Parametrizações de Rajadas de Ventos Baseadas Em Equações do Espectro de Energia Cinética Turbulenta no Sul do Brasil
DOI:
https://doi.org/10.26848/rbgf.v19.02.p570-585Palavras-chave:
Turbulência atmosférica, Função Senoidal, Estabilidade Atmosférica, Modelagem Numérica, Validação observacionalResumo
Estimativas precisas de rajadas de vento são fundamentais para reduzir riscos em setores como transporte, agricultura, energia e defesa civil. No entanto, os modelos numéricos de previsão do tempo não fornecem essa variável de forma direta, sendo necessário o uso de parametrizações específicas. Este estudo teve como objetivo estimar rajadas de vento com base no campo de Energia Cinética Turbulenta (ECT) na Camada Limite Atmosférica (CLA). Foram aplicadas três parametrizações descritas na literatura, baseadas em espectros dimensionais de turbulência, além da proposição de um novo método, que representa o termo turbulento como o desvio padrão de uma função senoidal. As estimativas foram comparadas com dados horários de vento provenientes de Estações Meteorológicas de Superfície (EMS) do INMET, localizadas em seis municípios do Rio Grande do Sul: Bagé, Bento Gonçalves, Canela, Mostardas, Porto Alegre e Santa Maria. Os resultados indicaram que todas as metodologias foram capazes de reproduzir os padrões gerais de intensificação e enfraquecimento das rajadas. O novo método apresentou desempenho estável e menor tendência à superestimação. A cidade de Mostardas destacou-se negativamente devido à presença de convecção profunda, não captada pelas parametrizações baseadas exclusivamente na ECT. Os índices estatísticos (RMSE, BIAS e MAPE) confirmaram maior acurácia nas estimativas de rajadas de intensidade moderada, especialmente em regiões serranas. Os resultados reforçaram a viabilidade do uso da ECT como base física para estimativas de rajadas e indicaram o potencial do novo método proposto em ambientes atmosféricos complexos.
Downloads
Referências
Belušić, D., & Mahrt, L. (2012). Is geometry more universal than physics in atmospheric boundary layer flow? Journal of Geophysical Research: Atmospheres, 117(D9), D09115. https://doi.org/10.1029/2011JD016987American Meteorological Society Journals DOI: https://doi.org/10.1029/2011JD016987
Born, K., Ludwig, P., & Pinto, J. G. (2012). Wind gust estimation for Mid-European winter storms: Towards a probabilistic view. Tellus A: Dynamic Meteorology and Oceanography, 64, 17471. https://doi.org/10.3402/tellusa.v64i0.17471 DOI: https://doi.org/10.3402/tellusa.v64i0.17471
Cao, Y., & Fovell, R. G. (2016). Downslope windstorms of San Diego County. Part I: A case study. Monthly Weather Review, 144(2), 529–552. https://doi.org/10.1175/MWR-D-15-0147.1 DOI: https://doi.org/10.1175/MWR-D-15-0147.1
Castorrini, A., Gentile, S., Geraldi, E., & Bonfiglioli, A. (2023). Investigations on offshore wind turbine inflow modelling using numerical weather prediction coupled with local-scale computational fluid dynamics. Renewable and Sustainable Energy Reviews, 171, 113008. DOI: https://doi.org/10.1016/j.rser.2022.113008
Champagne, F. H., Friehe, C. A., LaRue, J. C., & Wyngaard, J. C. (1977). Flux measurements, flux estimation techniques, and fine-scale turbulence measurements in the unstable surface layer over land. Journal of the Atmospheric Sciences, 34(3), 515–530. https://doi.org/10.1175/1520-0469(1977)034<0515:FMFETA>2.0.CO;2SpringerLink+2ResearchGate+2Colab+2 DOI: https://doi.org/10.1175/1520-0469(1977)034<0515:FMFETA>2.0.CO;2
Chen, F., & Dudhia, J. (2001). Coupling an advanced land surface–hydrology model with the Penn State–NCAR MM5 modeling system. Part I: Model implementation and sensitivity. Monthly Weather Review, 129(4), 569–585. https://doi.org/10.1175/1520-0493(2001)129<0569:CAALSH>2.0.CO;2 DOI: https://doi.org/10.1175/1520-0493(2001)129<0569:CAALSH>2.0.CO;2
de Burgh-Day, C. O., & Leeuwenburg, T. (2023). Machine learning for numerical weather and climate modelling: A review. Geoscientific Model Development, 16(21), 6433–6472.
https://doi.org/10.5194/gmd-16-6433-2023 DOI: https://doi.org/10.5194/gmd-16-6433-2023
Degrazia, G. A., & Moraes, O. L. L. (1992). A model for eddy diffusivity in a stable boundary layer. Boundary-Layer Meteorology, 58(2), 205–214. https://doi.org/10.1007/BF02033824 DOI: https://doi.org/10.1007/BF02033824
Degrazia, G. A., Anfossi, D., Carvalho, J. C., Mangia, C., Tirabassi, T., & Velho, H. F. C. (2000). Turbulence parameterization for PBL dispersion models in all stability conditions. Atmospheric Environment, 34(22), 3575–3583. https://doi.org/10.1016/S1352-2310(00)00116-3 DOI: https://doi.org/10.1016/S1352-2310(00)00116-3
Degrazia, G. A., Anfossi, D., Velho, H. F. C., & Ferrero, E. (1998). A Lagrangian decorrelation time scale in the convective boundary layer. Boundary-Layer Meteorology, 86(3), 525–534. https://doi.org/10.1023/A:1000734626931SpringerLink+1Grafiati+1 DOI: https://doi.org/10.1023/A:1000734626931
Durran J. A. , D. R., & Caruana, R. (2020). Improving data-driven global weather prediction using deep convolutional neural networks on cubed spheres. Proceedings of the National Academy of Sciences of the United States of America, 117(48), 30059–30068. https://doi.org/10.1029/2020MS002109 DOI: https://doi.org/10.1029/2020MS002109
Gatzen, C. P. A historical overview on the science of derechos. Bulletin of the American Meteorological Society, v. 104, n. 10, p. 2013–2027, 2023. DOI: 10.1175/BAMS-D-22-0217.1. DOI: https://doi.org/10.1175/BAMS-D-22-0217.1
Gneiting, T., & Katzfuss, M. (2014). Probabilistic forecasting. Annual Review of Statistics and Its Application, 1(1), 125-151. DOI: https://doi.org/10.1146/annurev-statistics-062713-085831
Gonçalves, Layrson de Jesus Menezes et al. Evaluation of a High Resolution WRF Model for Southeast Brazilian Coast: The Importance of Physical Parameterization to Wind Representation. Atmosphere, v. 15, n. 5, p. 533, 2024. DOI: https://doi.org/10.3390/atmos15050533
Guerrero-Navarro, G. H., Martinez-Amaya, J., & Nieves, V. (2025). AI-driven ensemble forecasting of extreme wind gusts: Random Forest modeling and case studies from the western Mediterranean. Big Earth Data, 1-20. DOI: https://doi.org/10.1080/20964471.2025.2593745
Hanna, S. R. (1982). Applications in air pollution modeling. In F. T. M. Nieuwstadt & H. van Dop (Eds.), Atmospheric turbulence and air pollution modelling (pp. 275–310). Springer. https://doi.org/10.1007/978-94-010-9112-1_7 DOI: https://doi.org/10.1007/978-94-010-9112-1_7
Jahan, I., Schreck, J. S., Gagne, D. J., Becker, C., & Astitha, M. (2025). Uncertainty quantification of wind gust predictions in the northeast United States: An evidential neural network and explainable artificial intelligence approach. Environmental Modelling & Software, 193, 106595. https://doi.org/10.1016/j.envsoft.2025.106595 DOI: https://doi.org/10.1016/j.envsoft.2025.106595
Jones, A. R., Cetiner, O., & Smith, M. J. (2022). Physics and modeling of large flow disturbances: discrete gust encounters for modern air vehicles. Annual Review of Fluid Mechanics, 54(1), 469-493. DOI: https://doi.org/10.1146/annurev-fluid-031621-085520
Kurbatova, M., Rubinstein, K., Gubenko, I., & Kurbatov, G. (2018). Comparison of seven wind gust parameterizations over the European part of Russia. Advances in Science and Research, 15, 251–255. https://doi.org/10.5194/asr-15-251-2018 DOI: https://doi.org/10.5194/asr-15-251-2018
Lu, Z., Han, Y., Liu, Y., Liu, S., Tang, Y., Liu, Z., & Wei, J. (2022). An improvement of wind gust estimate (WGE) method for squall lines. Geomatics, Natural Hazards and Risk, 13(1), 993–1013. https://doi.org/10.1080/19475705.2022.2064773 DOI: https://doi.org/10.1080/19475705.2022.2064773
Mangia, C., Degrazia, G. A., & Rizza, U. (2000). An integral formulation for the dispersion parameters in a shear–buoyancy-driven planetary boundary layer for use in a Gaussian model for tall stacks. Journal of Applied Meteorology, 39(11), 1913–1922. https://doi.org/10.1175/1520-0450(2000)039<1913:AIFDTD>2.0.CO;2 DOI: https://doi.org/10.1175/1520-0450(2000)039<1913:AIFFTD>2.0.CO;2
Mathias, L.; Ludwig, P.; Pinto, J. G. Synoptic-scale conditions and convection-resolving hindcast experiments of a cold-season derecho on 3 January 2014 in western Europe. Natural Hazards and Earth System Sciences, v. 19, p. 1023–1040, 2019. DOI: 10.5194/nhess-19-1023-2019. DOI: https://doi.org/10.5194/nhess-19-1023-2019
Mohammadi, Mohammad Hesam et al. Wind gust forecasting by post-processing the WRF model outputs using ANN. Dynamics of Atmospheres and Oceans, v. 105, p. 101425, 2024. DOI: https://doi.org/10.1016/j.dynatmoce.2023.101425
Piotrowski, P., Rutyna, I., Baczyński, D., & Kopyt, M. (2022). Evaluation metrics for wind power forecasts: A comprehensive review and statistical analysis of errors. Energies, 15(24), 9657. DOI: https://doi.org/10.3390/en15249657
Rafei, M., Sherwood, S., Evans, J., & Dowdy, A. (2023). Analysis and characterisation of extreme wind gust hazards in New South Wales, Australia. Natural Hazards, 117(1), 875-895. DOI: https://doi.org/10.1007/s11069-023-05887-1
Rasp, S., Dueben, P. D., Scher, S., Weyn, J. A., Mouatadid, S., & Thuerey, N. (2020). WeatherBench: A benchmark dataset for data-driven weather forecasting. Proceedings of the National Academy of Sciences of the United States of America, 117(42), 25919–25925. https://doi.org/10.1029/2020MS002203 DOI: https://doi.org/10.1029/2020MS002203
Reboita, M. S., Mattos, E. V., Capucin, B. C., Souza, D. O. D., & Ferreira, G. W. D. S. (2024). A multi-scale analysis of the extreme precipitation in southern Brazil in April/May 2024. Atmosphere, 15(9), 1123. DOI: https://doi.org/10.3390/atmos15091123
Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J., Carvalhais, N., & Prabhat. (2019). Deep learning and process understanding for data-driven Earth system science. Nature, 566(7743), 195–204. https://doi.org/10.1038/s41586-019-0912-1 DOI: https://doi.org/10.1038/s41586-019-0912-1
Schreur, B. W., & Geertsema, G. (2008). Theory for a TKE based parameterization of wind gusts. HIRLAM Newsletter, 54, 177–188. https://www.researchgate.net/publication/242591870_Theory_for_a_TKE_based_parametrization_of_wind_gustsOUCI+5ResearchGate+5ResearchGate+5
Sheridan, P. (2011). Review of techniques and research for gust forecasting and parameterization. Forecasting Research Technical Report, 570. https://www.researchgate.net/publication/268744498_Review_of_techniques_and_research_for_gust_forecasting_and_parameterisationResearchGate
Sorbjan, Z. (1989). Structure of the atmospheric boundary layer. Prentice Hall.
Suomi, I., & Vihma, T. (2018). Wind gust measurement techniques—From traditional anemometry to new possibilities. Sensors, 18(4), 1300. DOI: https://doi.org/10.3390/s18041300
Trassante, F. C, de Freitas, R. A. P., Nedel, A. S., Machado, R. M., de Medeiros, M. A. F., da Silva Lindemann, D., & Alonso, M. F. (2024). Analysis of thermal discomfort associated with synoptic conditions in the city of Pelotas, southernmost region of Brazil. International Journal of Biometeorology, 68(3), 463–477. DOI: https://doi.org/10.1007/s00484-023-02604-2
Weyn, J. A., Durran, D. R., & Caruana, R. (2020). Improving data-driven global weather prediction using deep convolutional neural networks on cubed spheres. Proceedings of the National Academy of Sciences of the United States of America, 117(48), 30059–30068. DOI: https://doi.org/10.1002/essoar.10502543.2
https://doi.org/10.1073/pnas.2005535117
Wilson, J. D., & Sawford, B. L. (1996). Review of Lagrangian stochastic models for trajectories in the turbulent atmosphere. Boundary-layer meteorology, 78(1), 191-210. DOI: https://doi.org/10.1007/BF00122492
WMO (2023). Guide to Instruments and Methods of Observation (WMO-No. 8, Volume II).
Yan, Bowen et al. Characterization of wind gusts: a study based on meteorological tower observations. Applied Sciences, v. 12, n. 4, p. 2105, 2022. DOI: https://doi.org/10.3390/app12042105
Zhou, L., Zhang, D., Zhang, L., & Zhu, J. (2024). Dynamic Gust Detection and Conditional Sequence Modeling for Ultra-Short-Term Wind Speed Prediction. Electronics, 13(22), 4513. DOI: https://doi.org/10.3390/electronics13224513
Zulfikar, M. R., Abdillah, M. R., & Sarli, P. W. (2023). Wind gust parameterization assessment under convective and non-convective events: A case study at the Kertajati International Airport. Jurnal Ilmu Fisika, 15(2), 175–187. DOI: https://doi.org/10.25077/jif.15.2.175-187.2023
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 1969 Me. Lucas Berna, Dr. Jonas da Costa Carvalho, Dra. Rose Ane Pereira de Freitas, Dr. Marcelo Felix Alonso
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam na Revista Brasileira de Geografia Física concordam com os seguintes termos:
Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0) que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (exemplo: depositar em repositório institucional ou publicar como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
Autores têm permissão para disponibilizar seu trabalho online antes ou durante o processo editorial, em redes sociais acadêmicas, repositórios digitais ou servidores de preprints. Após a publicação na Revista Brasileira de Geografia Física, os autores se comprometem a atualizar as versões preprint ou pós-print do autor, nas plataformas onde foram originalmente disponibilizadas, informando o link para a versão final publicada e outras informações relevantes, com o reconhecimento da autoria e da publicação inicial nesta revista.
Qualquer usuário tem direito de:
Compartilhar — copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial.
Adaptar — remixar, transformar e criar a partir do material para qualquer fim, mesmo que comercial.
O licenciante não pode revogar estes direitos desde que você respeite os termos da licença.
De acordo com os termos seguintes:
Atribuição — Você deve dar o crédito apropriado, prover um link para a licença e indicar se mudanças foram feitas. Você deve fazê-lo em qualquer circunstância razoável, mas de nenhuma maneira que sugira que o licenciante apoia você ou o seu uso.
Sem restrições adicionais — Você não pode aplicar termos jurídicos ou medidas de caráter tecnológico que restrinjam legalmente outros de fazerem algo que a licença permita.
