Diogo Nunes da Silva Ramos (2012).pdf

Diogo Nunes da Silva Ramos (2012).pdf
Documento PDF (8.9MB)

Exibir conteúdo Baixar

UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
PÓS-GRADUAÇÃO EM METEOROLOGIA

MAPEAMENTO EÓLICO DO ESTADO DE ALAGOAS UTILIZANDO FERRAMENTAS
COMPUTACIONAIS E DADOS OBSERVADOS

DIOGO NUNES DA SILVA RAMOS

MACEIÓ, AL
JANEIRO, 2012

DIOGO NUNES DA SILVA RAMOS

MAPEAMENTO EÓLICO DO ESTADO DE ALAGOAS UTILIZANDO FERRAMENTAS
COMPUTACIONAIS E DADOS OBSERVADOS

Dissertação submetida ao colegiado do Curso de PósGraduação em Meteorologia no Instituto de Ciências
Atmosféricas da Universidade Federal de Alagoas - UFAL,
como parte dos requisitos necessários para obtenção do
título de Mestre em Meteorologia.

Orientador:
Prof. Dr. Roberto Fernando da Fonseca Lyra

Co-Orientador:
Prof. Dr. Rosiberto Salustiano da Silva Júnior

MACEIÓ, AL
JANEIRO, 2012

DEDICATÓRIA

À minha família, DEDICO.

AGRADECIMENTOS

Aos meus pais Izaias Ramos e Simone Nunes, pela educação e imenso esforço na
minha formação, além de terem sempre acreditado em mim, e terem me apoiado nos bons e
nos maus momentos.

Ao prof. Roberto Lyra, pela paciência e amizade, por ter acreditado no meu potencial
e pela orientação, desde a iniciação científica até a pós-graduação, tornando possível a
elaboração deste trabalho e no meu crescimento profissional.

Ao prof. Rosiberto Salustiano pela co-orientação e companheirismo, que além da
ajuda fundamental no modelo WRF, sempre me incentivou no aperfeiçoamento acadêmico
principalmente ao ramo computacional na meteorologia, que no final, valeram a pena pelo
conhecimento adquirido.

Aos membros da banca, Prof. Dr. Ricardo Amorim e Prof. Dr. Fernando Martins por
terem aceitado o convite, dedicado tempo na correção, colaborando com sugestões e críticas
construtivas que possibilitaram o aprimoramento do trabalho.

Aos amigos que fiz no Laboratório de Micrometeorologia, Allan Rodrigues, Flávia
Rabelo e Marney Lisboa, e também a Gerson Lopes do Laboratório de Modelagem
Atmosférica, além dos colegas de turma do mestrado, parceiros em todas as ocasiões,
principalmente nos incontáveis momentos de descontração.

Ao projeto Implementação de conjunto de ferramentas computacionais em Alagoas:
modelos atmosféricos (WRF e ETA) e o modelo para levantamento do potencial eólico
(WAsP) de Desenvolvimento Científico e Regional/FAPEAL/CNPq, coordenado pelo Prof.
Dr. Rosiberto Salustiano, pela utilização do software WAsP.

Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico – CNPq pelo
apoio financeiro através da concessão da bolsa de mestrado, sem a qual não seria possível a
realização desta dissertação.

RESUMO

Com a crescente demanda energética e a oportunidade de exploração de energia renovável
(eólica), este trabalho realiza o mapeamento do potencial eólico em Alagoas. Este trabalho é
baseado no uso de medições anemométricas entre agosto/2007 a julho/2008, além de
ferramentas computacionais: modelo atmosférico de mesoescala (WRF); modelo numérico de
microescala (WAsP®); dados de sistemas de informações geográficas (SIG). As estações
anemométricas foram distribuídas geograficamente nas três mesorregiões do Estado: Sertão
(Água Branca), Agreste (Girau do Ponciano e Palmeira dos Índios) e Litoral (Feliz Deserto,
Maragogi e Roteiro). As simulações do WRF foram validadas através de séries temporais
(médias diárias, mensais, ciclos diurnos), análises estatísticas e Distribuições de Weibull.
Avaliaram-se ainda o uso do WAsP como ferramenta para cálculo espacial da velocidade do
vento em microescala. Os dados de entrada no WAsP, além das simulações do modelo WRF e
da elaboração de diversos mapas, foram todos tratados e desenvolvidos no software
ArcGIS®. Os resultados mostraram que houve maior eficiência do WRF nas simulações da
velocidade do vento para sítios do interior alagoano, com bias inferior a 1 m.s-1. Estas
estimativas foram mais precisas durante a estação do verão (bias menor que 0,5 m.s-1) e mais
discrepantes no inverno, com erro médio de até 3 m.s-1. Para o litoral, estes valores foram
superestimados em mais de 3 m.s-1, exceto em Maragogi. A direção do vento do WRF foi
calculada com acerto em todos os sítios, sendo dominante de leste no litoral, leste a nordeste
no agreste, e sudeste em Água Branca. O mapa eólico anual do WRF para Alagoas apresentou
áreas com bom potencial energético, cuja magnitude do vento varia entre 7 a 9 m.s-1 em 50
metros de altura. A aplicação do WAsP na microescala mostrou boa semelhança aos mapas
obtidos no Atlas Eólico do Estado de Alagoas – AEEA. Os modelos atingiram resultados
satisfatórios, porém ainda precisam ser aperfeiçoados em alguns aspectos.

Palavras-Chave: Vento. Mapeamento Eólico. Modelo WRF. Sistemas de Informações
Geográficas. WAsP.

ABSTRACT
With the growing energy demand and the opportunity for exploitation of renewable energy
(wind energy), this paper performs the mapping of wind potential in Alagoas. This study is
based on the use of anemometer measurements between August/2007 to July/2008, as also
computational tools: mesoscale atmospheric model (WRF); numerical model of microscale
(WAsP®); data from Geographic Information Systems (GIS). The stations with anemometers
were geographically distributed in three mesoregions of the State: Backwoods “Sertão” (Água
Branca), Rural “Agreste” (Girau do Ponciano and Palmeira dos Índios) and Coast “Litoral”
(Feliz Deserto, Maragogi and Roteiro). WRF simulations have validated by time series (daily
average, monthly average and diurnal cycles), statistical analysis and Weibull distributions. It
was also evaluated using WAsP as a tool for calculating the spatial wind speed in microscale.
The input data in WAsP, in addition to the WRF model simulations and the preparation of
various maps, were all treated and developed in the ArcGIS® software. The results showed
greater efficiency in the WRF simulation of wind speed for sites to the interior of Alagoas,
with bias less than 1 m.s-1. These estimates were more accurate during the summer season
(bias less than 0.5 m.s-1) and more disparate in winter, with average error of up to 3 m.s-1. For
the Coast, these values were overestimated by more than 3 m.s-1, except in Maragogi. The
wind direction from WRF was calculated with accuracy in all sites, being dominant in the east
coast, east to northeast in Rural, and southeast in Água Branca. The annual wind map for
WRF for Alagoas showed areas with good potential energy, the magnitude of the wind varies
between 7-9 m.s-1 at 50 meters high. Application of the WAsP in the microscale showed good
resemblance to the maps obtained in the Wind Atlas of the State of Alagoas - AEEA. The
models achieved satisfactory results, but still need to be improved in some respects.
Key-Words: Wind. Wind power mapping. WRF Model. WAsP. Geographic Information
System.

LISTA DE ILUSTRAÇÕES

Figura 1. Distribuição das fontes de energia que compõem a Matriz Elétrica Brasileira. ....... 14
Figura 2. Representação da circulação atmosférica em escala planetária com os demais tipos
de células. ............................................................................................................................ 18
Figura 3. Camada Limite Atmosférica e as outras divisões da troposfera. ............................. 19
Figura 4. Perfil vertical do vento sobre diferentes tipos de rugosidade superficial. ................ 20
Figura 5. Ciclo diurno médio da velocidade do vento em várias alturas durante o experimento
Wangara. ............................................................................................................................. 22
Figura 6. Determinação do comprimento de rugosidade (z0) através do perfil logaritmo do
vento. ................................................................................................................................... 22
Figura 7. Esquema de um perfil topográfico ideal para deslocamento do vento..................... 24
Figura 8. Classificação de diferentes distribuições horizontais da topografia. ....................... 24
Figura 9. Variação do perfil vertical do vento sobre diferentes padrões orográficos. ............. 25
Figura 10. Formação de circulações e recirculações do vento em áreas de falésias e demais
barreiras orográficas. ............................................................................................................ 25
Figura 11. Secção Leste-Oeste do fluxo do vento entre continente e oceano, durante o dia (a) e
noite (b). .............................................................................................................................. 26
Figura 12. Resumo geral das etapas realizadas na instalação de um parque eólico. ............... 28
Figura 13. Capacidade total de geração eólica no mundo entre os anos 2001 a 2011............. 34
Figura 14. Localização do Estado de Alagoas na região Nordeste do Brasil, com suas
mesorregiões Agreste, Litoral e Sertão. ................................................................................ 36
Figura 15. Climatologia do regime pluviométrico de Alagoas. ............................................. 37
Figura 16. Modelo Digital de Elevação do Estado de Alagoas. ............................................. 38
Figura 17. Mapa de Vegetação de Alagoas. .......................................................................... 39
Figura 18. Relação dos municípios onde se localizam as estações anemométricas. ............... 40
Figura 19. Fotografias tiradas em campo das torres anemométricas e vegetação local........... 41
Figura 20. Representação da grade de Arakawa-C. ............................................................... 46
Figura 21. Ilustração da coordenada vertical η. ..................................................................... 47
Figura 22. Localização geográfica dos domínios configurados no modelo WRF................... 47
Figura 23. Diferença entre as interações das camadas verticais no interior da CLA entre as
parametrizações ACM e ACM2. .......................................................................................... 49

Figura 24. Modelo de convecção na CLA que foi aprimorado e transformado na
parametrização ACM2. ........................................................................................................ 50
Figura 25. Topografia USGS do Modelo WRF, com indicações da localização de cada sítio
experimental. ....................................................................................................................... 51
Figura 26. Classificação do uso do solo MODIS do Modelo WRF para o Estado de Alagoas:
(a) Verão; (b) Inverno no Hemisfério Sul. ............................................................................ 52
Figura 27. Comparação da velocidade média mensal medida e a simulada pelo WRF, usando
o u* e z0 individuais (OBS-u*) ou não (OBS-perf. log.): (a) Sertão; (b) Agreste; (c) Litoral. . 54
Figura 28. Esquematização de funcionamento do WAsP. ..................................................... 56
Figura 29. Mapa exemplificando como a rugosidade é interpretada no WAsP. ..................... 58
Figura 30. Imagens de satélite com representação dos domínios WAsP. (a) Água Branca, (b)
Feliz Deserto, (c) Girau do Ponciano, (d) Maragogi, (e) Palmeira dos Índios e (f) Roteiro. ... 60
Figura 31. Representação das zonas UTM 24 e 25 que abrangem o Estado de Alagoas. ....... 64
Figura 32. Rosa dos ventos dividida em 16 setores. .............................................................. 67
Figura 33. Fluxograma que representa a execução geral do trabalho, com principais
informações em cada etapa................................................................................................... 69
Figura 34. Média diária da velocidade do vento observado e estimado pelo WRF em Água
Branca. ................................................................................................................................ 71
Figura 35. Média diária da velocidade do vento observado e estimado pelo WRF em Feliz
Deserto. ............................................................................................................................... 72
Figura 36. Média diária da velocidade do vento observado e estimado pelo WRF em Girau do
Ponciano. ............................................................................................................................. 73
Figura 37. Média diária da velocidade do vento observado e estimado pelo WRF em
Maragogi. ............................................................................................................................ 73
Figura 38. Média horária da velocidade do vento observado e estimado pelo WRF durante o
mês de maio de 2008 em Maragogi. ..................................................................................... 74
Figura 39. Valores horários da velocidade de fricção simulada pelo WRF para Maragogi
durante agosto de 2007 a julho de 2008. ............................................................................... 75
Figura 40. Imagens do satélite GOES-10, canal infravermelho realçado, no período de 24
horas de formação do sistema convectivo intenso do dia 09/05 de 2008. HL – Hora Local. .. 76
Figura 41. Média diária da velocidade do vento observado e estimado pelo WRF em Palmeira
dos Índios. ........................................................................................................................... 77
Figura 42. Média diária da velocidade do vento observado e estimado pelo WRF em Roteiro.
............................................................................................................................................ 78
Figura 43. Ciclo diurno médio anual da velocidade do vento observado e simulado em 30
metros de altura nos sítios do litoral alagoano. ..................................................................... 80

Figura 44. Ciclo diurno médio anual da velocidade do vento observado e simulado em 30
metros de altura nos sítios do interior alagoano. ................................................................... 81
Figura 45. Média mensal e seus respectivos desvios da velocidade do vento observado e
estimado pelo WRF.............................................................................................................. 83
Figura 46. Distribuição anual de probabilidade de Weibull com dados observados e simulados
da velocidade do vento (m.s-1). ............................................................................................. 87
Figura 47. Desvios entre distribuições de frequência da velocidade do vento observada e
simulada. ............................................................................................................................. 89
Figura 48. Erro médio anual e sazonal da velocidade do vento WRF em 30 metros de altura.
............................................................................................................................................ 92
Figura 49. Direção predominante do vento anual observada e simulada................................ 95
Figura 50. (a) Representação topográfica dos Estados de Alagoas, Sergipe e Pernambuco, e
indicação da direção predominante do vento. Ponto 1 = Pão de Açúcar (AL); Ponto 2 = Brejo
Grande (SE). (b) Imagem de satélite para Água Branca. ....................................................... 97
Figura 51. Direção do vento anual observada em Brejo Grande (SE) e Pão de Açúcar (AL)
durante o dia e noite. ............................................................................................................ 98
Figura 52. Desenvolvimento médio anual da evolução diurna da velocidade do vento
observada em 10 metros para Brejo Grande (SE) e Pão de Açúcar (AL), e 30 metros para
Água Branca (AL)................................................................................................................ 99
Figura 53. Direção do vento medida (observado) e simulada (WRF) durante o verão e inverno
em Água Branca, Feliz Deserto e Girau do Ponciano............................................................ 99
Figura 54. Direção do vento medida (observado) e simulada (WRF) durante o verão e inverno
em Maragogi, Palmeira dos Índios e Roteiro. ..................................................................... 100
Figura 55. Mapa eólico anual para altura de 50 metros. (a) AEEA e (b) WRF. ................... 102
Figura 56. Mapa anual WRF da velocidade do vento (m.s-1) em 50 metros e direção em 10
metros sobrepostos ao relevo digital de Alagoas. ................................................................ 103
Figura 57. Mapeamento WAsP em 50 metros de altura para Água Branca: (a) AEEA; (b)
mapa OBSin da velocidade do vento. .................................................................................. 104
Figura 58. Desvios entre mapas 3D WAsP com OBSin e WRFin em Água Branca............... 105
Figura 59. Mapeamento WAsP em 100 metros de altura para Feliz Deserto: (a) AEEA; (b)
mapa OBSin da velocidade do vento. .................................................................................. 106
Figura 60. Desvios entre mapas 3D WAsP com OBSin e WRFin em Feliz Deserto. ............. 107
Figura 61. Mapeamento WAsP em 50 metros de altura para Girau do Ponciano: (a) AEEA;
(b) mapa OBSin da velocidade do vento.............................................................................. 107
Figura 62. Desvios entre mapas 3D WAsP com OBSin e WRFin em Girau do Ponciano...... 108

Figura 63. Mapeamento WAsP em 50 metros de altura para Maragogi: (a) AEEA; (b) mapa
OBSin da velocidade do vento. ........................................................................................... 109
Figura 64. Desvios entre mapas 3D WAsP com OBSin e WRFin em Maragogi.................... 110
Figura 65. Mapeamento WAsP em 100 metros de altura para Palmeira dos Índios: (a) AEEA;
(b) mapa OBSin da velocidade do vento.............................................................................. 110
Figura 66. Desvios entre mapas 3D WAsP com OBSin e WRFin em Palmeira dos Índios. ... 111
Figura 67. Mapeamento WAsP em 50 metros de altura para Roteiro: (a) AEEA; (b) mapa
OBSin da velocidade do vento. ........................................................................................... 112
Figura 68. Desvios entre mapas 3D WAsP com OBSin e WRFin em Girau do Roteiro. ....... 112

LISTA DE TABELAS
Tabela 1. Cronologia de estudos com o desenvolvimento de várias listas do comprimento de
rugosidade (z0). .................................................................................................................... 23
Tabela 2. Números referentes até novembro de 2011 da participação da fonte eólica na matriz
elétrica brasileira. ................................................................................................................. 30
Tabela 3. Informações do relatório global de Energias Renováveis (ER) de 2011, ano base
2010. .................................................................................................................................... 34
Tabela 4. Percentual de consistência dos dados anemométricos utilizados. (-) indica ausência
de dados. .............................................................................................................................. 42
Tabela 5. Informações gerais das torres anemométricas para cada sítio experimental e seus
níveis de medição da velocidade do vento (VV) e direção do vento (DD)............................. 43
Tabela 6. Parametrizações físicas utilizadas na execução do Modelo WRF. ROC – Radiação
de Onda Curta; ROL – Radiação de Onda Longa; TSMO – Teoria da Similaridade de MoninObukhov; RRTM – Rapid Radiative Transfer Model. .......................................................... 49
Tabela 7. Parâmetros físicos para cada tipo de superfície vegetativa do MODIS utilizada no
WRF. Z0 é o comprimento de rugosidade. ............................................................................ 53
Tabela 8. Valores de z0 adotados pelo modelo de rugosidade do WAsP para cada tipo de
superfície do terreno............................................................................................................. 59
Tabela 9. Fluxo médio do calor superficial (
) e seu desvio (
) definido como
padrão no WAsP. ................................................................................................................. 63
Tabela 10. Coordenadas UTM e suas respectivas zonas utilizadas como centroide nos mapas
de relevo do WAsP. ............................................................................................................. 64
Tabela 11. Configuração das coordenadas UTM do domínio do RGrid, Z0 e altura simulada.65
Tabela 12. Classificação da diferença entre séries temporais observadas e simuladas pelo
WRF. u – velocidade do vento. ............................................................................................ 68
Tabela 13. Desvios nas medições da velocidade do vento em 30 metros registrado pelo
anemômetro. (-) ausência de dados...................................................................................... 79
Tabela 14. Valores anuais dos fatores de forma (k) e escala (A) da distribuição de Weibull
para cada sítio experimental com dados observados e simulados (WRF). ............................. 85
Tabela 15. Relação das classes de velocidade do vento com maior frequência nos dados
observados e simulados (WRF) nos períodos anuais, verão e inverno. .................................. 90
Tabela 16. Desvio médio de frequência (DFREQ) entre três classes da velocidade do vento
observada e simulada (WRF) no período anual, de verão e inverno. ..................................... 90
Tabela 17. Valores mensais, sazonais e anuais do RMSE para os sítios experimentais. (-)
ausência de dados................................................................................................................. 93

LISTAS DE ABREVIAÇÕES E SIGLAS

ACM – Asymmetrical Convective Model
AEEA – Atlas Eólico do Estado de Alagoas
ANEEL – Agência Nacional de Energia Elétrica
AL – Atmosfera Livre
BEN – Balanço Energético Nacional
CCEE – Câmara de Comercialização de Energia Elétrica
CFD – Computational Fluid Dynamic
CLA – Camada Limite Atmosférica
CLI – Camada Limite Interna
CLS – Camada Limite Superficial
CPTEC – Centro de Previsão de Tempo e Estudos Climáticos
CRESESB – Centro de Referência para Energia Solar e Eólica Sérgio de Salvo Brito
DOL – Distúrbios Ondulatórios de Leste
DTU – Denmark Technical University
ELETROBRAS – Centrais Elétricas Brasileiras S/A
EMA – Estação Meteorológica Automática
ENOS – El Niño Oscilação Sul
ESRI – Environmental System Research Institute
FAA – Federal Aviation Administration
IBGE – Instituto Brasileiro de Geografia e Estatística
IEA – International Energy Agency
IEC – International Electrotechnical Commission
INPE – Instituto Nacional de Pesquisas Espaciais
JPL – Jet Propulsion Laboratory
LACTEC – Instituto de Tecnologia para o Desenvolvimento
LES – Large Eddy Simulation
LI – Linhas de Instabilidade
LSM – Land Surface Model
MDE – Modelo Digital de Elevação
MMM – Mesoscale & Microscale Meteorology
MODIS – Moderate Resolution Imaging Spectroradiometer

NASA – National Aeronautics and Space Administration
NCAR – National Center for Atmospheric Research
NCEP – National Center for Environmental Prediction
NEB – Nordeste Brasileiro
NOAA – National Ocean and Atmospheric Administration
NRL – Naval Research Laboratory
ONU – Organização das Nações Unidas
PCH – Pequenas Centrais Hidrelétricas
PNT – Previsão Numérica do Tempo
POA – Perturbação Ondulatória dos Alísios
PROINFA – Programa de Incentivo às Fontes Alternativas de Energia Elétrica
RMSE – Root Mean Square Error
RRTM – Rapid Radiative Transfer Model
SAGA – System for Automated Geoscientific Analysis
SEMARH – Secretaria de Estado do Meio Ambiente e dos Recursos Hídricos
SIG – Sistemas de Informações Geográficas
SIN – Sistema Elétrico Interligado Nacional
SONDA – Sistema de Organização Nacional de Dados Ambientais
SRTM – Shuttle Radar Topography Mission
TKE –Turbulence Kinetic Energy
TSMO – Teoria da Similaridade de Monin-Obukhov
UFAL – Universidade Federal de Alagoas
USGS – United States for Geological Survey
UTM – Universal Transversa de Mercator
VCAN – Vórtice Ciclônico de Altos Níveis
WAsP – Wind Atlas, Analysis and Application Program
WRF – Weather Research and Forecasting
WWEA – World Wind Energy Association
ZCIT – Zona de Convergência Intertropical
ZE – Zona de Entranhamento

SUMÁRIO

INTRODUÇÃO ............................................................................................................ 14

REVISÃO DE LITERATURA ..................................................................................... 17

2.1

Vento e Circulação Geral da Atmosfera ................................................................. 17

2.2

Camada Limite Atmosférica .................................................................................. 19

2.3

Influência do terreno .............................................................................................. 22

2.4

Energia Eólica ....................................................................................................... 27

2.5

Mapeamento Eólico ............................................................................................... 31

2.6

Panorama mundial da energia eólica ...................................................................... 34

MATERIAIS E MÉTODOS ......................................................................................... 36
3.1

Climatologia, Relevo e Vegetação de Alagoas ....................................................... 36

3.2

Descrição dos sítios experimentais ......................................................................... 40

3.3

Sistemas de Informações Geográficas .................................................................... 43

3.4

Modelo de Mesoescala – WRF............................................................................... 45

3.5

Modelo de Microescala – WAsP ............................................................................ 55

3.6

Distribuição de Weibull ......................................................................................... 65

3.7

Resumo das etapas metodológicas empregadas ...................................................... 67

RESULTADOS E DISCUSSÕES ................................................................................. 70
4.1

Comparação do WRF com os dados observados..................................................... 70

4.1.1 Médias diárias da velocidade do vento em 30m...................................................... 70
4.1.2 Médias mensais da velocidade do vento em 30m.................................................... 82
4.1.3 Distribuição de Weibull ......................................................................................... 85
4.1.4 Comparativo entre as distribuições de frequência da velocidade do vento .............. 88
4.1.5 BIAS e RMSE ....................................................................................................... 91
4.1.6 Direção do vento .................................................................................................... 94
4.2

Mapa eólico anual de Alagoas em mesoescala – WRF ......................................... 101

4.3

Mapa eólico anual em microescala – WAsP ......................................................... 103

CONSIDERAÇÕES FINAIS ...................................................................................... 114

CONCLUSÕES .......................................................................................................... 115

SUGESTÕES PARA TRABALHOS FUTUROS ........................................................ 117

REFERÊNCIAS ................................................................................................................ 118

INTRODUÇÃO

De acordo com o Balanço Energético Nacional 2011 – Ano Base 2010 (BEN, 2011), a
matriz elétrica brasileira é altamente dependente da fonte hidráulica, com 75% do total
(Figura 1). Em termos de segurança energética, é importante buscar alternativas que
possibilitem diminuir a alta vinculação às hidrelétricas, pois sua vulnerabilidade às condições
climáticas implica em constante preocupação, podendo gerar maiores problemas (SILVA,
ROSA e ARAÚJO, 2005). Aliada a necessidade de diversificar e reduzir esta enorme
dependência, existe ainda os compromissos assinados nos protocolos ambientais pelo
Governo Federal, correspondentes à emissão de gases do efeito estufa. Com isso, a aplicação
de fontes renováveis e limpa de energia elétrica tem aumentado consideravelmente em todo o
mundo, principalmente a fonte oriunda dos ventos, a energia eólica.

Figura 1. Distribuição das fontes de energia que compõem a Matriz Elétrica Brasileira.

Fonte: Adaptado de BEN, 2011.

A aplicação da energia eólica no Brasil enfrenta obstáculos nas mais diversas áreas
(MARTINS e PEREIRA, 2011), como: políticas de incentivo; economia; pesquisa e
desenvolvimento; licenciamento ambiental; arrendamento de propriedades; investimento
público e privado. A discussão destes temas ao analisar o cenário atual e futuro do setor
nacional, indica que o país se tornará um dos maiores produtores de energia eólica do mundo
(UNEP, 2010). O atual momento brasileiro, desde o incentivo a uso de fontes renováveis até
os acordos assinados de redução das emissões de gases estufa, assemelha-se à experiência
obtida pela Alemanha há 20 anos (WACHSMANN e TOLMASQUIM, 2003). Mesmo com o
avanço na aplicação da eólica no Brasil nos últimos anos, vários entraves ainda dificultam a
expansão do setor, desde os aspectos burocráticos até estudos do vento mais detalhados.

Existe uma grande necessidade de pesquisa e desenvolvimento científico neste ramo
energético. Deve-se ressaltar que boa parte de todos os atlas eólicos produzidos até então no
Brasil foram elaborados nos Estados Unidos (MARTINS e PEREIRA, 2011; CRESESB,
2011). O principal motivo para que estes atlas fossem produzidos no exterior é que estes
países, não apenas os Estados Unidos, mas também os europeus obtiveram uma vasta
experiência em levantamentos eólicos nas últimas três décadas (TROEN, MORTENSEN e
PETERSEN, 1987; TROEN e PETERSEN, 1989; WACHSMANN e TOLMASQUIM, 2003).
Com isso, é fundamental que grupos nacionais de pesquisa continuem desenvolvendo técnicas
próprias para estudos eólicos. Além de enriquecer o corpo científico brasileiro, é
imprescindível para formação de mão de obra qualificada, desenvolvimento tecnológico, entre
outros benefícios.
De acordo com Polito (2010), as usinas eólicas geraram 27% abaixo do previsto em
2009. Esta defasagem de produção energética está associada principalmente a necessidade de
aperfeiçoamento da previsão do vento em curto prazo. Aumentar a eficiência das previsões de
vento auxilia nos planejamentos e produção da usina eólica, minimizando perdas. Mas há
carência de estudos mais detalhados do potencial eólico dos locais onde os atlas já foram
realizados, bem como, desenvolver metodologia nacional para elaboração de mapeamentos
eólicos independentes da mão de obra estrangeira.
A previsão do vento é geralmente realizada através de modelos atmosféricos (MARIA,
2007; LYRA, 2008; SILVA JÚNIOR, LYRA, et al., 2010b; SILVA, CERQUEIRA, et al.,
2010), mas também pode ser obtida por inteligência artificial, como Redes Neurais Artificiais
– RNA (RODRIGUES, 2007; GRASSI e VECCHIO, 2010; GONÇALVES, 2011; KANI e
ARDEHALI, 2011). Estes estudos sobre previsão de vento no Brasil indicam avanços
expressivos nas aplicações de modelagem atmosférica no prognóstico do vento. No entanto,
ocorrências de ventos extremos, situações de calmaria e fenômenos meteorológicos adversos
ainda ocasionam problemas na eficácia das simulações (DODLA e RATNA, 2010). Então é
fundamental a aplicação de métodos estatísticos, como a Distribuição de Weibull (CHANG,
2011; ROCHA, SOUSA, et al., 2011), na validação numérica das simulações de vento.
O objetivo geral deste trabalho é elaborar o mapeamento eólico para o Estado de
Alagoas através de ferramentas computacionais e dados anemométricos. Compõem estas
ferramentas: modelo de mesoescala WRF; modelo numérico de alta resolução WAsP;
tratamento de dados geográficos no ArcGIS para entrada no WAsP.

Classificando em pontos específicos, os objetivos serão baseados em:


Validar estatisticamente as saídas do modelo WRF com os dados observados já tratados e
consistidos;



Comparar simulações espaciais do modelo WAsP entrando com dados do vento medido e
simulado pelo WRF;



Confeccionar mapas eólicos do WRF no ArcGIS.

REVISÃO DE LITERATURA

2.1

Vento e Circulação Geral da Atmosfera
O deslocamento do ar recorrente ao movimento circulatório gerado por superfícies

com diferentes gradientes de pressão atmosférica resultam no vento. O gradiente de pressão
ocorre através do aquecimento diferenciado da superfície devido à incidência da radiação
solar (WALLACE e HOBBS, 2006). A radiação solar é a principal fonte de energia,
fundamental na manutenção dos processos atmosféricos, onde sua incidência direta é afetada
pela presença de nebulosidade, aerossóis, vapor d’água e outros constituintes atmosféricos. A
distribuição desta radiação possui padrões espaciais e temporais diferentes, variando devido à
inclinação do eixo de rotação da terra, e por sua geometria (LIOU, 2002). Isto implica em
regiões da atmosfera com distintos padrões termodinâmicos, criando assim fenômenos
meteorológicos e células de circulações do ar da microescala até a escala planetária
(HOLTON, 2004).
A circulação geral da atmosfera é composta por circulações zonais e meridionais, em
diferentes escalas temporais e espaciais. Ocorre desde a escala micrometeorológica, com
fluxos de momentum, calor e massa da superfície em forma de pequenos turbilhões até
formação de grandes sistemas sinóticos cujo diâmetro ultrapassa em milhares de quilômetros
(AYOADE, 1998).
A maior quantidade de incidência solar sobre a região tropical, com sua diminuição
em direção aos polos, gera zonas com diferentes gradientes de pressão. Estes gradientes
resultam em três grandes células de circulação meridional, conhecido como “modelo de três
células”, compostos pelas células de Hadley, Ferrell e Polar (Figura 2). Também existe uma
circulação zonal chamada de Célula de Walker, que combinada com a Célula de Hadley,
forma sistemas convectivos na faixa equatorial terrestre. Estas células são fundamentais no
transporte de calor e umidade dos trópicos para as regiões subtropicais e polares. Na faixa
central dos trópicos ocorre a convergência dos ventos alísios, que são decorrentes à força de
Coriolis, e que contribuem na precipitação na região costeira ao norte do Nordeste, e os alísios
de sudeste para o litoral leste do Nordeste (PERSSON, 2006).

Figura 2. Representação da circulação atmosférica em escala planetária com os demais tipos de
células.

Fonte: Martins, Guarnieri e Pereira, 2008.

Em menor escala, os ventos locais são fortemente influenciados pelas condições de
superfície, principalmente vegetação, relevo e obstáculos. Um tipo de circulação local que
pode ocorrer desde a micro até a mesoescala são as brisas. Os principais tipos de brisas são as
que ocorrem entre continente-oceano e vale-montanha. A brisa terrestre e a brisa marítima são
sistemas locais de circulação do ar resultado da diferença barométrica entre continente e
oceano. Durante o dia, a superfície continental aquece mais rapidamente que o oceano,
resultando no deslocamento de ar da região de alta pressão atmosférica (menor temperatura)
para baixa pressão (maior temperatura). No período noturno o processo é invertido, pois a
maior capacidade calorífica do oceano em reter mais calor que o continente, assim, a direção
da brisa será do continente para o oceano em superfície. Estas circulações do ar também
ocorrem sobre leitos de rios, lagos e demais corpos d’água que possuam uma extensão
territorial que possibilite tal processo (ATKINSON, 1981).
A brisa de vale e brisa de montanha ocorre em regiões com variação de relevo bem
acentuada, e baseia-se em processos térmicos e mecânicos. O aquecimento superficial durante
o dia faz o ar se tornar menos denso no vale, assim ascendendo sobre a montanha, processo
conhecido como vento anabático, trazendo umidade e calor, condições favoráveis para
formação de nuvens no topo da montanha. Quando no período noturno, os ventos catabáticos
são os ventos que descendem da montanha como um ar frio e denso, sendo comum no
inverno, onde o escoamento é canalizado em regiões circundadas de cadeias montanhosas
(VIANELLO e ALVES, 2006). Este fenômeno acontece em alturas onde o vento não é
aproveitado pela energia eólica, e sim, em camadas inferiores da atmosfera, onde a superfície

influencia a estrutura do vento. Esta região da baixa troposfera possui características físicas
diferentes e diretamente ligadas às condições de superfície.
2.2

Camada Limite Atmosférica
A região da baixa troposfera é denominada como Camada Limite Atmosférica (CLA),

representada na Figura 3. Sua composição possui extensão até onde a influência dos
parâmetros de superfície se faz sentir, respondendo a estas forçantes em uma escala temporal
de segundo a hora. Transporte de calor e umidade, fluxos de energia, evaporação e
transpiração, dispersão de poluentes, dentre outros, são fenômenos presentes na CLA. Sua
altura pode ir de alguns metros até 2 a 3 km, dependendo do horário, além do tipo de
cobertura da superfície e condições do tempo (STULL, 1988).

Figura 3. Camada Limite Atmosférica e as outras divisões da troposfera.

Fonte: Adaptado de Stull, 1988.

Estima-se que a altura da Camada Limite Superficial (CLS) alcance em média 10% da
CLA, e nesta camada, são dominantes grandes variações verticais de umidade, temperatura e
cisalhamento do vento. Na região mais próxima da superfície, a turbulência mecânica é maior
devido à presença de obstáculos, topografia e rugosidade do terreno, influenciando fortemente
no deslocamento das parcelas de ar. A velocidade é considerada nula logo acima da superfície
devido ao atrito viscoso ser maior (OKE, 1988; STULL, 1988).
Em mecânica dos fluídos, o escoamento de um fluído entre duas superfícies
horizontais partindo do repouso, tenderá a ser linear até quando a superfície superior se
deslocar, com a superfície inferior continuando fixa. Quando a superfície abaixo se
movimenta, resultará numa força tangente à placa superior, chamado de tensão de
cisalhamento, causando fricção no deslocamento do fluído. Aplicando este conceito na CLA
(Figura 4), o vento ao deslocar-se sobre uma superfície com mínimo atrito ao movimento do

ar (como na Figura 4, um corpo d’água – z01), seu perfil vertical – u(z) perderá menos energia
com o atrito. No entanto, ao atingir uma superfície com diferente cobertura superficial (z02), o
perfil é reduzido acentuadamente nos primeiros metros de altura devido a maior fricção. A
altura h onde o perfil do vento atinge mesmos valores em ambos os tipos de superfície é
função da distância x. A linha tracejada sobre a superfície vegetada indica a perda de energia
do vento. Quando o vento não sofrer mais interferência da rugosidade superficial tenderá ao
Vg, sendo este ponto considerado como o topo da CLA (FOKEN, 2008).

Figura 4. Perfil vertical do vento sobre diferentes tipos de rugosidade superficial.

Fonte: Autor, 2012.

Considerando uma atmosfera neutra, o perfil vertical do vento sobre uma superfície
terrestre pode ser representado usando o logaritmo natural da altura como coordenada vertical,
através da equação 2.1 (OKE, 1988).

∗

(2.1)

Onde:
– Velocidade média do vento (m.s-1) na altura z;
∗ – Velocidade de fricção (m.s

-1

);

– Constante de Von Karman;
– Comprimento de rugosidade (m).

A velocidade de fricção ( ∗ ) e o comprimento de rugosidade (z0) são termos referentes
às características da superfície terrestre, também chamado de parâmetros aerodinâmicos. A

obtenção de

∗ é realizada através da Teoria da Similaridade de Monin-Obukhov (MONIN e

OBUKHOV, 1954; FOKEN, 2006), como também por modelos analíticos (LYRA e
PEREIRA, 2007). Soluções semianalíticas também têm sido utilizadas para representação do
perfil vertical do vento na CLA através de derivações da Equação de Navier-Stokes
(BULIGON, 2009), trazendo ainda parâmetros de grande escala do escoamento cinemático,
através de termos advectivos não lineares e condições de contorno.
A turbulência na CLA é um dos principais focos de pesquisa eólica, devido a sua
interferência na fadiga mecânica dos aerogeradores, além da suma importância nas
simulações atmosférica de microescala. Para identificar fenômenos turbulentos e sua
interferência no vento, é calculado o fator de rajadas e índice de turbulência (FISCH, 1999).
RABELO et al. (2010a e 2010b) mostraram uma sazonalidade do índice de turbulência para
regiões do Estado de Alagoas, sendo favorável para áreas interioranas apenas no período
chuvoso, e na região litorânea somente no período seco. Estas condições não impossibilitam a
construção de parques eólicos, mas indicam fatores logísticos que devem ser ressaltados na
elaboração destes empreendimentos.
Outra característica importante da CLA é entender a evolução diurna do vento no seu
interior. A Figura 5 representa o ciclo diurno médio velocidade do vento, e é diferente para
cada ambiente e altura no qual este foi registrado. Nos níveis mais próximos da superfície
terrestre, o intervalo de maior magnitude do vento ocorre durante o dia, do amanhecer ao final
da tarde. O principal mecanismo para esta condição é o forte gradiente térmico gerado pelo
aquecimento superficial. Com o acréscimo de altura, há uma variação neste ciclo, onde o
vento no período noturno passa a ganhar velocidade. Em níveis superiores a 50 metros, os
efeitos da superfície no vento já são menores, e mecanismos de escala sinótica, como o vento
geostrófico, atuam com maior intensidade. Comumente, a evolução diurna do vento é
invertida em níveis elevados (de 100 metros ou mais), com maiores velocidades no período
noturno (ARYA, 2001).

Figura 5. Ciclo diurno médio da velocidade do vento em várias alturas durante o experimento
Wangara.

Fonte: Adaptado de Arya, 1988.

2.3

Influência do terreno
O termo z0 é determinado por uma dimensão de comprimento que caracteriza a

rugosidade correspondente ao tipo de superfície local. Como este parâmetro está relacionado
também a tipos de vegetação (como culturas agrícolas), z0 deve ser alterado no tempo, já que
uma superfície vegetada sofrerá suas mudanças naturais na paisagem. Há diversos métodos de
determinação de z0, onde um deles é através da inclinação da reta entre u e ln z, exemplificado
na Figura 6. Para confecção deste tipo de figura, o perfil da velocidade do vento deve ser
conhecido em pelo menos dois níveis verticais, teoricamente. Na prática, é necessária uma
maior quantidade possível de níveis de medição para uma representação numérica mais
adequada.

Figura 6. Determinação do comprimento de rugosidade (z0) através do perfil logaritmo do vento.

Fonte: Adaptado de Foken, 2008.

Relacionando a velocidade do vento em duas alturas, u (z2) e u (z1), com os logaritmos
naturais destas alturas, ln (z1) e ln (z2), divide-se as expressões entre si, e depois isolando z0,
tem-se a equação 2.2:

(

)

(

)

(

)

(

)

(

)

(

)

(2.2)

Existem diversos métodos de obtenção de z0, logo, existem inúmeras listas prédefinidas de seu valor, como os encontrado na Tabela 1. Há uma maior complexidade em
determinar z0 espacialmente sobre superfície com intensa heterogeneidade de cobertura do
solo, por isso os valores são sempre aproximados (WIERINGA, 1993).

Tabela 1. Cronologia de estudos com o desenvolvimento de várias listas do comprimento de
rugosidade (z0).
Tipo de superfície
1960
Neve
Areia
0,006
Solo seco
0,015
Grama curta
0,015
Grama alta
0,04
Cultivos agrícolas
0,11
Floresta
0,8
Subúrbios
1,3
Cidade
1,3
Fonte: Adaptado de Wieringa (1993).

1978
0,0001
0,005
0,008
0,02-0,05
0,05-0,1
0,4
0,4-0,6
0,6-0,9

1985
0,003
0,003
0,01
0,01
0,01
0,03
0,3
0,3
0,8

1987
0,001
0,0003
0,005
0,01
0,05
0,3
0,4
-

1988
0,0002
0,0003
0,001-0,01
0,003-0,01
0,04-0,1
0,04-0,2
1,0-6,0
-

1993
0,0003
0,0003
0,002
0,013
0,034
0,1
1,2
0,6
1,1

O avanço tecnológico permitiu que z0 também fosse estimado espacialmente com um
nível de detalhamento maior devido o sensoriamento remoto (SR). Modelos de rugosidade via
SR são elaborados utilizando imagens de satélite de alta resolução espacial, com refinamentos
e filtragens baseados em leis físicas da interação biosfera-atmosfera (AMARANTE et al.,
2001).
Outra condição de terreno importante é o relevo, pois modificam não só a velocidade,
mas também a direção do vento. A forma geométrica e o posicionamento de uma cadeia
topográfica pode intensificar o vento com uma canalização, ou atuar como obstáculo,
desviando consideravelmente o vento para outra direção. Um modelo de relevo similar a uma
colina suavizada (Figura 7) é o melhor cenário para intensificação da velocidade do vento
devido à compreensão do ar no seu topo (NGO e LETCHFORD, 2008).

Figura 7. Esquema de um perfil topográfico ideal para deslocamento do vento.

Fonte: Autor, 2012.

Alguns tipos de condições topográficas que geralmente são encontrados no meio
ambiente estão na Figura 8. Estas podem ser classificadas de acordo com sua geometria,
podendo intensificar, canalizar ou desviar o vento (ESTEVES, 2004). O cenário menos
recomendado é do tipo convexo, que dispersa o vento para as extremidades da formação
topográfica.

Figura 8. Classificação de diferentes distribuições horizontais da topografia.

Fonte: Esteves, 2004.

A direção das correntes de ar sobre a topografia também implica nas diferentes
distribuições do perfil vertical do vento. A Figura 9 traz cinco tipos de perfis verticais do
vento sobre o topo de diferentes colinas, indo do melhor cenário (aceleração do vento) até ao
menos recomendado, sendo um platô que ocasiona intensa turbulência e recirculações.

Figura 9. Variação do perfil vertical do vento sobre diferentes padrões orográficos.

Fonte: Esteves, 2004.

A Figura 10 complementa a Figura 9, trazendo as ilustrações das recirculações geradas
devido aos efeitos ocasionados por barreiras topográficas, como falésias, penhascos e outras
inclinações. A presença de obstáculos como aeroportos, edifícios, fazendas, vilarejos, entre
outros, também implicam em perda de energia do vento nos primeiros metros de altura
(TROEN, MORTENSEN e PETERSEN, 1987).

Figura 10. Formação de circulações e recirculações do vento em áreas de falésias e demais barreiras
orográficas.

Fonte: Esteves, 2004.

Pielke (2002) afirma que em uma escala horizontal de 25 a 100 km, o movimento do
fluido atmosférico sobre continente e oceano possui circulação do ar que interage com
fenômenos de mesoescala. Logo, as características desta circulação são diferentes das brisas
vale-montanha e terra-mar. O autor menciona ainda que na modelagem atmosférica este tipo
de situação é tratado sob duas condições temporais distintas, dia e noite, representado na
Figura 11. Durante o período diurno, a entrada dos ventos alísios traz consigo calor e

umidade, que ao ascender forçadamente pela orografia sobre o continente, provoca
precipitação. Comumente, sob estas regiões onde ocorre precipitação, há uma maior cobertura
vegetal, com florestas nativas ou áreas agrícolas. Para a fase noturna da circulação, o
resfriamento do continente ocasiona o retorno do fluxo em direção ao oceano, criando uma
camada de inversão secundária acima do nível dos ventos alísios.
Em dinâmica dos fluídos, o acréscimo de massa em uma parcela dificulta o seu
transporte. Assim, o deslocamento desta parcela tenderá a ser na horizontal, pois o aumento
do peso implica em uma maior força gravitacional sobre esta (BELCHER e HUNT, 1998;
HOLTON, 2004). Este fenômeno ocasionará em um transporte que tenderá a ser mais
turbulento, que somado a rugosidade da vegetação e terrenos complexos, diminuirá a
velocidade do vento no interior da CLS (ARYA, 2001; GISLER, 2009).

Figura 11. Secção Leste-Oeste do fluxo do vento entre continente e oceano, durante o dia (a) e noite
(b).

(a)

(b)

Fonte: Adaptado de Pielke, 2002.

A simulação destes tipos turbulentos de escoamento do ar é constantemente
investigada nos modelos numéricos voltados ao levantamento do potencial eólico de uma

região (ESTEVES, 2004; LOUREIRO, 2011). Ventos turbulentos e recirculações ocorrem
sobre terrenos caracterizados com distribuição horizontal e vertical como complexos
(RATHMANN et al., 1996; MORTENSEN e PETERSEN, 1998; NGO e LETCHFORD,
2008; MORTENSEN, BOWEN e ANTONIOU, 2006). Isto mostra que o conhecimento da
orografia, através de modelos digitais de relevo, é fundamental para o mapeamento do
potencial dos ventos sobre uma região para uso de Energia Eólica.

2.4

Energia Eólica
A energia eólica é fundamentada na geração de eletricidade a partir da energia cinética

dos ventos. Sua vantagem é ter uma fonte renovável e limpa, sem emissão de gases de efeito
estufa, porém questões ambientais como poluição visual e sonora, e principalmente, a
inconstância do vento são argumentos contra a sua aplicação (BURTON et al., 2001).
Para aproveitar a energia eólica é necessária uma série de estudos técnicos e logísticos
antes do investimento em fazendas eólicas, buscando minimizar possíveis prejuízos futuros. O
Atlas Eólico de um determinado local reúne diversas informações sobre potencial eólico para
auxiliar na tomada de decisões de âmbito governamental, científico ou privado. Para o
posicionamento das turbinas eólicas, é primordial conhecer o melhor local do terreno, com a
melhor velocidade e duração do vento e que tenha direção pouco variável, para causar menos
desgaste mecânico do aerogerador. Então mapas eólicos são realizados com este objetivo,
buscando encontrar os pontos mais propícios para futuras instalações de torres de geração
eólica, vias de acesso, proximidades com rede elétrica, público consumidor e outros itens
(BENELLI, DORWEILER e PROCOPIAK, 2009).
A Figura 12 resume as várias etapas que envolvem a implantação de um parque eólico,
desde a localização dos ventos mais promissores até o produto final, fornecimento de
eletricidade na rede de distribuição. Este fluxograma não é uma regra, mas sim, a direção
comum de processos que uma usina eólica passa para sair do papel e virar realidade.
Na primeira etapa é realizado o mapeamento eólico, que disponibiliza informações dos
locais onde o vento (velocidade e direção) possui maior potencial energético. Maiores
detalhes sobre este item serão mostrados no item 2.5.
Com o mapeamento realizado, o próximo passo é a instalação de torres anemométricas
nos locais de vento favorável, para realização de estudos estatísticos. As principais
informações a serem relatadas através destas medições é conhecer a sazonalidade do vento,

bem como seu ciclo diurno, distribuições de frequência, ocorrência de calmaria e ventos
extremos.

Figura 12. Resumo geral das etapas realizadas na instalação de um parque eólico.

:: MAPEAMENTO EÓLICO ::
Simulações atmosféricas de mesoescala

:: IDENTIFICAÇÃO DE LOCAIS PROMISSORES ::
Instalação de torres anemométricas para análise estatística

:: ARRENDAMENTO DE PROPRIEDADES ::
Compra ou locação dos terrenos para instalação das turbinas eólicas

:: PROJETO DO PARQUE EÓLICO ::
Elaboração do Micrositting na região

:: LEILÕES DE ENERGIA ::
Concessão de outorgas para venda de energia elétrica

:: INSTALAÇÃO DO PARQUE EÓLICO ::
Aspectos logísticos e de engenharia em geral

:: GERAÇÃO DE ELETRICIDADE NO PARQUE EÓLICO ::
Distribuição na rede elétrica para consumo final
Fonte: Autor, 2012.

Vale ressaltar que a resolução normativa nº 391 de 2009 da Agência Nacional de
Energia Elétrica (ANEEL) estabelece que parques eólicos interessados na concessão de

outorgas para venda de energia elétrica poderão apresentar medições anemométricas de 1 ano
até o final de 2012. Após este período, só serão aceitos projetos com medições de vento
realizadas ao longo de 3 anos, no mínimo (COSTA, 2011). Esta normatização foi implantada
devido aos prejuízos recorrentes de estudos do vento com dados que não representavam
satisfatoriamente os padrões sazonais, ocasionando prejuízos na produção de energia elétrica.
A Organização Mundial de Meteorologia – OMM afirma que para um estudo climático, é
necessária uma série de dados medidos em 30 anos, ou ainda, 10 anos. Esta resolução
estabelece que medições anemométricas inferiores a 10 anos devam passar por validação
estatística, comparando-as com séries climatológicas do local (ANEEL, 2002, 2009).
Em seguida, a etapa do arrendamento de propriedades para futura instalação dos
parques eólicos é realizada, e certamente é uma das mais problemáticas nos projetos
brasileiros. O grande problema de diversas propriedades particulares, que possuem potencial
eólico relevante, está na documentação dos terrenos. Na maioria dos casos, estes documentos
são praticamente inexistentes ou insuficientes, pois seus proprietários foram mudando por
gerações familiares sem o cuidado nos direitos legais do território. Neste componente estão
inseridas diversas opções de uso das terras, tais como: Razões para participação do
proprietário do terreno; Identificação e avaliação do local pretendido; Arrendamento versus
compra; Uso das terras e disposições de uso misto. O conteúdo dos contratos de arrendamento
também abrangem tópicos fundamentais para instalação da fazenda eólica: Prazo; Área
arrendada; Acesso; Bloqueio do vento; Ruído e outros distúrbios sonoros; Controle de acesso;
Proteção da plantação; Manutenção das estradas; Desmobilização; Impostos; Compensação
(WINROCK, 2004).
Após obtenção dos direitos legais sobre a propriedade, tem-se inicio o
desenvolvimento do micrositting, que também será mais bem descrito no item 2.5. Com a
elaboração planejada do parque eólico através do micrositting, a empresa interessada em
vender sua energia gerada inscreve-se em leilões de energia nova.
Os leilões de energia nova são destinados para atender a demanda do mercado das
distribuidoras frente à venda de energia elétrica de empresas (eólicas, biomassa, hidrelétricas,
solar) que ainda não iniciaram sua construção. Ocorrem anualmente, e possuem contratos de
vigência de 15 a 30 anos, dependendo do tipo de fonte energética (vento, hídrica, queima de
bagaço de cana-de-açúcar, etc.). Nestes eventos, vence o leilão quem ofertar energia por
menor preço por megawatt (MW) produzido. No leilão de energia A-3 realizado em agosto de
2011 foram contratados aproximadamente 2 MW de energia eólica, começando a ser entregue

a partir de 2014 (Tabela 2). Maiores detalhes quanto ao funcionamento dos leilões de energia
podem ser obtidos em www.ccee.org.br – Câmara de Comercialização de Energia Elétrica.
O setor eólico brasileiro obteve crescimento intensificado após a criação do Programa
de Incentivo a Fontes Alternativas de Energia – PROINFA (DUTRA e SZKLO, 2007). O
PROINFA foi um programa do governo brasileiro com o objetivo de aumentar a participação
do uso de fontes renováveis (eólica, biomassa e pequenas centrais hidrelétricas – PCH) na
geração de eletricidade no Sistema Elétrico Interligado Nacional (SIN). No entanto, o baixo
custo da fonte hídrica (Cerca de R$ 80,00 por MW) ainda é distante das demais fontes,
embora a fonte eólica venha diminuindo esta diferença de preço a cada leilão realizado,
atingindo valores inferiores a R$ 100 por MW outorgado nos leilões realizados no inicio do 2º
semestre de 2011 (PEREIRA, 2010; BRITO, 2011). Além disto, a geração eólica lidera entre
as fontes renováveis no mundo desde 2009, quando atingiu 67,3% de todos os investimentos,
segundo relatório da Organização das Nações Unidas – ONU (UNEP, 2010). Brito (2011)
informa que, até novembro de 2011, o Brasil já tem contratado 5,7 GW de fonte eólica a ser
instalada até o fim desta década.

Tabela 2. Números referentes até novembro de 2011 da participação da fonte eólica na matriz elétrica
brasileira.
Fonte de Energia
Eólica

Quantidade de empreendimentos
78
34
63

TOTAL
175
Fonte: Banco de Informações de Geração (ANEEL, 2011).

Situação
Potência Associada (kW)
Outorgada
1.929.000
Em construção
929.790
Em operação
1.249.742
4.108.532

Por fim, com a construção finalizada da fazenda eólica e inicio da geração elétrica,
esta produção é transmitida à rede elétrica local, sendo distribuída para os consumidores. A
cadeia de energia é a rede composta por linhas de transmissão de alta voltagem que abrange
longas distâncias, subestações de conversão de voltagem e redistribuição desta energia em
voltagem menor para consumidores individuais. Existem também sistemas de segurança que
gerenciam e controlam a rede, evitando sobrecargas ou outros problemas que venham a surgir
(WINROCK, 2004).

2.5

Mapeamento Eólico
Durante a elaboração de mapas eólicos, alguns processos são realizados

separadamente, para em seguida serem computados em conjunto e assim estimar o potencial
energético da região. Dentre estas ações estão o geoprocessamento de dados baseados em
Sistemas de Informações Geográficas (SIG), imagens de satélite e dados logísticos como
mapas rodoviários e de infraestrutura elétrica. Em seguida, é feito o tratamento de dados
climatológicos do vento, analisando séries temporais, anomalias climáticas, distribuições
estatísticas. Após todos estes processos serem executados individualmente, chega-se aos
modelos de meso e microescala, que geram o produto final: o mapa eólico. No Brasil, alguns
estudos já mostram que a aplicação de modelos atmosféricos tem dado certo para diversas
localidades, desde o levantamento do potencial eólico em ilhas no norte do país (CRUZ
SEGUNDO, 2009), em Estados da Federação (DALMAZ, 2007; MARIA, 2007; CAMELO,
2007; MACHADO, 2008; PES, 2010; SILVA, A. F. G. et al., 2010; SILVA JÚNIOR et al.,
2010b; VASCONCELOS JÚNIOR et al., 2010; SILVA, 2011), e para região Nordeste
(LYRA, 2008).
A modelagem em mesoescala é amplamente utilizada para previsão do tempo e clima
em todo mundo, e complementa as deficiências dos modelos de micro escala na detecção de
fenômenos sinóticos e anomalias climáticas (OLIVEIRA, 2007). Portanto, estudar os
mecanismos de funcionamento de um modelo é de suma importância, pois quando executados
individualmente, os modelos de micro e mesoescala já possuem resultados satisfatórios
(BYRKJEDAL e BERGE, 2008; CATALANO e MOENG, 2010; SILVA JÚNIOR et al.,
2010a e 2010b), porém fazer o acoplamento eficiente entre eles é o grande desafio (CHEN,
HUI e XU, 2007).
Na modelagem em microescala são utilizados dados de entrada em alta resolução,
como Modelo Digital de Elevação (MDE), mapa de rugosidade, identificação de obstáculos.
Nesta etapa, os modelos simulam tridimensionalmente o vento no interior da CLA e sua
interação com a topografia e efeitos rugosos da superfície (TROEN e PETERSEN, 1989).
Com o avanço tecnológico das últimas décadas, além do desenvolvimento científico, foram
elaborados modelos de microescala baseados em fluidodinâmica computacional, ou
Computational Fluids Dynamics (CFD).
Os modelos CFD descrevem as equações de conservação (massa, momentum e
umidade) pelo método de diferenças finitas centradas no vértice, solucionando problemas
laminares e turbulentos em três dimensões, usando malhas estruturais e híbridas, além de

resolver problemas que envolvam trocas térmicas e escoamento de fluídos (WENDT, 2009).
São mais adequados para simulações sobre topografias complexas, pois calculam
explicitamente os parâmetros turbulentos e sua interação com a superfície, que são ignorados
nas simplificações físicas de outros modelos numéricos voltados a simulação do vento, como
o WAsP (BERGE, GRAVDAHL, et al., 2006; VALLE, MARTINS e NASCIMENTO, 2010).
Existem diversas categorias de modelos de turbulência baseados em CFD, dentre eles,
o Large-Eddy Simulation – LES (SMAGORINSKY, 1963; MOENG, 1984), que também
pode ser aplicado em simulações atmosféricas de microescala. O modelo LES também é
amplamente utilizado no levantamento de potencial eólico, como também, na aerodinâmica de
turbinas. Atualmente, o LES está disponível como opção de microescala no modelo
atmosférico WRF, inclusive, com sub-rotinas de execução voltadas a parques eólicos
(LUNDQUIST, MIROCHA e KOSOVIC, 2009). Portanto, a comparação entre modelos
linearizados com CFD depende do nível de detalhe desejado nos resultado, já que há uma
grande demanda de processamento computacional.
Neste âmbito, Berge et al. (2006) compararam o desempenho do WAsP com dois
modelos CFD para região central da Noruega, com dados anemométricos de três sítios, e
simulações de mesoescala no WRF. Mostraram que nem sempre os modelos baseados em
CFD são eficazes, pois neste trabalho, o WAsP apresentou os melhores resultados, além de
possuir um tempo de processamento menor aos demais. Estudos recentes comprovam que a
aplicação do WAsP para algumas regiões do Brasil geralmente não traz resultados confiáveis
(LOUREIRO, 2011). Porém no estudo deste autor, o modelo foi executado com
configurações padrões do WAsP, cujas condições atmosféricas são típicas de médias latitudes,
o que certamente ocasionou em resultados não esperados. Além disto, o potencial do WAsP
na descrição física dos processos atmosféricos no interior da CLS é modesto quando
comparado a modelos CFD. Devido a estas limitações, os próprios desenvolvedores do WAsP
só recomendam seu uso para terrenos com inclinação suave com ângulo crítico de até 30
graus, e condições atmosféricas próximas à neutralidade (MORTENSEN e PETERSEN,
1998; MORTENSEN, BOWEN e ANTONIOU, 2006; MORTENSEN et al., 2011).

verificação destes efeitos topográficos na turbulência da CLA em modelos de estudo eólico
vem sendo amplamente estudada (KOSSMAN et al., 1998; GIEBEL e GRYNING, 2004;
SOARES, 2004; DORWEILLER, 2007). Ao verificar a sensibilidade do WAsP nas condições
de estabilidade atmosférica do NEB, Vieira (2008) constatou que ajustar o fluxo de calor
superficial melhorou os resultados em 5,3% para uma região Estado do Ceará. Dalmaz (2007)
realizou um estudo do potencial eólico para o Estado de Santa Catarina, Região Sul do Brasil,

utilizando o mesmo modelo WAsP na microescala, e o modelo Eta na mesoescala. O autor
relata que os resultados do WAsP mostraram-se eficientes e condizentes com as formulações
amplamente utilizadas no setor eólico. No entanto, explica que nas regiões estudadas, o
emprego de redes neurais com dados do modelo Eta na previsão do vento no Estado
apresentou grandes diferenças, superiores a 2 m.s-1 .
Após a execução dos modelos de mesoescala e microescala, têm-se as informações
necessárias do potencial eólico da região, que indica a distribuição estatística dos ventos, além
da estimativa de energia elétrica ser avaliada durante o micrositting.
O micrositting é um estudo técnico que traz diversas informações necessárias para a
construção do empreendimento (MACHADO, 2008). Dados geográficos, urbanos, de
infraestrutura elétrica e viária, legislações, relatórios ambientais, ruídos, econômicos, sociais e
diversos outros, são considerados na elaboração de um micrositting. Há ainda a simulação de
fazendas eólicas através de ferramentas computacionais que possibilitam o posicionamento
correto das turbinas, seguindo as normas de distanciamento mínimo entre os aerogeradores.
Alguns softwares que fazem este tipo de trabalho são: WAsP®; WindSIM® (WINDSIM,
2010); WindFarm® (WINDFARM, 2011); WindStation® (EASYCFD, 2011); ANSYS CFX®
(ANSYS, 2011). A grande vantagem destas simulações é o auxílio na tomada de decisões
antes mesmo da instalação das turbinas, evitando uma considerável perda de recursos
financeiros.
Os principais questionamentos a serem respondidos na realização de um micrositting,
(MACHADO, 2008; PIRES, 2010), são:


Quais são as principais características na instalação de um parque eólico?



Quais os efeitos da turbulência causada pelos aerogeradores e seus impactos na
produção eólica?



Descrever os efeitos do escoamento sobre terreno complexo (relevo,
vegetação, obstáculos) e buscar soluções para minimizar/evitar prejuízos
causados por tais aspectos.



Quais são os aspectos logísticos que envolvem a construção de um parque
eólico, e como podem ser investigados no micrositting?



Demais restrições à instalação das turbinas eólicas (legislação ambiental,
topografia desfavorável, distanciamento da rede de distribuição elétrica, área
do terreno compatível com potência a ser instalada, etc.).

2.6

Panorama mundial da energia eólica
De acordo com o relatório de 2011 (ano base 2010) da Associação Mundial de Energia

Eólica – World Wind Energy Association (WWEA, 2011), a capacidade total instalada
prevista até o fim de 2011 é de 240 GW (Figura 13). Este relatório mostra ainda que o Brasil
está entre os dez países onde houve maior taxa de crescimento na geração eólica.

Figura 13. Capacidade total de geração eólica no mundo entre os anos 2001 a 2011.

Fonte: Adaptado de WWEA, 2011.

O relatório 2011 do cenário global de energias renováveis (REN21, 2011) aponta
números expressivos para o setor eólico, que fica atrás apenas da fonte hidráulica (Tabela 3).
A assinatura de protocolos de redução de gases estufa em conferências globais de clima nos
últimos anos forçaram as nações a investirem cada vez mais em fontes alternativas de energia.

Tabela 3. Informações do relatório global de Energias Renováveis (ER) de 2011, ano base 2010.
INDICADOR

2008

2009

2010

Bilhões U$

130

160

211

Capacidade instalada de hidrelétricas

950

980

1010

Capacidade instalada de energia eólica

121

159

198

Capacidade instalada de painéis solares

Países com objetivos políticos de ER

Novos investimentos globais em ER (anual)

UNIDADE

Fonte: Adaptado de REN21, 2011.

As grandes potências econômicas do planeta dominam a listagem dos cinco maiores
em energias renováveis. A China vem se destacando nos últimos anos pelo investimento
massivo em geração de energia com fonte renovável, liderando a categoria “Investimentos” e

“Energia Eólica”, segundo o REN21 (2011). Os Estados Unidos e Alemanha também são
presentes na lista, sendo os países pioneiros no uso da tecnologia para energias renováveis,
principalmente solar e eólica. O Brasil também vem figurando posições de destaque no
cenário energético mundial, e isto estão atreladas ao crescimento econômico dos últimos anos.
Cerca de oito anos atrás, o Brasil não estava incluso na lista dos vinte países com maior
utilização e investimento de energia eólica no mundo, e atualmente, está entre os dez
(WWEA, 2011).

MATERIAIS E MÉTODOS

Localizado na região Nordeste do Brasil entre as latitudes 08°48’47”S e 10°30’09”S e
as longitudes 35°09’09”W e 38°14’27”W, o Estado de Alagoas possui uma área de 27.779
km². Seu território possui três mesorregiões, correspondentes ao Agreste, Litoral e Sertão
(Figura 14), totalizando em 102 municípios, comportando aproximadamente 3,121 milhões de
habitantes. (IBGE, 2011).

Figura 14. Localização do Estado de Alagoas na região Nordeste do Brasil, com suas mesorregiões
Agreste, Litoral e Sertão.

Fonte: Autor, 2012.

3.1

Climatologia, Relevo e Vegetação de Alagoas
O regime pluviométrico reduz com o afastamento do litoral em direção ao oeste

(SEMARH, 2007). A mesorregião do litoral possui precipitação entre 1000 a 2500 mm.ano -1,
aumentando da região Sul para Norte (Figura 15). Possui um clima tropical, com temperatura
média anual entre 25 a 28°C, com regime pluviométrico acima de 2000 mm no litoral e
inferior a 500 mm em alguns pontos do sertão, conforme a classificação climática de Koppen.

Figura 15. Climatologia do regime pluviométrico de Alagoas.

Fonte: Adaptado de SEMARH, 2007.

Os principais mecanismos que provocam precipitação no Nordeste Brasileiro (NEB)
são as Perturbações Ondulatórias dos Alísios (POAs), que ocorrem o ano inteiro, sendo mais
frequente em períodos de La Niña. Também pela Zona de Convergência Intertropical (ZCIT),
oscilando entre os dois hemisférios sazonalmente, e pela penetração dos Sistemas Frontais
vindos do Sul. Durante a fase quente do El Niño Oscilação Sul (ENOS) há uma intensificação
da seca no semiárido nordestino, e redução das chuvas na região costeira. Para a fase fria do
ENOS, correspondente ao período de La Niña, a entrada de sistemas frontais é mais frequente,
pois há o aumento da magnitude do vento sobre o pacífico equatorial, implicando na
aceleração do deslocamento destas massas de ar para regiões mais próximas ao Equador
(MOLION e BERNARDO, 2002). A sazonalidade no Estado é baseada diretamente pela
precipitação, onde o outono-inverno é caracterizado por ser estação chuvosa, compreendida
entre os meses de abril a julho, enquanto os meses de seca ocorrem na primavera-verão, de
outubro a janeiro (SILVA, 2009).
O relevo alagoano é predominantemente plano, quase 90% do Estado está abaixo dos
300m de altitude e apenas 1% acima de 600m, como visto na Figura 16. A mesorregião do
leste alagoano possui cerca de 230 km de litoral, definido pelas baixas altitudes de topo plano,
que atingem até 100m numa largura de 25 km adentro do continente. No interior do Estado
existem algumas serras, sendo as principais localizadas nos municípios de Mata Grande e
Água Branca (a oeste), com altitude em torno de 500 a 800m. Ao norte, no agreste alagoano, a
encosta meridional do Planalto da Borborema é presente com sua elevação acima de 600m
(BRAZTOA, 2008).

Figura 16. Modelo Digital de Elevação do Estado de Alagoas.

Fonte: Autor, 2012.

Em 2004, o Instituto Brasileiro de Geografia e Estatística – IBGE lançou a terceira
edição do mapa de vegetação do Brasil (IBGE, 2004). Baseado neste mapa, Alagoas é
classificada com oito diferentes tipos de vegetação, com áreas de savana predominando no
sertão, transição entre savana, cultivos agrícolas e floresta no Agreste, e florestas aberta e
densa no litoral. A região agreste é caracterizada pela transição entre diferentes tipos de
vegetação, desde ramificações da savana sertaneja ao oeste até florestas ombrófilas aberta e
densa, ao leste. Ainda nesta região, também é presente as atividades de produção agrícola,
principalmente em Arapiraca e São Miguel dos Campos. O litoral possui predominância de
florestas ombrófilas densa ao norte, floresta ombrófila aberta do centro do Estado de Alagoas
até Roteiro, litoral Norte do Estado. Existem também áreas de formação pioneira em cultivos
agrícolas ao extremo sul, região de Piaçabuçu, com cobertura dominada por coqueirais.

Figura 17. Mapa de Vegetação de Alagoas.

Fonte: Adaptado de IBGE , 2004.

Esta cobertura vegetal é influenciada aos regimes pluviométricos que cobrem o
Estado, variando conforme a sazonalidade da precipitação. Outra caracteristica de Alagoas é a
economia ser predominantemente agropecuária, sendo um dos principais produtores de canade-açúcar do Brasil. Em destaque, deve-se reforçar que:

A zona da mata ocupa uma parte do pediplano alagoano, do litoral e da
região do planalto, consistindo originalmente em florestas tropicais e
mangues, sendo atualmente explorada para cultivo de cana de açúcar e
coco. O agreste é o centro do Estado, coberto por uma vegetação de
transição entre as florestas tropicais úmidas e a caatinga. No Sertão, a
oeste, a caatinga intercala-se com vegetações antrópicas e extensos
pastos cobertos de maneira espaçada por certas espécies de árvores
nativas de porte pequeno e médio, como cajueiros, umbuzeiros e
juazeiros. (ELETROBRÁS, 2008).

3.2

Descrição dos sítios experimentais
Através do convênio (ECV-156/2005) entre as Centrais Elétricas Brasileiras –

ELETROBRAS, Instituto de Tecnologia para o Desenvolvimento – LACTEC (Paraná) e
Universidade Federal de Alagoas – UFAL foi desenvolvido o projeto “Atlas Eólico e
Disseminação da Tecnologia Eólica no Estado de Alagoas” em 2007. Após um mapeamento
prévio do vento (ELETROBRÁS, 2008), foram escolhidos seis locais para instalação de
estações anemométricas, cobrindo espacialmente as três mesorregiões do Estado (Figura 18).
Com isso, os municípios de Girau do Ponciano e Palmeira dos Índios pertencem à
mesorregião do agreste, enquanto Água Branca está inserida no sertão, e por fim, Feliz
Deserto, Maragogi e Roteiro fazem parte do litoral.

Figura 18. Relação dos municípios onde se localizam as estações anemométricas.

Fonte: Autor, 2012.

A Figura 19 é composta por fotografias tiradas em cada sítio, ilustrando suas estações
anemométricas e parte da vegetação local. Cada torre tinha instalado um sistema de aquisição
de dados (datalogger) modelo CR800-series da Campbell Scientific inc. (EUA), funcionando
com eletricidade gerada através de um painel fotovoltaico, modelo KS-20 da Kyocera. A
velocidade do vento foi medida por um anemômetro tipo concha de copo classe I, modelo
A100L2, e o sensor de direção do vento utilizado foi o W200P, ambos confeccionados pela

empresa Vector Instruments. Maiores detalhes técnicos sobre os sensores e equipamentos
instalados nas torres anemométricas podem ser encontrados em COSTA (2009). O cálculo da
densidade do ar para cada sítio não foi realizado, já que apenas Feliz Deserto possuía
medições de umidade relativa do ar e pressão atmosférica. Além da temperatura do ar, dados
da pressão atmosférica são fundamentais no computo da densidade do ar, cujo valor também é
importante em estudos eólicos (OLIVEIRA, 2011).

Figura 19. Fotografias tiradas em campo das torres anemométricas e vegetação local.

(a) Água Branca

(b) Girau do Ponciano

ALTURA

50 m

100 m

(d) Maragogi

(e) Roteiro

(f) Palmeira dos Índios

ALTURA

50 m

100 m

Fonte: Autor, 2012.

Os dados utilizados foram coletados entre Agosto de 2007 a Julho de 2008,
coincidindo com o mesmo intervalo usado na elaboração do Atlas Eólico do Estado de
Alagoas – AEEA (ELETROBRÁS, 2008). Assim, torna-se possível a validação direta do
estudo desenvolvido nesta dissertação com o AEAA. As instalações das torres e seus

instrumentos obedecem aos requisitos de qualidade e segurança das agências reguladoras:
IEA – International Energy Agency (Agência Internacional de Energia); IEC – International
Electrotechnical Commission (Comissão Internacional de Eletrotécnica). Os valores medidos
foram armazenados com uma média registrada a cada 10 minutos no datalogger, passando em
seguida por um controle de qualidade semelhante ao seguido pelo Sistema de Organização
Nacional de Dados Ambientais – SONDA/INPE (CHAGAS, MARTINS, et al., 2006). Após
esta etapa, foi feita uma análise de consistência dos dados nas estações, onde sua porcentagem
está na Tabela 4. Os sítios com dados mais consistidos foram Maragogi, Roteiro, Girau do
Ponciano e Água Branca, estes dois últimos com falhas apenas nos três primeiros meses. As
localidades mais problemáticas foram os municípios de Feliz Deserto e Palmeira dos Índios,
sendo o primeiro com apenas três meses 100% consistidos, e o último com dois meses
ausentes, e vários outros com falhas.

Tabela 4. Percentual de consistência dos dados anemométricos utilizados. (-) indica ausência de dados.
Água

Feliz

Girau do

Branca

Deserto

Ponciano

AGO/07

67,9%

100%

99,9%

100%

69,6%

68,5%

SET/07

1,8%

55,7%

100%

79,9%

OUT/07

44,1%

31,7%

42,9%

100%

NOV/07

100%

70,1%

100%

8,0%

100%

DEZ/07

100%

77,2%

100%

JAN/08

100%

74,2%

100%

FEV/08

100%

56,7%

100%

MAR/08

100%

ABR/08

100%

64,6%

100%

MAI/08

100%

31,9%

100%

JUN/08

100%

35,1%

100%

79,9%

100%

JUL/08

100%

42,5%

100%

Mês/Ano

Maragogi

Palmeira dos
Índios

Roteiro

Fonte: Autor, 2012.

A Tabela 5 traz as informações gerais para cada torre, com sua altura de medição da
velocidade e direção do vento, além das coordenadas geográficas. Em resumo, quatro das seis
torres possuem altura de 50m, com dois níveis de medição da velocidade do vento (em 30 e
50m), e um nível medindo a direção do vento (50m), enquanto as outras duas estações (Feliz
Deserto e Palmeira dos Índios) possuem três níveis de medição da velocidade (30, 70 e 100m)
e dois da direção (70 e 100m).

Tabela 5. Informações gerais das torres anemométricas para cada sítio experimental e seus níveis de
medição da velocidade do vento (VV) e direção do vento (DD).
Município

Coordenadas Geográficas

Altura da

Nível

Torre (m)

VV(m)

DD (m)

Água Branca

09°14'59,10"S; 37°56'33,29” O; 738m

30 - 50

Feliz Deserto

10°16'00,91"S; 36°18’36,29” O; 36m

100

30 - 70 - 100

70 - 100

Girau do Ponciano

09°45'58,50"S; 36°47'06,43” O; 410m

30 - 50

Maragogi

08°59'08,16"S; 35°12'02,16” O; 40m

30 - 50

Palmeira dos Índios

09°18'19,08"S; 36°41'41,86” O; 649m

100

30 - 70 - 100

70 - 100

09°56'29,62"S; 35°58'32,66” O; 40m

30 - 50

Roteiro
Fonte: Autor, 2012.

Todos os sítios experimentais apresentam medidas da velocidade do vento em 30
metros. Portanto nesta altura serão comparados os valores medidos com os simulados pelo
modelo WRF. A direção do vento considerada será para o nível mais baixo das torres, 50
metros (Água Branca, Girau do Ponciano, Maragogi e Roteiro) e 70 metros (Feliz Deserto e
Palmeira dos Índios). Durante a realização do trabalho, não foi possível encontrar outro
método para obtenção da direção do vento simulada em outro nível vertical diferente de 10
metros. Portanto, tal dificuldade deverá ser ressaltada durante a discussão dos resultados.
Os valores da velocidade e direção do vento foram transformados vetorialmente em
suas componentes u e v para cálculo da média horária, já que foram armazenados com
frequência de 10 minutos. Isto se faz necessário, pois as simulações de mesoescala, que serão
validadas com as medições do vento, possuem saídas horárias.
Por fim, utilizaram-se ainda os dados das estações meteorológicas automáticas
(EMAs) do Instituto Nacional de Meteorologia (INMET) situados em Pão de Açúcar, Alagoas
(-9,7658°S; -37,4478°O; 19m) e Brejo Grande, Sergipe (-10,4733°S; -36,4819°O; 10m) entre
Janeiro a Dezembro de 2009. Estes dados foram aplicados para auxiliar na investigação de
características que possam evidenciar condições de brisas e/ou canalização do vento sobre
vale do Rio São Francisco no item 4.2.

3.3

Sistemas de Informações Geográficas
O Sistema de Informações Geográficas (SIG) é um conjunto de técnicas e ferramentas

que possibilitem recolher, transformar, manipular, armazenar, tratar e visualizar dados

espaciais do mundo (ESTEVES, 2004). Todo o tratamento espacial dos dados, elaboração de
mapas digitais, e demais análises logísticas são realizados por softwares de ambiente SIG.
Os dados tratados neste estudo foram de relevo, rugosidade do terreno, imagens de
satélite e informações geográficas do IBGE.
O mapa de relevo foi construído através do Modelo Digital de Elevação (MDE) do
programa Shuttle Radar Topography Mission – SRTM (FARR et al., 2007), da Jet Propulsion
Laboratory / National Aeronautics and Space Administration (JPL/NASA). Mais detalhes
estão disponíveis no endereço eletrônico <http://www2.jpl.nasa.gov/srtm/>. Este MDE foi
elaborado através da varredura topográfica realizada sobre a maior parte do território global
(entre latitudes 60°N e 60°S) durante 11 a 22 de fevereiro de 2000, através da Espaçonave
Endeavour. A resolução espacial destes dados é de 3arcsen, ou 90m, exceto para o território
dos Estados Unidos, que possuem resolução de 1arcsen, ou 30m.
A versão usada neste trabalho é a 2.1 (SRTM3), que trás diversas correções e outros
ajustes que eram ausentes nas versões anteriores. Estes dados foram obtidos através do
endereço <http://dds.cr.usgs.gov/srtm/>, que possuem extensão de arquivo hgt. Para converter
o SRTM de hgt para tiff utilizou-se o programa computacional gratuito SAGA®, acrônimo de
System for Automated Geoscientific Analysis (SAGA, 2007), criado pelo Departamento de
Geografia Física, da Universidade de Göttingen, Alemanha.
Para realizar o recorte do MDE já convertido em tiff para o Estado de Alagoas,
utilizou-se shapefiles desenvolvidos pelo IBGE em 2007 e disponíveis no endereço
<ftp://geoftp.ibge.gov.br/>. Os shapefiles, também chamado apenas de shape, são arquivos
geométricos que não armazenam informações topológicas, mas sim atributos de um conjunto
de dados, de acordo com suas coordenadas vetoriais. A vantagem na manipulação de arquivo
shape é que não há a exigência de alto processamento, natural ao tratar informações
topográficas. São de fácil leitura e escrita, possuem menor tamanho de arquivo, e podem ser
representados através de pontos, linhas ou polígonos.
O programa utilizado para tratamento global dos dados SIG foi o ArcGIS® versão 9.3,
que é um pacote de softwares comercializados pela empresa norte-americana ESRI
(www.esri.com).

3.4

Modelo de Mesoescala – WRF
O Weather Research and Forecasting (WRF) é um modelo atmosférico de mesoescala

não hidrostático para previsão numérica de tempo (PNT) e clima. É aberto e flexível, com
código fonte disponibilizado livremente para uso operacional e de pesquisa, sendo a versão
3.2 aqui adotada, lançado em abril de 2010. Por possuir um código estável, limpo e
aprimorado, o WRF pode ser executado desde máquinas comuns, como um computador de
mesa ou portátil, até em supercomputadores de grandes centros de pesquisa. Sua formulação
física é baseada na conservação de massa, que expressa às variações de energia, momentum e
umidade do ar. O modelo foi desenvolvido através da parceria entre diversos institutos dos
Estados Unidos: National Center for Atmospheric Research (NCAR); Mesoscale &
Microscale Meteorology (MMM); National Oceanic and Atmospheric Administration
(NOAA); National Centers for Environmental Prediction (NCEP); Naval Research
Laboratory (NRL); Federal Aviation Administration (FAA) e Universidade de Oklahoma
(SKAMAROCK et al., 2008). Os mesmos autores descrevem detalhadamente toda a sua
estrutura física e computacional, além de outras informações especificas.
Como condição de contorno, foram empregados dados NCEP Final Analysis (FNL) na
entrada das simulações no WRF. Sua assimilação de dados é baseada em uma grande gama de
tipos diferentes tipos de dados observados sejam por satélite e boias marinhas, a sondagens
atmosféricas e radares. Os domínios espaciais de execução podem ir desde alguns metros
(microescala) até milhares de metros (escala planetária). Estas informações possuem
resolução espacial de 1,0º x 1,0º, aproximadamente 111 km, em um intervalo temporal de 6
horas para cada ponto de grade.
O funcionamento do WRF no eixo horizontal é baseado na grade de Arakawa-C,
representado na Figura 20. Esta adota as componentes do vento u e v da velocidade horizontal
no centro das faces das células, com as demais variáveis termodinâmicas inseridas no centro
de cada célula.

Figura 20. Representação da grade de Arakawa-C.

Fonte: Skamarock et al., 2008.

A estrutura vertical do modelo tem suas equações formuladas para que as isóbaras
sigam as variações topográficas através da coordenada sigma (σ). Na documentação oficial do
WRF esta coordenada é chamada de eta (η), porém esta é calculada em forma de degraus
sobre o terreno. É definida pela equação 3.1 e ilustrada na Figura 21:
(

)
)

(3.1)

Onde:
- Componente hidrostático da pressão;
– Pressão no nível da superfície terrestre;
– Pressão do topo do nível de referência.

A coordenada σ é relacionada com a pressão atmosférica, então possui formulação
mais simples, favorecendo no cálculo da equação do movimento. Acompanha naturalmente a
inclinação da superfície, sendo eficiente na simulação de campos de advecção de temperatura
e vento, principalmente sobre terrenos suavizados. A resolução vertical próxima à superfície é
mais refinada, simulando com maior eficácia processos típicos da CLA, como turbulência,
aquecimento superficial, umidade em baixos níveis e vento. No entanto, o cálculo do vento é
limitado nesta coordenada sobre topografia com variação aguda. Outra dificuldade do σ é na
previsão de eventos onde montanhas atuam como obstáculo, devido à força gradiente de
pressão que é calculada de maneira simplificada. Além disto, zonas costeiras e fenômenos
meteorológicos que ocorrem sobre esta não possuem boa representação (ATMO, 2002;
PIELKE, 2002).

Figura 21. Ilustração da coordenada vertical η.

Fonte: Skamarock et al., 2008.

O modelo foi configurado com 3 domínios (Figura 22), onde foram definidos como:
Domínio 1 – abrange parte da América do Sul e Oceano Atlântico e possui resolução espacial
de 80 km; Domínio 2 – NEB e oeste do Oceano Atlântico, com resolução de 20 km; Domínio
3 – Estado de Alagoas e resolução de 05 km. Este tipo de configuração aumenta a qualidade
das simulações, pois os domínios que compreendem maior área irão descrever fenômenos da
escala sinótica, como deslocamento de sistemas frontais do sul, mecanismos convectivos do
continente africano, ventos alísios de nordeste e sudeste. Os dados do WRF que foram
utilizados para este estudo são do domínio 3.

Figura 22. Localização geográfica dos domínios configurados no modelo WRF.

Fonte: Autor, 2012.

As parametrizações físicas do modelo são condições fundamentais para uma descrição
mais apropriada dos parâmetros atmosféricos locais. As definições das principais delas são:


Microfísica: Responsável pela física simplificada até processos complexos que
ocorrem na formação de nuvens e precipitação.



Superfície do solo: Denota as características de múltiplas camadas da
superfície terrestre, desde simples modelos térmicos baseados nos processos
radiativos da superfície, até modelos complexos que caracterizam diversos
tipos de vegetação e umidade do solo e sua interação no sistema solo-plantaatmosfera.



Camada Limite Atmosférica: Descreve principalmente os parâmetros
turbulentos de TKE (Turbulence Kinetic Energy – Energia Cinética
Turbulenta), como também termais em sub-grade obtidos da CLS, intensidade
de mistura turbulenta e resistência viscosa da superfície.



Cumulus: Executa os efeitos de sub-grade das nuvens, sejam elas convectivas
ou estratiformes.



Camada Limite Superficial: Traduz os parâmetros influenciados pela
superfície. Velocidade de fricção, fluxos verticais de calor e umidade são os
principais, além da interação microscópica com a superfície terrestre



Radiação Atmosférica: Envolve os comprimentos do espectro visível da
radiação solar (onda curta). O feixe espectral é obtido pela emissividade da
superfície, que depende do uso e temperatura do solo (onda longa).

As parametrizações físicas configuradas nas simulações do WRF foram baseadas em
estudos recentes para regiões tropicais (MARCHI, 2011; MOHAN e BHATI, 2011). O
primeiro autor analisou diversas simulações da CLA para Alagoas com diferentes
parametrizações, e obteve os melhores resultados com os esquemas especificados na Tabela 6,
que serão os mesmos considerados neste estudo.

Tabela 6. Parametrizações físicas utilizadas na execução do Modelo WRF. ROC – Radiação de Onda
Curta; ROL – Radiação de Onda Longa; TSMO – Teoria da Similaridade de Monin-Obukhov; RRTM
– Rapid Radiative Transfer Model.
Parametrização

Esquema

Referência

Microfísica

Purdue Lin

(LIN, FARLEY e ORVILLE, 1983)

Superfície do solo

Noah LSM

(CHEN e DUDHIA, 2001)

Camada Limite Atmosférica

ACM2

(PLEIM, 2007a)

Cumulus

Grell-Devenyi

(GRELL e DEVENYI, 2002)

Camada Limite Superficial

TSMO

(MONIN e OBUKHOV, 1954)

ROC e ROL

RRTM

(MLAWER, TAUBMAN, et al., 1997)

Fonte: Autor, 2012.

Pleim (2007a e 2007b) traz uma série de aperfeiçoamentos da parametrização
Asymmetrical Convective Model (ACM), que havia sido desenvolvida pelo próprio autor
anteriormente (PLEIM e CHANG, 1992). Portanto, o ACM2 é a segunda versão do ACM,
que teve como novidade a adição de um modelo de difusão turbulenta na sua formulação. Sua
característica principal é solução matemática que aborda a mistura turbulenta da CLA em
pequenas camadas verticais, que interagem entre si. Esta atividade convectiva é baseada no
transporte de calor de fenômenos locais e não locais. Na Figura 23 é mostrada uma ilustração
que resume o aperfeiçoamento na parametrização. O primeiro esquema ACM tratava a CLA
como várias pequenas camadas, onde a camada superior recebia informações da camada do
nível da superfície. A diferença no esquema ACM2 é que a interação agora não utiliza apenas
a porção superficial da CLA, mas também as pequenas camadas vizinhas. A partir deste
aprimoramento, o autor adiciona um modelo de difusão turbulenta local e não local para a
partição de energia (HOLTSLAG e BOVILLE, 1993).

Figura 23. Diferença entre as interações das camadas verticais no interior da CLA entre as
parametrizações ACM e ACM2.

Fonte: Pleim, 2007a.

Os processos de transição entre regimes de instabilidade e estabilidade são suavizados.
Além disto, todas as camadas tem interação de mistura turbulenta explicita, e os perfis
verticais das baixas camadas são mais realísticos. A determinação do topo da CLA é através
do número crítico de Richardson. Considera a zona de entranhamento (ZE) como parte da
CLA, assim como outras parametrizações de CLA do WRF. Uma das principais
características do ACM2 é como ele trata a contribuição dos fluxos turbulentos no interior da
CLA. Na Figura 24 é exibida a divisão desta contribuição em três subcamadas. Na primeira, a
superfície terrestre participa ativamente no transporte vertical dos fluxos turbulentos de calor
e massa. Essa contribuição vai diminuindo na segunda camada, região onde há maior mistura.
Por fim, na terceira camada a atmosfera livre (AL) é que atua forçando o decaimento da CLA.

Figura 24. Modelo de convecção na CLA que foi aprimorado e transformado na parametrização
ACM2.

Fonte: Holtslag e Boville, 1993.

Maiores detalhes quanto à estrutura numérica desta parametrização, e demais
informações, podem ser obtidas em Pleim (2007a e 2007b) e Holtslag e Boville (1993).
As condições de terreno do WRF, relevo e uso do solo (vegetação), são também
diretamente ligadas à eficiência das simulações do mesmo. Foi utilizado o MDE oriundo do
United States Geological Survey – USGS, que possui resolução espacial de 30 segundos, ou
925m (Figura 25).

Figura 25. Topografia USGS do Modelo WRF, com indicações da localização de cada sítio
experimental.

Fonte: Autor, 2012.

As condições de vegetação aplicadas no modelo foram do MODIS. Na Figura 26 têmse os diferentes mapas, que implicam na variação de cobertura do solo, resultado em
diferentes parâmetros superficiais, como o albedo, emissividade e comprimento de rugosidade
da superfície. A resolução espacial da vegetação, assim como do relevo, é de 30 segundos.

Figura 26. Classificação do uso do solo MODIS do Modelo WRF para o Estado de Alagoas: (a)
Verão; (b) Inverno no Hemisfério Sul.

(a)

(b)

Fonte: Autor, 2012.

Na Tabela 7 são listados os parâmetros físicos determinados de acordo com a
classificação do uso do solo, para estações de verão e inverno. Este modelo de vegetação
possui 20 diferentes classificações. As configurações destes parâmetros estão diretamente
ligadas ao desempenho do modelo. Como estes valores são, por padrão, adotados para as
condições de médias latitudes, certamente um estudo detalhado para realidade tropical destes
parâmetros se faz necessário em trabalhos futuros.

Tabela 7. Parâmetros físicos para cada tipo de superfície vegetativa do MODIS utilizada no WRF. Z0 é
o comprimento de rugosidade.
Albedo (%)
Emissividade
Z0 (m)
Classe Verão Inverno Verão Inverno Verão Inverno

Tipo

0,95

0,50

Floresta ombrófila perene aberta

0,95

0,50

Floresta ombrófila perene densa

0,94

0,93

0,50

Floresta ombrófila caducifólia aberta

0,93

0,50

Floresta ombrófila caducifólia densa

0,97

0,93

0,50

0,20

Florestas mistas

0,93

0,05

0,01

Matagal fechado

0,95

0,93

0,06

0,01

Matagal aberto

0,93

0,05

0,01

Savanas arborizadas

0,92

0,15

Savanas

0,96

0,95

0,12

0,50

Pradarias

0,95

0,30

Pantanal

0,985

0,92

0,15

0,05

Áreas agrícolas

0,88

0,80

Área urbana

0,98

0,4

0,14

0,05

Mosaico de vegetação agrícola / natural

0,95

0,00

Neve e Gelo

0,9

0,01

Vegetação escassa

0,98

0,0001 0,0001

Água

0,93

0,92

0,30

0,10

Tundra arborizada

0,92

0,93

0,15

0,30

Tundra mista

25
15
0,9
0,92
20
Fonte: Adaptado de Skamarock et al., 2008.

0,10

0,15

Tundra estéril

Para realizar a extrapolação vertical da velocidade do vento analisaram-se algumas
metodologias encontradas na literatura. Os mais tradicionais englobam principalmente o uso
do perfil logaritmo do vento e z0 nas suas formulações (CAMELO et al., 2010). No entanto,
este procedimento não calculou com eficácia a velocidade do vento em 30 metros, sendo
necessário buscar uma metodologia diferente.
Com isso, a velocidade do vento simulado pelo modelo WRF foi obtida através do
perfil logaritmo do vento (equação 3.2) utilizando também, além do z0 local, a velocidade de
fricção u* simulada pelo próprio modelo. Esta solução foi recomendada após testes de
validação temporal e estatística com os dados observados (RAMOS et al., 2011b). Quando a
velocidade era obtida diretamente pelas componentes zonal e meridional em 10 metros de
altura e extrapolada até 30 metros, os resultados tinham baixa qualidade em todos os sítios.
Após adotar o perfil logaritmo do vento com os parâmetros do z0 e u*, as estimativas
obtiveram um ganho significativo, seja na estação seca ou chuvosa (Figura 27).

Figura 27. Comparação da velocidade média mensal medida e a simulada pelo WRF, usando o u* e z0
individuais (OBS-u*) ou não (OBS-perf. log.): (a) Sertão; (b) Agreste; (c) Litoral.

(a)

(b)

(c)

Fonte: Autor, 2012.

O valor de z0 foi ajustado para cada sítio experimental conforme a classificação da sua
vegetação. Estes valores estão descritos no item 3.5 a seguir.

∗

. ln

(3.2)

Onde:
- Velocidade do vento do WRF no nível desejado (m.s-1);
u* - Velocidade de fricção do WRF (m.s-1);
k – Constante de Von Karman (k=0,4);
z0 – Comprimento de rugosidade (m).

O modelo WRF computa o u* utilizando os conceitos da TSMO, mostrado de maneira
simplificada através da equação 3.3. O esquema de CLS do modelo calcula o u* e coeficientes
turbulentos, fornecendo-os aos modelos de superfície do solo, que calcula fluxos de calor
superficial e fluxos de mistura. Em seguida, estas informações são repassadas as
parametrizações de CLA em forma de fluxos verticais.

∗ =

(3.3)

Onde:
– Parâmetro de estabilidade.

O tempo de processamento total do WRF, para simular os 12 meses do estudo, foi de
aproximadamente 90 dias. O modelo foi executado separadamente para cada dia de estudo,
com 6 horas adicionais que antecediam cada dia para estabilização das simulações (termo
conhecido como spin-up). Através de rotinas em Fortran 90 e Shell Script, o WRF
automaticamente realizava as simulações do dia seguinte, até o final de cada mês. Após o pósprocessamento do WRF, suas simulações foram extraídas em grade (domínio 03) e pontos que
correspondiam as localizações dos sítios experimentais por meio de rotinas em Shell Script,
Fortran 90 e GrADS (DOTY, 1995), todos executados em ambiente Linux.

3.5

Modelo de Microescala – WAsP
O WAsP, acrônimo de Wind Atlas Analysis and Application Program, é um programa

comercial desenvolvido pelo Laboratório Nacional de Energias Sustentáveis da Universidade
Técnica da Dinamarca (RisØ DTU). Trata-se de um modelo linearizado que realiza
extrapolação horizontal e vertical da climatologia estatística do vento em microescala, usando

informações de terreno (relevo, rugosidade e obstáculos), além de leis físicas da atmosfera.
Sua utilização também possibilita identificar os padrões de vento de um local desprovido de
estações de medição a partir de um mapa eólico já produzido. A representação funcional do
WAsP e seus diferentes métodos de uso estão ilustrados na Figura 28. A descrição de cada
etapa de funcionamento do modelo ainda será detalhada adiante.

Figura 28. Esquematização de funcionamento do WAsP.

Fonte: Adaptado de Soares, 2004.

Os componentes físicos do WAsP são adotados para uma atmosfera neutra, porém é
possível ajustá-lo para uma atmosfera não neutra, modificando as configurações dos fluxos de
calor superficial. Existem algumas recomendações a serem obedecidas no uso do modelo para
alcance de melhores resultados (RISØ, 2010), onde algumas destas são:


Considerar rugosidade 0,0001m para corpo d’água;



Coordenadas, elevação e rugosidade dada em metros;



Dados de vento devem ser consistentes;



Determinação da rugosidade através de fotografias de campo e/ou imagens de
satélite.



Intervalo de 10 a 20 m das curvas de nível topográfico;



Localização da torre anemométrica e domínio da grade espacial devem ter
mesmas condições climatológicas;



Mapas de relevo com limite lateral máximo de 10 km de distância da torre
anemométrica e dos aerogeradores;



Topografia local pouco inclinada e suavizada;

Os componentes físicos do WAsP reúne 4 módulos principais, que são: Módulo de
Relevo; Módulo de Obstáculos; Módulo de Rugosidade; Módulo de Estabilidade
Atmosférica. Os módulos de relevo, rugosidade e obstáculos são informações de entrada no
WAsP, sendo o último não utilizado nas simulações realizadas neste trabalho. O módulo de
relevo utilizado é obtido pelas curvas de nível dos dados SRTM, já descritos no capítulo 3.3.
Os módulos de rugosidade e de estabilidade merecem uma descrição mais detalhada, pois
influenciam diretamente o desempenho das simulações.
Como o perfil logaritmo do vento só é aplicável para uma superfície hipotética com
atmosfera homogênea e neutra, é necessário descrever outra metodologia quando o terreno
não segue estas condições.
Foi visto que a influência do terreno com duas diferentes superfícies (com z01 e z02)
desenvolvem uma Camada Limite Interna (CLI), e sua altura pode ser expressa pela equação
3.4:

− 1 = 0,9

(3.4)

Em que
= max(

)

Onde:
– Comprimento de rugosidade (m);
x – Comprimento do terreno no eixo horizontal (m).

(3.5)

Esta função indica que em níveis superiores a h, a influência da superfície não se faz
sentir, e deste nível para baixo, o perfil do vento é modificado pela superfície. Com isso,
torna-se possível a obtenção de

∗ na altura h, igualando os perfis verticais da velocidade para

condição neutra, em ambas as superfícies, resultando na equação 3.6:

∗

(3.6)

∗

Assim, com a equação 3.6 é possível estimar

∗ para cada ponto com z0 conhecido. O

método de determinação de z0 no WAsP é baseado na delimitação manual de isolinhas de
rugosidade, atribuindo valores internos e externos, chamados na literatura de Rough-L (L –
Left) e Rough-R (R – Right). A Figura 29 ilustra estas isolinhas com valores internos de 0,2 e
0,4 m no exemplo, e 0,063 m para a área externa. Caso o usuário não configure corretamente
os valores de cada isolinha, acarretará em erros de execução da simulação, implicando em
inconsistência. Por exemplo, a isolinha “A” é configurada com 0,2 m de rugosidade interna e
0,5 m de rugosidade externa, enquanto a isolinha “B” não pode ter rugosidade externa
diferente de 0,5 m, mas a interna pode ser qualquer outro valor.

Figura 29. Mapa exemplificando como a rugosidade é interpretada no WAsP.

Fonte: Mortensen, Heathfield e Rathmann, 2011.

Este método levanta muitas dúvidas quanto a sua eficácia. O problema é agravado
quando a região de estudo apresenta distribuição de rugosidade complexa. A maioria dos
trabalhos publicados com este modelo utiliza o valor de z0 igual a 0,03m (valor padrão do
WAsP) para toda a malha do domínio.

A partir das informações contidas na Tabela 8 foram elaboradas as isolinhas para os
mapas de cada região estudada. Estes valores são amplamente utilizados na literatura,
inclusive, seu uso é recomendado pelos desenvolvedores do WAsP.

Tabela 8. Valores de z0 adotados pelo modelo de rugosidade do WAsP para cada tipo de superfície do
terreno.
Z0

Características da superfície

Cidade

0,8

Floresta

0,5

Subúrbios

0,4

Vilarejos

0,3

Abrigos

0,2

Muitas árvores e/ou arbustos

0,1

Fazenda com vegetação densa

0,05

Fazenda com vegetação aberta

0,03

Fazenda com poucas construções/árvores

0,02

Aeroportos com muitos prédios

0,01

Aeroportos com poucos prédios

0,008

Grama

0,005

Solo nu

0,001

Superfície de neve

0,0003

Superfície de areia

0,0001

Corpos d'água

Fonte: Adaptado de Troen, Mortensen e Petersen, 1987.

O software utilizado para descrição espacial da rugosidade conforme os termos da
Tabela 8 foi o Google Earth®. Além disto, durante a campanha experimental, fotografias de
campo foram tiradas e armazenadas no banco de dados. Este acervo fotográfico também foi
aplicado na determinação de z0 nos locais estudados. Na Figura 30 estão listadas as imagens
obtidas no Google Earth, usadas como referência aproximada das condições de cobertura do
solo em cada sítio. Para a região litorânea, a presença de nebulosidade dificulta na
determinação da rugosidade local. Estas imagens também serviram de apoio na discussão dos
resultados no item 4.4.

Figura 30. Imagens de satélite com representação dos domínios WAsP. (a) Água Branca, (b) Feliz
Deserto, (c) Girau do Ponciano, (d) Maragogi, (e) Palmeira dos Índios e (f) Roteiro.

(a)

(b)

(c)

(d)

(e)

(f)

Fonte: Google Earth.

Com o método de obtenção de z0 já definido, restou a descrição da estimativa da
velocidade do vento, que é possível através do módulo de estabilidade.

O módulo de estabilidade atmosférica do WAsP reúne conceitos físicos que
descrevem processos envolvidos na CLA, porém de maneira simplificada. Suas equações de
movimento são linearizadas, por isso o uso de mapas topográficos suavizados é recomendado
(MORTENSEN e PETERSEN, 1998). A vantagem desta limitação é o baixo tempo de
processamento necessário, já que os cálculos envolvidos estão inseridos entre modelos
cinemáticos simples a modelos de diferenças finitas. Portanto, seu nível de descrição física da
CLA é limitado (BRANCO, 1991).
A velocidade do vento é calculado no WAsP através da aproximação geostrófica.
Existe também a possibilidade de fornecer dados do vento geostrófico para obter a velocidade
do vento em uma altura de referência.
Assume-se então uma relação entre as forças originadas pelos gradientes de pressão
com as forças de fricção da superfície. Como condição idealizada, adota-se uma atmosfera
neutra, homogênea, barotrópica e estacionária para a lei do arraste geostrófico, descrita na
equação 3.7 a seguir:

∗

−

(3.7)

Simplificando-a, tem-se:

∗ =

(3.8)

| |

Onde:
∗ - Velocidade de fricção (m.s

-1

);

k – Constante de Von Karman;
z0 – Comprimento de rugosidade (m);
C1 e C2 - funções da estabilidade térmica da atmosfera (C1 = 1,8 e C2 = 4,5 para
atmosfera neutra);
f - Parâmetro de Coriolis.

Os outros parâmetros físicos do modelo são baseados nos fluxos de calor superficiais.
A determinação da altura de variação mínima (

) aos efeitos da estabilidade (equação 3.9)

representa o nível acima da superfície onde os efeitos da rugosidade superficial e dos fluxos

de calor são anulados (VIEIRA, 2008). Em outras palavras, esta função calcula a altura da
CLI (STULL, 1988).

≈

(3.9)

| |

Sendo

constantes e iguais a 0,002 e 0,90, respectivamente.

Nesta altura, o desvio da velocidade do vento relativa em condições neutras pode ser
estimado como uma soma do desvio gerado pelo fluxo médio (Δ
fluxo (Δ

) com o desvio deste

), através da equação 3.10 (BRANCO, 1991):

∆ (

)

(

)

∆ ∗
∗

−

⁄

[ , (
(

⁄

)]

(3.10)

)

Onde o primeiro termo da segunda igualdade contabiliza a velocidade de fricção em
função do fluxo de calor superficial (

∆ ∗
∗

=Δ

), e é estimada através da equação 3.11:

(3.11)

| |

Onde:
c – Constante empírica igual a 2,5;
g – Aceleração da gravidade (m.s-2);
T – Temperatura do ar (K);
– Densidade do ar (kg.m-³);
– Capacidade calorífica do ar (kJ.kg-1. K-1);
– Fluxo médio de calor superficial (W.m-2).

O segundo termo da igualdade à direita da equação 3.10 descreve o perfil vertical do
vento em função dos efeitos da estabilidade. Neste termo,
Monin-Obukhov correspondentes a

são comprimentos de

, respectivamente (MONIN e OBUKHOV,

1954). O valor 0,6 representa o fator de forma

, que indica o desvio do perfil da

velocidade do vento em casos de atmosfera estável ou instável, que podem ser calculadas,
aproximadamente, pela equação 3.12 que define ( ):

1 − 16

; para condições instáveis.

−1

(3.12)

; para condições estáveis.

−4,7

Com isso, a velocidade média do vento em função da estabilidade atmosférica para a
altura

é calculada por:

( )=

( ) 1+

(

)

(

)

[ 1 − ( )] +

∗

(3.13)

∗

Onde ( ) representa:

( )=1−

(

⁄

)

( ⁄

)

(3.14)

Estas equações representam a configuração padrão do WAsP para atmosfera neutra,
sendo necessária sua readaptação para simulações em atmosfera com diferente regime de
estabilidade. Estes ajustes são feitos principalmente na variação numérica dos fluxos Δ

, onde a maior variação nos resultados simulados ocorre pelas modificações de Δ

Caso estes fluxos da Tabela 9 sejam ajustados para valor nulo, o perfil da velocidade do vento
tende a um perfil logaritmo neutro (VIEIRA, 2008).

Tabela 9. Fluxo médio do calor superficial (
WAsP.

) e seu desvio (

(W/m²)

Continente

-40

100

Oceano

) definido como padrão no

Fonte: Autor, 2012.

Todas as simulações foram com os mapas das estações em coordenadas Universal
Transversa de Mercator – UTM, cujos valores estão na Tabela 10, seguindo a recomendação
de utilização do WAsP (MORTENSEN et al., 2011). Posteriormente, estes resultados foram
convertidos em coordenadas geográficas, com latitude e longitude, para melhor localização e

compreensão dos resultados. A malha no WAsP é denominada de Resource Grid (RGrid) e
foi configurada com resolução espacial de 90 m, isolinhas de relevo com intervalo de 10 m,
domínio 20 x 20 km, com centroide na localização da torre anemométrica.

Tabela 10. Coordenadas UTM e suas respectivas zonas utilizadas como centroide nos mapas de relevo
do WAsP.
Local
Água Branca
Feliz Deserto
Girau do Ponciano
Maragogi
Palmeira dos Índios
Roteiro
Fonte: Autor, 2012.

Coordenadas geográficas
LAT
LON
-9,23985
-37,93555
-10,26015
-36,30605
-9,75975
-36,78107
-8,98136
-35,20036
-9,30318
-36,68697
-9,93494
-35,96544

Coordenada UTM
Y
X
8978152,94
616541,21
8864587,76
795109,49
8919220,22
742916,14
9006483,15
258080,34
8970799,37
754084,99
8900327,84
174799,16

Zona
24
24
24
25
24
25

A determinação das zonas da Tabela 10 ocorre através da demarcação adotada nas
coordenadas UTM, na qual, o Estado de Alagoas está inserido em duas destas diferentes
zonas (Figura 31).

Figura 31. Representação das zonas UTM 24 e 25 que abrangem o Estado de Alagoas.

Zona

Fonte: Google Earth.

A execução do RGrid é responsável pela simulação espacial das principais variáveis
de estudo do potencial eólico. A configuração dos domínios RGrid está inseridas na Tabela

11. Os mapas das estações do litoral possuem parte do Oceano Atlântico inserido no domínio,
então z0 para estas áreas foram atribuídos iguais a 0,0001m. O restante do domínio foi
configurado baseado nos valores de z0 também da Tabela 11. Portanto, a determinação dos
valores de rugosidade é através de análise visual, não havendo inserção automatizada de
mapas de alta resolução de vegetação, como ocorre com o relevo.

Tabela 11. Configuração das coordenadas UTM do domínio do RGrid, Z0 e altura simulada.
Local
Água Branca
Feliz Deserto
Girau do Ponciano
Maragogi
Palmeira dos Índios
Roteiro
Fonte: Autor, 2012.

Xmin
607033
785208
733639
248151
744176
164882

Xmax
626743
804918
753259
264261
763976
181172

Ymin
8968540
8854790
8910485
8996458
8960842
8890397

Ymax
8988430
8874590
8930258
9016438
8980732
8910287

Z0 (m)
0,20
0,10
0,03
0,10
0,20
0,10

Altura (m)
50
100
50
50
100
50

Os valores de z0 da Tabela 11 foram determinados a partir de um método interativo.
Com a identificação do tipo de cobertura vegetal de cada sítio através das fotos, o z0 foi
ajustado dentro do intervalo delimitado para cada classificação do uso de solo de Oke (1988).
Por exemplo, nesta referência, a floresta possui z0 variando entre 1,0 a 6,0 m, e em um sítio
experimental qualquer, circundado por florestas, os resultados foram mais bem ajustados para
um z0 de 2,5 m, valor dentro do limite estabelecido na citação.
Após execução do WAsP, foram extraídos os mapas espaciais da velocidade média do
vento no formato ASCII, para visualização no ArcGIS. Outra informação importante é sobre a
direção do vento no WAsP, pois esta possui saída indisponível no software, já que seu valor é
adotado como constante em toda grade.

3.6

Distribuição de Weibull
O método estatístico que possui um melhor ajuste ao padrão típico do vento é da

distribuição de probabilidade de Weibull (equação 3.15). Alguns trabalhos na literatura
comprovaram que dentre as diversas opções disponíveis, a função que melhor representa o
comportamento padrão da velocidade do vento é esta distribuição (CARTA, RAMÍREZ e
VELÁZQUEZ, 2009; CHANG, 2011; ROCHA, SOUSA, et al., 2011). Então há um consenso

mundial na utilização desta distribuição para estudos que envolvem análise estatística do
vento, principalmente para fins eólicos.

( )=

−

(3.15)

Em que:
( ) – Frequência de ocorrência da velocidade do vento u;
– Parâmetro de escala (m.s-1);
k – Parâmetro de forma (adimensional).

Esta distribuição será adotada como método estatístico na validação das simulações
WRF com os dados observados. Seus parâmetros correspondem à concentração da
distribuição em determinada classe de velocidade do vento (parâmetro de forma – k),
enquanto o outro índice corresponde diretamente à média desta velocidade (parâmetro de
escala – A). Logo, o melhor cenário para produção eólica é locais onde a distribuição esteja
concentrada em elevadas velocidades, então, alto parâmetro de forma e baixo parâmetro de
escala (AMARANTE et al., 2001; ELETROBRÁS, 2008). Outra vantagem da distribuição de
Weibull é sua possibilidade de descrever dados assimétricos, utilizar apenas dois parâmetros,
disponibilizar a extrapolação dos dados para diferentes alturas, analisar ventos extremos
(SILVA, 2003).
Neste trabalho, estes parâmetros foram obtidos considerando uma média para todos os
setores, com intervalo de 22,5°e ilustrados na Figura 32, não coletando tais parâmetros para
os setores de maior intensidade do vento. Este método foi adotado por ser passível de
comparação geral entre os sítios, auxiliando na discussão geral dos resultados. Para estudos de
micrositting, faz-se necessário que as simulações utilizem diferentes setores, principalmente a
direção, onde a velocidade do vento é maior.

Figura 32. Rosa dos ventos dividida em 16 setores.

Fonte: Autor, 2012.

3.7

Resumo das etapas metodológicas empregadas
Para contabilizar em termos estatísticos a qualidade dos resultados obtidos nas

validações e demais comparações, foram avaliadas as seguintes funções estatísticas (WILKS,
2006):


Erro médio, viés ou bias (EM): Calcula a eficiência da simulação diretamente
através da diferença com o dado observado. Valores de EM que tendem a ser
aproximar de zero indicam boa acurácia dos valores simulados.

= ∑



(

−

)

(3.16)

Raiz do Erro Médio Quadrático (RMSE): Através da diferença média dos
quadrados dos dados OBS e WRF, a RMSE é um método para análise da
dispersão dos dados. O valor de melhor ajuste acontece quando RMSE é igual
a zero.

∑

(

−

)

Onde:
N – Número total de dados;
P – Dado simulado/previsto;
O – Dado observado.

(3.17)

A discussão das séries temporais (média diária, ciclo diurno médio anual e média
mensal), além dos mapas de meso e microescala, serão baseadas em uma classificação de
acurácia do WRF na simulação da velocidade do vento, de acordo com a Tabela 12.
O item 4.1.4 abordará, além do RMSE e BIAS, os desvios das distribuições de
frequência (DFREQ) entre a velocidade do vento observada e as simulações WRF. Os valores
de DFREQ serão calculados em médias para três intervalos de classes de velocidade do vento,
classificados como: 0 a 5 m.s-1 – classe baixa de velocidade; 5 a 10 m.s-1 – classe média; 10 a
15 m.s-1 – classe alta. Este método possibilita identificar características das simulações para
cada tipo classes de velocidade, seja no período anual ou sazonal, verão e inverno.

Tabela 12. Classificação da diferença entre séries temporais observadas e simuladas pelo WRF. u –
velocidade do vento.
INDICADORES

DIFERENÇA

Ótimo

u ≤ 1 m.s-1

Bom

1 < u ≤ 2 m.s-1

Satisfatório

2 < u ≤ 3 m.s-1

Ruim

3 < u ≤ 4 m.s-1

Péssimo

u > 4 m.s-1

Fonte: Autor, 2012.

Os mapas espaciais WAsP com dados observados e simulados pelo WRF foram
executados apenas para médias anuais. A Figura 33 traz um resumo das etapas realizadas no
mapeamento eólico, na meso e microescala.

Figura 33. Fluxograma que representa a execução geral do trabalho, com principais informações em
cada etapa.

Fonte: Autor, 2012.

Devido a grande quantidade de informação gerada, torna-se necessário dividir a
análise dos resultados em valores anuais e sazonais, que são informações mais importantes
para o estudo eólico de uma região (AMARANTE et al., 2001). Então, a distribuição de
frequência, além da direção predominante do vento, será mostrada para análise anual, análise
sazonal no verão, período seco (dezembro, janeiro e fevereiro), e inverno, período chuvoso
(maio, junho e julho).

RESULTADOS E DISCUSSÕES

Os valores dos itens 4.1.1 a 4.1.5 foram para o nível de 30 metros de altura, comum
em todos os sítios experimentais estudados. Os mapas eólicos do item 4.2 condizem em
resultados anuais em 50 metros de altura. O item 4.3 apresenta os valores anuais no WAsP da
velocidade do vento medida e simulada pelo WRF em 50 metros (Água Branca, Girau do
Ponciano, Maragogi e Roteiro) e 100 metros (Feliz Deserto e Palmeira dos Índios).
O regime dos ventos no Estado de Alagoas possui sazonalidade com algumas
características locais que merecem destaque. Silva (2009) e Costa (2009) avaliaram a
distribuição espaço-temporal da velocidade e direção do vento em Alagoas, com dados
medidos nos mesmos sítios estudados neste trabalho. Constataram que as maiores velocidades
do vento ocorrem durante o verão, estação seca local, exceto em Água Branca, que possui
maiores intensidades durante a estação chuvosa. Os autores afirmam que condições locais
deste município, principalmente pelas características topográficas, podem favorecer a este
resultado. Relatam ainda a ocorrência de circulações locais na região do agreste em algumas
épocas do ano. A direção do vento é predominante de leste-sudeste em todo o Estado. Outra
característica comum para determinados sítios experimentais do interior é a ocorrência dos
valores máximos da velocidade do vento no período noturno, principalmente nas regiões
serranas circundadas por planícies.

4.1

Comparação do WRF com os dados observados

4.1.1 Médias diárias da velocidade do vento em 30m
Foram comparadas as médias diárias observadas em cada uma das seis estações
anemométricas com as simulações feitas com o WRF, no período de agosto de 2007 a julho
de 2008.
Na Figura 34 está a evolução da média diária para Água Branca. Durante a estação
seca local (dezembro a janeiro), os valores estimados foram próximos aos dados observados,
com diferença inferior a 1 m.s-1, classificado como ótimo. No entanto, nota-se que as maiores
diferenças se verificam nos momentos em que ocorrem picos de alta e de baixa velocidade do
vento. Nos meses que antecedem a estação seca, o WRF também obteve ótimo desempenho,
com diferença ainda menor, inferior a 0,25 m.s-1. Já na estação chuvosa (maio a julho), os
padrões foram semelhantes, porém a simulação dos valores máximos da velocidade do vento

não foi tão próxima quanto na época seca. Neste período, as simulações são classificadas
como boas, ou seja, diferença máxima de 2 m.s-1, como em maio de 2008. Em março, mês que
antecede a estação chuvosa, o modelo subestimou em todo período as medições em até 3 m.s1

, atingindo um padrão satisfatório. No mês de maio ocorreu uma variação brusca da

velocidade que passou de 3 para 9,5 m.s-1 entre a primeira e segunda semana. Neste período, o
WRF acompanhou os valores medidos, apesar de uma diferença próxima a 1 m.s-1 nos valores
extremos. Durante os meses de março e abril nota-se uma nítida diferença entre observado e
simulado, cujo período é caracterizado pela transição dos regimes atmosféricos de estação
seca para chuvosa.

Figura 34. Média diária da velocidade do vento observado e estimado pelo WRF em Água Branca.

Fonte: Autor, 2012.

Na modelagem atmosférica, a simulação de variáveis que possuem alta flutuabilidade
temporal, como o vento, tem limitações e aproximações nos termos turbulentos de subgrade.
Com isso, quando a velocidade do vento observada atinge valores elevados, o modelo
dificilmente conseguirá representar com boa eficiência estes picos (PIELKE, 2002). Além
disto, a comparação entre modelo de mesoescala com observações em um ponto de grade traz
uma série de limitações de análise mais precisa (CHEN, HUI e XU, 2007). Dentre elas, a alta
frequência de medição anemométrica, onde o vento é registrado a cada 10 minutos,
possibilitando a detecção destes picos de velocidade, diferentemente da escala temporal do
WRF, que é horária.
Na Figura 35 é mostrada a evolução da média diária da velocidade do vento para Feliz
Deserto. Os valores simulados foram superiores aos observados em praticamente todos os
meses. Somente em algumas ocasiões os valores observados superaram os simulados, por
exemplo, inicio e final de novembro. Para cada período do ano de Feliz Deserto, sua

classificação varia entre simulações ótimas (diferença inferior a 1 m.s-1) e péssimas (maior
que 4 m.s-1). No litoral, os resultados possuem caracterização distinta entre estação seca e
chuvosa, onde na primeira estão as melhores simulações.

Figura 35. Média diária da velocidade do vento observado e estimado pelo WRF em Feliz Deserto.

Fonte: Autor, 2012.

As simulações para áreas costeiras merecem uma maior atenção nos modelos
atmosféricos, devido à ação de circulações de brisas terra-mar. Existem também os efeitos
topográficos e da vegetação litorânea, que possui comprimento de rugosidade bastante
heterogênea, já que há vários tipos de cobertura do solo na região. Estes fenômenos
meteorológicos podem não ser corretamente simulados, e são geralmente simplificados pelas
parametrizações físicas adotadas. Existe também a importância dos esquemas que resolvem os
processos físicos envolvidos entre solo-vegetação (MOHAN e BHATI, 2011; SHIMADA e
OHSAWA, 2011). Outra questão a ser considerada, perante resultados tão distintos entre
observações e simulações, corresponde ao ciclo diurno do vento nestes sítios litorâneos. Em
alturas de até 50 metros, teoricamente, a velocidade do vento possui um ciclo médio com
maiores intensidades nos períodos diurnos, e menores nos noturnos (ARYA, 2001). Em Feliz
Deserto, bem como Roteiro (devido a sua proximidade), o padrão diurno das velocidades do
vento simulado não segue esta tendência.
Em Girau do Ponciano (Figura 36), o WRF apresentou o melhor resultado quando
comparado aos dados observados. As maiores diferenças foram verificadas nos períodos de
agosto a outubro e de março a maio, mas ainda sendo classificadas como “bom”. Nestes
períodos, a diferença foi superior a 1,5 m.s-1. Já nos demais meses, todos no período seco, a
diferença é de aproximadamente 0,2 m.s-1. O modelo acompanhou satisfatoriamente bem os
picos máximos da velocidade entre novembro a inicio de março. Neste período, a magnitude

variou de aproximadamente 8 a 12 m.s-1 tanto os dados observados quanto WRF, mostrando
um alto potencial energético para produção eólica. É claro que outros fatores devem ser préavaliados até a instalação de parques eólicos, principalmente os aspectos logísticos.

Figura 36. Média diária da velocidade do vento observado e estimado pelo WRF em Girau do
Ponciano.

Fonte: Autor, 2012.

Em Maragogi (Figura 37), a classificação do desempenho do WRF variou entre ótimo
até bom na maior parte do tempo. Foram detectados alguns valores elevados da velocidade do
vento em agosto a setembro, e maio a julho, com magnitude acima de 8 m.s-1. A ocorrência de
eventos meteorológicos nestes períodos favorece ao alto índice pluviométrico na região,
acima de 2000 mm.ano -1.

Figura 37. Média diária da velocidade do vento observado e estimado pelo WRF em Maragogi.

Fonte: Autor, 2012.

As simulações também mostraram dificuldade do modelo na obtenção dos valores
máximo no período de setembro a fevereiro, e nas velocidades mínimas entre abril a julho

(correspondente à quadra chuvosa local). Destaca-se o forte crescimento da velocidade do
vento no mês de maio, variando de 3 a 10,5 m.s-1.
Analisando a média horária no mês de maio de 2008 separadamente (Figura 38),
percebe-se que o pico da velocidade do vento observado iniciou no dia 09. Este fenômeno
durou cerca de quatro dias, com registro de velocidades superiores a 10 m.s-1 entre dia 11 a
15. A série temporal dos dados simulados, também na Figura 38, tem seus valores mínimos
limitados a 1,5 m.s-1 em todo período. Esta limitação é provocada, provavelmente, por um
erro de truncamento que pode estar associado aos cálculos físicos do solo e da vegetação, que
implicam diretamente no u* (OKE, 1988).
Figura 38. Média horária da velocidade do vento observado e estimado pelo WRF durante o mês de
maio de 2008 em Maragogi.

Fonte: Autor, 2012.

O comportamento horário de u* simulado no WRF está na Figura 39. Vale salientar
que o cálculo da velocidade do vento pelo WRF é baseado no valor de u*, onde o mesmo usa
informações do modelo de vegetação MODIS. Esta limitação de u* a 0,1 m.s-1 ocorre em todo
o período estudado, o que indica ser uma condição interna do WRF. Esta modificação de uso
do solo do modelo é automatizada, com objetivo de acompanhar as mudanças naturais da
vegetação. Há também o problema da resolução espacial do MODIS, de 925m, ressaltando a
dificuldade em comparar simulações de modelos de mesoescala com medições pontuais.

Figura 39. Valores horários da velocidade de fricção simulada pelo WRF para Maragogi durante
agosto de 2007 a julho de 2008.

Fonte: Autor, 2012.

Alguns estudos recentes justificam que a dificuldade das simulações do modelo WRF
em níveis próximos a superfície estão diretamente relacionados com as parametrizações
físicas de superfície do solo e a CLA (PAPANASTASIOU, MELAS e LISSARIDIS, 2010;
YING, 2010; SHIN e HONG, 2011). Os primeiros autores analisaram o campo de vento
simulado pelo modelo WRF em situações de brisas terra-mar, configurado com
parametrizações similares a adotada neste trabalho. Afirmam que valores baixos da
velocidade do vento simulada implicam na baixa eficiência das estimativas de variáveis no
interior da CLA. No último trabalho, observaram que as parametrizações de CLA
selecionadas, dentre elas a ACM2, alcançaram resultados satisfatórios e que condizem com a
literatura clássica (OKE, 1988; STULL, 1988). Logo, estas estimativas de maio podem ter
relação com as configurações de superfície do solo do WRF, que não conseguiu representar
bem a sua interação com os parâmetros da CLS neste período, e assim limitando o u* a seu
valor mínimo de 0,1 m.s-1.
YING (2010), ao realizar um estudo sobre esquemas de vegetação no WRF, mostra
também a importância da parametrização de superfície do solo em modelos atmosféricos.
Ressalta que pequenas variações das grandezas físicas do solo, como albedo, partição de
energia, umidade do solo e fluxos de calor, implicam em grandes mudanças no interior da
CLA.
Para investigar as intensas velocidades do vento dos dias 9 a 15 foram analisadas as
imagens do satélite do GOES-10, exibidas na Figura 40. Foi possível identificar um sistema
convectivo em formação no litoral alagoano. As imagens desta figura são para o dia 09/05 de
2008, correspondentes ao inicio do pico de velocidade do vento observado. Este sistema

convectivo desenvolveu-se rapidamente em menos de 12 horas, com duração aproximada de
quatro dias.

Figura 40. Imagens do satélite GOES-10, canal infravermelho realçado, no período de 24 horas de
formação do sistema convectivo intenso do dia 09/05 de 2008. HL – Hora Local.

09/maio – 00:00HL

09/maio – 03:00HL

09/maio – 06:00HL

09/maio – 09:00HL

09/maio – 12:00HL

09/maio – 15:00HL

09/maio – 18:00HL
Fonte: CPTEC/INPE

09/maio – 21:00HL

10/maio – 00:00HL

Segundo o Boletim Climanálise de maio de 2008 (CPTEC, 2008), elaborado pelo
Centro de Previsão do Tempo e Estudos Climáticos (CPTEC) do Instituto Nacional de

Pesquisas Espaciais (INPE), neste mês houve anomalia positiva da precipitação no Nordeste
em decorrência de Distúrbios Ondulatórios de Leste – DOL (YAMAZAKI e RAO, 1977). No
município alagoano de Porto de Pedras, distante em 17 km de Maragogi, apenas no dia 17
deste mês foi registrado precipitação de 93,5 mm. O boletim menciona ainda que a entrada de
sistemas frontais de sul, com a alta convergência de umidade na costa litorânea, provocaram
mais eventos de precipitação no Estado durante esta época do ano. Houve então anomalia
positiva da precipitação nas estações pluviométricas do litoral e agreste alagoano. O cenário
encontrado neste período em Maragogi coincide com as condições gerais de atuação de um
DOL (ALVES, OYAMA e YAMAZAKI, 2008). A velocidade do vento observado variou
entre 10 a 14 m.s-1 em 30 metros de altura, e a duração do fenômeno também condizem com
estes autores.
Na Figura 41 é mostrado o resultado para Palmeira dos Índios. Verifica-se certa
dificuldade na simulação dos valores de máximos e mínimos, principalmente no período
chuvoso. Nesta estação, a diferença é maior e aproximada a 2 m.s-1, mas ainda classificado
como bom. Nos demais meses, as simulações podem ser classificadas como ótimas, pois em
vários dias a diferença foi menor que 1 m.s-1. O intervalo da série de dados varia entre 6 a 13
m.s-1 nos meses de dezembro a março.

Figura 41. Média diária da velocidade do vento observado e estimado pelo WRF em Palmeira dos
Índios.

Fonte: Autor, 2012.

Por fim, a Figura 42 mostra os resultados para Roteiro. Sendo localizado próximo ao
município de Feliz Deserto (cerca de 60 km em linha reta), as simulações WRF também
foram caracterizadas por superestimativas em quase todo período anual. O período de agosto
a dezembro possui simulações com classificação de ruim a péssima (diferença maior que 4

m.s-1). Na transição entre estação seca a chuvosa, março e abril, a classificação já possui um
melhor índice, ótimo, pois a diferença é inferior a 1 m.s-1.

Figura 42. Média diária da velocidade do vento observado e estimado pelo WRF em Roteiro.

Fonte: Autor, 2012.

Para analisar os resultados gerais da média diária é necessário separar a discussão em
sítios litorâneos e interioranos.
Na região costeira, as simulações foram quase sempre superiores às observações,
exceto em Maragogi, mas também é fundamental compreender fenômenos que podem
influenciar nas medições de variáveis meteorológicas. Alguns fatores são importantes ao
discutir medições anemométricas em áreas litorâneas, tais como: ciclo diurno não é bem
definido; vegetação heterogênea; influência de brisas mar-terra; atuação dos ventos alísios;
densidade do ar elevada; desgaste dos instrumentos devido à maresia. Com isso, os desvios
das medições obtidos pelos sensores podem indicar alguma influência de fatores externos na
qualidade das observações.
A Tabela 13 traz os valores dos desvios das medições da velocidade do vento em 30
metros nos sítios litorâneos, computados e registrados pelos próprios instrumentos no
datalogger. O período onde houve maiores desvios nos sítios foi justamente no intervalo de
meses onde o WRF mais se aproximou das observações, novembro a janeiro. Em Feliz
Deserto, os desvios mensais ficaram concentrados entre aproximadamente 0,5 a 0,9 m.s-1,
semelhante a Roteiro, embora neste sítio os desvios tenham alcançado 1 m.s-1 em novembro e
dezembro. Entre as estações de verão e inverno, a diferença entre os desvios é inferior a 0,1
m.s-1. Estas informações mostram que os resultados do WRF nas médias diárias não foram tão
inexpressivos assim, já que o desvio nas medições também deve ser levado em consideração.

Tabela 13. Desvios nas medições da velocidade do vento em 30 metros registrado pelo anemômetro.
(-) ausência de dados.
Mês
Agosto
Setembro
Outubro
Novembro
Dezembro
Janeiro
Fevereiro
Março
Abril
Maio
Junho
Julho

Feliz Deserto
0,79
0,79
0,93
0,83
0,79
0,79
0,63
0,52
0,73
0,61
0,81

Maragogi
0,93
0,88
1,00
0,94
0,80
0,83
0,59
0,58
0,74
0,85
0,99

Roteiro
0,93
0,89
0,91
1,00
1,00
0,82
0,78
0,60
0,56
0,68
0,79
0,86

Verão
Inverno
Anual

0,81
0,72
0,75

0,86
0,86
0,83

0,87
0,78
0,82

Fonte: Autor, 2012.

Outra informação importante é o ciclo diurno da velocidade do vento, buscando assim
encontrar padrões diferentes aos encontrados na literatura clássica (OKE, 1988; STULL,
1988; ARYA, 2001). Então, na Figura 43 são listados os padrões diurnos médios anuais dos
sítios localizados no litoral, Feliz Deserto (Figura 43a), Maragogi (Figura 43b) e Roteiro
(Figura 43c).
O ciclo diurno médio anual de Feliz Deserto é o que mais se aproxima do padrão
clássico, com maiores velocidades ocorrendo durante o dia. O desvio da velocidade do vento
entre dia e noite neste local chega a 3 m.s-1, com máxima intensidade ocorrendo entre 12 a 14
horas. O ciclo do WRF neste mesmo sítio possui ótima concordância entre meia noite ao
inicio da tarde, no entanto, seu período de máximas velocidades ocorre durante 20 e 22 horas.
O padrão destas simulações do WRF em Feliz Deserto é análogo à Roteiro, até pela
proximidade entre os sítios. Mais ao norte, no sítio de Roteiro, o ciclo já é diferente do
tradicional, assim como Maragogi. Apesar do período de maiores velocidades do vento
também ocorrer no período diurno, o gradiente entre 12 às 23 horas é menor, diferindo em 0,5
m.s-1. O único sítio que apresentou um ciclo diurno do WRF próximo ao padrão clássico foi
Maragogi. No entanto, o crescimento da velocidade ocorre mais cedo, segundo o modelo, a
partir de 5 horas.

Figura 43. Ciclo diurno médio anual da velocidade do vento observado e simulado em 30 metros de
altura nos sítios do litoral alagoano.

(a) Feliz Deserto

(b) Maragogi

Fonte: Autor, 2012.

Este tipo de comportamento, ciclo diurno não bem definido, no litoral caracteriza a
dificuldade das simulações atingirem bons resultados. Primeiro, a série de eventos de natureza
local que influenciam o regime dos ventos podem não ser corretamente computados pelas
parametrizações físicas do modelo. Outra questão é a comparação de uma grade de 25 km² do
WRF com um único ponto observado, cujos dados medidos não obedece a um padrão diurno
esperado.
Visto que o interior do Estado apresentou as melhores séries, as principais dificuldades
do WRF nestes sítios estiveram na estimativa das velocidades máximas e mínimas.
Assim como em Água Branca e Girau do Ponciano, neste sítio, as maiores velocidades
em Palmeira dos Índios acontecem no período noturno, como mostrado na Figura 44a, b e c,
respectivamente. Os três sítios são localizados em regiões serranas, com altitudes variando
entre 500 a 800 metros. Nota-se que a velocidade do vento a noite é maior que no período
diurno em 2 a 3 m.s-1. Este tipo de comportamento é associado a eventos locais ocasionados
por aspectos topográficos (vale-montanha), onde o contraste térmico gera circulações do ar
em microescala (OKE, 1988; COGLIATI e MAZZEO, 2006). Nestes locais, apenas Girau do
Ponciano possui um ciclo diurno simulado cujo comportamento é semelhante ao observado,
com diferença de 1 m.s-1. Nos demais sítios do interior, principalmente em Palmeira dos
Índios, o desenvolvimento horário simulado da velocidade do vento é bem distinto do
observado.

Figura 44. Ciclo diurno médio anual da velocidade do vento observado e simulado em 30 metros de
altura nos sítios do interior alagoano.

(a) Água Branca

(b) Girau do Ponciano

Fonte: Autor, 2012.

Os pontos positivos a serem destacados do WRF nestas médias diárias e dos ciclos
diurnos nos sítios estudados são:


As simulações foram melhores quando a distância do litoral era maior, ou seja,
em Água Branca, Girau do Ponciano e Palmeira dos Índios;



O padrão médio da velocidade do vento nos sítios foi bem representado,
acompanhando satisfatoriamente as intensidades do vento durante a estação
seca e chuvosa;



Os efeitos dos eventos meteorológicos de maio, e meses seguintes, em
Maragogi foram simulados com exatidão no WRF;



Na estação seca, o desempenho das simulações é classificado como ótimo no
interior, e bom a satisfatório no litoral;



O ciclo diurno médio anual de Girau do Ponciano, Água Branca e Maragogi,
nesta ordem, foram os melhores simulados.

Já os principais aspectos negativos das simulações WRF, e que necessitam de ajustes
futuros, foram:


Dificuldade na obtenção das velocidades do vento máximas e mínimas;



A limitação mínima diária de u* a 0,1 m.s-1 possui relação na alta frequência de
baixas velocidades;



Houve predominância de superestimativas no litoral alagoano, exceto em
Maragogi;



A qualidade das estimativas é menor durante o período chuvoso, e meses que o
sucedem;



O ciclo diurno sempre foi superestimado no período do dia em todos os sítios,
principalmente em Palmeira dos Índios.

Por fim, existe uma questão fundamental no uso de modelos atmosféricos em períodos
onde ocorre precipitação: quando chove, não existe CLA. Esta afirmação é baseada nos
conceitos teóricos de CLA e suas subcamadas, que são caracterizados principalmente pelo seu
perfil térmico típico e regimes de estabilidade atmosférica (STULL, 1988). Durante a
precipitação, a CLA é “lavada” e sua composição é desfeita, assim não existe mais uma
estrutura definida de maneira clara. Então, o modelo atmosférico encontrará diferentes
situações para simular, o mais próximo do real possível, a estrutura da CLA em condições de
precipitação (PIELKE, 2002; DODLA e RATNA, 2010).

4.1.2 Médias mensais da velocidade do vento em 30m
Na Figura 45 são mostradas as médias mensais para as velocidades do vento
observada e simulada, com seus respectivos desvios padrões. Nesta escala temporal, o
fundamental para energia eólica é identificar os padrões de máxima e mínima velocidade,
buscando ver alguma relação sazonal com estações do ano, verão e inverno.
No interior do Estado, o resultado é ótimo, com exceção de casos isolados em cada
sítio. Na Figura 45a estão os valores para Água Branca, onde suas médias mensais
evidenciam a pequena diferença vista nas médias diárias. Com exceção de setembro e março,
as diferenças foram pequenas, principalmente de outubro a fevereiro onde foi próxima de 0,1
m.s-1. Em Girau do Ponciano (Figura 45c), a diferença média entre WRF e observado é
inferior a 1,0 m.s-1 para todo período estudado, também classificado como ótimo resultado.
Ainda neste sítio, o WRF superestimou os dados observados apenas nos meses de novembro e
dezembro, mesmo assim, com diferença abaixo de 0,2 m.s-1. E Palmeira dos Índios na Figura
45e reproduz padrão semelhante aos demais sítios do interior do Estado, cuja diferença entre
observado e simulado foi abaixo de 0,5 m.s-1. O único mês onde a diferença foi expressiva foi
julho, período chuvoso, com 3,5 m.s-1. Os desvios padrões das séries observadas atingem

velocidades que abrangem os valores simulados, exceto setembro em Água Branca e julho em
Palmeira dos Índios.

Figura 45. Média mensal e seus respectivos desvios da velocidade do vento observado e estimado pelo
WRF.
(a) Água Branca

(b) Feliz Deserto

(d) Maragogi

(e) Palmeira dos Índios

(f) Roteiro

Fonte: Autor, 2012.

Para o litoral, Feliz Deserto na Figura 45b apresenta velocidade do vento observada
oscilando entre 6 a 8 m.s-1, com mínima em abril e máxima em novembro, enquanto o WRF
entre 5 a 11 m.s-1, mínima em março e máxima em setembro. O acrescimento da velocidade
de abril a julho visto nos dados observados também foi captado pelo WRF, mas com
diferença média de 3 m.s-1. Os desvios padrões da série observada mostram que entre
novembro a março, as simulações estiveram dentro do limite dos dados medidos. O período
de maior dificuldade do modelo ocorreu entre agosto a outubro. O resultado de Maragogi

(Figura 45d) apresenta diferença média inferior a 1,0 m.s-1. Em Roteiro (Figura 45f) o
comportamento das duas curvas (WRF e observado) foi praticamente idêntico ao de Feliz
Deserto. Com exceção de março, a velocidade simulada foi sempre superior à observada em
ambos os sítios.
Os sítios com maior quantidade de meses classificados como ótimo foram Maragogi,
Palmeira dos Índios e Água Branca, com mínimo de 10 meses onde a diferença média mensal
foi inferior a 1 m.s-1. Feliz Deserto e Roteiro apresentaram apenas 3 meses onde o
desempenho foi ótimo, sendo todos no período seco. Os meses de maio a setembro
apresentaram simulações mais problemáticas, pois a quantidade de índices “bom”,
“satisfatório” e “ruim” foram maiores, principalmente nos locais litorâneos citados
anteriormente. Sazonalmente, o verão foi confirmado como a melhor estação do ano para
simulações WRF, com ótimo desempenho em todos os sítios, exceto Feliz Deserto e Roteiro,
classificados como “bom”. E o comportamento anual é favorável, já que as classificações dos
resultados ficaram entre ótimo, para os três sítios do interior e Maragogi, e bom em Feliz
Deserto e Roteiro.
Esta caracterização mostra que a acurácia do WRF possui parâmetros regionais e
sazonais, e estes devem ter relação direta com alterações naturais da vegetação e atuação de
fenômenos meteorológicos. Tal relação é fundamentada principalmente na precisão das
parametrizações físicas, onde se devem assumir sempre condições de contorno e limitações,
devido ao problema de fechamento dos termos turbulentos (BULIGON, 2009).
Ficou evidente que o modelo WRF atingiu seus melhores resultados durante o verão e
meses que o antecedem (estação seca). É compreensível que a estação chuvosa tenha sido a
mais problemática nas simulações, pois é o período onde há maior alteração da composição
vegetal, bem como a atuação de sistemas meteorológicos se torna mais frequente. Marchi
(2011) testou diversas combinações de parametrizações físicas de CLA e CLS para o WRF.
Ele conclui que a melhor configuração para estudo do vento em Alagoas possuem as mesmas
parametrizações utilizadas neste trabalho (ACM2 para CLA e Monin-Obukhov para CLS). O
autor menciona ainda que há uma variação de eficiência nas simulações entre estação seca e
chuvosa, afirmando que durante o verão é recomendado adotar uma combinação diferente a
citada. No entanto, para a estação chuvosa não ficou evidente qual convenção foi a mais
eficaz. Na literatura, é comum nos estudos e aplicações de modelos atmosféricos, assumir
uma única configuração de parametrizações para todo período desejado, seja de horas a dias,
meses a anos (PIELKE, 2002; BYRKJEDAL e BERGE, 2008; DODLA e RATNA, 2010;
PES, 2010). Logo, é recomendado que estudos futuros sejam direcionados a entender esta

eficiência do WRF de acordo com a sazonalidade da região, bem como suas parametrizações
físicas adotadas.

4.1.3 Distribuição de Weibull
Visando comparar os parâmetros ligados a produção de energia, foram confrontados
os parâmetros de Weibull, fator de forma (k) e fator de escala (A). Estes foram obtidos no
WAsP com dados das observações e simulações do WRF em valores anuais nos níveis
verticais descritos na metodologia. Este método estatístico avalia o ajuste dos dados de acordo
com a média da magnitude do vento, e concentração da distribuição de frequência das classes
de velocidade do vento. Além disto, também é importante que os modelos atmosféricos
aplicados possuam uma boa similaridade nas distribuições de Weibull com os dados medidos.
Os resultados destes parâmetros estão na Tabela 14. Os sítios interioranos, além de Maragogi,
apresentaram as melhores concordâncias entre simulações e observações, com desvio inferior
a 0,5 m.s-1 no parâmetro “A” e a 0,5 no parâmetro “k”.
Considerando apenas o parâmetro “A”, Água Branca, Girau do Ponciano e Palmeira
dos Índios foram únicos sítios que superaram a intensidade média de 8 m.s-1. Um detalhe é a
magnitude deste parâmetro para Feliz Deserto e Roteiro, que apresentaram séries temporais
similares entre si nos itens 4.1.1 e 4.1.2, no entanto, os valores de “A” com dados observados
foram diferentes em 1,5 m.s-1 nestes sítios. Já com dados WRF, esta diferença foi de 1,3 m.s-1.
O parâmetro “k” observado foi sempre superior ao simulado, com exceção de Palmeira dos
Índios, onde o WRF superou em 0,4.

Tabela 14. Valores anuais dos fatores de forma (k) e escala (A) da distribuição de Weibull para cada
sítio experimental com dados observados e simulados (WRF).
LOCAL

Fonte: Autor, 2012.

Dados observados
-1

Dados WRF

A (m.s )

A (m.s-1)

Água Branca

7,9

3,3

8,0

3,0

Feliz Deserto

7,8

3,3

10,7

3,1

Girau do Ponciano

8,4

3,3

8,2

2,4

Maragogi

6,4

2,9

6,9

2,4

Palmeira dos Índios

8,2

2,9

8,4

3,3

Roteiro

6,3

3,2

9,4

2,9

A magnitude dos valores observados e simulados de “A” e “k” de Girau do Ponciano,
Palmeira dos Índios e Água Branca são similares aos encontrados em regiões do Ceará, que já
possuem parques eólicos em operação (ROCHA et al., 2011). Isto mostra que primeiro, a
qualidade das simulações WRF nestes locais, devido a sua reduzida diferença com os
parâmetros obtidos com dados observados. Segundo, a magnitude destes parâmetros ser
similar à regiões, não apenas do Ceará, mas também de locais com forte produção eólica no
Brasil (AMARANTE et al., 2001). Apesar de o litoral ter tido seu desempenho ruim em
comparação aos demais, é possível buscar um ajuste estatístico utilizando a distribuição de
Weibull, como proposto em Celik (2003). Neste trabalho, o autor aborda através de funções
estatísticas, a obtenção da velocidade do vento em função dos parâmetros A e k, e da
frequência. Com este método, ele obteve um viés médio de 11,3% em relação às medições
anemométricas.
O uso de modelos atmosféricos na determinação estatística do vento, em locais
desprovidos de torres anemométricas, também é possível com a distribuição de Weibull
(JIMENEZ et al., 2007). Estes autores obtiveram informações estatísticas do vento através de
simulações de mesoescala (modelo atmosférico MM5) em pontos munidos de estações de
medição, bem como, lugares onde as torres eram ausentes. Suas simulações em áreas
costeiras, distantes em até 50 km do litoral, mostraram que os resultados atingiam erros
maiores quando comparados a estações localizadas mais distantes do mar. Sendo assim, o
WRF se mostrou uma ferramenta propícia para levantamentos estatísticos do vento na região
do sertão e agreste alagoano, enquanto no litoral, principalmente no sul do Estado, necessita
de aperfeiçoamentos.
As curvas de ajuste da distribuição de Weibull calculado com os parâmetros da Tabela
14 são mostradas na Figura 46.. Nesta figura, a coluna da esquerda representa os sítios do
interior de Alagoas, enquanto à direita, as que estão situadas no litoral.

Figura 46. Distribuição anual de probabilidade de Weibull com dados observados e simulados da
velocidade do vento (m.s-1).

(a) Água Branca

(b) Feliz Deserto

(d) Maragogi

(e) Palmeira dos Índios

(f) Roteiro

Fonte: Autor, 2012.

A assimetria para direita da curva de ajuste em Feliz Deserto e Roteiro é ocasionada
pelas superestimativas do WRF, vistas nas séries temporais. Para os demais sítios, a
assimetria é quase perfeita, cuja diferença é de até 1% nas classes inferiores a 4 m.s-1, 5%
entre 4 a 8 m.s-1, e também 1% em velocidades do vento superiores a 8m.s-1. Analisando
apenas as distribuições litorâneas, novamente surge a questão: Porque Maragogi possui
resultados tão bons quanto aos sítios do interior, e ao mesmo tempo, é tão diferente de Feliz
Deserto e Roteiro? Existem alguns aspectos que podem ajudar a entender melhor estes sítios:


Maragogi está mais ao norte no Estado, cerca de 190 km distantes dos outros
sítios litorâneos;



O litoral norte possui um regime pluviométrico em cerca de 600 mm.ano-1
superior ao litoral sul;



O litoral sul de Alagoas, onde estão Feliz Deserto e Roteiro, recebe maior
influência de sistemas meteorológicos, como entrada de sistemas frontais, além
da maior intensidade dos ventos alísios de sudeste;



O contraste topográfico e variação de cobertura do solo são menores em
Maragogi em relação a Feliz Deserto e Roteiro;



Baseado na classificação adotada no item 3.7, estas distribuições foram
denominadas como: Bom – Água Branca, Girau do Ponciano, Palmeira dos
Índios e Maragogi; Ruim – Feliz Deserto e Roteiro.

As distribuições de Weibull e seus parâmetros comprovam o ótimo desempenho do
WRF para o interior de Alagoas, mas claro, considerando que estas distribuições realizam um
ajuste estatístico. Por isso, o problema das simulações dos picos de velocidade do vento
(valores mínimos e máximos) não é visível nas distribuições de Weibull.

4.1.4 Comparativo entre as distribuições de frequência da velocidade do vento
Neste item será feita a comparação entre as distribuições de frequência da velocidade
do vento confeccionadas com os dados observados (DFOBS) e com os dados estimados pelo
WRF (DFWRF), em três períodos: anual, verão e inverno.
Para facilitar a comparação foram feitos gráficos da diferença (desvio) entre as
frequências (percentuais) em DFOBS e DFWRF doravante chamado de DFREQ. O objetivo
é a identificação dos intervalos de classes onde as simulações (WRF) foram mais/menos
eficazes.
A DFREQ para os três períodos nos seis locais estudados é mostrado na Figura 47.
Nela se verifica um padrão semelhante em Roteiro e Feliz Deserto, e diferente nos demais
sítios. Nota-se certa semelhança entre os padrões de Girau do Ponciano e Maragogi.

Figura 47. Desvios entre distribuições de frequência da velocidade do vento observada e simulada.

(a) Água Branca

(b) Feliz Deserto

(d) Maragogi

(e) Palmeira dos Índios

(f) Roteiro

Fonte: Autor, 2012

Visando facilitar a interpretação dos resultados foram construídas duas tabelas. Na
primeira delas (Tabela 15), são mostradas as classes de nas quais cada distribuição teve o seu
pico de ocorrência. Nela se verifica que, tanto no período anual como no verão, a classes do
pico na DFWRF é maior do que aquelas da DFOBS. O inverso se verifica no inverno. No
período anual, a classe do pico na DFWRF foi maior em Feliz Deserto, Palmeira dos Índios e
Roteiro, menor em Girau do Ponciano e Maragogi e igual em Água Branca. No verão, a classe
do pico foi maior na DFWRF com exceção de Maragogi. No inverno, a classe do pico na
DFWRF foi igual em Palmeira dos Índios, maior em Feliz Deserto e Roteiro e menor em
Água Branca, Girau do Ponciano e Maragogi.

Tabela 15. Relação das classes de velocidade do vento com maior frequência nos dados observados e
simulados (WRF) nos períodos anuais, verão e inverno.
CLASSES DE VELOCIDADE DO VENTO COM MAIOR FREQUÊNCIA (m.s-1)
LOCAL

OBSERVADO

SIMULADO (WRF)

ANUAL

VERÃO

INVERNO

ANUAL

VERÃO

INVERNO

6
5
7
5
5
5

6
5
7
5
6
5

8
5
6
7
5
5

6
8
5
1
7
8

7
8
10
1
7
8

6
7
5
6
5
7

Água Branca
Feliz Deserto
Girau do Ponciano
Maragogi
Palmeira dos Índios
Roteiro
Fonte: Autor, 2012.

Na Tabela 16, foram agrupados os valores médios da DFREQ para três intervalos de
classe de velocidade: baixa (0 a 5 m.s-1), média (6 a 10 m.s-1) e alta (11 a 15 m.s-1). Nela, as
superestimavas do WRF são indicadas por valores negativos de DFREQ, enquanto os valores
positivos indicam subestimativas. O desempenho (melhor/pior) será considerado pelo valor
absoluto da DFREQ.
De uma maneira geral, o desempenho do WRF foi melhor no intervalo de velocidades
altas e pior no de baixa.
Tabela 16. Desvio médio de frequência (DFREQ) entre três classes da velocidade do vento observada
e simulada (WRF) no período anual, de verão e inverno.
PERÍODO

DFREQ Médio - OBSERVADO X SIMULADO
CLASSES
(m.s-1)
Água Branca Feliz Deserto Girau do Ponciano Maragogi Palmeira dos Índios Roteiro

ANUAL

0a5
6 a 10
11 a 15

-1,5%
0,9%
0,7%

5,9%
-1,4%
-3,4%

-2,7%
3,5%
-0,9%

0,3%
1,5%
-0,4%

1,3%
-1,2%
0,4%

6,1%
-1,1%
-3,4%

VERÃO

0a5
6 a 10
11 a 15

0,6%
-0,5%
1,1%

4,9%
-2,2%
-1,6%

-1,8%
3,0%
-1,6%

1,9%
2,0%
-0,5%

2,1%
-2,6%
1,8%

5,2%
-1,6%
-1,4%

0a5
INVERNO
6 a 10
11 a 15
Fonte: Autor, 2012.

-3,1%
3,1%
-1,3%

7,3%
-1,1%
-5,1%

-4,7%
5,7%
-1,0%

-1,3%
1,3%
-0,4%

3,0%
-1,4%
-1,3%

6,3%
0,0%
-5,1%

O melhor desempenho no intervalo de velocidades altas verificou-se em três locais no
período anual (Água Branca, Girau do Ponciano, Palmeira dos Índios); cinco no verão (Feliz
Deserto, Girau do Ponciano, Maragogi, Palmeira dos Índios, Roteiro) e quatro no inverno

(Água Branca, Girau do Ponciano, Maragogi, Palmeira dos Índios). Em Roteiro e Feliz
Deserto ele foi melhor no intervalo de velocidades médias o que se repercutiu no desempenho
anual.
O pior desempenho do WRF verificou-se no intervalo de velocidades baixas. No
período anual foi melhor em quatro locais (Água Branca, Feliz Deserto, Palmeira dos Índios,
Roteiro), no verão apenas em dois (Feliz Deserto e Roteiro) e no inverno em cinco (Água
Branca, Feliz Deserto, Maragogi, Palmeira dos Índios, Roteiro). É importante ressaltar que em
nenhuma ocasião verificou-se o melhor desempenho no intervalo de velocidades altas, ou
seja, quando não foi no intervalo de baixas foi no de médias.
A dificuldade do WRF em estimar as velocidades extremas certamente está associada
na qualidade do MODIS em representar com fidelidade, respeitando sua resolução espacial, a
cobertura vegetal do local. Esta condição deve ser ressaltada, pois o método adotado para
extrapolação vertical neste trabalho utiliza o u* simulado no WRF, que, em sua formulação
matemática, considera o z0 configurado no MODIS. Um fato a destacar é que, apesar da
dificuldade do WRF em simular a velocidade no período chuvoso, é neste período que se
verifica maior proximidade entre as classes de maior frequência nos dois conjuntos de dados.
Isto indica que apesar da dificuldade nas simulações dos valores mínimos e máximos, na
maior parte do tempo as simulações estão de acordo com o observado.

4.1.5 BIAS e RMSE
Na Figura 48 estão os valores anuais e sazonais do erro médio (bias) entre dados
observados e WRF para cada local estudado. O bias anual é classificado como ótimo nos
sítios do interior e em Maragogi, com diferença próxima a 0,5 m.s-1. Nos demais sítios do
litoral, a classificação passa para satisfatório. Sazonalmente, o bias oscilou entre 0,03 m.s-1 no
verão de Palmeira dos Índios a 3,1 m.s-1 em Feliz Deserto no inverno. Em todos os sítios, o
bias da estação do verão foi inferior ao inverno.

Figura 48. Erro médio anual e sazonal da velocidade do vento WRF em 30 metros de altura.

Fonte: Autor, 2012.

Os resultados vistos na Figura 48 revelam alguns pontos importantes que devem ser
ressaltados:


Sítios localizados no agreste e sertão alagoano apresentaram bias sazonal
abaixo de 0,5 m.s-1 (classificação: ótimo) no verão e 1,5 m.s-1 (classificação:
bom) no inverno;



A estação do verão foi o período com os menores erros;



Considerando apenas sítios do interior, e excluindo a estação do inverno, o
sítio com melhores bias foi Palmeira dos Índios, seguido por Girau do
Ponciano e Água Branca.

Os valores do RMSE são mostrados na Tabela 17. No contexto geral, ele dispersou
entre 1,67 e 5,93 m.s-1 com média de 3,06 m.s-1. Em termos de média anual, excluindo
Palmeira dos Índios (devido à ausência de dois meses), o maior valor foi o de Feliz Deserto
(3,7 m.s-1) e o menor o de Maragogi (2,60 m.s-1). Excluindo os meses de setembro e outubro
o melhor resultado (menor RMSE) é o de Palmeira dos Índios (2,36 m.s-1), onde o RMSE foi
inferior a 2 m.s-1 em 4 meses (agosto, novembro, maio e junho).
É importante ressaltar que valores inferiores a 2 m.s-1 só ocorreram neste local. Um
fato que chama a atenção é os três locais (Água Branca, Feliz Deserto e Roteiro) com RMSE
máximo ocorrendo em setembro. No litoral Sul (Roteiro e Feliz Deserto) o segundo maior
valor ocorreu em outubro. Na maioria dos locais o mínimo ocorreu entre março e maio.
Para a previsão de vento de até 60 horas, o RMSE para região de médias latitudes
varia entre 2 a 3,5 m.s-1 (PARKES e TINDAL, 2004). Baseado neste intervalo, os resultados

obtidos possuem, em média, comportamento similar às regiões extratropicais citadas, e
períodos em que o RMSE ultrapassa os limites indicados. Tal índice estatístico também é útil
na análise de ganho durante um refinamento na resolução espacial de modelos atmosféricos
(PINTO, MORAES, et al., 2010). Estes autores avaliaram o RMSE para o modelo BRAMS
executado com grade de 8 km, 2 km e 500m para Girau do Ponciano, Feliz Deserto e Roteiro
em novembro de 2008. Neste mês, o RMSE foi de 2,62, 2,60 e 2,46 m.s-1, respectivamente,
enquanto que no caso deste estudo (WRF) ele foi maior (3,28 m.s-1 ; 3,19 m.s-1; 3,19 m.s-1).
GONÇALVES (2011) avaliou o uso de RNA, regressão linear múltipla, além do modelo
atmosférico ETA, na previsão do vento no NEB. Ele mostrou que o uso de RNA, com dados
simulados em mesoescala, atingiu uma dispersão ainda menor, com RMSE variando entre
0,93 a 1,39 m.s-1.

Tabela 17. Valores mensais, sazonais e anuais do RMSE para os sítios experimentais. (-) ausência de
dados.

Agosto

Água
Branca
3,16

3,79

Girau do
Ponciano
2,67

2,53

Palmeira dos
Índios
1,67

Setembro

4,20

5,76

2,75

2,33

5,93

Outubro

2,28

4,07

2,86

2,40

5,11

Novembro

2,48

3,19

3,28

2,27

1,84

3,19

Dezembro

2,48

3,47

3,43

2,65

2,55

3,63

Janeiro

2,36

3,00

3,32

2,62

2,36

3,04

Fevereiro

2,36

2,83

3,37

2,60

2,53

3,01

Março

3,33

2,18

3,21

2,29

2,78

2,41

Abril

2,63

3,73

2,98

2,22

2,52

3,57

Maio

2,45

3,87

2,24

3,97

1,68

3,58

Junho

3,15

4,25

2,89

2,67

1,86

4,44

Julho

2,90

4,26

2,72

2,62

3,77

4,26

Verão

2,40

3,10

3,37

2,62

2,48

3,23

2,83
Anual
2,82
Fonte: Autor, 2012.

4,13

2,62

3,09

2,44

4,09

3,70

2,98

2,60

2,36

3,84

Período

Inverno

Feliz Deserto

Maragogi

Roteiro
3,94

4.1.6 Direção do vento
Além da velocidade, a direção do vento também é fundamental quando se trata de
aproveitamento eólico, pois possibilitam indicar o melhor local para posicionamento correto
dos aerogeradores e minimizar o estresse mecânico do rotor. Na Figura 49 são mostradas as
direções predominantes no período anual estudado nos seis locais.
Verifica-se que com os dados observados a direção predominante do vento é Leste. Já
com as saídas WRF a direção predominante é de Leste-Sudeste. Somente em Água Branca a
direção predominante do vento observada (135°) ficou mais a Sul do que a simulada (112,5°).
Com exceção de Girau do Ponciano (67,5°) e Roteiro (45°) nas demais localidades a diferença
entre as direções predominantes foi de 22,5º. Pode-se afirmar que o WRF simulou melhor a
direção do que a velocidade do vento.

Figura 49. Direção predominante do vento anual observada e simulada.

Fonte: Autor, 2012.

(a) Água Branca

(b) Feliz Deserto

(d) Maragogi

(e) Palmeira dos Índios

(f) Roteiro

Em Água Branca (Figura 49a), a direção do vento de leste vista nos demais locais não
foi encontrada neste sítio. Nesta região, a direção predominante é sudeste o ano inteiro. Esta
característica incomum no Estado foi questionada em estudos anteriores (COSTA, 2009;
SILVA, 2009; SILVA, 2011). Os referidos autores sugeriram que neste local houvesse um
possível efeito de canalização do vento no vale do Rio São Francisco. Cogitou-se ainda a
possibilidade de ocorrência de ondas de gravidade na geração de tal fenômeno, similar ao
evento que ocorre no Ceará, o vento Aracati (CAMELO, 2007).
Então a suposição mais coerente é a influência do vale do Rio São Francisco que
cortam o Oeste do Estado, representada na Figura 50a. Este contraste orográfico força a
mudança de direção de leste para sudeste no sentido afluente do rio. Há também a abertura de
alguns vales na margem alagoana, desde o munícipio de Piranhas até Belo Monte atuando
como corredores topográficos na entrada das correntes de vento para o interior do Estado. Na
figura 50b é visto um vale perpendicular ao sentido da direção do vento em Água Branca.
Esta abertura topográfica possui cerca de 350m de diferença com as serras vizinhas.
Estudos mostraram que algumas áreas elevadas próximas às margens do Rio Negro, na
Argentina, há maiores velocidades do vento durante o período noturno (COGLIATI e
MAZZEO, 2006). Neste caso, os autores comprovaram uma relação direta com a canalização
do vento sobre o Rio Negro. Sua metodologia consistiu no uso de medições em EMAs ao
longo do rio e de sua margem, avaliando variações da velocidade e direção do vento,
temperatura e pressão atmosférica. Com isso, ao analisar séries temporais e a evolução diurna
destas variáveis meteorológicas, notaram uma aceleração do vento no inicio da noite, na
ordem de 3 m.s-1. Esta característica é análoga à de Água Branca, que durante a noite, a
velocidade do vento média também é 3 m.s-1 superior ao período diurno. O vento Aracati, que
significa “vento que sopra do mar para o continente”, ocorre sobre o Rio Jaguaribe no Ceará
(CAMELO, 2007) e sua composição é similar a de Água Branca.

Figura 50. (a) Representação topográfica dos Estados de Alagoas, Sergipe e Pernambuco, e indicação
da direção predominante do vento. Ponto 1 = Pão de Açúcar (AL); Ponto 2 = Brejo Grande (SE). (b)
Imagem de satélite para Água Branca.

(a)

NORTE

(b)
DIREÇÃO DO VENTO
PREDOMINANTE

Fonte: Autor, 2012.

Analisando o comportamento médio anual, durante o dia e noite, dos dados medidos
pelas EMAs do INMET nos pontos 1 e 2 (figura 50a) que beiram o Rio São Francisco, é visto
uma diferença considerável da direção do vento (figura 51). Em Brejo Grande (SE), a direção
predominante durante o dia e noite é de nordeste (40%). Já em Pão de Açúcar (AL), a
predominância é de sudeste (50%). O principal fator para esta condição é o efeito continental
e topográfico do vale do São Francisco, cuja margem alagoana possui altitude média inferior à
margem sergipana. O vento ao incidir sobre Brejo Grande, praticamente não sofre com algum

obstáculo topográfico, apenas com a mudança de cobertura vegetal (oceano  continente),
mas em pequena proporção.

Figura 51. Direção do vento anual observada em Brejo Grande (SE) e Pão de Açúcar (AL) durante o
dia e noite.

Fonte: Autor, 2012.

Além da direção do vento, para averiguar alguma circulação local do ar, deve-se
analisar também a velocidade do vento. A figura 52 representa o ciclo diurno médio anual da
velocidade do vento medida em 10m em Brejo Grande e Pão de Açúcar, além de Água
Branca, observado em 30m. Nas proximidades da foz do Rio São Francisco, a estação de
Brejo Grande registrou as maiores velocidades no período do dia, entre 11 a 16 horas e
variando de 2 a 3,5 m.s-1. No período noturno, esta velocidade foi observada abaixo de 2 m.s1

.
O sítio de Pão de Açúcar se distancia da foz do rio em 142 km, e assim, possuindo

características do vento já distintas do analisado na estação sergipana. As maiores velocidades
do vento em Pão de Açúcar são vistas no final de tarde e inicio da noite, entre 16 a 20 horas.
A diferença neste horário entre os locais é próxima a 3 m.s-1. Este resultado comprova a
ocorrência de maiores velocidades no período noturno para Pão de Açúcar e Água Branca,
locais com direção predominante do vento de sudeste o ano inteiro. Então, baseado nos
registros destes três sítios, pode-se concluir que existe uma circulação do ar decorrente da
canalização no vento sobre o Rio São Francisco.

Figura 52. Desenvolvimento médio anual da evolução diurna da velocidade do vento observada em 10
metros para Brejo Grande (SE) e Pão de Açúcar (AL), e 30 metros para Água Branca (AL).

Fonte: Autor, 2012.

Visando averiguar as variações sazonais da direção do vento, principalmente durante
os períodos seco (verão) e chuvoso (inverno), foram confrontados os resultados nestas
estações. Na Figura 53 são ilustrados estes resultados referentes à Água Branca, Feliz Deserto
e Girau do Ponciano. Nela verifica-se que a diferença entre o observado e o simulado é bem
menor no inverno, quando o vento tende a soprar mais de sudeste.

Figura 53. Direção do vento medida (observado) e simulada (WRF) durante o verão e inverno em
Água Branca, Feliz Deserto e Girau do Ponciano.
Água Branca

Verão

Inverno

Fonte: Autor, 2012.

Feliz Deserto

Girau do Ponciano

100

Para os sítios de Maragogi, Palmeira dos Índios e Roteiro, não foi possível distinguir
facilmente, como no caso da Figura 54, um nítido desvio entre inverno e verão em termos de
diferença entre observado e simulado. Mas ao analisar a frequência de incidência do vento,
Maragogi e Palmeira dos Índios possui um maior desvio no inverno, enquanto Roteiro no
verão.

Figura 54. Direção do vento medida (observado) e simulada (WRF) durante o verão e inverno em
Maragogi, Palmeira dos Índios e Roteiro.

Maragogi

Palmeira dos Índios

Roteiro

Verão

Inverno

Fonte: Autor, 2012.

No âmbito geral, o modelo WRF foi mais eficiente em simular a direção do que a
velocidade do vento em todos os sítios estudados. Esta variação sazonal da direção do vento é
relacionada com a variação da posição do centro de alta pressão do Atlântico Sul (AYOADE,
1998). É óbvio que os processos físicos envolvidos são diferentes no modelo, desde a micro à
mesoescala, mas ambos possuem relação com as características da superfície, como
topografia e condições do solo. Vale ressaltar ainda a problema da diferença de alturas na
comparação dos dados WRF e observados. As simulações foram sempre em 10 metros,
enquanto a direção registrada foi de 50 ou 70 metros, dependendo do sítio em questão. De
acordo com Stull (1988) e Lemes e Moura (2004), a espiral de Ekman é responsável pela
mudança de direção com a altura no perfil vertical do vento. Então, a diferença de frequência

101

entre direções do vento medida e simulada, comparada em alturas distintas, obviamente
possuirá um desvio inserido devido a espiral de Ekman.

4.2

Mapa eólico anual de Alagoas em mesoescala – WRF
Na figura 55 são ilustrados os mapas anuais da velocidade do vento em 50 metros do

AEEA (a) e WRF (b). No caso do AEEA os mapas tem resolução espacial final de 90m x
90m, mas estes valores foram interpolados de uma resolução menor, 250x250 metros
(ELETROBRÁS, 2008). O mapa com dados WRF foi elaborado neste trabalho com resolução
de 05 x 05 km, ou seja, 20 vezes menor que o AEEA. Estas diferentes resoluções espaciais
influenciam no nível de detalhe visual. A discussão foi voltada principalmente para as três
regiões destacadas na figura 55b.
O modelo WRF identificou alguns pontos do Estado com magnitudes do vento
semelhantes aos encontrados no AEEA, principalmente na região central do sertão (área 01) e
agreste alagoano (área 02). As simulações coincidiram ainda na velocidade do vento de 6 a 8
m.s-1 no litoral sul, bem como intensidade entre 3 a 5 m.s-1 na região a sudeste do Planalto da
Borborema (área 03). Nas proximidades de Água Branca há uma região em ambos os mapas
com velocidade entre 7 a 9 m.s-1 justamente na trajetória devido à canalização do vento. Para
a área 02 do mapa WRF, a intensidade do vento ficou próxima àquela do AEEA,
principalmente nas serras na região e em torno de Girau do Ponciano e Palmeira dos Índios.
A figura gerada pelo WRF mostra alguns locais do litoral com diferenças entre 2 a 3
m.s-1 do AEEA. Para a região central do sertão, esta diferença é inferior a 2 m.s-1. Estes
valores demonstram concordância quando comparado ao AEEA, uma vez que foi capaz de
localizar as áreas com maiores e menores magnitudes do vento. A velocidade do vento na
região 03 é a menos intensa. O fato de ambos os mapas indicarem a mesma situação fortalece
a hipótese que ambos estejam corretos. Em toda metade norte do Estado, a partir de alguns
quilômetros do litoral, os ventos sejam sempre fracos.
Como descrito anteriormente nos itens 2.3 e 3.1, foi visto que aspectos da natureza
local interferem diretamente no regime do vento, principalmente a topografia e cobertura
vegetal da superfície do terreno. Esta zona é predominantemente coberta de florestas
ombrófilas, além de possuir alto índice pluviométrico anual, de 1500 a 2500 mm.ano-1.

102

Figura 55. Mapa eólico anual para altura de 50 metros. (a) AEEA e (b) WRF.

(a)

01
03
02

(b)

Fonte: Autor, 2012.

Na Figura 56 é mostrado o mapa eólico WRF com a velocidade do vento em 50
metros, e vetores da direção em 10 metros, sobreposto ao relevo digital de Alagoas. O perfil
topográfico desde o litoral até a região 3 é peculiar. Avaliando este perfil da zona costeira até
60 km adentro do continente, a altitude varia de 0 a 200 metros. Depois dos 60 km, ao atingir
a fronteira com o Planalto da Borborema, esta altitude ultrapassa os 700 metros. Esta variação
topográfica abrupta de 200 para 700 metros atua como uma barreira para o escoamento do ar
quente e úmido vindo do oceano, que tem sua convecção forçada sobre a região (PIELKE,
2002). A mudança de direção do vento é evidente na Figura 56, sendo de leste ainda sobre o
oceano e com magnitude de 7 a 9 m.s-1. Após adentrar no continente, esta direção tende a

103

sudeste, atingindo 3 a 4 m.s-1. Ao ascender o Planalto da Borborema, o deslocamento do ar
volta a ser de leste, com velocidade de 5 m.s-1.
Figura 56. Mapa anual WRF da velocidade do vento (m.s-1) em 50 metros e direção em 10 metros
sobrepostos ao relevo digital de Alagoas.

Fonte: Autor, 2012.

Os resultados discutidos mostraram que a aplicação do modelo WRF serve como
ferramenta importante no levantamento do potencial eólico em mesoescala. Com estas
informações é possível indicar quais localidades possuem condições favoráveis para aplicação
eólica. Vale ressaltar que se trata de um modelo de mesoescala e que as simulações por ele
geradas foram para pontos de grade a cada 05 km. É possível obter melhores resultados
trabalhando melhor em alguns aspectos como melhor descrição da classificação do solo,
parametrizações físicas e demais configurações avançadas do WRF. Além disto, dados de
entrada e modelos de relevo e vegetação com maior resolução espacial possibilitariam um
maior ganho no refinamento das grades.

4.3

Mapa eólico anual em microescala – WAsP
Os mapas espaciais do modelo WAsP foram elaborados com entradas de dados

simulados pelo WRF (WRFin) e observados (OBSin) da velocidade e direção do vento. Os

104

mapas possuem uma área de 400km2, com centroide no local onde foi instalada a torre
anemométrica em cada um dos seis locais. Para facilitar a comparação, cada figura contém
um mapa 2D (OBSin) e um recorte ampliado do mapa AEEA para cada sítio.
Além disto, os desvios entre mapas WAsP com dados OBSin e WRFin serão mostrados
em 3D para permitir relacionar os resultados das simulações com a topografia local. Serão
então analisados os mapas através de comparação direta entre AEEA e WAsP, em seguida, os
desvios em 3D, e no final do capítulo, a discussão global sobre os resultados das simulações
em microescala.
A Figura 57 mostra os mapas AEEA e WAsP para Água Branca. Apesar de ser uma
região com terreno complexo, e dos módulos físicos do WAsP serem simplificados, seu
resultado é bastante similar ao AEEA nas áreas mais elevadas do domínio. A velocidade do
vento nas zonas de maior altitude varia entre 7 a 9 m.s-1 em ambos os mapas. A diferença
entre WAsP e AEEA é perceptível nas regiões nordeste e sudoeste do domínio, com pequenos
desvios de até 1 m.s-1. Outro ponto positivo do WAsP foi a concordância nas simulações do
vento nos vales entre as diversas serras do mapa, com velocidades entre 3 a 5 m.s-1.
Figura 57. Mapeamento WAsP em 50 metros de altura para Água Branca: (a) AEEA; (b) mapa OBSin
da velocidade do vento.

(a) AEEA

(b) WAsP com OBSin

Fonte: Autor, 2012.

Ao analisar os desvios entre mapas OBSin e WRFin, verifica-se que o módulo de
diferença máxima foi de 0,5 m.s-1 (Figura 58). Na região central do domínio, com maior
predominância de serras, a diferença foi mais acentuada, e nas áreas planas, os desvios foram
próximos de zero. Os desvios negativos, na maioria dos casos, se situam nas regiões frontais

105

das serras, perpendicular à direção predominante do vento. Deve-se ressaltar que os modelos
digitais de relevo e rugosidade são os mesmos para ambas as simulações. O surgimento destes
desvios nas zonas de elevação se deve à sensibilidade do WAsP com pequenas variações da
velocidade e direção do vento entre os dados OBSin e WRFin. A direção do vento foi dividida
em dezesseis setores, e em cada um deles, caso haja maior distinção entre as velocidades
estimadas e observadas, maiores desvios são encontrados.

Figura 58. Desvios entre mapas 3D WAsP com OBSin e WRFin em Água Branca.

Fonte: Autor, 2012.

Em Feliz Deserto, o mapa OBSin também é similar ao produto do AEEA, diferindo em
-1

1 m.s em alguns pontos do domínio. No mapa AEEA (Figura 59a), nota-se a variação da
velocidade do vento sobre pequenos riachos no centro do domínio (região em destaque na
figura), enquanto no WAsP (Figura 59b) é imperceptível. No capítulo 3.5, foi visto que o
WAsP generaliza o vento sobre uma superfície através de extrapolações horizontais sob
condição de estabilidade atmosférica neutra e efeitos topográficos. Deve existir um limite
quanto à sensibilidade do WAsP em realizar suas simulações em locais com pequenas
variações topográficas. Mas é importante ressaltar que neste trabalho, a resolução espacial do
WAsP é 90m, logo, os desvios sobre estas regiões dos riachos é aceitável.

106

Figura 59. Mapeamento WAsP em 100 metros de altura para Feliz Deserto: (a) AEEA; (b) mapa
OBSin da velocidade do vento.

(a) AEEA

(b) WAsP com OBSin

Fonte: Autor, 2012.

Por conta das superestimativas presentes em quase todo o ano, no mapa WRFin a
diferença (OBSin - WRFin) é negativa, como visto na Figura 60. Verifica-se uma área desde o
oceano até parte superior das falésias, onde a diferença é de 1,75 m.s-1. Este resultado
exemplifica o problema dos desvios entre dados com diferentes magnitudes e direções do
vento. Em Feliz Deserto, foi visto que a diferença anual foi de até 3 m.s-1, e a direção do vento
WRF tendeu mais de sudeste, enquanto o observado de leste. Tais aspectos possuem relação
direta com os desvios da Figura 60, que ainda sim, podem ser classificados como “bom”, de
acordo com a metodologia empregada no item 3.7. Como confirmação deste argumento, notase que a direção dos maiores desvios no mapa é justamente na direção de sudeste, posição esta
que o WRF simulou com mais frequência durante o ano.

107

Figura 60. Desvios entre mapas 3D WAsP com OBSin e WRFin em Feliz Deserto.

Fonte: Autor, 2012.

Em Girau do Ponciano, o mapa OBSin reproduziu o campo de vento com uma
diferença da ordem de 1 m.s-1 superior ao AEEA nas áreas mais planas (Figura 61). Assim
como Água Branca, a magnitude do WAsP no cume das serras do domínio é próxima ao
AEEA, também entre 7 a 9 m.s-1. Nas regiões destacadas nos mapas, a menor velocidade do
vento encontrada é próxima a 5 m.s-1, enquanto no WAsP, nesta mesma região do AEEA, a
velocidade é próxima a 6 m.s-1.

Figura 61. Mapeamento WAsP em 50 metros de altura para Girau do Ponciano: (a) AEEA; (b) mapa
OBSin da velocidade do vento.

(a) AEEA

(b) WAsP com OBSin

Fonte: Autor, 2012.

108

Com relação aos desvios entre OBSin e WRFin, novamente verificou-se um
comportamento semelhante ao encontrado em Água Branca: desvios positivos no topo dos
morros, e negativos atrás destes (Figura 62). Neste sítio, apesar da velocidade média simulada
ser próxima à observada (inferior a 1 m.s-1), a direção do vento registrada com maior
frequência foi de leste, e o WRF de sudeste.

Figura 62. Desvios entre mapas 3D WAsP com OBSin e WRFin em Girau do Ponciano.

Fonte: Autor, 2012.

Em Maragogi (Figura 63), o mapa OBSin coincide com AEEA para a mesma área
sobre o continente, já que o AEEA não exibe os resultados offshore. A velocidade é cerca de 1
m.s-1 superior ao AEEA. A velocidade do vento neste local atingiu 6 m.s-1 sobre o oceano, e
5 m.s-1 no continente, conforme o mapa OBSin. Na comparação, a diferença foi mais visível
na região costeira do domínio, onde o WAsP simulou uma maior quantidade de áreas em
relação ao AEEA com magnitude de 6 m.s-1.

109

Figura 63. Mapeamento WAsP em 50 metros de altura para Maragogi: (a) AEEA; (b) mapa OBSin da
velocidade do vento.

(a) AEEA

(b) WAsP com OBSin

Fonte: Autor, 2012.

Os desvios em Maragogi, mostrados na Figura 64, indicam que sobre o continente as
diferenças da velocidade do vento foram próximas a zero. A grande similaridade entre as
velocidades e direções do vento simuladas e observadas favorece a tal resultado sobre o
continente. Somente em uma pequena parte do Oceano Atlântico há desvio positivo de 0,25
m.s-1, enquanto que sobre o continente praticamente não há diferença. Novamente, a diferença
de frequência da direção do vento WRF e observada possui relação com estes desvios no
sentido leste do domínio.

110

Figura 64. Desvios entre mapas 3D WAsP com OBSin e WRFin em Maragogi.

Fonte: Autor, 2012.

Em Palmeira dos Índios, como no caso de Girau do Ponciano, o mapa OBSin aponta
velocidades maiores do que o AEEA nas áreas de planícies (Figura 65b). As simulações de
microescala nos sítios do interior mostraram ótimos resultados sobre as zonas mais elevadas
dos domínios (destacado na Figura 65a), e diferença máxima de 1 m.s-1 nos vales e planícies.
A considerável presença de regiões com velocidade entre 7 e 9 m.s-1 se assimila também a
Água Branca e Girau do Ponciano.

Figura 65. Mapeamento WAsP em 100 metros de altura para Palmeira dos Índios: (a) AEEA; (b) mapa
OBSin da velocidade do vento.

(a) AEEA

(b) WAsP com OBSin

Fonte: Autor, 2012.

111

Com relação aos desvios, assim como em Feliz Deserto, eles são sempre negativos
conforme mostrado na Figura 66. Verificam-se também desvios maiores nas zonas de
inclinação das serras, alcançando -1,25 m.s-1. Os locais com maior concordância ocorrem em
pequenos vales entre as elevações, com diferença de 0 a 0,25 m.s-1. Estas variações
topográficas de Palmeira dos Índios podem ter relação direta com a eficácia das simulações
WAsP, principalmente em terrenos com inclinação maior que 17° (RATHMANN,
MORTENSEN, et al., 1996). O desvio da direção do vento neste sítio teve padrão diferente
dos demais locais. A direção simulada em Palmeira dos Índios foi predominante de leste a
sudeste, enquanto foi observada uma maior frequência de leste, com também ventos de
nordeste.

Figura 66. Desvios entre mapas 3D WAsP com OBSin e WRFin em Palmeira dos Índios.

Fonte: Autor, 2012.

A Figura 67 mostra os mapas AEEA e WAsP para o sítio de Roteiro. O mapa OBSin
coincide com o AEEA apenas na área continental da mesma forma como o mapa de
Maragogi. Porém, a quantidade de áreas costeiras com velocidades acima de 6 m.s-1 no mapa
OBSin é menor que o visto no AEEA, resultado contrário ao visto em Maragogi.

112

Figura 67. Mapeamento WAsP em 50 metros de altura para Roteiro: (a) AEEA; (b) mapa OBSin da
velocidade do vento.

(a) AEEA

(b) WAsP com OBSin

Fonte: Autor, 2012.

Os desvios são negativos em todo o domínio, como vistos na Figura 68. Dentre todos
os sítios avaliados, Roteiro apresentou o maior desvio entre mapas WAsP OBSin e WRFin,
atingindo 2,25 m.s-1 no nordeste do domínio. Este município possui maiores contrastes de
topografia (longas extensões de falésias na costa litorânea), além da direção do vento
simulada ter frequência diferente em diversos setores da direção observada.

Figura 68. Desvios entre mapas 3D WAsP com OBSin e WRFin em Girau do Roteiro.

Fonte: Autor, 2012.

113

Nas comparações AEEA x WAsP foi visto que o modelo de microescala adotado neste
trabalho atingiu resultados equivalentes ao AEEA, principalmente nos valores máximos. Os
modelos utilizados no AEEA são baseados em simulações da CLA. Estes levam em
consideração não apenas dados de relevo, rugosidade e obstáculos, mas também processos
como mecanismos advectivos, fluxos turbulentos de calor e outros (ELETROBRÁS, 2008).
Apesar disto, o WAsP, um modelo linear simples e que possui uma série de restrições,
mostrou-se uma boa ferramenta para realização de micrositting, utilizando apenas dados de
vento (velocidade e direção), mapas de relevo, rugosidade e obstáculos.
Sobre a rugosidade, apesar da grande variação do tipo de superfície entre planície e
serras nos sítios do interior, buscar um maior nível de detalhe da cobertura do solo pouco
altera os resultados finais, conforme Ramos et al. (2011a). Eles compararam a desvio entre o
mapa de rugosidade obtido pela mesma metodologia deste trabalho com o elaborado por
técnicas de sensoriamento remoto e encontraram uma diferença inferior a 0,1 m.s-1. Há ainda
uma perda computacional no tempo de processamento das simulações quando o modelo de
rugosidade é refinado.
Além disto, é importante desenvolver uma metodologia automatizada para elaboração
dos mapas de rugosidade no WAsP, já que a determinação manual das isolinhas, bem como
seus valores, pode ocasionar desvios na precisão das simulações. A condição do WAsP mais
importante a ser ressaltada diz sobre o modelo de estabilidade atmosférica, que possui uma
gama de opções para configurações e adotou-se neste trabalho seus valores padrões. Vieira
(2008) mostrou que aplicar o WAsP com valores de fluxos superficiais de calor corretamente
ajustados, as simulações apresentaram melhores resultados. Então é fundamental que os
próximos estudos sobre esta ferramenta considerem estas modificações do WAsP.
Em relação aos desvios entre os mapas OBSin e WRFin, a principal causa para tal
ocorrência estão nos dados da velocidade e direção do vento de cada tipo de entrada no
WAsP. Estas simulações abordaram apenas dados anuais do vento, então é importante
também realizar mapeamentos sazonais em microescala, e em seguida, ver o desvio entre os
mapas. Assim será possível identificar em quais períodos do ano ocorrem os maiores desvios,
além dos locais no mapa.

114

CONSIDERAÇÕES FINAIS

Este trabalho elaborou um Mapeamento Eólico para o Estado de Alagoas, usando os
modelos WRF (mesoescala) e WAsP (microescala) além de ferramentas computacionais e
dados anemométricos. A aplicação das ferramentas computacionais assim como dos modelos
foi realizada com sucesso.

Os resultados das simulações foram validados com dados observados em seis estações
anemométricas, através de séries temporais, análise de desvios e padrões estatísticos com a
Distribuição de Weibull. As análises destes resultados mostraram que os objetivos foram
alcançados.

O modelo WRF mostrou-se bastante eficaz nas simulações do vento, embora tenha
tido dificuldades na região do litoral sul de Alagoas, principalmente durante o inverno.
Alguns ajustes serão necessários para obtenção de resultados ainda melhores. Dentre estas
modificações, as principais estão na validação conjunta de parametrizações físicas do modelo.
Há uma maior necessidade de investigação nas simulações durante o período chuvoso, para
tentar entender em quais pontos o WRF precisa ser aprimorado.

Uma condição importante é ressaltar que as medições do ciclo diurno da velocidade do
vento no litoral não são bem definidas, de acordo com os padrões clássicos (velocidade
máxima do vento durante o dia e mínima a noite), e isto atrapalha as comparações com o
WRF. Já nos sítios interioranos, a ocorrência de máximas velocidades do vento no período
noturno, devido a circulações locais do ar pela grande presença de serras, também enturva a
validação do modelo WRF.

Por fim, o uso de u* do modelo WRF para extrapolação vertical da velocidade do
vento mostrou-se como uma boa alternativa, mas será preciso investigar o motivo do
truncamento desta variável no modelo para 0,1 m.s-1. Este fato implicou na grande quantidade
de baixas velocidades do vento em todos os sítios.

115

6.


CONCLUSÕES

As simulações do WRF da velocidade do vento foram mais eficazes no interior do Estado
de Alagoas, principalmente durante o verão. Para o litoral, com exceção de Maragogi,
houve superestimativa em 43% do período estudado;



O ciclo diurno observado nos sítios do interior é diferente do padrão teórico, e esta
distinção está associada a circulações locais do ar, sendo mais intensa no período noturno.
Isto dificultou nas comparações com o WRF, já que o modelo generaliza os padrões das
simulações para toda uma grade. O único sítio que teve ciclo diurno WRF semelhante ao
observado foi Girau do Ponciano;



O melhor desempenho das simulações dos sítios interioranos em relação aos costeiros
está associado principalmente aos processos envolvidos no litoral (circulação de brisas
terra-mar, maior densidade de ar, contraste intensificado de rugosidade da superfície),
que podem não estar sendo corretamente computados pelas parametrizações físicas do
WRF, principalmente de uso do solo e CLA;



A direção do vento também foi estimada satisfatoriamente em todos os sítios,
acompanhando bem os padrões sazonais, inclusive representando o efeito de canalização
do vento no vale do Rio São Francisco até Água Branca. Os maiores desvios entre
valores observados e simulados estão associados à diferença de altura destes dados, e
assim, sendo mais suscetíveis à ação da espiral de Ekman;



A distribuição de probabilidade de Weibull comprovou os melhores padrões da
velocidade do vento para os sítios localizados no interior, principalmente Água Branca e
Palmeira dos Índios, e no litoral apenas em Maragogi;



Os valores de BIAS e RMSE mostraram resultados excelentes para os sítios interioranos
e Maragogi, com erro médio entre 0 a 1,0 m.s-1 na maioria dos casos. No litoral sul, o erro
médio foi de até 3 m.s-1, e RMSE entre 2,2 a 5,9 m.s-1 ;

116



Os desvios de frequência evidenciaram a dificuldade do WRF na estimativa da
velocidade do vento em classes inferiores a 4 m.s-1 e superiores a 8 m.s-1, principalmente
em Feliz Deserto e Roteiro;



O mapa eólico anual do WRF detectou eficientemente as principais áreas com
velocidades máximas e mínimas do vento, coincidindo com o AEEA. Na microescala,
todos os resultados WAsP se equipararam com os recortes do AEEA, com diferença entre
os mapas de até 1 m.s-1 ;



Os desvios nas simulações de microescala no WAsP com dados OBSin e WRFin
mostraram-se próximas para Água Branca, Girau do Ponciano e Maragogi, todos com
desvios inferiores a 1 m.s-1, e muito semelhantes ao AEEA;



No período anual, as simulações do WRF na classe baixa de velocidade do vento (0 a
5m.s-1), foram mais eficientes apenas em Maragogi. Para a classe média (06 a 10 m.s-1),
Feliz Deserto e Roteiro tiveram melhores resultados. Os demais sítios tiveram a
velocidade do vento melhor simulada em velocidades maiores, entre 11 a 15 m.s-1 ;



Sazonalmente, os sítios tiveram melhores simulações durante o verão sempre na classe
alta, com exceção de Água Branca, que obteve estimativas mais eficientes na classe
média. No inverno, a discrepância da velocidade do vento WRF foi menor na classe alta
para os sítios do interior e Maragogi, enquanto Feliz Deserto e Roteiro para o intervalo de
06 a 10 m.s-1.

117

SUGESTÕES PARA TRABALHOS FUTUROS


Aumentar a resolução espacial do modelo de relevo e vegetação do WRF e analisar se
há aumento de ganho nas simulações;



Configurar os valores padrões dos fluxos de superfície do WAsP para condições reais
do Nordeste Brasileiro;



Fazer estudo climatológico detalhado da influência de sistemas meteorológicos
(Brisas, ZCIT, ZCAS, CCM, LI, DOL) na distribuição espaço-temporal do vento em
Alagoas;



Investigar algum método para ajustar as configurações de coordenada vertical sigma e
assim, executar as simulações WRF nos níveis verticais desejados (30, 50, 70, 100m e
assim por diante), sem necessidade de extrapolação vertical via perfil logaritmo do
vento;



Utilizar outros tipos e métodos de entrada de dados no modelo WRF além das
reanálises NCEP;



Utilizar um modelo baseado em dinâmica dos fluidos computacional (CFD) para área
de estudo em conjunto com o WRF (ex. Large-Eddy Simulation – LES).

118

REFERÊNCIAS

ALVES, M. A. S.; OYAMA, M. D.; YAMAZAKI, J. Composição de eventos de distúrbios
ondulatórios de leste sobre as regiões de Alcântara e Natal - Caracterização preliminar.
Anais do XIV Congresso Brasileiro de Meteorologia - CBMET. Florianópolis (SC): SBMET.
2008. p. 4.
AMARANTE, O. C. A. et al. Atlas do Potencial Eólico Brasileiro. Brasilia: e-dea
Techologies, 2001.
ANEEL. Atlas de Energia Elétrica do Brasil. Agência Nacional de Energia Elétrica.
Brasilia:ANEEL, p. 153. 2002.
ANEEL. Resolução Normativa Nº 391. Agência Nacional de Energia Elétrica - ANEEL.
Brasilia, p. 12. 2009.
ANEEL. Banco de Informação de Geração
<www.aneel.gov.br>. Acesso em: 06 nov. 2011.

BIG,

2011.

Disponivel

em:

ANSYS. ANSYS CFX, 2011. Disponivel em: <http://www.ansys.com>. Acesso em: 07 nov.
2011.
ARYA, S. P. Introduction to Micrometeorology. 2. ed. San Diego: Academic Press, v. 79,
2001.
ATKINSON, B. W. Meso-scale atmospheric circulations. Londres: Academic Press, 1981.
ATMO. Atmospheric Sciences - Texas A&M University, 2002. Disponivel em:
<http://atmo.tamu.edu/class/metr452/models/2001/vertres.html>. Acesso em: 07 nov. 2010.
AYOADE, J. O. Introdução à climatologia para os trópicos. 5. ed. Rio de Janeiro: BCD
União de Editoras S. A., v. 1, 1998.
BELCHER, S. E.; HUNT, J. C. R. Turbulent flow over hills and waves. Annu. Rev. Fluid
Mech., 30, 1998. 507-538.
BEN. Balanço Energético Nacional (BEN) 2011: Ano base 2010 - Resultados
Preliminares. Empresa de Pesquisa Energética (EPE), Ministério de Minas e Energia
(MME), Governo Federal do Brasil. Rio de Janeiro, p. 52. 2011.
BENELLI, S. L.; DORWEILER, R. P.; PROCOPIAK, L. A. J. Evolução tecnológica do
mapeamento do potencial eólico. XIV Simpósio Brasileiro de Sensoriamento Remoto
(SBSR). São José dos Campos: INPE. 2009. p. 3567-3573.
BERGE, E. et al. Wind in complex terrain - A comparison of WAsP and two CFDmodels. Anais do Europe's Premier Wind Energy Event - EWEA. Atenas - Grécia: [s.n.].
2006. p. 10.
BRANCO, J. G. S. F. Estudo sobre a aplicabilidade de modelos de distribuição da
velocidade do vento em terreno montanhoso. Dissertação de Mestrado em Engenharia
Térmica, Porto (Portugal): Universidade do Porto, 1991.

119

BRAZTOA. Associação Brasileira das Operadoras de Turismo. Caderno de Subsídios
Viagem
Técnica
Costa
dos
Corais/AL,
2008.
Disponivel
em:
<www.braztoa.com.br/site/arquivos/pdfs/vivencias_2006/caderno_de_subsidios_costa_do_co
rais.doc>. Acesso em: 14 out. 2010.
BRITO, A. Energia eólica já é mais barata que térmica a gás no Brasil. Folha de São Paulo.,
2011. Disponivel em: <http://www1.folha.uol.com.br/mercado/962025-energia-eolica-ja-emais-barata-que-termica-a-gas-no-brasil.shtml>. Acesso em: 21 ago. 2011.
BULIGON, L. Solução semianalítica para o perfil vertical do vento na camada limite
planetária. Tese de Doutorado em Física: Universidade Federal de Santa Maria (RS), 2009.
127 p.
BURTON, T. et al. Wind Energy Handbook. New York: John Wiley & Sons, Ltd, v. 1,
2001. 609 p.
BYRKJEDAL, O.; BERGE, E. The User of WRF for Wind Resource Mapping in Norway.
9th WRF Users Workshop - National Center for Atmospheric Research (NCAR),
Boulder,
Colorado,
EUA,
2008.
Disponivel
em:
<http://www.mmm.ucar.edu/wrf/users/workshops/WS2008>. Acesso em: 06 Janeiro 2010.
CAMELO, H. N. Estudo numérico do Vento Aracati para caracterização de seu
potencial eólico. Dissertação de Mestrado em Ciências Físicas Aplicadas, Centro de Ciências
e Tecnologia, Fortaleza (CE): Universidade Estadual do Ceará, 2007.
CAMELO, H. N. et al. Métodos de extrapolação da velocidade do vento para regiões
litorâneas do Nordeste Brasileiro. Anais do XVI Congresso Brasileiro de Meteorologia CBMET. Belém - PA: Sociedade Brasileira de Meteorologia. 2010. p. 4.
CARTA, J. A.; RAMÍREZ, P.; VELÁZQUEZ, S. A review of wind speed probability
distributions used in wind energy analysis Case studies in the Canary Islands. Renew. Sust.
Energ. Rev., 2009. 933-955.
CATALANO, F.; MOENG, C.-H. Large-Eddy Simulation of the Daytime Boundary Layer in
an Idealized Valley Using the Weather Research and Forecasting Numerical Model. BoundLay. Meteorol., v. 137, p. 49-75, 2010. ISSN DOI 10.1007/s10546-010-9518-8.
CELIK, A. N. A statistical analysis of wind power density based on the Weibull and Rayleigh
models at the southern region of Turkey. Renew. Energ., 29, 27 Julho 2003. 593-604.
CHAGAS, R. C. et al. Procedimentos de validação de dados de radiação solar da rede de
estações do Projeto SONDA. Anais do XIV Congresso Brasileiro de Meteorologia CBMET. Florianópolis - Santa Catarina: SBMET. 2006. p. 4.
CHANG, T. P. Performance comparison of six numerical methods in estimating Weibull
parameters for wind energy application. Appl. Energ., 2011. 272-282.
CHEN, F.; DUDHIA, J. Coupling an advanced land-surface / hydrology model with the Penn
State / NCAR MM5 modeling system. Part 1: Model description and implementation. Mon.
Wea. Rev., 129, 2001. 569-585.
CHEN, J.; HUI, M. C. H.; XU, Y. L. A comparative study of stationary and non-stationary
wind models using field measurements. Bound-Lay. Meteorol., v. 122, p. 105-121, 2007.
ISSN DOI 10.1007/s10546-006-9085-1.

120

COGLIATI, M. G.; MAZZEO, N. A. Air flows analysis in the upper Rio Negro Valley
(Argentina). Atmos. Res., 80, 2006. 263-279.
COMPMECHLAB. CD-adapco to unveil Wind Park simulation technology. CompMechLab,
2009. Disponivel em: <http://www.eng.fea.ru/FEA_news_596.html>. Acesso em: 30 jan.
2012.
COSTA, G. B. Análise espacial e temporal do vento no Estado de Alagoas. Dissertação de
Mestrado em Meteorologia, Maceió: Universidade Federal de Alagoas (UFAL), 2009. 116 p.
COSTA, L. Parques eólicos poderão apresentar somente um ano de medições até o final de
2012. Jornal da Energia - O mundo da eletricidade em tempo real, 2011. Disponivel em:
<http://www.jornaldaenergia.com.br/ler_noticia.php?id_noticia=8287>. Acesso em: 30 jan.
2012.
CPTEC. Climanálise - Boletim de Monitoramento e Análise Climática. Centro de Previsão
de Tempo e Estudos Climáticos (CPTEC), Instituto Nacional de Pesquisas Espaciais (INPE).
Cachoeira Paulista (SP), p. 47. 2008.
CRESESB. Centro de Referência para Energia Solar e Eólica (CRESESB) - Centro de
Pesquisas
de
Energia
Elétrica
(CEPEL),
2011.
Disponivel
em:
<http://cresesb.cepel.br/index.php?link=/atlas_eolico_brasil/atlas.htm>. Acesso em: 26 Mai.
2011.
CRUZ SEGUNDO, E. I. Estudo de energia eólica para a ilha de Marajó - PA. Dissertação
de Mestrado em Meteorologia, São José dos Campos - SP: Instituto Nacional de Pesquisas
Espaciais, 2009. 99 p.
DALMAZ, A. Estudo do potencial eólico e previsão de ventos para geração de
eletricidade em Santa Catarina. Dissertação de Mestrado em Engenharia Mecânica,
Florianópolis: Universidade Federal de Santa Catarina (UFSC), 2007.
DODLA, V. B. R.; RATNA, S. B. Mesoscale characteristics and prediction of an unusual
extreme heavy precipitation event over India using high resolution mesoscale model. Atmos.
Res., 95, 2010. 255-269.
DORWEILLER, R. P. Aplicação de modelagem de turbulência na camada limite
atmosférica para verificiar efeitos locais de topografia. Dissertação de Mestrado em
Métodos Numéricos em Engenharia, Curitiba: Univerisdade Federal do Paraná, 2007.
DOTY, B. The Grid Analysis and Display System - GrADS. COLA - IGES. [S.l.], p. 148.
1995.
DUTRA, R. M.; SZKLO, A. S. Incentive policies for promoting wind power producion in
Brazil: Scenarios for the Alternative Energy Sources Incentive Program (PROINFA) under
the New Brazilian electric power sector regulation. Renew. Energ., 33, 2007. 65-76.
EASYCFD. WindStation, 2011. Disponivel em: <http://www.easycfd.net/windstation/>.
Acesso em: 07 nov. 2011.
ELETROBRÁS. Atlas Eólico do Estado de Alagoas. Centrais Elétricas Brasileiras S. A. Rio
de Janeiro, p. 67. 2008.

121

ESTEVES, T. M. V. N. S. Base de dados do potencial energético do vento em Portugual Metodologia e Desenvolvimento. Dissertação de Mestrado em Ciências e Engenharia da
Terra, Lisboa: Universidade de Lisboa, 2004.
FARR, T. G. et al. The Shuttle Radar Topography Mission. Rev. Geophy., v. 45, p. 33, 2007.
ISSN doi:10.1029/2005RG000183.
FISCH, G. Características do perfil vertical do vento no Centro de Lançamento de Alcântara
(CLA). Revista Brasileira de Meteorologia, v. 14, n. 01, p. 11-21, 1999.
FOKEN, T. 50 years of the Monin-Obukhov similarity theory. Bound-Lay. Meteorol., v.
119, p. 431-447, 2006.
FOKEN, T. Micrometeorology. Berlim: Springer, 2008. 308 p. ISBN 978-3-540-74665-2.
GIEBEL, G.; GRYNING, S.-E. Shear and stability in high met masts, and how WAsP
treats it. EWEA special topic conference "The science of making torque from wind". Delft
(Holanda): [s.n.]. 2004. p. 19-21.
GISLER, C. A. F. Análise do perfil de vento na Camada Limite Superficial e Sistemas
Meteorológicos atuantes no Centro de Lançamento de Alcântara. Dissertação de
Mestrado em Meteorologia, São José dos Campos (SP): Instituto Nacional de Pesquisas
Espaciais (INPE), 2009. 146 p.
GONÇALVES, A. R. Refinamento estatístico das previsões de vento do modelo ETA
aplicado ao setor eólio-elétrico do Nordeste Brasileiro. Dissertação de Mestrado em
Meteorologia, São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2011.
GRASSI, G.; VECCHIO, P. Wind energy prediction using a two-hidden layer neural network.
Commum Nonlinear Sci Num Simulat, 2010. 2262-2266.
GRELL, G. A.; DEVENYI, D. A generalized approach to parameterizing convection
combining ensemble and data assimilation techniques. Geophys. Res. Lett., 29, 2002.
HOLTON, J. R. An introduction to Dynamic Meteorology. 4ª. ed. San Diego: Elsevier
Academic Press, v. 88, 2004.
HOLTSLAG, A. A. M.; BOVILLE, B. A. Local Versus Nonlocal Boundary-Layer Diffusion
in a Global Climate Model. J. Climat., Outubro 1993. 1825-1842.
IBGE. Mapa de Vegetação do Brasil. IBGE - Instituto Brasileiro de Geografia e
Estatística,
2004.
Disponivel
em:
<http://www.ibge.gov.br/home/presidencia/noticias/21052004biomas.shtm>. Acesso em: 24
fev. 2011.
IBGE. Instituto Brasileiro de Geografia e Estatística. Censo Demográfico 2010, 2011.
Disponivel
em:
<http://www.ibge.gov.br/home/estatistica/populacao/censo2010/sinopse/default_sinopse.shtm
>. Acesso em: 17 jan. 2011.
JIMENEZ, B. et al. Offshore wind resource assessment with WAsP and MM5 - Comparative
study for the German Bight. Wind Energ., 10, 13 Dezembro 2007. 121-134.

122

KANI, S. A. P.; ARDEHALI, M. M. Very short-term wind speed prediction - A new artificial
neural network-Markov chain model. Energ. Convers. Manage., 52, 2011. 738-745.
KOSSMAN, M. et al. Aspects of the convective boundary layer structure over complexe
terrain. Atmos. Environ., Grã-Bretanha, 32, n. 07, 1998. 1323-1348.
LEMES, M. A. M.; MOURA, A. D. Fundamentos da dinâmica aplicados à meteorologia e
oceanografia. 2ª. ed. Ribeirão Preto, SP: Holos Editora Ltda, 2004. 296 p.
LIN, Y. L.; FARLEY, R. D.; ORVILLE, H. D. Bulk parameterization of the snow field in a
cloud model. J. Clim. App. Meteor., 22, 1983. 1065-1092.
LIOU, K. N. An introduction to atmospheric radiation. Los Angeles: Elsevier Academic
Press, 2002. 599 p. ISBN 0124514510.
LOUREIRO, B. A. Avaliação de ferramentas e métodos para a elaboração de mapas
eólicos. Dissertação de Mestrado em Engenharia Mecânica, Recife: Universidade Federal de
Pernambuco, 2011.
LUNDQUIST, J. K.; MIROCHA, J. D.; KOSOVIC, B. Nesting large-eddy simulations within
mesoscale simulations in WRF for wind energy applications. 10º WRF Users Workshop National Center for Atmospheric Research (NCAR), Boulder, Colorado, EUA, 2009.
Disponivel em: <www.mmm.ucar.edu/wrf/users/workshops/WS2009>. Acesso em: 19 Jan.
2011.
LYRA, A. A. Testes de sensibilidade e avaliação das previsões de vento do modelo ETA
para Região Nordeste. Dissertação de Mestrado em Meteorologia, São José dos Campos
(SP): Instituto Nacional de Pesquisas Espaciais (INPE), 2008. 106 p.
LYRA, G. B.; PEREIRA, A. R. Dificuldades de estimativa dos parâmetros de rugosidade
aerodinâmica pelo perfil logaritmo do vento sobre vegetação esparsa em região semi-árida.
Revista Brasileira de Geofísica, v. 25, n. 2, p. 187-197, 2007.
MACHADO, R. R. Estudo do potencial eólico do Pontal do Abreu - Município de
Viamão - RS. Dissertação de Mestrado em Engenharia Oceânica, Rio Grande: Universidade
Federal do Rio Grande, 2008.
MARCHI, A. C. Estudo do vento para o Estado de Alagoas utilizando o modelo regional
WRF - Testes de Parametrizações da Camada Limite Planetária. Trabalho de Conclusão
de Curso (Bacharelado em Meteorologia), Maceió: Universidade Federal de Alagoas - UFAL,
2011.
MARIA, P. H. S. Modelagem numérica em alta resolução para previsão de geração de
energia eólica no Ceará. Dissertação de Mestrado em Ciências Físias Aplicadas, Fortaleza:
Universidade Estadual do Ceará (UECE), 2007. 124 p.
MARTINS, F. R.; GUARNIERI, R. A.; PEREIRA, E. B. O aproveitamento da energia eólica.
Revista Brasileira de Ensino em Física, v. 1, p. 1-13, 2008. ISSN 1806-1117.
MARTINS, F. R.; PEREIRA, E. B. Enhancing information for solar and wind energy
technology deployment. Energ. Policy, Elsevier, 11 Maio 2011. 4378-4390.
MLAWER, E. J. et al. Radiative transfer for inhomogeneous atmosphere: RRTM, a validated
correlated-k for the longwave. J. Geophys. Res., 102, 1997. 16663-16682.

123

MOENG, C.-H. A Large-Eddy Simulation Model for the Study of Planetary Boundary-Layer
turbulence. J. Atmos. Sci., 41, 1984. 2052-2062.
MOHAN, M.; BHATI, S. Analysis of WRF Model Performance over Subtropical Region of
Delhi, India. Adv. Meteoro., 2011. 13.
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.
MONIN, A. S.; OBUKHOV, A. M. Basics laws of turbulent mixing in the surface layer of the
atmosphere. Contrib. Geophys. Inst. Acad. Sci., USSR, 151, 1954. 163-187.
MORTENSEN, N. G. et al. Wind Atlas Analysis and Application Program - WAsP 10
Help Facility. Roskilde, Dinamarca: Riso National Laboratory for Sustainable Energy,
Technical University of Denmark, 2011.
MORTENSEN, N. G.; BOWEN, A. J.; ANTONIOU, I. Improving WAsP predictions in
(too) complex terrain. European Wind Energy Conference and Exhibition. Atenas (Grécia):
[s.n.]. 2006.
MORTENSEN, N. G.; PETERSEN, E. L. Influence of topographical input data on the
accuracy of wind flow modeling in complex terrain. European Wind Energy Conference
and Exhibition. Dublin (Irlanda): [s.n.]. 1998. p. 317-320.
NGO, T.; LETCHFORD, C. A comparison of topographic effects on gust wind. J. Wind
Eng. Ind. Aerod., 96, n. 12, Dezembro 2008. 2273-2293.
OKE, T. R. Boundary-Layer Climates. 2ª. ed. [S.l.]: Taylor & Francis Ltda, 1988. 460 p.
ISBN 0203715454.
OLIVEIRA, J. L. Influência da circulação geral e da variabilidade interanual sobre o
potencial eólico do Nordeste brasileiro. Dissertação de Mestrado em Ciências Físicas
Aplicadas: Universidade Estadual do Ceará, Fortaleza, 2007. 124 p.
OLIVEIRA, L. S. Regras e boas práticas para instalação de torres anemométricas
voltadas para estudo de potencial eólico. Dissertação de Mestrado em Planejamento
Energético, Rio de Janeiro: COPPE - Universidade Federal do Rio de Janeiro, 2011.
PAPANASTASIOU, D. K.; MELAS, D.; LISSARIDIS, I. Study of wind field under sea
breeze conditions; an application of WRF model. Atmos. Res., 22 Junho 2010. 102-117.
PARKES, J.; TINDAL, A. Forecasting short term wind farm production in complex
terrain. Conference proceedings of European Wind Energy Conference & Exhibition.
Londres, Inglaterra: [s.n.]. 2004. p. 8.
PEREIRA, R. Energia Eólica já é uma das mais competitivas do Brasil. O Estado de São
Paulo,
2010.
Disponivel
em:
<http://www.estadao.com.br/estadaodehoje/20100828/not_imp601533,0.php>. Acesso em: 27
abr. 2011.
PERSSON, A. O. Hadley's Principle: Understanding and Misunderstanding the Trade Winds.
International Commision on History of Meteorology, 2006. Disponivel em:
<http://www.meteohistory.org/2006historyofmeteorology3/2persson_hadley.pdf>.
Acesso
em: 26 dez. 2011.

124

PES, M. P. Estudo do impacto das mudanças climáticas no potencial eólico do Estado do
Rio Grande do Sul para os períodos de 2010 a 2040 e 2070 a 2100. Dissertação de
Mestrado em Meteorologia, São José dos Campos (SP): Instituto Nacional de Pesquisas
Espaciais (INPE), 2010. 174 p.
PIELKE, R. A. Mesoscale Meteorological Modeling. 2ª. ed. San Diego, California:
Academic Press, v. 78, 2002.
PINTO, L. I. C. et al. Avaliação do Modelo BRAMS para estimativa do vento médio para
o aproveitamento da energia eólica. Anais do XVI Congresso Brasileiro de Meteorologia CBMET. Belém - PA: Sociedade Brasileira de Meteorologia - SBMET. 2010. p. 4.
PIRES, A. CTGÁS - Centro de Tecnologias do Gás & Energias Renováveis. Ciclo de
Palestras
Energia
Eólica
2010-2,
2010.
Disponivel
em:
<http://www.ctgas.com.br/sgc/arquivos/img_upload/ciclo/Microssiting-Ana_Pires.pdf>.
Acesso em: 04 maio 2011.
PLEIM, J. E. A combined local and non-local closure model for the atmospheric boundary
layer. Part 1: Model description and testing. J. Appl. Meteor. Clim., 46, 2007a. 1383-1398.
PLEIM, J. E. A Combined Local and Nonlocal Closure Model for the Atmospheric Boundary
Layer. Part II Application and Evaluation in a Mesoscale Meteorological Model. J. Appl.
Meteor. Climatol., 46, 2007b. 1396-1409.
PLEIM, J. E.; CHANG, J. S. A non-local closure model for vertical mixing in the convective
boundary layer. Atmos. Environ., 26A, 1992. 965-981.
POLITO, R. Energia Hoje - O portal de notícias da Editora Brasil Energia. Eólicas geram
menos
que
o
previsto,
2010.
Disponivel
em:
<http://www.energiahoje.com/index.php?ver=mat&mid=421932>. Acesso em: 11 ago. 2011.
RABELO, F. D. et al. Estudo do índice de turbulência durante a estação chuvosa nas três
mesoregiões do Estado de Alagoas. Anais do 1º Seminário Nacional de Engenharia do
Vento - SENEV. Belo Horizonte - MG: UFMG. 2010a. p. 4.
RABELO, F. D. et al. Estudo do índice de turbulência durante a estação seca nas três
mesoregiões do Estado de Alagoas. Anais do 1º Seminário Nacional de Engenharia do
Vento - SENEV. Belo Horizonte - MG: UFMG. 2010b. p. 4.
RAMOS, D. N. S. et al. Mapeamento Eólico no WAsP com diferentes descrições da
rugosidade do terreno - Análise preliminar. Anais do VII Workshop Brasileiro de
Micrometeorologia. Santa Maria (RS): Universidade Federal de Santa Maria (UFSM). 2011a.
p. 4.
RAMOS, D. N. S. et al. Validação da velocidade do vento do modelo WRF com uso da
velocidade de fricção u* simulada. Revista Ciência & Natura, v. Especial, Santa Maria
(RS), Novembro 2011b. ISSN 0100-8307.
RATHMANN, O. et al. Assessing the accuracy of WAsP in non-simple terrain. British
Wind Energy Association Conference. Exeter (Inglaterra): [s.n.]. 1996. p. 413-418.
REN21. Renewables 2011 Global Report Status. GSU. Paris, p. 116. 2011.

125

RISØ. WAsP - best practices and checklist. The WAsP Team - RISØ DTU, 2010.
Disponivel em: <http://www.wasp.dk/Support/FAQ.html>. Acesso em: 19 jun. 2010.
ROCHA, P. A. C. et al. Comparison of seven numerical methods for determining Weibull
parameters for wind energy generation in the northeast region of Brazil. Appl. Energ., 02
Agosto 2011. 395-400.
RODRIGUES, G. C. Utilização de redes neurais para previsão de ventos no horizonte de
24 horas. Dissertação de Mestrado em Engenharia Elétrica, Rio de Janeiro: COPPE-UFRJ,
2007. 119 p.
SAGA. System for Automated Geoscientific Analysis, 2007.
<http://www.saga-gis.org/en/index.html>. Acesso em: 06 ago. 2010.

Disponivel

em:

SEMARH. Secretaria de Meio Ambiente e Recursos Hídricos. Governo do Estado de
Alagoas, 2007. Disponivel em: <http://www.semarh.al.gov.br>. Acesso em: 08 jan. 2011.
SHIMADA, S.; OHSAWA, T. Accuracy and Characteristics of Offshore Wind Speeds
Simulated by WRF. SOLA - Scientific Online Letters on the Atmosphere, Meteorological
Society of Japan, Kobe, Japão, 2011. 4.
SHIN, H. H.; HONG, S.-Y. Intercomparison of Planetary Boundary-Layer Parametrizations
in the WRF Model for a Single Day from CASES-99. Bound-Lay. Meteorol., 139, 2011.
261-281.
SILVA JÚNIOR, R. S. et al. Análise da variação do potencial eólico utilizando o modelo
WAsP. Anais do I Seminário Nacional de Engenharia do Vento (SENEV). Belo Horizonte:
UFMG. 2010a. p. 6.
SILVA JÚNIOR, R. S. et al. Mapeamento do potencial eólico do Estado de Alagoas
utilizando o modelo WRF. Anais do I Seminário Nacional de Engenharia do Vento
(SENEV). Belo Horizonte: UFMG. 2010b. p. 6.
SILVA, A. F. G. et al. Uso de modelos de mesoescala na reavaliação do potencial eólico
da região do Campos de Vertentes, MG. Anais do XVI Congresso Brasileiro de
Meteorologia (CBMET). Belém (PA): CD-ROM. 2010.
SILVA, A. R. Estudo observacional do regime de vento no Estado de Alagoas, nos
períodos seco e de transição seco-chuvoso. Trabalho de Conclusão de Curso (Bacharelado
em Meteorologia), Maceió: Universidade Federal de Alagoas (UFAL), 2009. 100 p.
SILVA, A. R. Caracterização do vento e potencial eólico no Estado de Alagoas.
Dissertação de Mestrado em Meteorologia, Maceió: Universidade Federal de Alagoas
(UFAL), 2011. 95 p.
SILVA, G. R. Características de vento da Região Nordeste. Dissertação de mestrado em
Engenharia Mecânica, Recife: Universidade Federal de Pernambuco, 2003.
SILVA, N. F.; ROSA, L. P.; ARAÚJO, M. R. The utilization of wind energy in the Brazilian
electric sector's expansion. Renew. Sust. Energ. Rev., 9, 2005. 289-309.
SKAMAROCK, W. C. et al. A description of the Advanced Research WRF Version 3.
National Center for Atmospheric Research (NCAR). Boulder, Colorado (EUA), p. 125. 2008.
(NCAR/TN-475+STR).

126

SMAGORINSKY, J. General circulation experiments with the primitive equations. Mon.
Weather Rev., 93, 1963. 99-165.
SOARES, P. M. M. Parametrização da turbulência e nuvens de camada limite em
modelos atmosféricos. Tese de Doutorado em Física, Lisboa: Departamento de Física,
Universidade de Lisboa, 2004. 149 p.
STULL, R. B. An introduction to boundary layer meteorology. Massachusetts: Kluwer
Academic Publishers, 1988. 666 p.
TROEN, I.; MORTENSEN, N. G.; PETERSEN, E. L. WAsP - Wind Atlas Analysis and
Application Program (user guide). Roskilde, Dinamarca: Risoe National Laboratory, 1987.
TROEN, I.; PETERSEN, E. I. European Wind Atlas. Roskilde, Dinamarca: Risoe National
Laboratory, 1989.
UNEP. Global trends in sustainable energy investiment 2010. United Nations Enviroment
Programme (UNEP), Organização das Nações Unidas (ONU). Nova Iorque, p. 61. 2010.
(978-92-807-3085-2).
VALLE, R. M.; MARTINS, M. A.; NASCIMENTO, C. A. M. Modelagem numérica da
camada limite atmosférica de uma região de Acuruí, Minas Gerais, Brasil. Anais do I
Seminário Nacional sobre Engenharia do Vento - SENEV 2010. Belo Horizonte - MG:
UFMG. 2010. p. 9.
VASCONCELOS JÚNIOR, F. C. et al. Avaliação do Modelo RAMS para caracterizar o
vento local no Estado do Ceará. Anais do XVI Congresso Brasileiro de Meteorologia
(CBMET). Belém (PA): CD-ROM. 2010.
VIANELLO, R. L.; ALVES, R. A. Meteorologia Básica e Aplicações. Viçosa (MG):
Universidade Federal de Viçosa, 2006. 449 p.
VIEIRA, C. F. A. Sensibilidade do Modelo WAsP aos efeitos da estabilidade atmosférica
no Nordeste do Brasil. Dissertação de Mestrado em Ciências Físicas Aplicadas, Fortaleza:
Universidade Estadual do Ceará (UECE), 2008. 113 p.
WACHSMANN, U.; TOLMASQUIM, M. T. Wind Power in Brazil - transition using German
experience. Renew. Energ., 28, 2003. 1029-1038.
WALLACE, J. M.; HOBBS, P. V. Atmospheric Science: An introductory Survey. 2. ed.
University of Washington, Seattle, EUA: Elsevier, 2006.
WENDT, J. F. Computational Fluid Dynamics - An introduction. 3ª. ed. Rhode-SaintGenèse, Bélgica: Springer, 2009.
WIERINGA, J. Representative roughness parameters for homogeneous terrain. Bound.-Lay.
Meteorol., v. 63, p. 323-363, 1993.
WILKS, D. S. Statistical methods in the atmospheric sciences. 2ª. ed. San Diego,
California: Elsevier, v. 91, 2006. 649 p.
WINDFARM, 2011. Disponivel em: <http://www.resoft.co.uk/English/index.htm>. Acesso
em: 07 nov. 2011.
WINDSIM, 2010. Disponivel em: <http://www.windsim.com>. Acesso em: 07 nov. 2011.

127

WINROCK. Kit de ferramentas para o desenvolvimento de projetos de energia eólica.
Instituto Winrock International, Global Energy Concepts-GEC. [S.l.], p. 209. 2004.
WWEA. World Wind Energy Association. World Wind Energy Report 2010, 2011.
Disponivel em: <www.wwindea.org/home/images/./worldwindenergyreport2010_s.pdf>.
Acesso em: 12 Jun. 2011.
YAMAZAKI, Y.; RAO, V. B. Tropical cloudiness over the South Atlantic Ocean. J. Met.
Soc. Jap., 55, n. 2, 1977. 205-207.
YING, Z. Coupling land surface process model with the Weather Research Forecast
modeling system. Tese de Doutorado em Física e Astrofísica, Univerisdade de Torino: Itália,
2010.