DEPARTAMENTO DE ENGENHARIA GEOGRÁFICA, GEOFÍSICA E ENERGIA
Impacto das alterações climáticas no recurso solar em África
Ana Francisca Prista Caetano Ferrari
Mestrado Integrado em Engenharia da Energia e do Ambiente
Dissertação orientada por:
Professor Doutor Pedro M. M. Soares
Doutora Rita M. Cardoso
Em primeiro lugar, queria agradecer ao Professor Pedro e à Professora Rita pela introdução ao tema, pelo apoio, pelos conselhos e pelos conhecimentos que me concederam ao longo deste trabalho.
Ao Manuel Nascimento, aluno de doutoramento da Faculdade de Ciências da Universidade de Lisboa, pelo fornecimento dos dados e pelas dicas dadas ao longo da realização deste trabalho.
Queria agradecer aos meus amigos da faculdade, pelas trocas de ideias, pela ajuda e sobretudo pela motivação ao longo desta última fase que ultrapassámos juntos. Ao João Miguel, pela amizade durante estes últimos sete anos de vida académica.
Aos meus amigos de Tomar, os Fofos, que apesar de não estarem presentes na realização deste trabalho, estiveram e estão comigo há muitos anos.
Por fim e o maior agradecimento de todos, à minha família, especialmente aos meus pais, Francisco e Helena, que tornaram estes últimos sete anos possíveis e que sempre me apoiaram ao longo desta fase.
A análise do comportamento dos recursos ao longo do tempo, tendo em consideração um clima em mudança, é considerado um estudo importante de modo a compreender os efeitos que estas alterações climáticas provocam. Neste trabalho, realiza-se uma análise do recurso solar no continente africano, ou seja, é feita uma avaliação do impacto que as alterações climáticas provocam na radiação solar.
Para caracterizar o recurso solar é necessário analisá-lo em clima presente e realizar projeções futuras. Sendo assim, tendo como base modelos regionais retirados do portal do Coordinated Regional
Downscaling Experiment (Africa-CORDEX), para a caracterização do clima presente, foram
consideradas duas simulações, uma onde os diferentes modelos regionais são forçados pela reanálise ERA-Interim (simulação hindcast), e outra onde os modelos são forçados por modelos de circulação geral (GCMs) num período de 1971 a 2000 (simulações históricas). Para as projeções futuras foram considerados dois cenários de forçamento radiativo, no período de 2071 a 2100, o RCP 4.5 e o RCP 8.5. Nas diferentes simulações foi criado um ensemble multimodelo de forma a que a radiação solar fosse representada o mais próximo da realidade possível. Os ensembles das simulações de clima presente foram validados com observações provenientes do CM-SAF, apresentando boa capacidade na representação da radiação solar, dado que os erros obtidos foram pouco significativos.
O clima presente é caracterizado por duas simulações distintas. Ambas apresentam um pico de radiação média anual, em certas regiões no norte e no sul de África (Namíbia), na ordem dos 2500 kWh/m2. Estas
regiões são caracterizadas por um clima desértico, por outro lado, nas regiões intertropicais, zonas em que se observa elevada cobertura nebulosa, verificam-se os valores mais baixos de radiação média anual, 1200 kWh/m2. Após a análise do clima presente, este foi comparado com as projeções futuras de ambos
os cenários de forma a se obterem as anomalias para o futuro da radiação solar. Ao analisar as anomalias projetadas verifica-se que o cenário RCP 8.5 apresenta anomalias mais acentuadas, na ordem dos ± 5% (ganho ou perda de recurso). Relativamente ao cenário RCP 4.5 verificam-se anomalias que não ultrapassam os 3% em relação a ganho e perda de recurso. Contudo, já se presumia, que o cenário RCP 8.5 apresentasse anomalias no recurso mais elevadas, dado que este apresenta níveis de emissões mais drásticos. No entanto, estas anomalias são consideradas pouco expressivas, uma vez que, apenas em certas regiões se observa uma diminuição ou aumento mais acentuado nos valores de radiação média.
The analysis of the behaviour of resources over time, considering possible climatic changes, is considered an important study to understand the effects of these changes. In this work, an analysis of the solar resource in the African continent is carried out, that is, an assessment of the impact that climate change on solar radiation is performed.
To characterize the solar resource, it is necessary to analyse it in present climate and to make future projections. Based on regional models taken from the Coordinated Regional Downscaling Experiment (Africa-CORDEX) portal, two simulations were considered for the characterization of the present climate. In these, the different regional models are either forced by the ERA-Interim reanalysis (hindcast simulation), or by general circulation models (GCMs) from 1971 to 2000 (historical simulations). For the future projections two scenarios of radiative forcing were considered, RCP 4.5 and RCP 8.5, for the period 2071 to 2100. With the different simulations, a multimodel ensemble was created so that solar radiation was represented as close to reality as possible. The ensembles of the present climate simulations were validated with observations from the CM-SAF, displaying good capacity to represent the solar radiation, since the errors obtained were not very high.
The present climate, characterized by two distinct simulations, has an average annual radiation peak in some regions in the north and south of Africa (Namibia), of the order of 2500 kWh/m2 in both
simulations. These regions are characterized by a desert climate, on the other hand, in the intertropical regions, areas with high cloud cover, the lowest average annual radiation values are 1200 kWh/m2. After
the analysis of the present climate, this was compared with the future projections of both scenarios to obtain the anomalies for the future of solar radiation. In analysing the projected anomalies, it is verified that the RCP scenario 8.5 shows more severe anomalies, ± 5% (gain or loss of resource). The RCP scenario 4.5 anomalies do not exceed 3% in relation to gain and loss of resource. However, it is already assumed that the RCP 8.5 scenario would have higher resource anomalies because it has more drastic emission levels. Still, these anomalies are considered to be of little significance, as only a few regions show a more pronounced decrease or increase in mean radiation values.
Índice
Agradecimentos ... iii
Resumo ... v
Abstract ... vi
Índice de Figuras ... ix
Índice de Tabelas ... xiii
Acrónimos ... xiv
Simbologia e Notações ... xv
Capítulo 1 - Introdução... 17
1.1. Enquadramento geral ... 17
1.2. Modelos regionais de clima ... 19
1.3. Objetivos e estrutura da dissertação ... 21
Capítulo 2 - Dados e métodos ... 23
2.1. Modelos climáticos ... 23
2.1.1. Simulações hindcast ... 25
2.1.2. Simulações Histórico e Futuro ... 25
2.2. Observações CM-SAF ... 27
2.3. Metodologia... 27
Capítulo 3 - Recurso solar ... 31
3.1. Clima presente ... 31
3.1.1. Observações CM-SAF ... 31
3.1.2. Africa-CORDEX – hindcast ... 33
3.1.2.1. Validação do ensemble multimodelo (hindcast) ... 40
3.1.3. Africa-CORDEX – Histórico ... 43
3.1.3.1. Validação do ensemble multimodelo (Histórico) ... 44
3.1.4. Simulações históricas vs. Simulações hindcast ... 47
3.2. Clima no futuro ... 51
3.2.1. Africa-CORDEX – Cenário RCP4.5 ... 51
3.2.1.1. Anomalias (Cenário RCP4.5 – Histórico) ... 52
3.2.2. Africa-CORDEX – Cenário RCP8.5 ... 56
3.2.2.1. Anomalias (Cenário RCP8.5 – Histórico) ... 57
3.2.3. Cenário RCP8.5 vs. Cenário RCP4.5 ... 61
3.3. Análise do ciclo anual à escala mensal ... 65
3.4. Análise regional do ciclo anual ... 67
3.4.1. Cenário RCP 4.5 – Histórico ... 67
3.4.2. Cenário RCP 8.5 – Histórico ... 69
4. Conclusões ... 73
Índice de Figuras
Figura 1.1- Radiação global horizontal em África entre 2004 e 2010 [kWh/m2]. Fonte: Solargis ... 18
Figura 1.2- Estrutura esquemática de um modelo de circulação geral. Fonte: Pennsylvania State University [15] ... 19
Figura 1.3- Estrutura esquemática de modelo regional de clima. Fonte: Giorgi et al., 2015 ... 20
Figura 2.1- Domínios do CORDEX. Fonte: Giorgi et al., 2015. ... 23
Figura 2.2- Domínio Africa-CORDEX. Fonte: Climate Limited-area Modelling Community ... 24
Figura 3.1- Radiação média anual observada pelo CM-SAF entre 1990 e 2005 [kWh/m2]. ... 31
Figura 3.2- Radiação média sazonal observada pelo CM-SAF entre 1990 e 2005 [kWh/m2]. ... 32
Figura 3.3- Radiação média anual para cada RCM forçado pela reanálise ERA-Interim [kWh/m2]. ... 34
Figura 3.4- Radiação média sazonal (estação DJF) para cada RCM forçado pela reanálise ERA-Interim [kWh/m2]. ... 35
Figura 3.5- Radiação média sazonal (estação MAM) para cada RCM forçado pela reanálise ERA-Interim [kWh/m2]. ... 36
Figura 3.6- Radiação média sazonal (estação JJA) para cada RCM forçado pela reanálise ERA-Interim [kWh/m2]. ... 37
Figura 3.7- Radiação média sazonal (estação SON) para cada RCM forçado pela reanálise ERA-Interim [kWh/m2]. ... 38
Figura 3.8- Radiação média anual do ensemble dos RCMs sincronizados (hindcast) [kWh/m2]. ... 39
Figura 3.9- Radiação média sazonal do ensemble dos RCMs sincronizados (hindcast) [kWh/m2]. ... 40
Figura 3.10- Bias percentual anual entre o ensemble do hindcast e as observações do CM-SAF [%]. 41 Figura 3.11- Bias percentual sazonal entre o ensemble do hindcast e as observações do CM-SAF [%]. ... 42
Figura 3.12- Radiação média anual para o ensemble das simulações históricas do Africa-CORDEX [kWh/m2]. ... 43
Figura 3.13- Radiação média sazonal para o ensemble das simulações históricas do Africa-CORDEX [kWh/m2]. ... 44
Figura 3.14- Bias percentual anual entre o ensemble do Histórico e as observações do CM-SAF [%]. 45 Figura 3.15- Bias percentual sazonal entre o ensemble do Histórico e as observações do CM-SAF [%]. ... 46
Figura 3.16- a) Diferença anual absoluta [kWh/m2] entre as simulações históricas e as simulações hindcast. b) Diferença anual relativa [%] entre as simulações históricas e as simulações hindcast. .... 47
Figura 3.17- a) Diferença sazonal (estação DJF) absoluta [kWh/m2] entre as simulações históricas e as
simulações hindcast. b) Diferença sazonal (estação DJF) relativa [%] entre as simulações históricas e as simulações hindcast. ... 48 Figura 3.18- a) Diferença sazonal (estação MAM) absoluta [kWh/m2] entre as simulações históricas e
as simulações hindcast. b) Diferença sazonal (estação MAM) relativa [%] entre as simulações históricas e as simulações hindcast... 48 Figura 3.19- a) Diferença sazonal (estação JJA) absoluta [kWh/m2] entre as simulações históricas e as
simulações hindcast. b) Diferença sazonal (estação JJA) relativa [%] entre as simulações históricas e as simulações hindcast. ... 49 Figura 3.20- a) Diferença sazonal (estação SON) absoluta [kWh/m2] entre as simulações históricas e as
simulações hindcast. b) Diferença sazonal (estação SON) relativa [%] entre as simulações históricas e as simulações hindcast. ... 50 Figura 3.21- Radiação média anual para o ensemble das simulações futuras do cenário RCP 4.5 [kWh/m2]. ... 51
Figura 3.22- Radiação média sazonal para o ensemble das simulações futuras do cenário RCP 4.5 [kWh/m2]. ... 52
Figura 3.23 a) Anomalia absoluta anual entre o ensemble do cenário RCP 4.5 e o ensemble Histórico [kWh/m2]. b) Anomalia relativa anual entre o ensemble do cenário RCP 4.5 e o ensemble Histórico [%].
... 53 Figura 3.24 a) Anomalia absoluta sazonal (estação DJF) entre o ensemble do cenário RCP 4.5 e o
ensemble Histórico [kWh/m2]. b) Anomalia relativa sazonal (estação DJF) entre o ensemble do cenário
RCP 4.5 e o ensemble Histórico [%]. ... 53 Figura 3.25 a) Anomalia absoluta sazonal (estação MAM) entre o ensemble do cenário RCP 4.5 e o
ensemble Histórico [kWh/m2]. b) Anomalia relativa sazonal (estação MAM) entre o ensemble do cenário
RCP 4.5 e o ensemble Histórico [%]. ... 54 Figura 3.26 a) Anomalia absoluta sazonal (estação JJA) entre o ensemble do cenário RCP 4.5 e o
ensemble Histórico [kWh/m2]. b) Anomalia relativa sazonal (estação JJA) entre o ensemble do cenário
RCP 4.5 e o ensemble Histórico [%]. ... 55 Figura 3.27 a) Anomalia absoluta sazonal (estação SON) entre o ensemble do cenário RCP 4.5 e o
ensemble Histórico [kWh/m2]. b) Anomalia relativa sazonal (estação SON) entre o ensemble do cenário
RCP 4.5 e o ensemble Histórico [%]. ... 55 Figura 3.28- Radiação média anual para o ensemble das simulações futuras do cenário RCP 8.5 [kWh/m2]. ... 56
Figura 3.29- Radiação média sazonal para o ensemble das simulações futuras do cenário RCP 8.5 [kWh/m2]. ... 57
Figura 3.30 a) Anomalia absoluta anual entre o ensemble do cenário RCP 8.5 e o ensemble Histórico [kWh/m2]. b) Anomalia relativa anual entre o ensemble do cenário RCP 8.5 e o ensemble Histórico [%].
Figura 3.31 a) Anomalia absoluta sazonal (estação DJF) entre o ensemble do cenário RCP 8.5 e o
ensemble Histórico [kWh/m2]. b) Anomalia relativa sazonal (estação DJF) entre o ensemble do cenário
RCP 8.5 e o ensemble Histórico [%]. ... 58 Figura 3.32 a) Anomalia absoluta sazonal (estação MAM) entre o ensemble do cenário RCP 8.5 e o
ensemble Histórico [kWh/m2]. b) Anomalia relativa sazonal (estação MAM) entre o ensemble do cenário
RCP 8.5 e o ensemble Histórico [%]. ... 59 Figura 3.33 a) Anomalia absoluta sazonal (estação JJA) entre o ensemble do cenário RCP 8.5 e o
ensemble Histórico [kWh/m2]. b) Anomalia relativa sazonal (estação JJA) entre o ensemble do cenário
RCP 8.5 e o ensemble Histórico [%]. ... 60 Figura 3.34 a) Anomalia absoluta sazonal (estação SON) entre o ensemble do cenário RCP 8.5 e o
ensemble Histórico [kWh/m2]. b) Anomalia relativa sazonal (estação SON) entre o ensemble do cenário
RCP 8.5 e o ensemble Histórico [%]. ... 60 Figura 3.35- a) Diferença anual absoluta [kWh/m2] entre o cenário RCP 8.5 e o RCP 4.5. b) Diferença
anual relativa [%] entre o cenário RCP 8.5 e o RCP 4.5. ... 61 Figura 3.36- a) Diferença sazonal (estação DJF) absoluta [kWh/m2] entre o cenário RCP 8.5 e o RCP
4.5. b) Diferença sazonal (estação DJF) relativa [%] entre o cenário RCP 8.5 e o RCP 4.5. ... 62 Figura 3.37- a) Diferença sazonal (estação MAM) absoluta [kWh/m2] entre o cenário RCP 8.5 e o RCP
4.5. b) Diferença sazonal (estação MAM) relativa [%] entre o cenário RCP 8.5 e o RCP 4.5. ... 62 Figura 3.38- a) Diferença sazonal (estação JJA) absoluta [kWh/m2] entre o cenário RCP 8.5 e o RCP
4.5. b) Diferença sazonal (estação JJA) relativa [%] entre o cenário RCP 8.5 e o RCP 4.5. ... 63 Figura 3.39- a) Diferença sazonal (estação SON) absoluta [kWh/m2] entre o cenário RCP 8.5 e o RCP
4.5. b) Diferença sazonal (estação SON) relativa [%] entre o cenário RCP 8.5 e o RCP 4.5. ... 63 Figura 3.40- Média do somatório dos valores médios de radiação mensais do ensemble Histórico e
ensemble correspondente aos dois cenários de RCPs [kWh/m2]. ... 65
Figura 3.41 a) Anomalias absolutas existentes mensalmente entre os dois cenários de RCPs e o Histórico [kWh/m2]. b) Anomalias relativas existentes mensalmente entre os dois cenários de RCPs e o Histórico
[%]. ... 66 Figura 3.42- Anomalias relativas anuais existentes entre o ensemble do cenário RCP 4.5 e o ensemble Histórico do CORDEX, focando a zona com mais ganho de recurso [%]. ... 67 Figura 3.43 a) Média do somatório dos valores de radiação mensais do ensemble Histórico e do ensemble do cenário RCP 4.5 [kWh/m2] para a zona de mais ganho de recurso. b) Anomalias absolutas [kWh/m2]
e relativas [%] existentes mensalmente entre o ensemble do cenário RCP 4.5 e o ensemble do Histórico para a zona de mais ganho de recurso. ... 68 Figura 3.44- Anomalias absolutas anuais existentes entre o ensemble do cenário RCP 4.5 e o ensemble Histórico do CORDEX, focando a zona com mais perda de recurso [%]. ... 68 Figura 3.45 a) Média do somatório dos valores de radiação mensais do ensemble Histórico e do ensemble do cenário RCP 4.5 [kWh/m2] para a zona de mais perda de recurso. b) Anomalias absolutas [kWh/m2]
e relativas [%] existentes mensalmente entre o ensemble do cenário RCP 4.5 e o ensemble do Histórico para a zona de mais perda de recurso. ... 69 Figura 3.46- Anomalias absolutas anuais existentes entre o ensemble do cenário RCP 8.5 e o ensemble Histórico do CORDEX, focando a zona com mais ganho de recurso [%]. ... 69
Figura 3.47 a) Média do somatório dos valores de radiação mensais do ensemble Histórico e do ensemble do cenário RCP 8.5 [kWh/m2] para a zona de mais ganho de recurso. b) Anomalias absolutas [kWh/m2]
e relativas [%] existentes mensalmente entre o ensemble do cenário RCP 8.5 e o ensemble do Histórico para a zona de mais ganho de recurso. ... 70 Figura 3.48- Anomalias absolutas anuais existentes entre o ensemble do cenário RCP 8.5 e o ensemble Histórico do CORDEX, focando a zona com mais perda de recurso [%]. ... 70 Figura 3.49 a) Média do somatório dos valores de radiação mensais do ensemble Histórico e do ensemble do cenário RCP 8.5 [kWh/m2] para a zona de mais perda de recurso. b) Anomalias absolutas [kWh/m2]
e relativas [%] existentes mensalmente entre o ensemble do cenário RCP 8.5 e o ensemble do Histórico para a zona de mais perda de recurso. ... 71 Figura A.0.1- Esquema da Zona de Convergência Intertropical nos meses de janeiro e agosto. ... 79 Figura A.0.2- Radiação média anual para cada modelo RCM conduzidos pelo CMIP5 no período Histórico [kWh/m2]. ... 80
Figura A.0.3- Radiação média sazonal (estação DJF) para cada modelo RCM conduzidos pelo CMIP5 no período Histórico [kWh/m2]. ... 81
Figura A.0.4- Radiação média sazonal (estação MAM) para cada modelo RCM conduzidos pelo CMIP5 no período Histórico [kWh/m2]. ... 82
Figura A.0.5- Radiação média sazonal (estação JJA) para cada modelo RCM conduzidos pelo CMIP5 no período Histórico [kWh/m2]. ... 83
Figura A.0.6- Radiação média sazonal (estação SON) para cada modelo RCM conduzidos pelo CMIP5 no período Histórico [kWh/m2]. ... 84
Índice de Tabelas
Tabela 2.1- RCMs hindcast Africa-CORDEX. ... 25 Tabela 2.2- RCMs Histórico e futuro Africa-CORDEX. ... 26 Tabela 3.1- Erros estatísticos e desvio padrão anuais e sazonais entre o ensemble do hindcast e as observações do CM-SAF... 43 Tabela 3.2- Erros estatísticos e desvios padrão anuais e sazonais entre o ensemble do Histórico e as observações do CM-SAF... 47
Acrónimos
GCM – General Circulation Model
AGCMs – Atmospheric General Climate Models OGCMs – Ocean General Climate Models RCM – Regional Climate Model
CORDEX – Coordinated Regional Climate Downscaling Experiment WCRP – World Climate Research Programme
CM-SAF – Climate Monitoring Satellite Application Facility PVGIS – Photovoltaic Geographical Information System
ECMWF – European Centre for Medium-Range Weather Forecasts RCP – Representative Concentration Pathway
CLM – Climate Limited-area Modelling DMI – Danish Meteorological Institute
KNMI – Koninklijk Nederlands Meteorologisch Instituut MOHC – Met Office Hadley Centre
MPI – Max Planck Institute for Meteorology
SMHI – Swedish MeteorologicaL and Hydrological Institute UQAM – Universite du Quebec a Montreal
DJF – dezembro, janeiro e fevereiro MAM – março, abril e maio
JJA – junho, julho e agosto
SON – setembro, outubro e novembro MAE – Mean Absolute Error
MAPE – Mean Absolute Percentage Error RMSE – Root Mean Square Error
Simbologia e Notações
CO2 – Dióxido de carbonorsds – surface downwelling shortwave radiation ppm – parte por milhão
N – Número de dados
Mi – Valor estimado i
Oi – Valor observado i
– Média dos valores estimados – Média dos valores observados
– Desvio padrão dos dados estimados – Desvio padrão dos dados observado – Desvio padrão normalizado
– Anomalia absoluta – Anomalia relativa – Futuro
Capítulo 1 - Introdução
1.1. Enquadramento geral
As alterações climáticas são consideradas a maior ameaça ambiental no presente século, e são maioritariamente devidas às emissões de gases de efeito de estufa provocadas por ações antropogénicas. O Homem, de forma a combater as necessidades energéticas mundiais, utiliza métodos menos favoráveis para o meio ambiente, como os combustíveis fosseis, que ao queimar carvão, petróleo e gás, emitem gases prejudiciais não só para o ambiente como para a saúde de toda a população. Por outro lado, a desflorestação também contribui para o aumento destes gases na atmosfera, visto que as florestas absorvem carbono. Desde a Revolução Industrial, iniciada por volta de 1760, os níveis de dióxido de carbono (CO2) têm vindo a aumentar drasticamente, dado que aumentaram cerca de 38% e os níveis de
metano aumentaram 148% (Riebeek, 2010). O aumento de moléculas de gases de efeito de estufa na atmosfera leva ao aumento da temperatura média da superfície do planeta, sendo que no século entre 1905 e 2005, esta aumentou 0,74ºC (IPCC, 2007). As mudanças climáticas, em particular a variabilidade das chuvas, afetam a agricultura que está dependente desta para se desenvolver, sendo este sector o mais afetado (Bartholomė et al., 2013). O aumento da população e a falta de acesso à eletricidade exige que os governos e a população considerem fontes de energia renováveis na produção de energia.
Com o objetivo de diminuir o rápido avanço das consequências que as alterações climáticas estão a tomar, muitos países são parte integrante de diversos protocolos que apresentam metas claras para reduzir as emissões. As propostas de cada país são designadas de acordo com a sua taxa de emissão, levando a que cada um adote novas tecnologias para a produção de energia. Estas novas tecnologias dizem respeito à utilização de recursos energéticos renováveis para a produção de energia com o mínimo de atividade poluente. O sol, o vento, a biomassa, a energia geotérmica, os rios e os mares fazem parte desses recursos, sendo que já é possível verificar a existência de diversas técnicas de obtenção de energia a partir deles. No entanto, estes recursos são vulneráveis e não são lineares no tempo, para além de que nem todas as regiões do planeta serem favoráveis à implementação de sistemas que visam produzir energia a partir deles.
Na presente dissertação, o recurso energético renovável que irá ser analisado é o recurso solar. Analisando a produção energética global, verificamos que a produção através de energia solar fotovoltaica representou uma pequena porção de 1,5% no final de 2016 (REN21, 2017). No entanto, apesar de ser uma percentagem pequena e visto que é uma tecnologia recente, existe uma motivação para a utilização do recurso solar na produção de energia. Em determinados países já existem diversas técnicas – como coletores solares, painéis fotovoltaicos, entre outros – para a produção de energia através deste recurso. Contudo, a disponibilidade do recurso é o fator mais significativo, uma vez que a viabilidade técnica e económica da implementação de um sistema de qualquer tecnologia de aproveitamento de energia solar depende evidentemente desse fator. Por conseguinte, a análise do recurso em múltiplos locais é crucial para maximizar o desempenho da tecnologia instalada, e realizar previsões futuras.
A região em que irá ser analisado o recurso solar na presente dissertação, é o continente africano. Este continente é rico em carvão e as suas necessidades energéticas são maioritariamente satisfeitas por tal (Fant et al., 2016). No entanto, a capacidade instalada de energia solar fotovoltaica tem vindo a crescer em África. No final do ano de 2014, a capacidade acumulada instalada era de 1334 MW, muito superior à verificada em 2009 (127 MW). A África do Sul está a liderar este rápido crescimento, adicionando
780 MW entre 2013 e 2014 (IRENA, 2015). Na Figura 1.1, é possível ver o potencial da energia solar neste continente, que entre 2004 e 2010, registou valores médios anuais de radiação global horizontal superiores a 1600 kWh/m2 em todo o continente, existindo locais como o Egito, o Chade, a Líbia, e o
Sudão no norte de África que apresentam valores superiores a 2200 kWh/m2, assim como a Namíbia,
no sul de África. Assim sendo, para que se torne viável o uso deste recurso, é necessário analisar o seu comportamento ao longo dos anos tendo em conta que estamos num clima em mudança.
A caracterização deste recurso passa por analisar e quantificar a radiação solar existente em determinados locais ao longo de um período de tempo. A melhor forma de analisar a radiação solar é a partir de radiómetros colocados em estações terrestres, assumindo que estes estão bem calibrados e sujeitos a uma boa manutenção (Ruiz-Arias et al., 2015). Deste modo, quando existe uma quantidade suficiente de estações terrestres, os métodos de interpolação são apropriados para avaliar o recurso numa dada região (Rehman e Ghori, 2000). No entanto, a manutenção dos radiómetros é dispendiosa, levando a que a disponibilidade de medições seja bastante escassa e limitada. Deste modo, alguns autores consideram que quando a distância entre as estações é superior a 30 km, a avaliação do recurso solar deve ser baseada em dados provenientes de satélites (Perez et al., 1997; Zelenka et al., 1999). Durante as últimas décadas, as técnicas baseadas em satélites tornaram-se o método padrão para a caracterização do recurso solar à escala regional, continental ou global. Contudo, estes métodos ainda sofrem limitações relacionadas com a descrição tridimensional das propriedades microfísicas e óticas das nuvens, afetando o cálculo da radiação direta normal (Ruiz-Arias et al., 2015).
Deste modo, o interesse generalizado em compreender o clima, motivou o desenvolvimento e a aplicação de modelos regionais de clima e técnicas estatísticas de forma a ser exequível o fornecimento de dados climáticos em escalas espaciais e temporais. Estes modelos climáticos são a única ferramenta que permite compreender e projetar como evoluirá o clima, e em particular a radiação solar, no contexto de um clima em mudança.
1.2. Modelos regionais de clima
Os modelos climáticos são usados na investigação das interações e processos do sistema climático e da sua evolução. Neste âmbito, estes modelos permitem caracterizar o clima presente, sendo sincronizados com dados observacionais e realizar projeções para o sistema climático no futuro, tendo em conta diferentes cenários de aumento de concentrações do CO2 na atmosfera.
As simulações do clima global são efetuadas recorrendo a modelos de circulação geral (GCMs – General
Circulation Models). Os GCMs baseiam-se em princípios gerais de dinâmica de fluidos e termodinâmica
(Lupo e Kininmonth, 2013). Como é possível ver na Figura 1.2, os modelos gerais de circulação descrevem as interações entre os elementos do sistema climático global, como a atmosfera, os oceanos e a superfície da Terra, no entanto estes domínios são tratados separadamente visto que atuam processos diferentes em cada um deles. Assim, integram os modelos de circulação geral, os AGCMs (Atmospheric
General Climate Models) que simulam as circulações existentes na atmosfera e o OGCMs (Ocean General Climate Models) que simulam as circulações oceânicas (Giorgi et al., 2009). A principal função
dos AGCMs e dos OGCMs é compreender a dinâmica das componentes físicas do sistema climático e fazer projeções com base nas concentrações futuras de gases de efeito de estufa (Flato et al., 2013).
Os modelos fornecem uma vasta gama de simulações numéricas de transições climáticas durante o passado, presente e futuro. Não obstante, estes modelos apresentam algumas limitações associadas à
escassez de dados observacionais para estabelecer as condições iniciais (Lupo e Kininmonth, 2013). As observações meteorológicas são obtidas por estações terrestres e estes dados são raros, principalmente nas zonas desabitadas (Lupo e Kininmonth, 2013). Outra limitação é que muitos dos processos atmosféricos, como tempestades convectivas, ocorrem em escalas espaciais muito menores do que a resolução de um GCM, sendo que esta pode ir dos 75 aos 200 km. Os processos de troca de energia, que ocorrem em escalas menores do que a resolução do modelo, devem ser aproximados ou parametrizados na maior escala (Lupo e Kininmonth, 2013).
As limitações dos GCMs, principalmente devido às resoluções utilizadas, levaram à necessidade de criar modelos que pudessem resolver processos de escala menor. Assim, foram criados os modelos climáticos regionais (RCMs – Regional Climate Models) (Giorgi et al., 2015) que apresentam uma maior resolução numa área limitada, como se pode ver pela Figura 1.3, ou seja os RCMs são forçados pelas condições fronteira dos GCMs ou de reanálises. Os RCMs são um método de pesquisa complementar, permitindo resolver processos físicos em escalas menores e consequentemente apresentam detalhes importantes levando a um realismo acrescido (Rummukainen, 2010). Os resultados destes modelos podem ser também denominados como downscaling.
Downscaling é o processo de retirar informação à larga escala para fazer previsões à escala local. Esta
técnica pode ser dividida em duas categorias: estatística e dinâmica (Rummukainen, 2010). Estas duas componentes são complementares e ambas possuem pontos fortes e fracos. A técnica de downscaling dinâmico refere-se ao uso de simulações regionais de alta resolução para simular os processos termo-hidrodinâmicos do sistema climático às escalas regionais ou locais de interesse. No que diz respeito ao
downscaling estatístico, este engloba o uso de várias técnicas baseadas em estatística para determinar as
relações entre os padrões climáticos em grande escala resolvidos pelos modelos climáticos globais e as respostas climáticas locais observadas (Rummukainen, 2010).
De forma a analisar o clima presente são utilizados os modelos regionais de clima, forçados pelas condições fronteira de uma reanálise ou dos GCMs. As primeiras são sincronizadas com o clima presente podendo os seus resultados serem comparados diretamente com observações de estações meteorológicas terrestres (hindcast), e as segundas não são sincronizadas, integrando os GCMs livremente a partir das condições iniciais.
As projeções para o futuro são concebidas utilizando os modelos de circulação geral que consideram diferentes cenários no que diz respeito à concentração de CO2 na atmosfera (RCPs – Representative
Concentration Pathways). Estes cenários apresentam diferentes trajetórias no que diz respeito à
concentração de gases de efeito de estufa na atmosfera, ou seja, apresentam diferentes panoramas futuros para as emissões de origem antropogénica (van Vuuren et al., 2011).
Posto isto, recorrendo aos modelos regionais de clima para a caracterização do clima presente e recorrendo a diferentes cenários de forma a realizar projeções futuras para o clima, irá ser possível analisar o comportamento do recurso solar em África, observando o impacto das alterações climáticas no clima. A partir deste estudo, será facilitada a análise dos locais em África propícios ao desenvolvimento de centrais de energia solar.
1.3. Objetivos e estrutura da dissertação
O principal foco presente nesta dissertação é caracterizar a radiação solar em clima presente, realizar projeções futuras de forma a representar a radiação no futuro, e por fim analisar as anomalias existentes nos valores de radiação entre o futuro e o presente, com o objetivo de avaliar o impacto das alterações climáticas.
Na caracterização do clima presente, serão analisados resultados de diferentes simulações efetuadas com modelos regionais de clima state-of-the-art, sendo que estes vão ser sujeitos a uma verificação do seu desempenho confrontando-os com observações. Para a realização de projeções futuras, serão considerados dois cenários distintos no que toca ao evoluir das alterações climáticas, um mais drástico do que outro, no que diz respeito a concentrações de CO2 e emissões de gases.
Tendo em conta os objetivos mencionados, foi adotada a seguinte estrutura para a presente dissertação: Primeiramente são apresentados os dados utilizados provenientes do portal do CORDEX, as observações a serem utilizadas na validação dos ensembles de clima presente, e a metodologia implementada no tratamento de dados (Capítulo 2);
De seguida, é realizada uma caracterização da radiação em clima presente (Capítulo 3.1), por parte das observações (Capítulo 3.1.1) e por parte do CORDEX (Capítulo 3.1.2 e 3.1.3); De forma a que se observe o desempenho das diferentes simulações de clima presente, estas são
comparadas entre si (Capítulo 3.1.4);
Já caracterizado o clima presente, no Capítulo 3.2. estão representados os ensembles das duas simulações de projeções futuras de clima, bem como as anomalias existentes na radiação em cada cenário entre o futuro e o período histórico (Capítulo 3.2.1 e 3.2.2);
No Capítulo 3.2.3, ambos os cenários de RCPs são comparados entre si de forma a serem observadas as diferenças entre eles;
Com o objetivo de realizar uma análise pormenorizada das anomalias, estas foram representadas mensalmente (Capítulo 3.3.) e regionalmente, sendo que são focadas as zonas com anomalias mais acentuadas (Capítulo 3.4.);
Por fim, no capítulo 4 está descrita uma conclusão geral acerca do impacto das alterações climáticas no recurso solar.
Capítulo 2 - Dados e métodos
Nesta secção irão ser apresentados pormenorizadamente os diferentes modelos regionais utilizados na caracterização do clima presente e futuro, bem como, os diferentes cenários analisados para a realização de projeções futuras. Com a finalidade de perceber o desempenho dos modelos regionais utilizados, estes vão ser comparados com observações, sendo assim, estas serão apresentadas também nesta secção. Por fim, irá ser apresentada a metodologia implementada na presente dissertação.
2.1. Modelos climáticos
O Coordinated Regional Climate Downscaling Experiment (CORDEX) do WCRP (World Climate
Research Programme) tem o propósito de criar projeções climáticas com maior qualidade através dos
modelos regionais de clima. Sendo assim, o CORDEX apresenta como principais objetivos: (1) melhorar a compreensão dos fenómenos climáticos regionais/locais relevantes, sua variabilidade e mudanças através de downscaling; (2) avaliar e melhorar os modelos e as técnicas regionais de downscaling do clima; (3) produzir conjuntos coordenados de downscaling de projeções climáticas para várias regiões do mundo; (4) promover o intercâmbio de comunicação e conhecimento com os utilizadores das informações climáticas regionais (Giorgi et al., 2015). Os domínios CORDEX abrangem a maioria das áreas terrestres no mundo (Giorgi et al., 2009), como é possível verificar pela Figura 2.1.
Na Figura 2.2 está representado o domínio que será analisado, o domínio Africa-CORDEX, uma área compreendida entre 45.76ºS a 42.24ºN e entre 24.64ºW a 60.28ºE.
Na presente dissertação serão utilizadas quatro realizações do CORDEX. Em primeiro lugar, serão analisados os resultados dos modelos forçados pela reanálise da ERA-Interim (Dee et al., 2011) do
European Centre for Medium-Range Weather Forecasts (ECMWF) que abrange o período entre 1989
e 2008. Este produto obtém os dados a partir de uma reanálise produzida com um esquema sequencial de assimilação de dados observacionais, avançando no tempo usando ciclos de análise de 12 horas. Em cada ciclo, as observações disponíveis são combinadas com resultados de um modelo de previsão para estimar o estado evolutivo da atmosfera global e da sua superfície adjacente (Dee et al., 2011). Deste modo, obtém simulações do tipo hindcast, sincronizando os RCMs CORDEX com dados observacionais.
Em segundo lugar e analisando também o clima presente, serão utilizados RCMs forçados por GCMs do CMIP5 (Coupled Model Intercomparison Project, Phase 5), abrangendo o período entre 1971 e 2000 (designado por Histórico). A geração 5 do CMIP é impulsionada por forçamentos de composição atmosférica recentemente definidos para as condições climáticas atuais (Brands et al., 2013). O Histórico é forçado por alterações observadas na composição atmosférica (refletindo fontes antropogénicas e naturais), sendo que este período cobre grande parte da época industrial (Taylor et al., 2012). No entanto, nas simulações a longo prazo, os eventos climáticos individuais não forçados vão corresponder apenas por coincidência com as observações. Por exemplo, os anos em que acontece o fenómeno El Niño, numa simulação histórica, vão raramente coincidir com os anos em que realmente aconteceram os fenómenos El Niño. Isto acontece porque as simulações históricas iniciam-se num ponto arbitrário, então as variações internas (mesmo que estas sejam previsíveis) não são esperadas que aconteçam no mesmo tempo das que são registadas nas observações (Taylor et al., 2012). Sendo assim, quando as simulações históricas são comparadas com observações, é esperado que exista uma discrepância, não sendo atribuída a erros do modelo (Taylor et al., 2012).
No que diz respeito às projeções futuras, o CORDEX recorre aos diferentes RCPs, cenários de concentração de CO2 na atmosfera futura. Cada cenário RCP contém um conjunto de valores iniciais e
até 2100, com base em suposições sobre atividade económica, fontes de energia, crescimento populacional e outros fatores socioeconómicos (Wayne, 2014). Neste estudo apenas se irão analisar dois cenários, o RCP 4.5 que prevê um futuro em que as emissões atingem o seu pico em 2040 e depois estabilizam, sendo que estabiliza o forçamento radiativo a 4,5 W/m2 no ano de 2100 sem exceder esse
valor (van Vuuren et al., 2011), e o RCP 8.5 que assume que as emissões de gases continuam a aumentar
ao longo do século XXI, ou seja, representa o cenário mais elevado em termos de emissões, levando a um forçamento radiativo de 8,5 W/m2 (van Vuuren et al., 2011).
Os RCMs Africa-CORDEX foram forçados por diferentes modelos globais de diferentes equipas, com uma resolução espacial de 0.44º (aproximadamente 50 km) de forma a permitir um grande conjunto de projeções climáticas. A variável considerada é a radiação de curto comprimento de onda (Surface
Downwelling Shortwave Radiation – rsds) [W/m2].
2.1.1. Simulações hindcast
O output de 8 modelos regionais, forçado pela reanálise do ERA-Interim, é utilizado como referência para os resultados obtidos no Histórico. Na Tabela 2.1, estão representados os diferentes modelos.
Tabela 2.1- RCMs hindcast Africa-CORDEX. Modelo
GCM Instituição Modelo RCM Instituição Período Acrónimos
ECMWF-ERAINT
European Centre for Medium-Range Weather Forecasts CLMcom-CCLM4-8-17 Climate Limited-area Modelling Community 1989-2008 CLM ERAINT ECMWF-ERAINT
European Centre for Medium-Range Weather
Forecasts
DMI-HIRAM5 Danish Meteorological
Institute 1989-2010 DMI ERAINT
ECMWF-ERAINT
European Centre for Medium-Range Weather Forecasts KNMI-RACMO22T Koninklijk Nederlands Meteorologisch Instituut 1979-2012 ERAINT KNMI ECMWF-ERAINT
European Centre for Medium-Range Weather
Forecasts
MOHC-HadGEM3-RA
Met Office Hadley
Centre 1990-2008
HadGEM3-RA EHadGEM3-RAINT
ECMWF-ERAINT
European Centre for Medium-Range Weather
Forecasts
MOHC-HadRM3P
Met Office Hadley
Centre 1990-2011
HadRM3P ERAINT
ECMWF-ERAINT
European Centre for Medium-Range Weather
Forecasts
MPI-CSC-REMO2009
Max Planck Institute for
Meteorology 1989-2008 MPI ERAINT
ECMWF-ERAINT
European Centre for Medium-Range Weather Forecasts SMHI-RCA4 Swedish MeteorologicaL and Hydrological Institute 1980-2010 SMHI ERAINT ECMWF-ERAINT
European Centre for Medium-Range Weather Forecasts UQAM-CRCM5 Universite du Quebec a Montreal 1979-2012 UQAM ERAINT
2.1.2. Simulações Histórico e Futuro
O output de 20 modelos forçados por GCMs do CMIP5 está apresentado na Tabela 2.2. As características dos modelos apresentados são para o Histórico (período entre 1971 e 2000) e para os dois cenários de RCPs de clima no futuro (período entre 2071 e 2100).
Tabela 2.2- RCMs Histórico e futuro Africa-CORDEX.
Modelo GCM Instituição Modelo RCM Instituição Acrónimo
CNRM-CM5
Centre National de Recherches Météorologiques/Centre Européen
de Recherche et de Formation Avancées en Calcul Scientifique,
France CLMcom-CCLM4-8-17 Climate Limited-area Modelling Community CLM CNRM
ICHEC-EC-EARTH EC-EARTH consortium
CLMcom-CCLM4-8-17
Climate Limited-area
Modelling Community CLM ICHEC
MOHC-HadGEM2-ES Met Office Hadley Centre CCLM4-8-17 CLMcom- Modelling Community Climate Limited-area CLM MOHC
MPI-ESM-LR Max Planck Institute for Meteorology CCLM4-8-17 CLMcom- Modelling Community Climate Limited-area CLM MPI
ICHEC-EC-EARTH EC-EARTH consortium HIRHAM5 DMI- Danish Meteorological Institute DMI ICHEC
NCC-NorESM1-M Norwegian Climate Centre
DMI-HIRHAM5
Danish Meteorological
Institute DMI NCC
ICHEC-EC-EARTH EC-EARTH consortium
KNMI-RACMO22T Koninklijk Nederlands Meteorologisch Instituut KNMI ICHEC
MOHC-HadGEM2-ES Met Office Hadley Centre
KNMI-RACMO22T Koninklijk Nederlands Meteorologisch Instituut KNMI MOHC
ICHEC-EC-EARTH EC-EARTH consortium
MPI-CSC-REMO2009
Max Planck Institute for
Meteorology MPI ICHEC
MPI-ESM-LR Max Planck Institute for Meteorology REMO2009 MPI-CSC- Max Planck Institute for Meteorology MPI MPI
CCCma-CanESM2 Canadian Centre for Climate Modelling and Analysis SMHI-RCA4
Swedish MeteorologicaL and Hydrological
Institute
SMHI CCC
CNRM-CM5
Centre National de Recherches Météorologiques/Centre Européen
de Recherche et de Formation Avancées en Calcul Scientifique,
France
SMHI-RCA4 Swedish MeteorologicaL and Hydrological Institute
SMHI CNRM
CSIRO-Mk3-6-0
Commonwealth Scientific and Industrial Research Organization in
collaboration with the Queensland Climate Change Centre of
Excellence, Australia
SMHI-RCA4
Swedish MeteorologicaL and Hydrological
Institute SMHI CSIRO
ICHEC-EC-EARTH EC-EARTH consortium SMHI-RCA4
Swedish MeteorologicaL and Hydrological Institute SMHI ICHEC
IPSL-CM5A-MR Institut Pierre Simon Laplace SMHI-RCA4
Swedish MeteorologicaL and Hydrological Institute SMHI IPSL MIROC-MIROC5
Atmosphere and Ocean Research Institute/ University of Tokyo/ National Institute for Environmental
Studies/ Japan Agency for Marine-Earth Science and Technology
SMHI-RCA4 Swedish MeteorologicaL and Hydrological Institute SMHI MIROC
MOHC-HadGEM2-ES Met Office Hadley Centre SMHI-RCA4
Swedish MeteorologicaL and Hydrological
Institute
SMHI MOHC MPI-ESM-LR Max Planck Institute for Meteorology SMHI-RCA4 Swedish MeteorologicaL and Hydrological
Institute
SMHI MPI
NCC-NorESM1-M Norwegian Climate Centre SMHI-RCA4
Swedish MeteorologicaL and Hydrological
Institute SMHI NCC
NOAA-GFDL-GFDL-ESM2M
Geophysical Fluid Dynamics
Laboratory SMHI-RCA4
Swedish MeteorologicaL and Hydrological
Institute
2.2. Observações CM-SAF
As observações utilizadas neste trabalho são baseadas em deteção remota de satélites à escala global e com cobertura contínua. O Climate Monitoring Satellite Application Facility (CM-SAF) do EUMETSAT (European Organization for the Exploitation of Meteorological Satellites) visa disponibilizar um conjunto de dados de parâmetros geofísicos derivados de satélites adequados à análise do sistema climático (Schulz et al., 2009). O CM-SAF fornece um conjunto de dados regionais de radiação solar à superfície (variável SIS), radiação direta (variável SID) e albedo efetivo (variável CAL), com resoluções espaciais e temporais para o período entre 1983 e 2005 (Posselt et al., 2012). Este conjunto de dados abrange a Europa, a África, o Oceano Atlântico e partes da América do Sul. As diferentes variáveis do CM-SAF estão disponíveis em média mensal, diária e horária (Posselt et al., 2012).
Na presente dissertação, de forma a verificar o desempenho dos modelos regionais de clima, estes vão ser validados pelas observações provenientes pelo CM-SAF, dado que estes podem apresentar discrepâncias em relação aos dados registados, como já foi referido anteriormente. Sendo assim, a variável a ser analisada, será SIS (Surface Incoming Shortwave Radiation), apresentada em W/m2, no
continente africano, numa resolução de 0,44º no período entre 1990 e 2005.
2.3. Metodologia
O recurso solar tem por base a variável rsds (radiação de curto comprimento de onda) providenciada pelos modelos apresentados nas Tabelas 2.1 e 2.2, presentes no subcapítulo 2.1. Para cada modelo regional foi utilizada a mesma metodologia.
De forma a analisar o clima presente e realizar projeções futuras foram consideradas as simulações de clima regional hindcast, Histórico e ambos os cenários de RCPs. Os resultados da radiação anual e sazonal dos modelos foram escrutinados de modo a caracterizar a dispersão dos seus valores, sendo que é realizada uma análise pormenorizada do desempenho de cada modelo regional. Tendo em conta que os resultados da radiação nas escalas climáticas de cada RCM são bastante diferentes foi construído um
ensemble multimodelo a partir dos diferentes modelos regionais. Os ensembles representam um novo
recurso para estudar a gama de respostas climáticas plausíveis a um determinado forçamento. Os
ensembles podem ser gerados a partir de uma variedade de modelos de diferentes centros de pesquisa
(como é o caso na presente dissertação), ou podem ser gerados a partir de várias versões de um certo modelo (Randall et al., 2007). Para a criação do ensemble foi calculado um somatório mensal da variável
rsds e posteriormente, este foi dividido pelo número de anos, correspondente ao intervalo de anos de
cada modelo, e pelo número de modelos, obtendo assim valores de radiação mensal média acumulada, equação 1.
= ∑
º × º [ / ] [1]
De maneira a analisar os resultados obtidos pelo ensemble, estes foram calculados anualmente, realizando o somatório dos valores mensais obtidos anteriormente, e sazonalmente, calculando o
somatório dos três meses da estação correspondente (DJF – dezembro, janeiro e fevereiro; MAM – março, abril e maio; JJA – junho, julho e agosto; SON – setembro, outubro e novembro).
Após a obtenção dos valores anuais, sazonais e mensais, e dado que a variável rsds se encontra originalmente em W/m2, esta foi convertida em kWh/m2 segundo a equação 2.
ã = [ / ] × 24[ℎ] × 0,001 = [ ℎ/ ] [2]
De modo a avaliar o desempenho dos modelos regionais utilizados na caracterização do clima presente, estes foram comparados com observações providenciadas pelo CM-SAF. Sendo assim, foram analisadas as discrepâncias entre o ensemble sincronizado (hindcast) com as observações, e o ensemble não sincronizado (Histórico) com as observações. A avaliação da qualidade dos dados simulados é realizada por meio de erros estatísticos padrão, ou seja, irão ser utilizados os seguintes conceitos: BIAS (equação 3), percentagem BIAS (equação 4), MAE – Erro Absoluto Médio (equação 5), MAPE – Erro Absoluto Médio em percentagem (equação 6), RMSE – Erro Quadrado Médio da Raiz (equação 7), desvio padrão das simulações – – e das observações – (equação 8), e o desvio padrão normalizado ( ) (equação 9). = 1 ( − ) [ ℎ/ ] [3] = ∑ ( − ) ∑ × 100 [%] [4] = 1 | − | [ ℎ/ ] [5] = ∑ | − | ∑ × 100 [%] [6] = 1 ( − ) [ ℎ/ ] [7] = ∑ ( − ) ou = ∑ ( − ) [8] = [9]
Por outro lado, também foi realizada uma comparação entre o hindcast e o Histórico, de forma a perceber as diferenças entre os modelos que foram forçados pela reanálise e os que não foram, no entanto há que ter em conta que estes dois ensembles não têm o mesmo número de modelos (Tabela 2.1 e 2.2). No caso das projeções futuras, os cenários também são comparados entre si, de forma a verificar o impacto na radiação, que as características de cada cenário provocam.
Para concluir e como o principal objetivo da presente dissertação, foram calculadas as anomalias absolutas e relativas, de forma a que seja possível avaliar o impacto das alterações climáticas no recurso
solar. Sendo assim, para o cálculo das anomalias foi utilizado o ensemble dos RCMs forçados pelos GCMs, Histórico, e o ensemble de ambos os cenários de RCPs. Para obter as anomalias absolutas ( ) recorreu-se à equação 10, obtendo o valor em kWh/m2, e para as anomalias relativas ( ) utilizou-se a
equação 11, obtendo os valores em %.
De forma a realizar uma análise global das anomalias existentes entre as projeções futuras e o clima presente, as anomalias foram representadas a nível mensal, fazendo o somatório de todos os valores de radiação de cada ponto de longitude e latitude de cada mês, dividindo pelo número de pontos.
Tendo em conta, as zonas em que existem as anomalias mais acentuadas, ou seja, mais perda e mais ganho de recurso, foi realizado um estudo a nível regional, calculando o somatório de todos os valores médios de radiação de cada ponto de longitude e latitude de cada mês para as regiões selecionadas, dividindo pelo número total de pontos de cada zona.
= − [ ℎ/ ] [10]
Capítulo 3 - Recurso solar
3.1. Clima presente
Inicialmente, as observações provenientes do CM-SAF são analisadas, bem como os modelos regionais apresentados na Tabela 2.1, forçados pela reanálise ERA-Interim e o ensemble multimodelo. Posteriormente é analisado o ensemble multimodelo dos modelos regionais apresentados na Tabela 2.2 para o período Histórico. Por fim, os diferentes ensembles são validados pelas observações do CM SAF e é realizada uma comparação entre os dois ensembles.
3.1.1. Observações CM-SAF
Na Figura 3.1 estão representados os valores de radiação anual entre o período de 1990 e 2005, dados fornecidos pelo CM-SAF. Como é possível verificar, o norte de África, ao longo do deserto Saara, Somália, Etiópia, Eritreia e o sul de África, Namíbia, Angola e Botswana, são caracterizados por valores de radiação anuais elevados como 2300 kWh/m2, e em certas zonas do norte de África são observáveis
valores de radiação na ordem dos 2500 kWh/m2. Estas zonas são caracterizadas por um clima desértico
quente, significando que nestas regiões o clima é de grande amplitude térmica e baixa cobertura nebulosa, levando a uma baixa pluviosidade e valores de radiação elevados. No que diz respeito aos valores de radiação mais baixos, estes são visíveis perto da linha do Equador, zona de convergência intertropical (ZCIT), mais concretamente em países como o Gabão e o Congo, onde o clima é considerado tropical, e nas regiões sul do continente, na costa de África do Sul. Estes valores são na ordem dos 1400 kWh/m2 em conformidade com o clima característico das zonas referidas, dado que
este apresenta elevada cobertura nebulosa.
Os valores de radiação estão representados na Figura 3.2 a nível sazonal. Na estação DJF, verão austral, e na estação JJA, verão boreal, é onde se verificam os valores de radiação mais elevados. Estes são na ordem dos 700 kWh/m2 no sul de África (DJF) e no norte de África (JJA), e em certas regiões atinge os
800 kWh/m2. Estas zonas apresentam um clima caracterizado como sendo desértico e semiárido. No que
diz respeito aos valores mais baixos de radiação, estes são visíveis no inverno boreal (DJF), no inverno austral (JJA) e na linha do Equador onde se encontra a ZCIT. Nesta zona, a radiação atinge valores na ordem dos 300 kWh/m2.
Nas restantes estações, MAM e SON, os valores de radiação estão compreendidos entre os 350 e os 700 kWh/m2. No entanto, na estação SON são poucas as zonas que apresentam 700 kWh/m2, contrariamente
ao que se verifica na estação MAM no norte de África.
3.1.2. Africa-CORDEX – hindcast
Primeiramente, foram analisados os diferentes RCMs forçados pela reanálise ERA-Interim presentes na Tabela 2.1. Sendo assim, a variável rsds analisada segundo a metodologia anteriormente descrita está representada na Figura 3.3, esta figura representa a radiação média anual para cada RCM, e nas Figuras 3.4, 3.5, 3.6 e 3.7, a radiação média sazonal, estação DJF, MAM, JJA e SON, respetivamente, para cada RCM.
Analisando a Figura 3.3 é possível verificar que os modelos HadGEM3-RA ERAINT, HadRM3P ERAINT, SMHI ERAINT e UQAM ERAINT apresentam valores mais elevados em relação aos restantes, sendo que o pico máximo destes modelos acontece no norte de África onde são visíveis valores na ordem dos 2400 a 2600 kWh/m2 e nos modelos HadGEM3-RA ERAINT, HadRM3P ERAINT e
SMHI ERAINT, em países como o Chade, o Níger e o Sudão, atinge os 2800 kWh/m2. No que diz
respeito aos valores mínimos de radiação, nestes quatro modelos verifica-se que são mais elevados comparativamente com os restantes, dado que apresentam valores de radiação por volta dos 1600 kWh/m2 na zona intertropical. No entanto, estas zonas são bastante confinadas e apenas são visíveis na
costa da África Ocidental e na zona costeira de África do Sul, na restante área intertropical os valores rondam os 1800 e os 2200 kWh/m2.
Relativamente aos restantes modelos (CLM ERAINT, DMI ERAINT, KNMI ERAINT e MPI ERAINT), o valor máximo de radiação observado é de 2400 kWh/m2 no norte de África, deserto Saara,
em países como na Mauritânia, no Mali, no Sudão e no Chade (modelos CLM ERAINT, KNMI ERAINT e MPI ERAINT), no modelo DMI ERAINT, o norte de África é caracterizados por valores na ordem dos 2200 kWh/m2. Em certos países do Sul também se verifica valores de radiação nesta ordem,
como na Namíbia, e no modelo KNMI ERAINT, atinge também em países como Angola, Zâmbia e Botswana. Nestes modelos, os níveis mais baixos de radiação média são entre os 600 kWh/m2 (modelo
CLM ERAINT) e os 1000 kWh/m2 observáveis na zona intertropical. No modelo CLM ERAINT, a área
em que são observados estes valores, é bem visível atravessando o continente de este a oeste, nos restantes, apenas se verificam valores desta ordem do lado oeste, em países como Congo, República Democrática do Congo, Camarões, Nigéria, Gana, Libéria, entre outros.
Os valores de radiação mais baixos são observados em todos os modelos perto da linha do Equador, isto porque se trata da zona de convergência intertropical. Esta zona é caracterizada por convecção persistente, nuvens e precipitação (Nicholson, 2009). Ao se verificarem valores baixos de radiação, isto está associado à existência de nuvens com grande desenvolvimento vertical e forte precipitação (Schneider et al., 2014).
A nível sazonal, na Figura 3.4 está representada a radiação para a estação DJF. Nesta estação, todos os modelos apresentam um pico máximo nos valores de radiação na ordem dos 750 kWh/m2 no sul de
África, em países como Namíbia e África do Sul, representando o verão austral. Nos modelos HadGEM3-RA ERAINT, HadRM3P ERAINT, MPI ERAINT, SMHI ERAINT e UQAM ERAINT, também são visíveis valores na ordem dos 650 kWh/m2 na zona intertropical norte numa área reduzida,
em países como o Quénia e a Etiópia, exceto no modelo SMHI ERAINT que é uma área maior, percorrendo países da Nigéria e Camarões até à Somália.
No que diz respeito aos valores de radiação mais baixos, estes são visíveis no norte de África (inverno boreal), atingindo valores entre os 100 e os 200 kWh/m2 em todos os modelos, no entanto, nos modelos
CLM ERAINT, DMI ERAINT, KNMI ERAINT e MPI ERAINT, valores desta ordem são também visíveis na zona de convergência intertropical que nesta estação encontra-se a sul da linha do Equador (Figura A.1). Estes valores estão associados à cobertura nebulosa nesta zona, dado que os valores de radiação são baixos em países como Congo, República Democrática do Congo, Angola e Tanzânia.
Seguidamente, está representada na Figura 3.5, a estação MAM. No norte de África, nos modelos HadGEM3-RA ERAINT, HadRM3P ERAINT, SMHI ERAINT e UQAM ERAINT, são observáveis os valores mais elevados de radiação na ordem dos 750 kWh/m2, enquanto que nos restantes modelos
verificam-se valores como 700 kWh/m2. Esta zona é caracterizada por um clima desértico, sendo assim
é expectável que esta apresente valores de radiação altos, dado que é uma zona em que existe pouca cobertura de nuvens, tem uma grande amplitude térmica e o clima é quente e muito seco.
Perto da linha do Equador são verificados os valores mais baixos de radiação na ordem dos 200 kWh/m2
e apenas se verificam no modelo CLM ERAINT e nos modelos KNMI ERAINT e MPI ERAINT em menores regiões, na zona intertropical e no sul de África. Nos restantes modelos, os valores mais baixos de radiação apenas atingem os 350 kWh/m2 nas zonas referidas anteriormente. Ao contrário da zona
climática do norte de África, esta zona apresenta grande cobertura nebulosa, daí os valores serem mais baixos.
Na Figura 3.6, está representada a estação JJA. Os modelos HadGEM3-RA ERAINT, HadRM3P ERAINT, SMHI ERAINT e UQAM ERAINT, apresentam os valores mais elevados de radiação no norte de África, como analisado na estação anterior (MAM), sendo que esses valores rondam os 750 kWh/m2, correspondendo ao verão boreal. Os valores mais elevados atingidos nos modelos KNMI
ERAINT e MPI ERAINT são na ordem dos 700 kWh/m2, e nos modelos CLM ERAINT e DMI
ERAINT, são por volta dos 650 kWh/m2. Como já foi dito anteriormente, esta zona é uma zona climática
desértica e semiárida em certas zonas, dado que estes valores de radiação estão concordantes.
Em relação aos valores mais baixos de radiação, estes são observados no sul de África (inverno austral), em todos os modelos, e a norte da linha do Equador (ZCIT, Figura A.1), como no modelo CLM ERAINT em que é bem patente valores na ordem dos 50 kWh/m2 na África Ocidental. Nos restantes modelos não
é tão visível, dado que os valores mais baixos que estes atingem são na ordem dos 150 kWh/m2. Estes
valores mais baixos de radiação são justificados pela zona intertropical que nesta estação esta encontra-se a norte da linha do Equador, caracterizada por nuvens e precipitação como na estação DJF.
Por fim, na Figura 3.7 está representada a estação SON. No modelo CLM ERAINT é onde se verifica mais zonas com valores mais baixos de radiação na ordem dos 100 kWh/m2 devido à cobertura nebulosa
junto à linha do Equador (ZCIT), no entanto, valores como 200 kWh/m2 verificam-se nos restantes
modelos não sendo em zonas tão frequentes, exceto nos modelos HadGEM3-RA ERAINT, HadRM3P ERAINT, SMHI ERAINT e UQAM ERAINT que apresentam os valores mínimos por volta dos 400 kWh/m2.
Em relação aos valores mais elevados de radiação, estes verificam-se no sul de África em todos os modelos, sendo que são verificados valores na ordem dos 700 a 750 kWh/m2. Nos modelos
HadGEM3-RA EHadGEM3-RAINT, HadRM3P EHadGEM3-RAINT, SMHI EHadGEM3-RAINT e UQAM EHadGEM3-RAINT verificam-se valores na ordem dos 650 kWh/m2 no norte de África (clima desértico e semiárido).
Na Figura 3.8 está representada a radiação média anual do ensemble multimodelo dos RCMs sincronizados (hindcast), isto é, o ensemble que resulta da média dos modelos apresentados na Tabela 2.1 e representados nas Figuras 3.3, 3.4, 3.5, 3.6 e 3.7. É possível verificar que anualmente existe um pico de 2500 kWh/m2 em certos países norte africanos, como o Chade, bem como na Namíbia no sul de
África. Estes países em que se verificam valores de radiação superiores dizem respeito a zonas caracterizadas pelo seu clima desértico, apresentando uma grande amplitude térmica e uma fraca cobertura nebulosa. Os valores mais baixos de radiação anual, na ordem dos 1200 kWh/m2, são visíveis
nas zonas húmidas intertropicais, e no extremo sudeste da África do Sul, dado que nestas zonas a cobertura nebulosa é mais elevada.
Figura 3.8- Radiação média anual do ensemble dos RCMs sincronizados (hindcast) [kWh/m2].
A radiação à escala sazonal é apresentada na Figura 3.9; é bem patente as diferentes estações do ano em cada um dos hemisférios, sendo que se atinge um pico máximo de 700 kWh/m2 no sul de África
(Namíbia e África do Sul) na estação DJF (correspondente ao verão austral) e no norte de África, no Egito, na estação JJA (verão boreal). Estas zonas referidas anteriormente, são caracterizadas por um clima desértico e semiárido, portanto, é observável níveis de radiação mais elevados nessas zonas e durante o verão. No que diz respeito a valores mais baixos como 200 kWh/m2, este é atingido no norte
de África na estação DJF (inverno boreal), no sul de África na estação JJA (inverno austral) e nas zonas húmidas intertropicais em todas as estações (zona de convergência intertropical, conhecida pela sua cobertura nebulosa e chuvas). As regiões intermédias, MAM e SON, apresentam valores entre os 300 kWh/m2 (linda do Equador) e os 650 kWh/m2 (norte de África na estação MAM e sudeste de África do
Figura 3.9- Radiação média sazonal do ensemble dos RCMs sincronizados (hindcast) [kWh/m2].
3.1.2.1. Validação do ensemble multimodelo (hindcast)
O ensemble dos modelos presentes na Tabela 2.1 foi validado no período entre 1990 e 2005, tendo em conta as observações fornecidas pelo CM-SAF. Sendo assim, está representado na Figura 3.10 o Bias percentual (calculado a partir da equação 4, presente no subcapítulo 2.3) anual, e na Figura 3.11 está representado sazonalmente.
Na Figura 3.10 é possível verificar no geral que o ensemble forçado pela reanálise ERA-Interim apresenta uma subestimação dos valores verificados nas observações, dado que praticamente todo o continente apresenta um erro negativo. Os valores negativos mais acentuados são predominantes na costa ocidental de África, mais concretamente em países como a Guiné, a Libéria, a Costa do Marfim, os Camarões e o Gabão, que apresentam um erro entre -20 e -30%. No que diz respeito ao menor erro, este é visível no lado oeste do norte de África e no sul de África, visto que não ultrapassa os ± 2,5%. Este aspeto pode ser atribuído à forma como as nuvens e os acontecimentos climáticos são representados nos modelos do ensemble. Segundo a Tabela 3.1, o erro médio anual é de -5,21%.
Figura 3.10- Bias percentual anual entre o ensemble do hindcast e as observações do CM-SAF [%].
A nível sazonal, na Figura 3.11 é possível verificar que a estação JJA é caracterizada por um erro negativo acentuado ao longo de toda a linha do Equador (entre -20 e -25%). Como foi referido anteriormente, a justificação para tal acontecimento é a forma como são representadas as nuvens convectivas, e esta zona é caracterizada por uma cobertura nebulosa abundante. Como é possível constatar pela Tabela 3.1, a estação JJA é a que apresenta um erro médio mais acentuado de -5,97%. No entanto, esta estação no sul de África, apresenta um erro pequeno de ± 2,5%. Outra estação que deve ser realçada, é a SON, que apresenta zonas com um erro positivo elevado, ou seja, existe uma sobrestimação dos valores de radiação no ensemble multimodelo entre 2,5 e 10% no sul de África, em países como Moçambique, Zâmbia, Tanzânia, Zimbabué, Angola e Namíbia. No entanto, também se verifica erros na ordem dos 25% negativos na costa ocidental do continente africano, zona de convergência intertropical. Esta estação é apresenta um de -4,99% (Tabela 3.1).
Nas estações restantes, DJF e MAM, o erro não é tão acentuado, sendo que na estação MAM, a zona em que se verificam valores na ordem dos -25% é na costa ocidental e abrange menos território do que o verificado nas estações anteriormente analisadas, abrangendo países como Gabão, Camarões, Nigéria, Congo, Libéria e Serra Leoa. Nesta estação o erro médio é de -4,92% (Tabela 3.1), sendo o menor erro apresentado entre as diferentes estações. Por fim, na estação DJF é verificada uma particularidade no norte de África, onde se observa um erro na ordem de -20%, e esta estação apresenta um erro médio na ordem dos -4,94% (Tabela 3.1).
