Universidade de Aveiro
Predictabilidade das previs?es numéricas em Portugal ContinentalPredictability of the numeric forecast in Continental PortugalS. Bartolomeu (1), A. Rocha (2) e T. Luna (3)(1)Departmento de Física, Universidade de Aveiro, Campus de Santiago, 3810-193, Aveiro, Portugal, sofiabartolomeu@ua.pt (2)Departmento de Física, CESAM, Universidade de Aveiro, Campus Universitário de Santiago 3810-193 Aveiro, Portugal, alfredo.rocha@ua.pt(3)IDAD - Instituto do Ambiente e Desenvolvimento, Campos Universitário de Santiago 3810-193, Aveiro, tiagoluna@ua.ptSUMMARYForecasts using mesoscale models have been applied in several areas representing realistically the atmospheric parameters. University of Aveiro performs forecasts for Portugal using weather stations located in wind parks all around the country, primarily for a three days period prevision further extended to seven days. This time increment allows the prediction of the wind speed and therefore allows the calculation, seven days in advance of the wind energy that it is capable of generating. However, the quality of such forecast was not taken into account. This work contributed in this regard, evaluating the predictability of the WRF model and the quality of the prediction of the wind speed energy production for 87 wind parks spread over the north and centre of Portugal. Monthly and spatially statistical measures (bias, RMSE, STDE and decomposition of RMSE) were calculated for the prediction between 1st of November of 2011and 9th of March of 2011. For January, the forecasts are useful up to the sixth day; for November until the fifth day; for February and December until the fourth day and finally for March until the third day (considering the forecasts until the day which R decays for 0.6). These statistical measures were also calculated spatially for the country, considering the data from each station. In general, the largest errors are located in “Beira Alta” and the best predictions are near to the coast. They must be considered until the fifth day for the majority of the stations distributed across the country. The evaluation of all the calculated parameters allows to conclude that the model used, WRF, provides good quality in the predictions of the wind intensity.INTRODU??OA previs?o numérica do tempo é uma atividade científica da meteorologia relativamente recente, que utiliza o potencial de cálculo dos computadores para criar uma estimativa do estado futuro da atmosfera recorrendo a modelos de previs?o. Estes modelos recorrem às Leis da Física expressas matematicamente que caracterizam o comportamento hidrodin?mico da atmosfera. Os seus resultados constituem a designada “previs?o” que tem em conta as condi??es iniciais (assim como as condi??es fronteira que s?o especificadas no modelo). Para o seu cálculo, existem códigos informáticos de grande complexidade que permitem a previs?o para diversas variáveis entre as quais: a temperatura, a press?o atmosférica, o vento e a precipita??o. Os resultados extraídos s?o posteriormente comparados com outras fontes de informa??o meteorológica, de forma a desenvolver uma previs?o mais rigorosa do estado do tempo.Associadas às previs?es existem incertezas que advêm: do conhecimento do estado inicial da atmosfera (induzindo erros na análise relacionado com a teoria do caos); das aproxima??es aplicadas às equa??es e discretiza??o espa?o-temporal (aproxima??es nos modelos, condicionadas pela capacidade dos computadores utilizados - erros introduzidos nos modelos) e do desconhecimento da Física de alguns fenómenos (como por exemplo a turbulência). Os erros, independentemente da sua natureza e do seu tamanho, tendem a acumular-se com o tempo, induzindo a previs?es erradas. Desta forma, todos os modelos contêm erros que influenciam as previs?es elaboradas.O grupo de Meteorologia e Climatologia da Universidade de Aveiro (Departamento de Física) desenvolve investiga??o em meteorologia e clima, em particular modela??o numérica da atmosfera e variabilidade climática da Universidade de Aveiro. Recorrendo ao modelo Weather Research and Forecast (WRF) s?o realizadas previs?es numéricas com um horizonte de sete dias desde 2011 (anteriormente o horizonte era de três dias) para diferentes variáveis (p. ex., temperatura, precipita??o total, vento, nuvens nevoeiro, humidade relativa). Para o vento s?o previstos os valores da intensidade e é sobre este par?metro atmosférico que se centra o presente trabalho. Pela sua import?ncia para a previs?o de produ??o de energia eólica nos parques eólicos localizados em Portugal Continental, é essencial realizar estudos de forma a prever o qu?o rentável será o parque construído e estimar a quantidade de energia que pode ser produzida a partir das previs?es feitas para um dado local. Numa altura em que as altera??es climáticas est?o no ordem do dia, é necessário recorrer à obten??o de energia de forma mais ecológica e este é um método de gerar energia simples e rentável ao longo do tempo, que vai adquirindo cada vez maior aderência. Neste sentido, quanto melhor as previs?es de ajustarem das observa??es, mais rigorosa é a simula??o da energia que pode ser produzida. De acordo com Richardson (2002) os pequenos erros nas condi??es iniciais e a aproximada representa??o dos processos atmosféricos num modelo numérico s?o as principais fontes para os erros nas previs?es. Estes dois fatores de incerteza limitam a qualidade das precis?es. Enquanto as incertezas em determinados instantes podem conduzir a grandes altera??es nas previs?es, existem situa??es em que esse impacto é menos significativo e os erros nas condi??es inicial pouco alteram a previs?o. Esta varia??o de caso para caso na predictabilidade é mostrada pelo sistema “borboleta” do atractor de Lorenz (Lorenz, 1963), que mostra a evolu??o dos conjuntos dos pontos iniciais. Quando o estado é previsível os pequenos erros n?o conduzem a grandes impactos na previs?o, ao invés, quando a situa??o é t?o imprevisível n?o é possível saber qual o tempo que se segue. De acordo com Lorenz (1965, 1969), o tempo necessário para que os erros comparáveis ??a erros de observa??o na atmosfera crescerem até erros intoleráveis ??é fortemente dependente do padr?o de circula??o de corrente, e varia desde alguns dias até algumas semanas.Num documento publicado pelo ECMWF (2009) é abordada a incerteza das previs?es e apresentada uma maneira de saber previamente se a previs?o é ou n?o precisa. O ECMWF foi o pioneiro no sistema para prever a confian?a da previs?o. Este sistema está operacional desde 1992 e é designado Ensemble Prediction System (EPS). Segundo este, o princípio básico da probabilidade da previs?o de Ensemble consiste em fazer n?o apenas uma única previs?o que usa o melhor palpite para condi??o inicial mas também para uma série de previs?es adicionais utilizando condi??es iniciais com pequenas perturba??es, com cada previs?o criada com um modelo ligeiramente perturbado (50 previs?es, ECMWF (2009)). Esta técnica proporciona uma estimativa da incerteza associada às previs?es a partir de um determinado conjunto de condi??es iniciais compatíveis com erros de observa??o. O sistema é confiável quando a realidade se insere dentro da faixa prevista.Nas últimas décadas assistiu-se a uma forte evolu??o nas previs?es numéricas, tornando-se cada vez mais fiáveis e precisas. O constante desenvolvimento e aperfei?oamento dos modelos é o resultado de inúmeras investiga??es e testes realizados ao modelo. Os especialistas preocupam-se com os erros das previs?es e procuram solu??es para os reduzir. Para isso é necessário a valida??o do modelo que avaliam o comportamento do modelo recorrendo a medidas de erros e coeficientes.Uma previs?o numérica é alterada consoante o horizonte devido às raz?es indicadas, e é ent?o expectável que quanto menor for o intervalo de tempo de previs?o, melhor seja a previs?o. O erro das previs?es varia consoante a variável atmosférica mas também com o local (os resultados s?o diferentes do hemisfério Norte para o hemisfério Sul). Shapiro and Thorpe (2004), p. ex., para a altura geopotencial aos 500 hPa mostra para uma previs?o de três dias que coeficiente de correla??o do padr?o cresceu de 0.70-0.84 (hemisfério Sul e Norte, respetivamente) em 1980 para os 0.96 em 2003; para previs?es de 5 dias, que o coeficiente de correla??o cresceu de 0.5-0.64 (hemisfério Sul e Norte, respetivamente) para 0.86 em 2003 e para previs?es de 7 dias um coeficiente de correla??o de 0.32-0.45 (hemisfério Sul e Norte) que cresce para próximo de 0.7 em 2003 (valores aproximados). Verifica-se ainda que a diferen?a entre os erros relativos ao hemisfério Norte e Sul diminuíram, de tal forma que para o ano mais recente por eles analisado, o coeficiente de correla??o é semelhante. Os últimos dados disponíveis no ECMWF revelam um coeficiente de correla??o de 0.98 para previs?o para 3 dias; 0.91 para previs?es 5 dias e 0.75 para previs?es de 7 dias, resultados referentes a 2013. A partir de 1995 s?o apresentados também coeficientes para previs?es de 10 dias e para 2013, o coeficiente de correla??o ronda os 0.45.Previs?es até pelo menos dez dias s?o t?o boas quanto as previs?es actuais para sete dias parecem ser possíveis Lorenz (1982). Mais recente, Lynch (2010) refere que tem sido ganho um dia de previs?o por década e que até 2010 as previs?es foram feitas com 10 dias de precis?o. Os valores de previs?o s?o considerados até ao dia em que o coeficiente de correla??o decai para os 0.6 (valor de referência para o R=0.6 Holton (2004)). Em média e atualmente, o coeficiente de correla??o decai para este valor a partir do oitavo dia. Em Fevereiro de 2010, atingiu-se o referido valor no décimo dia de previs?o, para o hemisfério Norte, que se tornou histórico.Drobinski (2011) refere que a import?ncia das previs?es é a análise visual das condi??es iniciais e a produ??o de novas condi??es iniciais. Segundo Shukla (2005), os maiores obstáculos à realiza??o do potencial de previs?o do tempo e do clima s?o: modelos inadequados e observa??es insuficientes (e n?o um limite de predictabilidade intrínseco). Desde a década de oitenta, a maioria das melhorias na capacidade previs?o do tempo surgiram devido a melhorias em modelos e técnicas de assimila??o (Shukla, 2005). Para Portugal, Ferreira (2007) relata um estudo com o sistema de modela??o numérica do tempo WRF onde foram realizados testes de sensibilidade. Consistiu em fazer variar certas op??es dos esquemas físicos do WRF-ARW, vers?o 2.2, comparando as previs?es resultantes com um conjunto de observa??es locais de variáveis atmosféricas de superfície que permitiu avaliar quais os melhores esquemas a utilizar para Portugal.O presente trabalho incide a avalia??o da qualidade da previs?o do vento para a produ??o de energia eólica e por conseguinte estudar a predictabilidade do modelo WRF para Portugal Continental. Para tal, ser?o utilizados dados de várias esta??es que se localizam principalmente na regi?o norte e centro de Portugal.DADOS E MODELO NUM?RICOO Weather Research and Forecasting Model (WRF) Vers?o 3 é um modelo de previs?o e simula??o numérica do tempo idealizado para a investiga??o e aplica??es operacionais na mesoescala (Skamarock, 2008). O contínuo desenvolvimento do modelo resulta da colabora??o de centros de investiga??o e agências governamentais dos Estados Unidos da América. O modelo ao ser disponibilizado gratuitamente permite que seja constantemente melhorado. O WRF foi criado para ser uma ferramenta de topo na arte da simula??o atmosférica, flexível, portável e eficiente em várias plataformas de computa??o. Este está ainda habilitado para ser utilizado em situa??es reais mas também em situa??es atmosféricas idealizadas (simula??es), trabalhando desde poucos metros até milhares de quilómetros.As simula??es operacionais com o WRF desde 2004 constituem uma clara afirma??o das potencialidades práticas do modelo. O esfor?o de aperfei?oamento do modelo é assim, para a comunidade científica, um desafio para uma melhor compreens?o dos fenómenos atmosféricos a par da capacidade de os modelar corretamente (Ferreira, 2007).O presente estudo foi realizado utilizando previs?es do modelo anteriormente mencionado, vers?o 3. As condi??es iniciais e de fronteira foram previs?es obtidas a partir do modelo global de previs?o de tempo Global Forecasting System (NCEP (2003)), atuando com uma resolu??o horizontal de 0.5? em latitude e longitude.O modelo apresenta op??es físicas que se dividem em cinco categorias: microfísica, parametriza??o de cúmulos, camada limite planetária, modelo da superfície terrestre e radia??o. Cada categoria tem vários par?metros que formam previamente escolhidos para o estudo em causa (Ferreira, 2007). Foram utilizados os seguintes esquemas de parametriza??o: esquema WRF Single-Moment 6-class para a microfísica (Hong and Lim, 2006); esquema Grell-Devenyi ensemble (Grell and Devenyi, 2002) para a parametriza??o de cúmulos; esquema Yonsei University (YSU) para a camada limite planetária (Hong et al., 2006); esquema Monin-Obukhov para a camada de superfície (Monin and Obukhov, 1954); Noah Land-Surface Model para o modelo de superfície de solo (Chen and Dudhia., 2001); esquema Rapid Radiative Transfer Model (RRTM) para radia??o de longo comprimento de onda (Mlawer et al., 1997); e esquema Dudhia para a radia??o de curto comprimento de onda (Dudhia, 1989). As simula??es (realizadas pelo Clim@UA) foram realizadas para a intensidade do vento e para as coordenadas onde se localizam as esta??es nos parques eólicos (Tabela 1). Apresentam um horizonte de sete dias e foram realizadas para uma altitude de 10 metros, pela import?ncia nos parques eólicos e porque a este nível a superfície está livre de obstáculos. Foram ent?o utilizados dados de 87 esta??es nos parques eólicos em Portugal Continental, maioritariamente distribuídas pelo norte e centro, existindo apenas duas esta??es no sul do país (Figura 1).A análise engloba o período entre 1 de Novembro de 2010, data em que come?aram a ser extraídas previs?es para sete dias, e o dia 9 de Mar?o de 2011, um total de 129 dias. Cada previs?o é repetida seis horas após a última, ou seja, existem quatro previs?es por dia (516 previs?es totais). Cada uma destas previs?es apresenta um horizonte de sete dias intervaladas de 15 em 15 minutos, para cada esta??o. Dada a elevada quantidade de dados, foram filtradas as previs?es selecionando apenas as intensidades do vento dos instantes: 00h, 06h, 12h e 18h. Uma previs?o de sete dias que come?a às 00h de um dia termina às 00h do sétimo dia a partir do dia da previs?o. Assim, a previs?o completa para um dado instante de tempo contêm 29 previs?es da intensidade do vento: lag 0, lag 6, lag 12, lag 18, lag 24, lag 30, lag 36, lag 42, lag 48, lag 54, lag 60, lag 66, lag 72, lag 78, lag 84, lag 90, lag 96, lag 102, lag 108, lag 114, lag 120, lag 126, lag 132, lag 138, lag 144, lag 150, lag 156, lag 162 e lag 168.Figura 1 – Topografia (escala a cores, em metros) e localiza??o (marcas brancas) das esta??es localizadas nos parques eólicos para as quais foram realizadas as previs?es da intensidade do vento, aos 10 metros e para um horizonte de sete dias. Valores da batimetria retirados do endere?o . (Topography (color scale in meters) and location (white markings) of the stations located in wind parks where the forecasts of wind intensity were performed at 10 meters and with a horizon of seven days. The values ??of bathymetry were taken from . Maps on the right show greater detail of the topography and location of stations).Tabela 1 - Coordenadas das esta??es localizadas nos parques eólicos (sinalizadas na Figura 1). (Coordinates of stations located in wind parks (marked in Figure 1)).Esta??oLat. (o)Lon. (o)Z (m)Esta??oLat. (o)Lon. (o)Z (m)Esta??oLat. (o)Lon. (o)Z (m)altasdefafe 41.4896-8.075667caselho 40.6213-8.150465penamacor1 40.2074-7.245478altasdefafe2 41.5478-8.123967chaofalcao 39.6135-8.756080penamacor240.2006-7.170980altodoarganil 40.2028-7.794285chaofalcao2 39.6515-8.753880penamacor3a 40.2809-7.134778altodocorisco 42.0195-8.244968chaofalcao3 39.5563-8.674380penamacor3b 40.2991-7.094580altodotalefe 40.9881-7.982764.7cigarrelho 40.0582-7.673978picao40.9673-7.936778alvao1 41.4459-7.728665contim 41.7783-7.874685picoto41.9835-8.559368alvao2 41.4757-7.775365fachocolmeia 41.7858-7.841685pinheiro40.9735-7.985365alvelos 39.9400-7.971680fontedaquelha 41.0116-8.100664.7proenca39.8062-7.888065alvoaca1 40.2400-7.731564fundeiro 39.8178-7.965465rendeiro39.8465-7.972179alvoaca2 40.2634-7.702064furnas 39.8663-7.853365ribabelide 41.0151-7.872778arada 40.8264-8.162678lagoadjoaofeirao41.0334-7.938778sabugal 40.3200-6.908780armamar1 41.0474-7.681285lameira 40.9623-8.034160salgueirosguilhado41.4909-7.599485armamar2 41.0464-7.655585leomil 40.9605-7.662680santoantonio 42.0084-8.299368aroucasilva 40.1571-7.833680lombadovale 41.6026-7.989680saosilvestre 41.9628-8.567978aveloso 41.0145-8.082978lousa2a 40.0283-8.227680seladolinho 39.8772-7.914265baraosjoao1 37.1492-8.812980lousa2b 40.0630-8.219980serraalvao1 41.4202-7.735767baraosjoao2 37.1409-8.793980malhadizes 40.0149-8.297565serraalvao2 41.4554-7.746567bezerreira 40.5794-8.198865mastro 40.0727-7.568378serrabarroso2 41.6962-7.842385bornes1 41.4737-6.945480maunca 40.0983-7.649178serrabarroso3 41.6830-7.850685bornes2 41.4561-6.973680mendoiro 41.9956-8.417968sjoao1 40.0223-8.289270bravo 39.9063-8.043085moeda 40.0835-7.613778sjoao2 39.9994-8.398670burrela 40.2025-7.893480montalegre1 41.7301-7.947385spedro 40.9941-8.092365bustavade 42.0177-8.423168montalegre2 41.7616-7.913785testos 40.9825-7.846885cabecorainha39.8731-7.878585moradal 39.9241-7.742779toitadecabelos 40.0886-7.949680cabril 40.9833-8.045365mougueiras 39.9087-7.835285trandeiras 41.5313-7.703860cadafaz 40.1209-8.046785mourisca 40.9481-7.806967videmonte 40.5774-7.403467calto 40.0946-7.685278nave 40.9434-7.766667vilanova2a 40.0531-8.255585candeeiros 39.3967-8.938480negreloguilhado41.4764-7.625385vilanova2b 40.0332-8.302985carvalhosa 40.9739-7.968278pampilhosaserra40.1229-7.936780zibreiro 40.0285-7.709678Para a análise dos resultados foram calculadas as seguintes medidas de erros, em que (Fn - An) corresponde ao desvio entre um dado de intensidade previsto algum tempo antes, Fn, com o dado de intensidade da previs?o para o instante em análise (“a teoricamente observada”), An; a incógnita n é o número de verifica??es.O Viés e RMSE s?o erros médios que mostram o afastamento entre as previs?es e “observa??es” e s?o expressas por: (1)(2)E o STDE que relaciona ambas estas medidas é dada por:(3)O coeficiente de correla??o e os desvios padr?o para as previs?es e as “observa??es”, respetivamente:(4)(5)(6)A análise dos resultados foi dividida em duas partes:- Análise mensal: foram incluídos os resultados de todas as esta??es e feita a analise por lag e por cada um dos meses inseridos na análise (Novembro, Dezembro, Janeiro, Fevereiro e Mar?o);- Análise espacial: foram incluídos os resultados para todo o período de análise (as previs?es para todos os meses) e feita a analise por lag e por esta??o.Ao longo de todo o período de análise houve ainda falhas de dados. A Tabela 2 indica o número de dados utilizados para cada uma das análises. Notar que o número de amostras para cada uma das esta??es (na análise espacial) é igual, uma vez que a falha de dados quando ocorre é no tempo.Tabela 2 – Número total de dados utilizados na análise mensal e espacial. (Total number of samples for the monthly and spatial analysis ).lagEsta??oNov.Dez.Jan.Fev.Mar.649410648111021064794643094124911055711102105569373309418489104631110210556928230942448910375111021064792823094304891028411102106479373309436487101931110210556937330944248610102111021055693733094484841001111102105569282309454483992011102105569282309460482982911102105569282309466481973811102105569282309472480964711102105569282309478402682683721055677353094844026826828110556773531859040168268190105567735318596400682680991055677353185102399682680081055677353185108398673580081055677353185114397673579171055677353185120396664479171055677353185126395664478261055677353185132394664477351055677353185138393664476441055677353185144392664475531055677353185150391664474621055677353185156390664473711055677353185162390664472801064777353185168389664471891064677353185RESULTADOS E DISCUSS?OA análise espa?o-temporal dos resultados é realizada através do cálculo das diferentes medidas de erro para o vento a 10 metros. Numa primeira inst?ncia, os resultados foram analisados para cada um dos meses incluídos no período em análise, que est?o representados na Figura 2.a. b.c.d.e.Figura 2- a. Viés (em m/s); b. RMSE (m/s); c. STDE (m/s); d. f/a; e. R, em fun??o do lag com um horizonte de previs?o de sete dias. A Figura 2 mostra o Viés, RMSE, STDE, coeficiente f/a e o R para cada um dos meses (indicadas na figura) e os dados de todo o período de análise (a preto) utilizando os dados disponíveis (Tabela 2). Cada uma das medidas apontam para um aumento dos erros nas previs?es quanto maior é o lag. Pelo Viés, considerando os meses analisados, Novembro é o mês com mais subestimativas enquanto Mar?o (9 dias) e Janeiro (no intervalo do 3? ao 6? dias) s?o os meses com as maiores sobrestima??es. Comparando com o Viés, os valores de RMSE s?o superiores e por isso o valor de STDE é principalmente do RMSE (padr?o semelhante entre estes). O coeficiente f/a (Figura 2, d.) ronda o 1, diminuindo, em geral, ao longo do aumento do lag (exceto para Mar?o). Pela análise do R, podem ser consideradas as previs?es até ao 3-5 dia, para uma análise aplicada a 87 esta??es e o período de análise de Novembro a Mar?o. Em particular, para Mar?o, R adquire 0.6 para previs?es para 3 dias, enquanto para Janeiro se estende para além do quinto dia. Todavia, para além de uma varia??o temporal, ocorre também uma varia??o espacial, que é influenciada pelas caraterísticas físicas do local, que deve ser analisada (Figuras 3 e 4). a.b.c.d.e.f.g.a.b.c.d.e.f.g.Figura 3 - Viés em m/s (em cima) e do RMSE em m/s (em baixo) para: a. lag 6; b. lag 12; c. lag 24 (1 dia); d. lag 48 (2 dia); e. lag 72 (3 dia); f. lag 120 (5 dia); g. lag 168 (7 dia). (Vés in m/s (top) and RMSE in m/s (bottom) for: a. lag 6; b. lag 12; c. lag 24 (1? day); d. lag 48 (2? day); e. lag 72 (3? days); f. lag 120 (5? day); g. lag 168 (7? day)). As previs?es para os primeiros lags apresentam valores do Viés próximos de zero. Enquanto as previs?es para a intensidade do vento s?o sub-estimadas nas esta??es localizadas no sul de Portugal, na regi?o norte e centro a sub-estima e sobrestima??o varia consoante o lag. De modo geral, as esta??es mais próximas de Espanha s?o sobrestimadas e para um lag superior a 1 dia as previs?es s?o sub-estimadas nas esta??es mais próximas do litoral, em especial a Norte e na zona de Leiria (Figura 3, em cima). Os valores de RMSE (Figura 3, em baixo) s?o inferiores a 2 m/s para previs?es até 1 dia, entre 1-3 m/s até 3 dias e 2-4.5 m/s até 7 dias. a.b.c.d.e.f.g.a.b.c.d.e.f.g.Figura 4 – Coeficiente de f/a (em cima) e do Coeficiente de Correla??o (em baixo) para: a. lag 6; b. lag 12; c. lag 24 (1? dia); d. lag 48 (2? dia); e. lag 72 (3? dia); f. lag 120 (5? dia); g. lag 168 (7? dia). (The coefficient of f/a (top) and the correlation coefficient (bottom) for: a. lag 6; b. lag 12; c. lag 24 (1? day); d. lag 48 (2? day); e. lag 72 (3? days); f. lag 120 (5? day); g. lag 168 (7? day)).A partir dos valores de Viés e RMSE apresentados na Figura 3 (em cima e em baixo, respetivamente) é visível que os resultados de RMSE s?o superiores em módulo aos valores de Viés. Assim sendo, o padr?o identificado para o STDE (n?o mostrado) é semelhante às figuras referentes a RMSE. O mesmo se verificou na análise mensal, de tal modo que o STDE é maioritariamente devido ao valor do RMSE e o Viés tem um menor contributo, pela equa??o 3. O coeficiente f/a representado na Figura 4 permite uma avalia??o do desvio padr?o previs?es e “observa??es”. Para os lags 6 e 12 horas, valores acima de 1 encontram-se na maioria na regi?o norte e abaixo de 1 na regi?o centro. Para os lags que se seguem, os valores s?o em geral inferiores a 1, com um padr?o é semelhante e intensificando-se com o lag. Relativamente ao R, apresenta valores superiores a 0.8 até ao 1? dia; para 2? e 3? dia entre 0.9 e 0.6; para 5? dia o R varia entre 0.3 e 0.6 e é inferior a 0.4 para previs?es de 7? dia. A Tabela 3 resume os máximos e mínimos obtidos para cada uma das medidas de erros indicando a respetiva esta??o e lag. Os piores resultados ocorrem, no geral, na regi?o centro, no interior. Tabela 3 – Valores máximos e mínimos obtidos para as medidas de erros calculadas: Viés, RMSE, STDE, f/a e R. (Maximum and minimum values ??obtained for measures calculated errors: Bias, RMSE, f/a e R).MáximoMínimoValorlaghEsta??oValorlaghEsta??oViés0.584 m/s132Cabril-0.831 m/s 156 Baraosjoao1RMSE4.497 m/s168Videmonte0.820 m/s6CaselhoSTDE4.495 m/s168Videmonte0.820 m/s6Caselhof/a1.145126Penamacor20.808156Mougueiras R0.9586Aveloso 0.080168Trandeiras No entanto, para ser avaliado o erro entre as previs?es, torna-se necessário conhecer os valores típicos da intensidade do vento. A Figura 5 mostra as médias mensais (a partir de médias diárias de 00h, 06h, 12h e 18h) para a intensidade do vento para cada uma das esta??es e a Figura 6, o histograma utilizando todos os valores.NovembroDezembro1 de Nov. a 9 de Mar.JaneiroFevereiroFigura 5 - Climatologias mensais da intensidade do vento para Novembro, Dezembro, Janeiro, Fevereiro e para todo o período de análise. (Monthly climatologies of wind intensity for November, December, January, February and for the entire period of analysis). Figura 6 – Histograma da intensidade do vento aplicado aos dados de todos os meses e todas as esta??es. (Wind intensity histogram applied to the data of every month and every station). CONCLUS?ESAs previs?es do tempo têm vindo a ser aplicadas nas mais diversas áreas pela capacidade que têm de poder antecipar e dar a conhecer o tempo que irá ocorrer. Este trabalho teve como objetivo a avalia??o da qualidade da previs?o da intensidade do vento para a produ??o de energia nos parques eólico. A Universidade de Aveiro realiza previs?es de tempo para esta??es meteorológicas localizadas em parques eólicos para Portugal Continental. O avan?o das previs?es para sete dias permite prever antecipadamente a intensidade do vento e assim calcular com sete dias de antecedência a energia que dele se conseguirá obter. No entanto, ficava por avaliar a qualidade destas previs?es para verificar se estas seriam boas ou más. Desta forma, este trabalho veio dar um contributo na valida??o das mesmas, verificando a predictabilidade do modelo. Foram assim calculados vários erros e coeficientes para avaliar as previs?es relativamente à intensidade do vento, variável estudada. Numa primeira análise foram avaliadas as previs?es por cada mês do período considerado (desde 1/11/2010 e 9/3/2011) verificando quais os meses que melhor previram a intensidade do vento. Para estes foram calculadas as medidas de erro Viés, RMSE, STDE e decomposi??o de RMSE. Para Janeiro, pela análise das medidas avaliadas, as previs?es podem ser consideradas até ao quinto dia até ao terceiro para Mar?o. Numa segunda parte foi estudada a distribui??o dos erros pelo país, considerando os dados de cada esta??o. De modo geral, os maiores erros situam-se na zona centro do interior e as melhores previs?es correspondem às esta??es mais próximas do litoral. As previs?es devem ser consideradas até ao terceiro dia, pois até este dia praticamente todas as esta??es apresentam um R superior a 0.6.A avalia??o de todos os par?metros calculados permitiu afirmar que o modelo utilizado, WRF, consegue boa qualidade até ao terceiro dia nas suas previs?es ao ser estudada a intensidade do vento.AGRADECIMENTOSEste trabalho é financiado por fundos FEDER através do Programa Operacional Factores de Competitividade – COMPETE e por fundos Nacionais Portugueses através da FCT – Funda??o para a Ciência e a Tecnologia, no ?mbito do projeto “Climate change of precipitation extreme episodes in the Iberian Peninsula and its forcing mechanisms” – CLIPE. PTDC/ AAC-CLI/111733/2009.REFER?NCIASHong, S. Y. and Lim, J. O. J., (2006): "The WRF Single-Moment 6-ClassMicrophysics Scheme (WSM6)". J. Korean Meteor. Soc., 42,129?151.Hong S.-Y., Noh Y., Dudhia J., (2006): "A new vertical diffusion package with an explicit treatment of entrainment processes". Mon. Wea. Rev., 134, 2318–2341.Monin, A. S., and A. M. Obukhov, (1954): "Basic laws of turulentmixing in the atmosphere near the ground". Tr. Inst. Teor.Geo?z. Akad. Nauk SSSR, 24, 1963–1987Mlawer, E. J., Taubman, S. J., Brown, P. D., Iacono, M. J., andClough, S. A. (1997): "Radiative transfer for inhomogeneous atmosphere:RRTM, a validated correlated-k model for the long-wave".J. Geophys. Res., 102(D14), 16663–16682, 1997.Grell, G. A. and Devenyi, D.: "A generalized approach to parameterizingconvection com- bining ensemble and data assimilationtechniques". Geophys. Res. Lett., 29(14), 1693, 2002.Chen, F. and Dudhia, J. (2001): "Coupling an advanced landsurface/hydrology model with the Penn State/ NCAR MM5 modelingsystem. Part I: Model description and implementation".Mon. Weather Rev., 129, 569?585.Dudhia J., (1989). "Numericalstudy of convection observed during the Winter Monsoon Experiment using a mesoscale two-dimensional model". J. Atmos. Sci., 46, 3077–3107.David Richardson, T.C., (2002): " “Will it rain? Predictability, risk assessment and the need for ensemble forecasts” ", ECMWFLorenz, E.N. (1963). "Deterministic non-periodic flow". Journal of Atmospheric Science, 20, 130-141.Shapiro, M. A., and A. J. Thorpe, (2004). "The Observing System Research and Predicability Experiment (THORPEX): Internation science plan, version 3". WMO/TD-1246, WWRP/THORPEX 2, 51 pp.Lorenz, E. N., (1965): "A Study of the Predictability of a 28-Variable Model Tellus", 17, 321-333Lorenz, E. N., (1969): "The Predictability of a Flow Which Contains Many Scales of Motion". Tellus, 21, 289-307Ferreira, A. P., (2007): "Sensibilidade às parametriza??es físicas do WRF nas previs?es à superfície em Portugal Continental". Relatório de estágio em Meteorologia e Oceanografia Física. Universidade de Aveiro, Aveiro–Portugal, 125 pp. PauloFerreira.pdf.NovembroDezembro1 de Nov. a 9 de Mar?o JaneiroFevereiro ................
................
In order to avoid copyright disputes, this page is only a partial summary.
To fulfill the demand for quickly locating and searching documents.
It is intelligent file search solution for home and business.
Related searches
- universidade de sao paulo
- universidade de sao paulo address
- universidade de sao paulo usp
- universidade de sao paulo mestrado
- universidade sao paulo
- universidade de sao paulo brazil
- massa de torta de frango de liquidificador
- universidade federal de sao paulo
- universidade federal de minas gerais
- consulta de lote de imposto de renda
- consulta de restituicao de imposto de renda