na qual age como uma barreira, fazendo com que o ar mova lateralmente em dire¸cão aos pólos. A for¸ca de Coriolis desvia o ar à direita no Hemisfério Norte e à esquerda no Hemisfério Sul.

O ar ascendente em movimento na dire¸cão dos pólos se resfria e converge quando se aproxima das latitudes médias. Essa convergência causa expansão do ar acima da superf´ıcie e, consequentemente, au-mento da pressão na superf´ıcie. Dessa forma, surge a convergência do ar por meio de um cinturão de altas pressões chamado de Altas Subtropicais, onde os ventos são calmos. Dessas latitudes, uma parte desses ventos retornam ao equador, soprando na dire¸cão nordeste no Hemisfério Norte e sudeste no Hemisfério Sul. Esses ventos são chamados Ventos Al´ısios. Próximo ao equador, os ventos de nordeste convergem com os ventos de sudeste ao longo de uma fronteira chamada Zona de Convergência Intertropical (ZCIT). Enquanto isso, na latitude de 30◦, nem todo o ar de superf´ıcie move em dire¸cão ao equador, pois

(21)

uma parte dele move em dire¸cão aos pólos. Devido à for¸ca de Coriolis, eles são deslocados por uma forte componente de oeste resultando nos chamados de Ventos de Oeste em ambos os hemisférios. Enquanto este ar flui em dire¸cão aos pólos, ele encontra um ar frio subsidente oriundo dos pólos, assim, estas duas massas com temperatura diferentes se encontram na fronteira (frente polar) de uma baixa pressão cha-mada Baixa subpolar, onde o ar de superf´ıcie converge e ascende. Uma parte deste ar ascendente retorna para as latitudes dos cavalos (em torno de 30◦), onde há subsidência próximo às altas subtropicais. Nesta faixa, encontra-se a Célula de Ferrel, quando o ar em superf´ıcie nas latitudes dos cavalos movem em dire¸cão aos pólos até a frente polar.

Figura 2.3: O modelo idealizado de circula¸cão global e de distribui¸cão da pressão à superf´ıcie sobre a Terra com efeito de rota¸cão. Fonte: Ahrens, C. D. (2000). Adaptado pela autora (2017).

(22)

8

2.3 Escala dos movimentos atmosf´

ericos

A caracter´ıstica fisiográfica da superf´ıcie terrestre exerce um importante papel no comportamento dos ventos. O perfil de vento de uma região é condicionado pelos fenômenos meteorológicos e clim´ ati-cos. Estes fenômenos resultam em condi¸cões do vento local que diferenciam das caracter´ısticas gerais da Circula¸cão Geral Atmosférica (SILVA, 2003). Desta forma, os movimentos atmosféricos são gover-nados por esses fenômenos associados a diferentes escalas de tempo e espa¸co. Estas escalas dependem, fundamentalmente, das condi¸cões geográficas do local.

2.3.1 Escalas espaciais

A figura 2.4 ilustra os fenômenos meteorológicos e climáticos e suas escalas de tempo e de espa¸co.

Figura 2.4: Escalas de tempo e espa¸co. Fonte: SILVA, 2003

Escala planet´aria ou Macroescala - Ventos Al´ısios

As células de conveçcão entre o equador e as latitudes de 30o _{N e 30}o _{S, chamadas de c´}_elulas

de Hadley, resultam em fluxos de ar ascendentes próximos ao equador térmico (localizado ao norte do equador geográfico) e descendentes sobre as latitudes subtropicais. Nas primeiras centenas de metros acima do n´ıvel do mar, os ventos originados no fluxo superficial das células de Hadley são especialmente estáveis. Estes ventos são chamados de Ventos Al´ısios. Os Ventos Al´ısios são massas de ar superficiais provenientes das latitudes subtropicais que se movem em dire¸cão à região de menor pressão da aquecida

(23)

faixa equatorial.

Os Ventos Al´ısios se estendem verticalmente para aproximadamente 2 km da superf´ıcie e são considerados uma das maiores fontes energéticas da região tropical. Estes ventos atingem os seus valores máximos nas altitudes entre 500 e 1000 m, onde aumentam sua intensidade e diminuem em variabilidade. A dinâmica do vento é marcada por um forte ciclo sazonal e uma grande assimetria em torno da linha do equador.

A assimetria dos ventos Al´ısios em torno do equador tem origem na diferen¸ca entre as áreas cobertas por continentes e oceanos nos dois hemisférios. A propor¸cão de cobertura por água no hemisfério sul é muito maior que no hemisfério norte. As massas continentais possuem capacidade térmica muito menor que a dos oceanos, logo aquecem muito mais facilmente, entretanto os oceanos podem armazenar maior quantidade de calor e liberá-lo lentamente.

Isto implica em varia¸cões climáticas bruscas e maiores no hemisfério norte; fazendo dos verões mais quentes e dos invernos mais frios. No hemisfério norte, os Ventos Al´ısios provêm, predominantemente, da dire¸cão nordeste, enquanto que no hemisfério sul da dire¸cão sudeste. Ambos se encontram numa região de baixa pressão conhecida como Zona de Baixa Pressão Equatorial ou Zona de Convergência Intertropical.

- Zona de Convergˆencia Intertropical

O comportamento (posi¸cão e intensidade) sazonal da ZCIT é de grande interesse para magnitude do vento, pois está diretamente relacionado ao posicionamento e a intensidade das células de baixa pressão próximas ao Equador . A sua posi¸cão média é 5◦N, se movimentando para o sul durante a esta¸cão chuvosa (fevereiro a maio) e para o norte nos meses mais secos (junho a dezembro) para o hemisfério sul. A figura 2.5 apresenta as médias mensais da ZCIT para 17 anos (1971-1988) nas longitudes compreendidas entre 10◦W e 45◦ W.

Figura 2.5: Ciclo anual da ZCIT nas longitudes de 10◦_{W e 45}◦_{W. Fonte: SILVA, 2003.}

Altera¸cões no comportamento t´ıpico da ZCIT estão intrinsecamente ligadas às varia¸cões na tem-peratura da superf´ıcie do mar (TSM) do Atlântico Sul e do Pac´ıfico Equatorial. Anomalias na temperatura destas águas superficiais afetam o posicionamento e a intensidade da ZCIT.

(24)

10 - El Ni˜no e La Ni˜na

O El Niño é caracterizado pelo aquecimento anômalo das águas superficiais do Pac´ıfico Equatorial Oriental. Este fenômeno se manifesta em ciclos irregulares entre 3 e 7 anos e possui evolu¸cão t´ıpica que se inicia no come¸co do ano, atinge sua máxima intensidade no mês de dezembro e enfraquece na metade do segundo ano (SILVA, 2003).

A manifesta¸cão do El Niño muda o mecanismo climatológico da região do Pac´ıfico, com reflexo no restante do planeta. Nos anos que ocorrem estes fenômenos, observa-se uma diminui¸cão na inten-sidade dos ventos al´ısios. Particularmente no Nordeste do Brasil, o El Niño provoca uma diminui¸cão da precipita¸cão ao norte da região do semi-árido (Maranhão, Piau´ı, Ceará e Rio Grande do Norte) nos meses chuvosos de fevereiro a maio. Este acontecimento está relacionado a gera¸cão de um ramo de ar descendente da Célula de Walker (célula de circula¸cão de macroescala no sentido zonal sobre o Pac´ıfico Equatorial que funciona como balan¸co atmosférico, envolvendo trocas de ar entre os hemisférios leste e oeste, e centrado nas latitudes tropicais e subtropicais), que inibe a forma¸cão de nuvens nesta região.

Sob condi¸cões normais observa-se o ramo ascendente da Célula de Walker (favorável à forma¸cão de nuvens convectivas) ao norte da Austrália (sobre o Pac´ıfico Oeste), onde se tem água quente e baixas pressões. Por outro lado, sobre a região do Pac´ıfico leste, próximo ao Peru e ao Equador, verifica-se a presen¸ca de águas frias (afloramento na superf´ıcie de águas oceânicas advindas do fundo do oceano Pac´ıfico) e altas pressões que se manifestam o ramo subsidente da Célula de Walker (inibe a forma¸cão de nuvens).

O fenômeno conhecido por La Niña é o oposto do El Niño, e corresponde ao resfriamento anˆ o-malo da TSM do Pac´ıfico Equatorial. Este fenômeno também produz fortes mudan¸cas na dinâmica da atmosfera, alterando o comportamento climático do planeta.

Em geral, o La Niña come¸ca a se desenvolver no in´ıcio do ano, e atinge sua intensidade máxima em novembro e dezembro, e vindo a dissipar-se em meados do ano seguinte. Entretanto, pode perdurar por até dois anos, assim, os ventos al´ısios se mostram mais intensos durante esse per´ıodo. Os principais efeitos da La Niña na região Nordeste se resume a uma abundância na precipita¸cão do centro-sul do Maranhão e do Piau´ı nos meses de novembro a janeiro, e o favorecimento na ocorrência de chuvas sobre o semi-árido do Nordeste.

Escala regional ou Mesoescala

Nas latitudes que cobrem o Nordeste do Brasil, o regime de vento é fortemente condicionado pela circula¸cão em macroescala dos ventos al´ısios. Entretanto, o comportamento desses ventos é afetado pela presen¸ca dos continentes e de suas particularidades climáticas e orográficas (SILVA, 2003).

A privilegiada localiza¸c˜ao geogr´afica do estados do Nordeste imputa caracter´ısticas excepcionais `

a meteorologia para gera¸cão de energia eólica. Uma vez que o fluxo de ar prevalece de uma extensa cobertura oceânica (livre de obstáculos), observa-se a alta intensidade, continuidade e constância dos ventos al´ısios.

(25)

- Brisas Mar´ıtimas e Terrestres

Os efeitos de mesoescala no litoral nordeste estão, quase que totalmente, ligados a intera¸cão dos Ventos Al´ısios nas camadas atmosféricas de baixos n´ıveis, via assimetria térmica induzidas por gradientes térmicos oceano-terra (produzindo as brisas mar´ıtimas e terrestres).

As brisas mar´ıtimas originam-se da expansão do ar nas camadas superficiais da terra, uma vez a radia¸cão solar é absorvida e reemitida mais rapidamente no continente que no mar. Esta expansão produz nos n´ıveis superiores (de 500 a 2.000 m) um suave fluxo de ar aquecido que se movimenta da terra para o mar, chamado de fluxo de retorno.

A subsidência deste fluxo sobre o mar cria um gradiente de pressão que induz a forma¸cão de um vento superficial do mar para o continente, formando a brisa. O limite continental onde ocorre a convergência da massa de ar é chamado de frente de brisa, marcada por um aumento da umidade e, às vezes, uma intensifica¸cão de nuvens cúmulus. A figura 2.6 esquematiza a circula¸cão da brisa mar´ıtima, bem como as condi¸cões de temperatura e pressão nas camadas próximas à superf´ıcie.

Figura 2.6: Esquema da circula¸c˜ao de brisa mar´ıtima. Fonte: Silva (2003).

A brisa mar´ıtima se inicia próxima a linha da costa, mas durante todo o dia penetra de 20 a 40 km no continente, podendo chegar, em casos excepcionais, a 100 km. A extensão vertical deste fenômeno pode atingir os 2.000 metros acima da superf´ıcie.

As brisas mar´ıtimas contribuem fortemente para um incremento na intensidade e na varia¸cão da dire¸cão dos ventos Al´ısios; além de afetar a temperatura e a umidade do ar na região. As maiores incidências de brisas mar´ıtimas, geralmente, ocorrem nos meses de verão. A dire¸cão das brisas depende, fundamentalmente, da orienta¸cão da costa litorânea; sendo esta perpendicular à linha de praia.

As brisas terrestres se dão de forma análoga às brisas mar´ıtimas, diferindo apenas do sentido da circula¸cão. À noite, a superf´ıcie de terra esfria mais rapidamente que a água do mar, revertendo o gradiente de temperatura ocorrido durante o dia. O ar resfriado no continente migra para o mar em n´ıveis

(26)

12 mais baixos, aquece, ascende e retorna (fluxo de retorno) para o continente, onde se resfria e descende para fechar a circula¸c˜ao. Em geral, a intensidade da brisa terrestre ´e bem mais fraca que a da brisa mar´ıtima, devido a menor diferen¸ca de temperatura terra-mar no per´ıodo noturno.

- Brisas de Vale e Montanha

Outro importante mecanismo para circula¸cão local são os ventos sobre as regiões montanhosas e vales. Um grande número de complexos fenômenos f´ısicos ocorrem sobre estas regiões, que vão desde a canaliza¸cão do fluxo até grandes varia¸cões térmicas.

Os efeitos de canaliza¸cão se originam no encontro das correntes de ar com cadeias de montanhas e vales. Dependendo da orienta¸cão do vento e da topografia, a massa de ar pode ser canalizada de forma eficaz, acelerando a velocidade do fluxo. A figura 2.7 ilustra dois exemplos deste mecanismo de canaliza¸cão em regiões montanhosas.

Figura 2.7: Zona de incremento da velocidade do vento (cinza) devido a canaliza¸c˜ao em ´areas montanho-sas. Fonte: Silva (2003).

As varia¸cões térmicas induzidas pela forma e cobertura da superf´ıcie também podem modificar o fluxo de vento. A radia¸cão solar, principalmente nos meses de verão, é uma grande fonte de aquecimento da superf´ıcie das montanhas. As massas de ar estagnadas nas superf´ıcies laterais das montanhas são aquecidas. Mais leve, o ar aquecido avan¸ca em dire¸cão ao topo, movimentando o ar para cima; são cha-mados de ventos anabáticos. Acima do topo das montanhas, estes ventos ascendentes sofrem influência de inversão térmica e são for¸cados para um fluxo de retorno, chamado de vento anti-vale; e posteriormente a subsidência no centro do vale. Às vezes, nuvens cúmulus, conhecidas como nuvens anabáticas, se formam sobre o ar aquecido e ascendente.

Durante a noite, a circula¸cão reversa ocorre. A rápida libera¸cão de calor pela superf´ıcie da mon-tanha resfria o ar adjacente nas laterais, for¸cando um movimento descendente para o centro do vale. Estes ventos são chamados de ventos catabáticos. O fluxo de retorno desta circula¸cão é chamado de vento anti-montanha.

Estes mecanismos podem ser denominados de brisas de vales e brisas de montanhas, respecti-vamente. Estas brisas são geralmente mais fracas que as brisas mar´ıtimas, no entanto, locais onde os efeitos de canaliza¸cão também ocorrem, podem resultar em ventos mais intensos e constantes. A figura

(27)

2.8 esquematiza a circula¸c˜ao das brisas de vales e montanhas.

Figura 2.8: Esquemas das brisas de vale e montanha. Fonte: Silva (2003).

Escala local ou microescala

Os ventos no NEB também são influenciadas significativamente por fenômenos atmosféricos de microescala, resultantes das condi¸cões localizadas que diferem das caracter´ısticas gerais de circula¸cão em macroescala e mesoescala (SILVA, 2003).

O principal fenômeno de microescala, próximo da superf´ıcie, é o vórtice que é gerado devido a friçcão do vento. A presen¸ca dessa for¸ca de friçcão diminui a magnitude da velocidade do vento à medida que se aproxima do solo, induzindo o surgimento de um perfil vertical de velocidade (Figura 2.9).

A região compreendida entre a superf´ıcie terrestre e a altitude de aproximadamente 3000 me-tros, em média, é definida como Camada Limite Planetária (STULL, 1988). Esta camada possui uma subcamada, situada na região não excedente a 150 metros de altitude chamada camada-limite superficial ou camada Prandtl na qual a influência da superf´ıcie é dominante. É nesta subcamada que ocorrem as trocas dos fluxos de momentum, calor e umidade entre superf´ıcie e atmosfera.

Além do comportamento turbulento devido às intera¸cões superf´ıcie-atmosfera, outro aspecto im-portante deve ser considerado que é o cisalhamento do vento (LIRA, 2009). O cisalhamento do vento é a varia¸cão da espessura da magnitude do vento com altura, que pode ser representado por uma fun¸cão logar´ıtmica (Equa¸cão 1).

A expressão logar´ıtmica emp´ırica e teórica para a varia¸cão da velocidade do vento na vertical em uma camada limite turbulenta desenvolvida por Prandtl é mostrada abaixo:

v(z) =

v∗_k

ln

_zoz

(Eq. 1)

onde a varia¸cão da velocidade com a altura vertical (z) é dada em fun¸cão da velocidade de friçcão (v∗), da constante de Von Karmán (k), e do comprimento de rugosidade (z0).

O comprimento de rugosidade corresponde à altura em que o vento, próximo à superf´ıcie, assume valor zero, e depende do relevo e obstáculos da superf´ıcie. Contudo, o perfil real da velocidade do vento na vertical depende também da fun¸cão de estabilidade atmosférica que inclui os efeitos térmicos.

(28)

14

Figura 2.9: Perfil vertical da velocidade do vento. Zo ´e o comprimento de rugosidade. Fonte: Lira (2009).

Resumidamente, os principais mecanismos de microescala podem ser agrupados em trˆes grandes conjuntos:

• Fenômenos aerodinâmicos relacionados a topografia do local (como eleva¸cões ou depressões isoladas, serras e pequenas chapadas) e a obstáculos naturais ou artificiais (como cadeias de árvores ou constru¸cões);

• Fenˆomenos associados a mudan¸cas na rugosidade dentre duas ou mais superf´ıcies. Estes produzem efeitos de menor dimens˜ao que os do primeiro conjunto;

• Fenômenos relativos às varia¸cões do fluxo de calor no cruzamento do limite entre duas superf´ıcies de caracter´ısticas diferentes.

A figura 2.10 esquematiza uma variedade de fatores locais que influenciam o vento.

(29)

Na defini¸cão de Varejão-Silva (2006), quando se leva em conta o efeito que a superf´ıcie terrestre provoca no movimento do ar, costuma-se dividir a atmosfera em duas regiões:

- A camada-limite planet´aria: justaposta `a superf´ıcie terrestre, cuja rugosidade natural (provo-cando atrito) afeta profundamente o escoamento do ar;

- e a atmosfera livre: mais acima da camada-limite planetária, onde se admite que o escoamento não sofre a influência direta da presen¸ca da superf´ıcie (escoamento sem atrito).

Essa discrimina¸cão é emp´ırica, já que a influência da rugosidade natural da superf´ıcie da Terra sobre o ar em movimento, diminui progressivamente com a altura e, portanto, não só não pode existir uma separa¸cão n´ıtida entre essas camadas, como, ainda, a espessura da primeira vai depender do grau de aspereza da superf´ıcie subjacente e da própria velocidade do ar que sobre ela escoa. Além da influência do atrito, deve-se adicionar o efeito gerado pelo aquecimento do ar em contato com a superf´ıcie, o qual desencadeia movimentos convectivos.

De acordo com Silva (2003), estudos detalhados das caracter´ısticas eólicas em microescala são fundamentais, pois subsidiarão o entendimento correto da intera¸cão vento/solo. Estes estudos propiciam a defini¸cão de uma base de informa¸cões para que se estabele¸cam as condi¸cões de vento sob as quais as turbinas eólicas irão funcionar, suportando os fortes carregamentos produzidos pelas turbulências de vento.

2.3.2 Escalas temporais

As séries históricas da velocidade e dire¸cões dos ventos medidos em um determinado local mostra uma varia¸cão temporal destes dados. Tal varia¸cão está relacionada a um per´ıodo especificado, que se propaga desde uma varia¸cão diária até uma varia¸cão interanual.

O vento pode ser mais intenso em algumas ´areas que em outras, pode aumentar sua intensidade por alguns meses do ano, como pode aumentar apenas durante algumas horas do dia, e pode, tamb´em, parar por longos per´ıodos ininterruptos.

Os ventos também variam verticalmente sobre a superf´ıcie terrestre seguindo um indefinido gra-diente. Além disso, ele também pode variar na sua dire¸cão. As principais razões de suas varia¸cões estão ligadas ao seu comportamento em macroescala, mesoescala e microescala.

Silva (2003) define as varia¸cões de vento na escala de tempo em duas grandes classes: Varia¸cões Lentas e Varia¸cões Rápidas.

- Varia¸c˜oes lentas

As varia¸cões lentas de velocidade e de dire¸cão do vento ocorrem devido às mudan¸cas nas condi¸cões climáticas em macroescala. Estas varia¸cões afetam o comportamento do vento em áreas de grandes extensões e por per´ıodos que variam de meses a décadas. Esta classe engloba as Varia¸cões interanuais e as Varia¸cões sazonais

(30)

16 - Varia¸c˜oes interanuais

A velocidade de vento média anual é um dos mais importantes fatores a ser considerado nos estudos. O principal condicionante para as varia¸cões interanuais no Nordeste está ligado à mudan¸cas per-manentes nos padrões climáticos do planeta (por exemplo, a eleva¸cão da temperatura global) e pequenas irregularidades nos ciclos interanuais da ZCIT (por exemplo, episódios de El Niño e La Niña).

- Varia¸c˜oes sazonais

As mudan¸cas no comportamento da circula¸cão geral da atmosfera ao longo do ano provocam significativas varia¸cões sazonais da velocidade e da dire¸cão do vento. Estas varia¸cões estão associadas principalmente à movimenta¸cão da ZCIT ao longo do ano e forte efeitos de mesoescala, como gradientes térmicos oceano-continente no litoral e varia¸cões térmicas e gravitacionais no interior. Embora apresen-tando grandes amplitudes, as varia¸cões sazonais no Nordeste possuem uma forte regularidade de ano para ano.

As varia¸cões sazonais são de grande importância em estudos envolvendo o comportamento do vento, pois tem um efeito significante, principalmente no Nordeste, onde ocorre uma forte rela¸cão de complementaridade sazonal dos recursos eólicos para com os recursos h´ıdricos.

- Varia¸c˜oes r´apidas

Estão diretamente ligadas às varia¸cões dos ventos em mesoescala e microescala. Estas varia¸cões afetam o comportamento do vento em áreas localizadas, por per´ıodos de tempo que variam de dias a segundos. Nesta classe estão: Varia¸cões diurnas e Varia¸cões de curta dura¸cão.

As fortes varia¸cões, com periodicidade diurna, na velocidade e na dire¸cão do vento estão ligadas `

as diferen¸cas de temperatura entre as superf´ıcies (oceânicas e terrestres). No litoral do Nordeste, estas varia¸cões são, principalmente, ocasionadas por brisas mar´ıtimas e terrestres. Vale lembrar que a influência das brisas mar´ıtimas pode perdurar por uma extensão relativamente longa continente adentro. No interior, ocorrem fortes ciclos térmicos em montanhas e vales (brisas de montanhas/vales), associados a grandes efeitos orográficos (efeito de canaliza¸cão).

Ambos os fenômenos se caracterizam por grandes varia¸cões de velocidade e dire¸cão do vento ao longo do dia, embora sejam de grande regularidade, a velocidade do vento é sempre flutuante. Estas flutua¸cões estão associadas diretamente às condi¸cões de superf´ıcie do local, como a topografia, a rugosidade e os obstáculos. E, variam numa escala de tempo de minutos a décimos de segundos.

2.4 Comportamento sazonal e interanual do vento na regi˜

ao

Nordeste

Como visto anteriormente, a variabilidade do vento na região Nordeste é condicionada pela in-fluência de sistemas meteorológicos predominantes, suas atua¸cões durante o ano na região e suas peculi-aridades locais da camada limite, que proporcionam em particular algumas caracter´ısticas na circula¸cão

(31)

dos ventos.

No Nordeste do Brasil, o ciclo climático sazonal do vento é marcado nesta região. Em média, entre os meses de novembro a janeiro, a incursão de sistemas frontais, que se deslocam dos subtrópicos da América do Sul para o setor centro-sul do Nordeste causando chuvas nessa faixa, tendem a manter ventos predominantemente de sudoeste para nordeste e em alguns casos de sul para norte (LIRA, 2009). No verão e outono austrais (janeiro a maio), os ventos passam a soprar climatologicamente entre os quadrantes norte e leste, prevalecendo ventos de nordeste. Em alguns anos há influência diferentes neste setor associado a variabilidade interanual das anomalias de temperatura do mar no Atlântico Tro-pical, que podem alterar este regime. Anos em que as anomalias de TSM do Atlântico Tropical Norte estão mais quentes que as anomalias de TSM do Atlântico Tropical Sul, há uma frequência maior de ventos soprando de sudeste nesta região do NEB. Porém, neste per´ıodo de janeiro a maio, em particular mar¸co e abril, sobre o setor norte do Nordeste do Brasil, a Zona de Convergência Intertropical (ZCIT) atua causando eventos de chuvas mais frequentes na região, e em geral, a ocorrência de ventos mais fracos sobre esta área do Nordeste.

A partir de junho até o in´ıcio de novembro, o Nordeste semiárido é marcado por um per´ıodo de reduzida precipita¸cão, exceto o setor leste da região que tem seu per´ıodo chuvoso centrado entre abril e julho, com influência dos chamados Distúrbios Ondulatórios de Leste (perturba¸cões atmosféricas que se deslocam do Oceano Atlântico na dire¸cão do continente provocando chuvas na chamada zona da mata nordestina). Como não só em grande parte do Nordeste, mas também em grande parte da América do Sul, entre junho e novembro predomina-se uma massa de ar seco associada ao deslocamento do sistema de alta pressão, denominado de Alta Subtropical do Atlântico Sul (ASAS), para a costa leste-sudeste do Brasil, ocasionando sobre o Nordeste o predom´ınio de ventos soprando entre os quadrantes leste-sudeste. Este sistema no primeiro semestre do ano tem sua localiza¸cão preferencial no setor sudeste do Oceano Atlântico.

Além destas caracter´ısticas sinóticas que influenciam o regime de ventos no Nordeste do Brasil de forma interanual, as brisas terrestres e mar´ıtimas e os efeitos locais da camada limite planetária, são também fatores que têm papel importante nas mudan¸cas de dire¸cão e velocidade dos ventos na escala diária.

Silva (2003) definiu três grandes regiões eólicas no Nordeste, apresentando caracter´ısticas de vento singulares. Sendo estas: Litoral Norte-Nordeste, Litoral Nordeste-Sudeste e Nordeste Continental.

O Litoral Norte-Nordeste compreende a faixa litorânea do extremo norte do Maranhão ao ex-tremo sul no Rio Grande do Norte. As condi¸cões de vento em toda região são conduzidas, principalmente, pelo ciclo anual de posi¸cão e intensidade da ZCIT e pelas fortes ocorrências de brisas mar´ıtimas. Esta região foi dividida em 2 sub-regiões como mostra a Figura 2.11.

A primeira sub-região (Sub-região 1), que engloba praticamente todo o litoral do Maranhão, pos-sui regimes de vento anuais mais amenos (5–7 m/s à 50 m de altura), com decremento gradual à medida que se aproxima da ZCIT.

A segunda sub-região (Sub-região 2), que se estende do litoral do Piau´ı ao Rio grande do Norte, possui regimes eólicos muito fortes, apresentando velocidades médias anuais entre 7 e 9,5 m/s (50 m de

(32)

18 altura). A principal causa dos bons resultados de vento nesta sub-região é a a¸cão conjunta dos Ventos Al´ısios e das fortes brisas mar´ıtimas; ambas positivamente influenciadas pelo afastamento da ZCIT.

Figura 2.11: Litoral Norte-Nordeste. Fonte: Silva (2003)

A região denominada Litoral Nordeste-Sudeste se estende do extremo norte da Para´ıba até o extremo sul da Bahia. A figura 2.12 ilustra a área de abrangência do Litoral Nordeste-Sudeste.

Nesta faixa litorânea observa-se a diminui¸cão gradual da intensidade dos ventos; estando a mai-oria da costa entre 5 e 8 m/s (50 m de altura). Este fato é associado à combina¸cão de três fenômenos ocasionados pelo afastamento da zona equatorial.

O primeiro é ocasionado por uma redu¸cão na intensidade dos Ventos Al´ısios, devido à libera¸cão gradual do calor latente contido nas grandes massas superiores de ar à medida que se movimenta para os pólos. O segundo é a ocorrência de brisas mar´ıtimas mais fracas, devido à redu¸cão na magnitude dos gradientes térmicos oceano-terra. Esta redu¸cão está ligada a diminui¸cão da temperatura da superf´ıcie nas latitudes mais altas, fortalecida por efeitos de frentes frias remanescentes em alguns meses do ano. Por último, a a¸cão de frentes frias remanescentes que se propagam na costa sul da região.

Além desses, podem ser constatadas fortes ocorrências de zonas de convergências noturnas favore-cidas pela dire¸cão dos Ventos Al´ısios e das brisas terrestres, principalmente nos meses de outono e inverno.

(33)

Figura 2.12: Litoral Nordeste-Sudeste. Fonte: Silva (2003)

A região coberta pelo Nordeste Continental compreende toda a área continental interior do Nor-deste. Esta região eólica foi dividida em 2 sub-regiões (Figura 2.13).

Na primeira sub-região (Sub-região 1), que engloba praticamente todo o interior do Nordeste, a intensidade do vento decresce rapidamente à medida que se afasta do litoral, devido os efeitos da rugosi-dade, de barreiras naturais pela orografia regional e a diminui¸cão da contribui¸cão das brisas mar´ıtimas.

A intera¸c˜ao com outras massas de ar provenientes de outras regi˜oes alteram o clima de algumas ´

areas desta sub-região. Entre as mais importantes estão: a penetra¸cão de frentes frias provenientes do Sul do Brasil afeta a climatologia eólica no sul da Bahia, de novembro a fevereiro.

Observam-se, também, ocorrências de brisas de lagos em áreas isoladas, como as que circundam os grandes lagos da barragem de Sobradinho, na Bahia e da barragem de Itaparica, na divisa de Pernam-buco com a Bahia.

Entretanto, muitas áreas elevadas de montanhas, serras e chapadas que se estendem do Rio Grande do Norte a Bahia, apresentam condi¸cões que induzem a acelera¸cão dos ventos. Estas áreas foram classificadas como Sub-região 2 do Nordeste Continental.

As ocorrências de altas velocidades de vento se encontram de forma localizada, em áreas que apresentam fortes brisas de montanhas/vales ou onde a canaliza¸cão e a compressão vertical dos ventos é mais acentuada. As velocidades médias nestas condi¸cões variam de 6 a 10 m/s (50 m de altura).

Vale salientar que esta região apresenta n´ıveis de turbulência, de dispersão das ocorrências de vento e gradientes verticais de velocidade muito maiores que as observadas nas regiões litorâneas.

(34)

20

Figura 2.13: Litoral Nordeste-Sudeste. Fonte: Silva (2003)

2.5 Vis˜

ao geral dos m´

etodos de previs˜

ao do vento

Inúmeras técnicas foram identificadas para a previsão da velocidade do vento . Essas técnicas podem ser pelos os métodos numéricos de previsão do tempo (NWP, sigla em inglês), estat´ısticos, métodos baseados em redes neurais artificiais (RNA) e abordagens h´ıbridas. Os métodos NWP podem ser a técnica mais precisa para previsão de curto prazo. No entanto, no geral, métodos estat´ısticos, RNAs ou h´ıbridos baseados em observa¸cões realizam mais precisamente a previsão a curto prazo (Wu e Hong, 2007).

Modelo Holt-Winters

O método de Holt-Winters é um dos mais utilizados para a previsão, devido a sua simplicidade, baixo custo de opera¸cão, boa precisão e capacidade de ajustamento automático e rápido a mudan¸cas na série temporal. Este modelo possui três fatores ou coeficientes de alisamento: n´ıvel, tendência linear, fator sazonal e um elemento residual não previs´ıvel, chamado erro aleatório. Na estima¸cão desses fatores é utilizado o método de ajustamento exponencial, também chamado “suaviza¸cão exponencial”. O nome “suaviza¸cão” provém do fato de que a série depois de reduzida a seus componentes estruturais terá um número menor de varia¸cões bruscas, mostrando um comportamento mais suave. O termo “exponencial” aparece, porque os processos de suaviza¸cão envolvem as médias aritméticas ponderadas, onde os pesos decrescem exponencialmente na medida em que se avan¸ca no passado (Lúcio et al., 2010).

As equa¸cões de previsão se alocam de duas formas: aditiva ou multiplicativa, conforme a natureza da série. Para calcular as previsões de valores futuros da série é necessário estimar o n´ıvel e a tendência da série no per´ıodo atual, bem como os valores do fator sazonal correspondente ao último per´ıodo de sazonalidade. Estas estimativas são efetuadas por meio das seguintes equa¸cões:

(35)

Sazonalidade Aditiva – Nestes modelos s˜ao utilizadas as seguintes equa¸c˜oes recursivas (Eq. 2, 3 e 4):

ηt = α (yt − f t − s) + (1 − α) (nt − 1 + bt − 1) (Eq. 2) bt = β (nt − nt − 1) + (1 − β) bt − 1 (Eq. 3)

f t = γ (yt − nt) + (1 − γ)f t − s (Eq. 4)

Sazonalidade Multiplicativa – Nestes modelos s˜ao utilizadas as seguintes equa¸c˜oes recursivas (Eq. 5 e 6):

ηt = α_{f t−s}yt + (1 − α) (nt − 1 + bt − 1) (Eq. 5)

bt = β (nt − nt − 1) + (1 − β) bt − 1, f t = γ_ntyt+ (1 − γ) f t − s (Eq. 6)

onde α, β e γ,são constantes de amortecimento. Ao final de cada per´ıodo t, a estimativa do “passo” (tendência) e a componente sazonal são dadas por bt e ft, respectivamente. Já nt denota a

componente de n´ıvel.

Redes Neurais Artificais

As Redes Neurais Artificiais (RNAs) são modelos computacionais inspirados na estrutura neural de organismos inteligentes (ANOCHI, 2015). Seu comportamento surge das intera¸cões entre as unidades de processamento, que computam determinadas fun¸cões matemáticas (normalmente não-lineares). Tais neurônios de processamento podem ser distribu´ıdos em uma ou mais camadas e interligados por um grande número de conexões, os quais armazenam o conhecimento no modelo e ponderar cada entrada recebida na rede.

O modelo de neurônio artificiais proposto por McCulloch e Pitts (1943), interpreta o funciona-mento do neurônio biológico como um circuito binário simples que combina várias entradas e apenas um sinal de sa´ıda. Sua descri¸cão matemática resultou em um modelo com n terminais de entrada re-presentando os dendritos, e apenas uma sa´ıda simulando o axônio. Para emular o comportamento das sinapses, os terminais de entrada do neurônio artificial possuem pesos. Em termos matemáticos, podemos descrever um neurônio k escrevendo o seguinte par de equa¸cões (7 e 8):

vk =Pm

j=1wkjxj (Eq. 7)

e,

yk = Φ (vk + bk) (Eq. 8)

em que x1, x2, ..., xm são os sinais de entrada; wk1,wk2, ...,wkm são os pesos sinápticos do neurônio k; vk é a sa´ıda do combinador linear devido aos sinais de entrada; bk é o bias; φ é a fun¸cão de ativa¸cão; e yk é o sinal de sa´ıda do neurônio.

Uma RNA pode ser pensada como uma rede de “neurónios” organizados em camadas. Os predito-res (ou entradas) formam a camada inferior, e as previsões (ou sa´ıdas) formam a camada superior. Pode haver camadas intermediárias que contenham “neurônios ocultos”. A Figura 2.14, mostra um exemplo para a estrutura de uma RNA com 4 entradas e com 1 camada oculta. Os coeficientes ligados aos predi-tores são chamados de ”pesos”e comummente representado por wi. Os pesos são selecionados através de

(36)

22 um ”algoritmo de aprendizagem”, como é o caso do backpropagation (que surge do fato que o algoritmo se baseia na retropropaga¸cão dos erros para realizar os ajustes de pesos das camadas intermediárias), que minimiza o erro entre as séries temporais previstas e observadas (CADENAS; RIVERA, 2009).

Previsão de séries temporais é o processo de prever valores futuros de uma série temporal a partir do conhecimento de seus valores passados. Dentre as técnicas utilizadas para previsão de séries temporais estão aquelas baseadas em diferentes arquiteturas de RNA, do tipo feedforward como a Multi-Layer Perceptron (MLP). As redes MLP foram originalmente Previsão de séries temporais é o processo de prever valores futuros de uma série temporal a partir do conhecimento de seus valores passados. Dentre as técnicas utilizadas para previsão de séries temporais estão aquelas baseadas em diferentes arquiteturas de RNA, do tipo feedforward como a Multi-Layer Perceptron (MLP). As redes MLP foram originalmente concebidas para executar tarefas de natureza estática, não foram, portanto, idealizadas para tratar problemas temporais. O método de janela de tempo foi a primeira adapta¸cão da rede MLP treinada com o algoritmo backpropagation para processamento dinâmico (CADENAS; RIVERA, 2009).

Figura 2.14: Exemplo de estrutura RNA – MLP com algoritmo backpropagation com 3 entradas, 1 camada oculta e 1 sa´ıda. Fonte: Camelo, Lucio e Leal Junior (2016).

Na estrutura da RNA como, por exemplo, mostrada Fig. (2.14), as sa´ıdas de nós em uma camada são entradas para a próxima camada. O resultado é, em seguida, modificado por uma fun¸cão não linear antes da sa´ıda. Por exemplo, as entradas em neurônios j em camadas ocultas podem ser linearmente combinadas a partir da expressão (Eq. 9):

zj = bj +P3

(37)

Na camada oculta, a equa¸cão abaixo é modificada utilizando uma fun¸cão não linear, tal como um sigmoide dada pela seguinte expressão (Eq. 10):

s(z) = _1+e1−z (Eq. 10)

De acordo com Camelo, Lucio e Leal Junior (2016), uma rede neural é formada pela interconexão de unidades de processamento denominadas neurônios, que têm a propensão natural para armazenar conhecimento experimental e torná-lo dispon´ıvel para o uso. Assim, elas devem exibir caracter´ısticas básicas similares ao comportamento humano, tais como:

(i) Aprendizado: a RNA aprende por experiˆencia, a partir de treinamento baseado na apresenta¸c˜ao de exemplos;

(ii) Associa¸cão: a RNA é capaz de fazer associa¸cões entre padrões diferentes;

(iii) Generaliza¸cão: a RNA é capaz de generalizar por exemplos anteriores, ou seja, responder correta-mente a uma entrada nunca vista antes por similaridade aos padrões já apresentados. O aprendizado ou treinamento tem como finalidade efetuar os ajustes necessários nos parâmetros da RNA, representados pelos pesos sinápticos. O objetivo desta etapa é capacitar a RNA a associar um dado de entrada com um grau de semelhan¸ca aos exemplos já apresentados.

Modelagem h´ıbrida

Vários tipos de modelos h´ıbridos são utilizados para prever a velocidade do vento. As combina¸cões podem ser (WU; HONG 2007):

• Combina¸cão de modelos estat´ısticos e f´ısicos; • Combina¸cão de modelos de curto e médio prazo; • Combina¸cão de modelos estat´ısticos.

O objetivo dos modelos h´ıbridos é se beneficiar das vantagens de cada modelo e obter uma previsão com um ótimo desempenho.

Variáveis meteorológicas: Reanálises

A principal limita¸cão para a avalia¸cão do recurso do vento é a indisponibilidade ou falta de homo-geneidade nas séries temporais de dados observados. Para superar as limita¸cões, os dados de reanálises estão dispon´ıveis para um longo per´ıodo com uma considerável homogeneidade e têm sido usado em diversos estudos sobre comportamento de vento (Cannon et al 2015, Rose and Apt 2015, Staffell and Pfenninger 2016).

As variáveis meteorológicas das reanálises são resultados de assimila¸cão de observa¸cões de dife-rentes fontes (e.x: dados de satélite, esta¸cões meteorológicas, boias oceânicas, observa¸cões por navio e avião, radiossondagens, dentre outros), nas quais são inseridas em modelos atmosféricos a fim de gerar dados para o globo inteiro.

(38)

24 é um exemplo de reanálise que tem o comportamento do vento na altura de 50 metros acima da superf´ıcie do solo. A reanálise usa o modelo de circula¸cão geral da atmosfera Goddard Earth Observing System-5 com um esquema de assimila¸cão de dados 4D-VAR. Os dados são horários com uma resolu¸cão horizontal de 0,625◦ x 0,5◦ e 72 n´ıveis verticais (MOLOD et. al, 2015).

As caracter´ısticas climatológicas médias de uma simula¸cão de 30 anos usando o MERRA-2 para toda a grade de latitude-longitude e com resolu¸cão horizontal de 0,5◦x0,5◦ foi avaliada comparando a reanálise com dados de satélite e de esta¸cões. Foram encontrados melhorias em alguns aspectos como a circula¸cão média. As parametriza¸cão da turbulência da camada limite no MERRA-2 inclui uma modifi-ca¸cão substancial da rela¸cão entre a rugosidade da superf´ıcie oceânica e o cisalhamento do vento. Mais detalhes dos estudos em Molod et. al (2015).

(39)

Cap´ıtulo 3

Metodologia

3.1 Base de dados observacionais e ´

Area de estudo

As torres anemométricas (TA) foram instaladas nas seguintes localidades: Belo Jardim (08◦ 22’ 03”S e 36◦ 25’ 46”O) - Estado de Pernambuco e Camocim (02◦51’ 59,7”S e 40◦ 53’ 09,2”W) - Estado do Ceará. Os dados de Belo Jardim foram obtidos por meio do Sistema de Organiza¸cão Nacional de dados Ambientais (SONDA - http://sonda.ccst.inpe.br/), cuja rede de dados é gerenciada pelo Instituto Naci-onal de Pesquisa Espaciais (INPE) com apoio do Ministério de Ciência, Tecnologia e Inova¸cão (MCTI). Já os dados de Camocim foram obtidos da Torre Anemométrica (TA) de propriedade da Secretaria de Infra-Estrutura do Ceará (SEINFRA/CE - www.seinfra.ce.gov.br).

A velocidade do vento foi medida a 50 metros de altura da superf´ıcie, cujos sensores de vento do tipo sônico reportam valores a cada 10 minutos, no per´ıodo selecionado de 01 de outubro a 31 de dezembro de 2004 para ambas as localidades. As séries temporais registradas a cada 10 minutos foram integrados num intervalo de 1 hora para o mesmo per´ıodo com o uso do software Windographer 4.0.28. A seguir, apresenta-se na Figura 3.1 a localiza¸cão de cada TA usada e a Tabela 3.1, a fonte de dados, as caracter´ısticas locais e as coordenadas geográficas.

Munic´ıpio/Estado Altitude (m) Relevo Vegeta¸c˜ao Coordenadas Geogr´aficas Belo Jardim/PE 718 Planalto Caatinga 8◦22’S/36◦25’W

Camocim/CE 8 Plan´ıcie Caatinga 2◦51’56,7”S/40◦53’09,2”W Tabela 3.1: Caracter´ısticas locais e localiza¸c˜ao geogr´afica.

(40)

26

Figura 3.1: Localiza¸cão em destaque de cada Torre Anemométrica utilizada no estudo. Fonte: Própria autora (2017).

3.2 Aspectos clim´

aticos de Belo Jardim/PE e Camocim/CE

O munic´ıpio de Belo Jardim/PE é caracterizado por clima quente e seco, tropical chuvoso, com temperaturas mais amenas no per´ıodo chuvoso, no qual, geralmente inicia-se no mês de abril podendo estender-se até agosto ou setembro. A pluviometria da região varia de 650 a 1000 mm anuais (PERNAM-BUCO, 2007). O clima Camocim/CE é do tipo Tropical Quente Semiárido e os ´ındices pluviométricos apresentam pequena varia¸cão entre o alto, médio e baixo curso, com precipita¸cões médias anuais em torno de 889,45 mm e temperaturas médias anuais próximas de 24,75◦C (CEAR Á, 2016)

3.3 M´

etodo de aplica¸

c˜

ao

As predi¸cões para 24 horas foram realizadas com os modelos Holt-Winters, RNA e h´ıbrido, aplicando-os nas séries temporais de Belo Jardim/PE e Camocim/CE com o uso do software R (versão 1.0.136).

O método usado consistiu em dividir as séries em três etapas para realizar a previsão a partir de 30, 60 e 90 dias de dados observados. A primeira etapa, para 30 dias, foi utilizado dados observados do dia 01 a 30 de outubro de 2004 e com a previsão para o dia 31 de outubro. Para 60 dias, foi iniciado no

(41)

dia 01 de outubro até 29 de novembro de 2004 e a previsão foi realizada no dia seguinte, 30 de novembro de 2004. E por fim, para 90 dias, iniciou-se no dia 01 de outubro a 29 de dezembro de 2004, com a previsão feita para o dia 30 de dezembro de 2004.

3.4 Modelos, rean´

alise e configura¸

c˜

oes

3.4.1 Holt-Winters

Como apresentado no cap´ıtulo 2, o modelo de suaviza¸cão exponencial simples é usado para lidar com dados que apresentam tendência linear e sazonalidade (de forma aditiva ou multiplicativa). O modelo Holt-Winters Aditivo é comumente utilizado quando a amplitude de varia¸cão sazonal se mantém prati-camente constante, ou seja, a diferen¸ca entre o maior e o menor ponto da variável permanece constante com o passar do tempo.

O modelo Holt-Winters aditivo foram usados nos dados de Camocim/CE para as séries temporais de 30, 60 e 90 dias e Belo Jardim para as séries de 30 e 60 dias. Dessa forma, para Belo Jardim com 90 dias de dados, foi utilizado o modelo Holt-Winters Multiplicativo, visto que na forma aditiva, a predi¸cão ficaram com valores negativos.

3.4.2 Redes Neurais Artificiais

A utiliza¸cão deste modelo é fornecida através do pacote forecast a partir da fun¸cão nnetar, que por sua vez, é simbolizada por NNAR(p,P,k) em que p (representa a quantidade de entradas), por exemplo, (Yt-1, Yt-2, Yt-3,..., Yt-p) e P (é referente a dados sazonais), e por k (representa o número de neurônios na camada oculta). A RNA baseou-se no algoritmo de aprendizagem backpropagation para o processamento dinâmico.

3.4.3 Modelo H´ıbrido

A fun¸cão hybridModel do pacote forecastHybrid no software R ajusta múltiplos modelos indivi-duais para gerar previsões combinadas (ensemble). O default deste pacote funciona bem na maioria dos casos, no entanto, podem ser combinados dois a cinco modelos com os seguintes argumentos:

• a.args: usa a fun¸cão arima para o auto-regressivo integrado de médias móveis na ordem dos três parâmetros (p, d, q). O processo de ajustar o modelo arima é referente ao método Box-Jenkins; • e.args: refere-se ao modelo ets que utiliza suaviza¸cão exponencial, ajustando a série com base nos

seguintes elementos: erro, tendˆencia e sazonalidade;

• n.args: ajusta um modelo de redes neurais univariado utilizando a fun¸c˜ao nnetar;

• s.args: baseia-se na fun¸cão stlm que combina a previsão com a decomposi¸cão sazonal ajustada na série;

(42)

28 • t.args: a fun¸cão tbats acopla o modelo suaviza¸cão exponencial com transforma¸cão Box-Cox, ARMA

e componentes sazonais e de tendˆencia.

Neste trabalho foi ajustado o modelo ”nst”, que acopla os argumentos: n.args, s.args e t.args.

3.4.4 Rean´

alise: MERRA-2

A reanálise MERRA-2 foi obtida no s´ıtio da MDISC (https://disc.sci.gsfc.nasa.gov/), desenvol-vido pela NASA Goddard Earth Sciences, em formato NetCDF. O software GrADS foi utilizado para ler as reanálises nesse formato e através de um script (em formato .gs) extraiu os valores da variável.

3.5 Avalia¸

c˜

ao dos modelos

A avalia¸cão do desempenho das técnicas de previsão foi feita empregando-se o coeficiente de correla¸cão de Pearson (r), o Erro Médio Absoluto (MAE, do inglês Mean Absolute Error) e a Raiz do Erro Quadrático Médio (simbolizado por RMSE, do inglês Root Mean Squared Error). O coeficiente de correla¸cão de Pearson tem sua magnitude compreendida entre os valores -1 e 1. Essa magnitude mede a “intensidade” da rela¸cão entre as duas variáveis. Sendo assim, um coeficiente igual a 0,6 possui maior grau de dependência linear que um de 0,3. Um coeficiente de valor zero indica a total ausência de re-lacionamento linear entre as variáveis e coeficientes de valores 1 e -1 indicam uma perfeita dependência linear entre elas. Dessa forma, utilizou-se para a medida de correla¸cão, os dados observados e os dados modelados, a fim de se obter o grau de relacionamento linear entre ambas. Na literatura, considera-se a classifica¸cão dos valores de correla¸cões de Pearson como bem fraca (0r<0,19), fraca (0,20r<0,39), mo-derada (0,40r<0,69), forte (0,70r<0,89) e bem forte (0,90r<1,00) (Andriotti, 2003). É matematicamente representado por (Eq. 11):

(Eq. 11)

em que r representa o coeficiente de correla¸c˜ao linear para uma amostra e n o n´umero de pares de dados presentes.

Para avaliar o grau de dispersão entre os valores modelados (ˆy) e observados (y), são usados ´ındices que fornecem o desempenho do modelo com rela¸cão a observa¸cão. Quanto mais próximo ao valor zero, maior é a acurácia do modelo. O Erro Médio Absoluto mede o valor médio da destreza entre as séries observadas e previstas. É dado em módulo e é representado matematicamente por (Eq. 12):

(Eq. 12)

A Raiz do Erro Quadrático Médio representa as diferen¸cas entre a predi¸cão (P) e o valor real (O), apresentando valores do erro nas mesmas dimensões da variável analisada (m/s). Pode ser definido matematicamente por (Eq. 13):

(43)