Universidade Federal de Santa Maria

Ci. e Nat., Santa Maria v.42, Special Edition: Micrometeorologia, e34, 2020

DOI:10.5902/2179460X53216

ISSN 2179-460X

Received: 17/08/20  Accepted: 17/08/20  Published: 28/08/20

 

 

Special Edition

 

Análise da influência do uso da parametrização cúmulus na simulação do vento com diferentes parametrizações de camada limite planetária

 

Analysis of influence the use of cumulus parameterization in the wind simulation with different planetary boundary layer parameterizations

 

Eliseu Oliveira Afonso ^I

Franciano Scremin Puhales ^II

Otávio Costa Acevedo ^III

 

^I Universidade Federal de Santa Maria, Santa Maria, Brasil. E-mail: eliseuoafonso@gmail.com.

^II Universidade Federal de Santa Maria, Santa Maria, Brasil. E-mail: fpuhales@gmail.com.

^III Universidade Federal de Santa Maria, Santa Maria, Brasil. E-mail: otavio@ufsm.br.

 

 

RESUMO

O presente trabalho teve como objetivo avaliar a Influência do uso da parametrização cúmulus na simulação do vento com duas dinstintas parametrizações de camada limite planetária, usando o modelo Weather Research and Forecast. Estudos sobre simulações de modelos usando parametrizações de CLP nas regiões tropicais são geralmente raros, principalmente devido a falta de observações experimentais. Este trabalho faz parte de projeto desenvolvido em parceria entre a UTE Pecém II, UTE Parnaíba I, Parnaíba II e III geração de Energia S.A. e a Universidade Federal de Santa Maria-UFSM. O complexo de Usina Termo- elétrica (UTE) Parnaíba está localizado na cidade de Santo Antônio dos Lopes no Maranhão e é operado pela empresa brasileira Eneva. Como a produção de energia através da combustão de gás natural produz resíduos que são lançados na atmosfera, os órgãos ambientais reguladores demandam que medidas de veri- ficação e controle sejam tomadas, como o monitoramento de espécies químicas. Logo, uma boa descrição da atmosfera é fundamental para o bom desemprenho dos modelos de dispersão de espécies químicas. Foram usados dados 4 estações meteorológicas automáticas para validação das simulações do modelo. o modelo teve dificuldade em reproduzir os valores magnitude do vento conforme os observados.

Palavras-chave: Vento; Parametrização; Camada limite planetária.

 

 

ABSTRACT

The present work aimed to evaluate the influence of use the cumulus parameterization on the wind shift with two dynamic planetary boundary layer parameterizations using the Weather Research and Forecast model. Studies on model simulations using PBL parameterizations in tropical regions are generally rare, mainly due to the lack of experimental observations. This work is part of a project developed in partnership between TPP Pecém II, TPP Parnaíba I, Parnaíba II and III generation of S.A. Energy and the Federal University of Santa Maria-UFSM. The Parnaíba Thermoelectric Power Plant (UTE) complex is located in Santo Antônio dos Lopes city in Maranhão and is operated by the Brazilian company Eneva. As energy production through the combustion of natural gas produces wastes that are released into the atmosphere, environmental regulatory bodies demand that verification and control measures be taken, such as chemical species monitoring. Therefore, a good description of the atmosphere is fundamental for the good performance of chemical species dispersion models. Four automatic weather stations were used to validate the model simulations. The model had difficulty reproducing the wind magnitude values as observed.

Keywords: Wind; Parametrization; Planetary boundary layer.

 

 

1 Introdução

O vento é uma variável meteorológica essencial para a descrição da atmosfera, e tem influência na geração de energias, transporte de diversas quantidades, como umidade dos oceanos ao continente e dispersão dos poluentes. Em termos da camada limite planetária (CLP), condições de ventos fracos levam a estados complexos do escoamento turbulento (STULL, 1988).

O contexto desta pesquisa está relacionado ao Projeto de P&D ANEEL, desenvolvido em parceria entre a UTE Pecém II, UTE Parnaíba I, Parnaíba II e III Geração de Energia S.A. e a Universidade Federal de Santa Maria-UFSM. O complexo de Usina Termoelétrica (UTE) Parnaíba está localizado na cidade de Santo Antônio dos Lopes no Maranhão e é operado pela empresa brasileira Eneva <http://www.eneva.com.br/nossos-negocios/geracao-de-energia/complexo-do-parnaiba/>. O Complexo Parnaíba é um dos maiores parques térmicos de geração de energia à gás natural do país com 1,4 GW de capacidade instalada, representando 11% da capacidade de geração térmica a gás do Brasil.

Como a produção de energia através da combustão de gás natural produz resíduos que são lançados na atmosfera, os órgãos ambientais reguladores demandam que medidas de verificação e controle sejam tomadas, como o monitoramento de espécies químicas. Contudo, não é viável esse tipo de monitoramento com alta resolução espacial em função do alto custo de implementação. Assim, o uso de técnicas de modelagem de dispersão é amplamente utilizado e aceito, mediante validação com observações, como forma de monitoramento de dispersão. Neste sentido, uma boa descrição da atmosfera é fundamental para o bom desemprenho dos modelos de dispersão de espécies químicas.

Neste momento, tendo em vista o contexto geral do Projeto de P&D, realizou-se simulações para os períodos chuvoso (março) e seco (setembro) de 2017 com foco no estado do Maranhão, empregando-se dois esquemas de parametrização de CLPdiferentes e um esquema de parametrização cúmulus. Os valores de velocidade do vento a 10 metros foram comparados com observações de quatro estações meteorológicas automática do Instituo Nacional de Meteorologia, que estão situadas perto da usina termoelética de Parnaíba. Os esquemas de fechamento de turbulência utilizados foram os propostos por Nakanishi e Niino (2004) e Hong, Dudhia e Chen (2004), que possuem diferentes caraterísticas tanto quanto a sua ordem quanto à forma de fechamento, e a parametrização cúmulus foi a proposta por (GRELL; FREITAS et al., 2014). No entanto, o objetivo deste trabalho é avaliar a Influência do uso da parametrização cúmulus na simulação do vento com duas dins tintas parametrizações de camada limite planetária, empregando o modelo Weather Research and Forecast (WRF).

 

 

2 Metodologia

O período de estudo analisado, foram os meses de março e setembro de 2017. Foram escolhidos os dois meses por corresponderem aos meses de pico máximo de precipitação (período mais chuvoso) e baixa precipitação com mínimo climatológico (período mais seco), respectivamente.

Foram calculadas médias mensais de precipitação em todas as estações automáticas escolhidas, para verificar se o ano de estudo seguio a climatologia. A figura 1 mostra a localização das estações utilizadas no estudo, identificadas por uma estrela e com o código INMET ao lado. Ainda, o ponto centralizado identifica a localização da Usina Termoelétrica (UTE) de Parnaíba. Para avaliação da simulação do vento foram escolhidas quatro estações automáticas que localizam-se perto da UTE (A220, A221, A222 e A237).

A precipitação acumulada mensal média no ano de 2017 para as estações consideradas é apresentada na figura 2. A precipitação média para o período é a média da precipitação mensal de todas as estações apresentadas na figura 1 com menos de 20% de falhas na aquisição de dados.

Os dados mostram uma distribuição mensal de acordo com a climatologia apresentada por Molion e Bernardo (2002), com os maiores acumulados no mês de março (255,1 mm) e os menores em setembro (5,3 mm).

Na execução desse experimento numérico realisou-se oito rodadas aplicando a mesma configuração de grade para os meses de março e setembro de 2017, cada um com dois distintos esquemas de parametrização de CLP, e apenas quatro rodadas com parametrização cúmulus.

Com a finalidade de adquirir um refinamento da grade horizontal, o domínio numérico constou em duas grades aninhadas, inicialmente de 16 km para 4 km de resolução horizontal nominal e número de pontos de grade de N_x= 150 e N_y = 130 no primeiro domínio e N_x = 173 e N_y = 213 para o segundo domínio.

 

Figura 1 – Mapa com a distribuição espacial das estações meteorológicas automáticas empregadas no estudo. As estações são identificadas com a marcação de uma estrela e tem ao seu lado o código INMET associado. As estrelas indicadas em azul mostram estações com mais de 20% de falha na aquisição de dados horários para o período chuvoso, enquanto em roxo para ambos os períodos, o ponto marcado mostra a localização da UTE

 

Figura 2 – Precipitação mensal acumulada média para área de estudo no ano de 2017, obtida através das observações de estações automáticas de superfície do INMET

 

Empregaram-se as rodadas numéricas usando utilizando condições iniciais e de contorno extraídas do conjunto de reanálise ERA-Interim , com resolução horizontal de 0,75°×0,75°, 38 níveis isobáricos e 4 níveis de solo, para os horários das 00, 06, 12 e 18 UTC. O intervalo de tempo de interesse na simulação para o período chuvoso foi definido das 00 UTCde 01 de março de 2017 até 00 UTCde 01 de abril do mesmo ano, enquanto para o período seco definiu-se das 00 UTCde 01 de setembro até 00 UTCde 01 de outubro de 2017, totalizando 744 e 720 horas, respectivamente. Contudo, em ambos os períodos, as simulações foram iniciadas 120 horas antes do primeiro horário de interesse como precaução em relação ao spin-up do modelo.

Para cada período foram realizadas oito rodadas com dois distintos esquemas de CLP, sendo o primeiro deles Mellor-Yamada Nakanishi e Niino 2.5 (NAKANISHI; NIINO, 2004), e o segundo Yonsei Scheme University (HONG; PAN, 1996), onde em quatro rodadas, as parametrizações de CLP foram configuradas com a parametrização cúmulus proposta por (GRELL; FREITAS et al., 2014), como objetivo de verificar a influência da parametrização cúmulus na simulação de vento. Em função da resolução temporal dos dados observacionais do INMET ser horária, as saídas numéricas da grade d02 também foram escritas a cada hora visando comparar a maior quantidade de dados possível. Neste trabalho foi avaliado o resultado obtido para a velocidade do vento em 10 metros.

 

 2.1 Avaliação estatística

Para avaliação estatística, calculou-se o erro instantâneo entre as séries temporais de dados sinulados e observados, assim como a correlação linear entre as duas amostras.

O erro instantâneo entre um valor simulado X_s e um observado X_o é dado por onde ε_i é o erro instantâneo da variável X para cada i-ésimo valor presente na amostra. A variabilidade foi avaliada através de histogramas tanto para os dados observados como para os simulados, bem como para a diferença (erro instantâneo) entre eles.

εi= Xsi − Xoi

(1)

A correlação linear entre as observações e simulações foi avaliada para todos os horários considerados, através de um ajuste linear entre as amostras, tendo seus coeficientes determinados pelo método dos mínimos quadrados (WILKS, 2006).

 

 

3 Resultados e Discussão

As figuras 3 e 4 apresenta histogramas dos valores simulados para os períodos seco (setembro) e chuvoso (março). Os histogramas das figuras 3 e 4 mostram a distribuição dos valores obtidos com as parametrizações MYNN e YSU e os valores observados nas estações meteorológicas automáticas do INMET para os período seco (figura 3) e chuvoso (figura 4) sem a configuração da parametrização cúmulus (painéis 3(a), 3(b), 4(a) e 4(b)) e com a configuração da parametrização cúmulus (painéis 3(d), 3(e), 4(d) e 4(e)).

 

Figura 3 – Histogramas mostrando os valores simulados utilizando as parametrizações MYNN e YSU e observados de V 10m para as quatro estações escolhidas. A primeira linha de figuras apre senta os dados para o período seco das simulações sem a parametrização cúmulos enquanto a segunda para as simulações com parametrização cúmulus

(a) Seco- MYNN	(b) Seco- YSU	(c) Seco- Observado
(d) Seco- MYNN	(e) Seco- YSU	(f) Seco- Observado

 

Os resultados apresentado pela figura 3, mostraram que o modelo simulou valores de magnitute do vento acima de 7 ms^-1 e subestimaram os menores valores de V10m, no período seco.

Com as parametrizações MYNN e YSU, foi mostrado valores de V10m de até 10 ms ^-1. Diferente desse resultado, foi constatado pelas duas parametrizações quando configurados com a parametrização cúmulus, mostrando valores ≤ 8ms^-1 . No período chuvoso (figura 4), o modelo subestimou os valores de V10m ≤ 1ms^-1. Sem a parametrização cúmulus, a parametrização YSU mostrou maior número de ocorrência de V10m do que quando configurado com a parametrização cúmulus.

Utilizando-se os valores de V10m observados e modelados, foi calculada a diferença entre esses dois valores para cada observação, ou seja o erro instantâneo dado pela equação 1. A figura 5 mostra o histograma da diferença entre os valores observados e simulados de V10m.

 

Figura 4 – Histogramas mostrando os valores simulados utilizando as parametrizações MYNN e YSU e observados de V10m para as quatro estações escolhidas. A primeira linha de figuras apresenta os dados para o período chuvoso das simulações sem a parametrização cúmulos enquanto a segunda para as simulações com parametrização cúmulus

(a) Chuvoso- MYNN	(b) Chuvoso- YSU	(c) Chuvoso- Observado
(d) Chuvoso- MYNN	(e) Chuvoso- YSU	(f) Chuvoso- Observado

 

Analisando as figuras 5 e 6, observa-se nas duas parametrizações de CLP, valores de valores de erros positivos, indicando assim superestimativa do modelo na simulação do V10m, nos dois períodos. Com relação ao período seco, as duas parametrizações mostraram maiores superestimativa sem a configuração da parametrização cúmulus. Esses resultados podem ser comprovados nas figuras 3 e 4, onde constata-se que o modelo superestima maior parte dos valores de V10m, nos dois períodos. Avaliando o desempenho do modelo para o período chuvoso, nota-se que a parametrização YSUapresentou comportamento semelhante nas duas configurações (Com e sem a parametrização cúmulus), mostrando uma distribuição dos valores de erros semelhantes, embora ter superestimado mais sem a configuração da parametrização cúmulus.

Ao analisar o gráfico de dispersão, constatou-se que com a configuração da parametrização cúmulus, o modelo impõe uma superestimativa praticamente uniforme, usando a parametrização MYNN, e no mesmo resultado verificou-se coeficiente de ajuste linear maior que o coeficiente de ajuste linear apresentado na simulação sem a configuração da parametrização cúmulus. A mesma diferença do coeficiente de ajuste linear também foi identificada na parametrização YSU, embora ter constatado que o modelo tenha subestimado mais valores de V10m na configuração sem a parametrização cúmulus do que com a parametrização cúmulus. Quanto ao período chuvoso, foram identificados valores muito baixos de coeficiente de ajuste linear. Esse resultado indica que há uma dificuldade do modelo em representar de forma satisfatória os valores do V10m, principalmente com a configuração da parametrização cúmulus nesse período.

 

Figura 5 – Histogramas da diferença entre os valores observados e simulados de V10m para os períodos seco e chuvoso com as duas parametrizações de CLP mencionadas no texto

(a) Seco- MYNN	(b) Seco- YSU
(c) Seco- MYNN	(d) Seco- YSU

 

Figura 6 – Histogramas da diferença entre os valores observados e simulados de V10m para os períodos seco e chuvoso com as duas parametrizações de CLP mencionadas no texto

(a) Chuvoso- MYNN	(b) Chuvoso- YSU
(c) Chuvoso- MYNN	(d) Chuvoso- YSU

 

Figura 7 – Gráficos de dispersão V10m_s×V10m_o para os períodos e esquemas de CLP utilizados. Os pontos indicam a dispersão dos dados enquanto a reta continua e a reta tracejada mostram a função identidade e um ajuste linear entre os dados simulados (variável dependente) e observados (variável independente). O coeficiente de ajuste linear R² para cada caso é apresentado no canto superior esquerdo dos painéis

(a) Seco- MYNN	(b) Seco- YSU
(c) Seco- MYNN	(d) Seco- YSU

 

Figura 8 – Gráficos de dispersão V10m_s×V10m_o para os períodos e esquemas de CLP utilizados. Os pontos indicam a dispersão dos dados enquanto a reta continua e a reta tracejada mostram a função identidade e um ajuste linear entre os dados simulados (variável dependente) e observados (variável independente). O coeficiente de ajuste linear R² para cada caso é apresentado no canto superior esquerdo dos painéis

(a) Chuvoso- MYNN	(b) Chuvoso- YSU
(c) Chuvoso- MYNN	(d) Chuvoso- YSU

 

 

4 Conclusão

Na execução deste trabalho, foi avaliado o impacto do uso da parametrização cúmulus na simulação do vento, com as parametrizações MYNN e YSU, usando os dados do Era Interin para as condições iniciais e de contorno e comparando com os dados observados de quatro estações meteorológicas automática do INMET que estão situadas perto da usina termoelética de parnaíba, localisada na cidade de Santo Antônio do Lopes, no Maranhão. O modelo apresentou valores simulados acima de 7 ms^-1 visto que, pelos dados observados as estações apresentam valores ≤ 7ms^-1 nos dois períodos. Foi observado subestimativa dos valores de V10m ≤ 1ms^-1. Observou-se também valores insignificantes do coeficiente de ajuste linear, indicando uma fraca coorelação entre os valores simulados e observados. Isso implica que o modelo teve dificuldade em representar os valores de V10m conforme os observados. Esse resultado foi diferente ao encontrado por PINTO (2017) que constatou um bom desempenho do modelo, usando a parametrização YSU na simulação da magnitude do vento no NEB. Já Silva e Fisch (2014), ao estudarem o perfil vertical do vento na localidade de Alcântara (Maranhão), obtiveram resultados mais favoráveis usando a parametrização MYNN no período chuvoso da região.

 

 

Agradecimentos

Esse artigo foi parcialmente suportado pelo projeto de P&D ANEEL, desenvolvido em parceria entre a UTE Pecém II, UTE Parnaíba I, Parnaíba II e III Geração de Energia S.A. e a Universidade Federal de Santa Maria-UFSM.

 

 

Referências

GRELL, G. A.; FREITAS, S. R. et al. A scale and aerosol aware stochastic convective parameterization for weather and air quality modeling. Atmos. Chem. Phys, v. 14, n. 10, p. 5233–5250, 2014.

HONG, S.-Y.; DUDHIA, J.; CHEN, S.-H. A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation. Monthly Weather Review, v. 132, n. 1, p. 103–120, 2004.

HONG, S.-Y.; PAN, H.-L. Nonlocal boundary layer vertical diffusion in a medium-range forecast model. Monthly weather review, v. 124, n. 10, p. 2322–2339, 1996.

MOLION, L. C. B.; BERNARDO, S. O. Uma revisão da dinâmica das chuvas no nordeste brasileiro. Revista Brasileira de Meteorologia, v. 17, n. 1, p. 1–10, 2002.

NAKANISHI, M.; NIINO, H. An improved mellor–yamada level-3 model with condensation physics: Its design and verification. Boundary-layer meteorology, Springer, v. 112, n. 1, p. 1–31, 2004.

PINTO, L. Avaliação do modelo WRF para aplicação em previsão de recursos eólicos no nordeste brasileiro. 2017. Tese (Doutorado) — Tese de Doutorado. Curso de Pós-Graduação em Ciência do Sistema Terrestre . . . , 2017.

SILVA, A. F.; FISCH, G. Avaliação do modelo wrf para a previsão do perfil do vento no centro de lançamento de alcântara. Revista Brasileira de Meteorologia, SciELO Brasil, v. 29, n. 2, p. 259- 270, 2014.

STULL, R. An introduction to boundary layer meteorology. Dordrecht: Kluwer Academic Publishers, 1988. 666 p.

WILKS, D. Statistical Methods in the Atmospheric Sciences. 2ª edição. San Diego: Academic Press, 2006. 648 p.