Assessment of employing different cloud cover data sources to model the Brazilian solar energy potentiality

Emerson D. Oliveira; Thomás Rocha  Ferreira; Carlos Denyson da Silva Azevedo; Mario de Miranda Vilas Boas Ramos Leitão; Maria Luciene Melo

doi:10.5327/Z2176-94782451

Autores

Emerson D. Oliveira Universidade Federal do Vale do São Francisco (UNIVASF) - Brasil https://orcid.org/0000-0003-1257-2586
Thomás Rocha Ferreira Universidade Federal de Alagoas (UFAL) - Brasil https://orcid.org/0000-0002-9203-0068
Carlos Denyson da Silva Azevedo Instituto Nacional de Pesquisas Espaciais (INPE) - Brasil https://orcid.org/0009-0005-5467-3870
Mario de Miranda Vilas Boas Ramos Leitão Universidade Federal do Vale do São Francisco (UNIVASF) - Brasil https://orcid.org/0000-0003-0179-0115
Maria Luciene Melo Universidade Federal de Alagoas (UFAL) - Brasil https://orcid.org/0000-0001-8388-4240

DOI:

https://doi.org/10.5327/Z2176-94782451

Palavras-chave:

cobertura de nuvens; radiação solar; dados de reanálise; dados de satélite; modelos do CMIP6.

Resumo

Um modelo simplificado de transmitância atmosférica baseado na lei de Beer-Lambert foi utilizado para analisar a variabilidade da radiação solar de superfície (SSR) com base em diferentes fontes de dados de cobertura de nuvens (CMIP6, ERA5, NCEP, ISCCP e EUMETSAT). Este estudo avaliou o desempenho de diversos conjuntos de dados modelados de SSR em comparação com dados observados do Brazilian Daily Weather Gridded Data (BR-DWGD) no período de 1983 a 2009. Gráficos de contorno da média anual de SSR dos cinco conjuntos de dados modelados foram comparados com as observações do BR-DWGD, revelando concordâncias e discrepâncias espaciais. Os maiores valores de SSR foram consistentemente observados no semiárido do nordeste brasileiro, enquanto a região amazônica apresentou os menores valores. Na análise das médias anuais, o Projeto Internacional de Climatologia de Nuvens por Satélite (ISCCP) demonstrou a maior concordância com o BR-DWGD, enquanto o Centro Nacional de Previsão Ambiental (NCEP) apresentou os desvios mais significativos. A análise do erro quadrático médio (RMSE) destacou a variabilidade sazonal no desempenho dos modelos, com o Projeto de Intercomparação de Modelos Acoplados Fase 6 (CMIP6) e a Organização Europeia para a Exploração de Satélites Meteorológicos (EUMETSAT) apresentando os melhores resultados durante os equinócios, e o ISCCP exibindo o menor RMSE anual (16,9 Wm⁻²). O agrupamento hierárquico em seguida classificou o EUMETSAT e o CMIP6 como os conjuntos de dados mais semelhantes e precisos, enquanto o NCEP permaneceu como o menos consistente. Mapas de irradiância global horizontal corroboraram os padrões de SSR, com valores mais altos no nordeste e mais baixos nas regiões da Amazônia e do sul. Esses resultados reforçam a importância da seleção do conjunto de dados para uma modelagem precisa da SSR no Brasil, com o ISCCP, EUMETSAT e CMIP6 emergindo como as opções mais confiáveis.

Downloads

Não há dados estatísticos.

Referências

Berger, A., 1978. Long-term variations of daily insolation and Quaternary. Journal of Atmospheric Sciences, v. 35 (12), 2362-2367. https://doi.org/10.1175/1520-0469(1978)035<2362:LTVODI>2.0.CO;2.

Bird, R.; Riordan, C., 1986. Simple solar spectral model for direct and diffuse irradiance on horizontal and tilted planes at the earth’s surface for cloudless atmospheres. Journal of Applied Meteorology and Climatology, v. 25 (1), 87-97. https://doi.org/10.1175/1520-0450(1986)025<0087:SSSMFD>2.0.CO;2.

Bird, R.E.; Hulstrom, R.L., 1981. A Simplified Clear Sky Model for Direct and Diffuse Insolation on Horizontal Surfaces. Tr-642-761. Solar Energy Research Institute (SERI)—US Department of Energy, Golden, CO. http://dx.doi.org/10.2172/6510849.

Chakraborty, T.; X. Lee., 2021. Large differences in diffuse solar radiation among current-generation reanalysis and satellite-derived products. Journal of Climate, v. 34 (16), 6635-6650. https://doi.org/10.1175/JCLI-D-20-0979.1.

Collins, M.R.; Knutti, J.; Arblaster, J.-L.; Dufresne, T.; Fichefet, P.; Friedlingstein, X.; Gao, W.J.; Gutowski, T.; Johns, G.; Krinner, M.; Shongwe, C.; Tebaldi, A.J.; Weaver, A. J.; Wehner, M., 2013. Long-term Climate Change: Projections, Commitments and Irreversibility. In: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker, T.F.; D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex and P.M. Midgley (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. https://doi.org/10.1017/CBO9781107415324.024.

Danso, D.K.; Anquetin, S.; Diedhiou, A.; Lavaysse, C.; Hingray, B.; Raynaud, D.; Kobea, A.T., 2022. A CMIP6 assessment of the potential climate change impacts on solar photovoltaic energy and its atmospheric drivers in West Africa. Environmental Research Letters, v. 17. https://doi.org/10.1088/1748-9326/ac5a67.

Dubey, S.; Sarvaiya, J.N.; Seshadri, B., 2013. Temperature Dependent Photovoltaic (PV) efficiency and its effect on PV production in the world – a review. Energy Procedia, v. 33, 311-321. https://doi.org/10.1016/j.egypro.2013.05.072.

Free, M.; Sun, B.; Yoo, H.L., 2016. Comparison between total cloud cover in four reanalysis products and cloud measured by visual observations at U.S. weather stations. Journal of Climate, v. 29 (6), 2015-2021. https://doi.org/10.1175/JCLI-D-15-0637.1.

Ha, S.; Zhou, Z.; Im, E-S.; Lee, Y-M., 2023. Comparative assessment of future solar power potential based on CMIP5 and CMIP6 multi-model ensembles. Renewable Energy, v. 206, 324-335. https://doi.org/10.1016/j.renene.2023.02.039.

Isaza, A.; Kay, M.; Evans, J.P.; Prasad, A,; Bremner.; S., 2023. Maximizing photovoltaic potential and minimizing costs in a future warmer climate: the role of atmospheric aerosols and greenhouse gas emissions. Renewable Energy, v. 219 (Part 2), 119561. https://doi.org/10.1016/j.renene.2023.119561.

Martins, F.R.; Abreu, S.L.; Pereira, E.B., 2012. Scenarios for solar thermal energy applications in Brazil, Energy Policy. v. 48, 640-649. https://doi.org/10.1016/j.enpol.2012.05.082.

Nwokolo, S.C.; Ogbulezie, J.C.; Ushie, O.J., 2023. A multi-model ensemble-based CMIP6 assessment of future solar radiation and PV potential under various climate warming scenarios. Optik, v. 285, 170956. https://doi.org/10.1016/j.ijleo.2023.170956.

Oliveira, E.D., 2023. Daily INSOLation (DINSOL-v1.0): an intuitive tool for classrooms and specifying solar radiation boundary conditions. Geoscientific Model Development, v. 16 (9), 2371-2390. https://doi.org/10.5194/gmd-16-2371-2023.

Oliveira, E.D.; Fernandez, J.H., 2020. Um novo modelo climático simplificado: global resolved energy balance with galactic cosmic rays (GREB-GCR) theory. Revista Brasileira de Geografia Física, v. 13 (2), 842-854. https://doi.org/10.26848/rbgf.v13.2.p842-854.

Oliveira, E.D.; Fernandez, J.H.; Mendes, D.; Spyrides, M.H.C.; Gonçalves, W.A., 2019. Validação de um modelo climático simplificado adaptado para simular os efeitos do aumento da concentração de CO2 associados à teoria dos raios cósmicos galácticos (Validation of a simplified climate model adapted to simulate the effects of increased CO2 concentration associated with the galactic cosmic rays theory). Revista Brasileira de Geografia Física, v. 12 (3), 768-778. https://doi.org/10.26848/rbgf.v12.3.p768-778.

Pereira, E.B.; Martins, F.R.; Gonçalves, A.R.; Costa, R.S.; Lima, F.L.; Rüther, R.; Abreu, S.L de.; Tiepolo, G.M.; Pereira, S.V.; Souza, J.G., 2017. Atlas Brasileiro de Energia Solar. 2. ed. INPE, São José dos Campos, 80 p. https://doi.org/10.34024/978851700089.

Silva, O.A.V.O.L.; Moita Neto, J.M.; Lira, M.A.T.; Morais, F.H.M., 2021. Expansion of photovoltaic systems in multicampi higher education institutions: evaluation and guidelines. Revista Brasileira de Ciências Ambientais (RBCIAMB), v. 56 (4), 697-709. https://doi.org/10.5327/Z217694781009.

Souza, R.M.A.; Leitão, M.V.B.R.; Oliveira, G.M.; Oliveira, E.D.; Correia, L.T., 2021. Demanda hídrica e adubação orgânica no cultivo protegido de pimentão na região norte da Bahia. Irriga, v. 26 (4), 787-800. https://doi.org/10.15809/irriga.2021v26n4p787-800.

Vunnam, S.; VanithaSri, M.; RamaKoteswaraRao, A., 2021. Performance analysis of mono crystalline, poly crystalline and thin film material based 6 × 6 T-C-T PV array under different partial shading situations. Optik, v. 248, 168055. https://doi.org/10.1016/j.ijleo.2021.168055.

Wang, Z.; Lin, L.; Xu,Y.; Che, H.; Zhang, X.; Zhang, H.; Dong, W.; Wang, C.; Gui, K.; Xie, B., 2021. Incorrect Asian aerosols affecting the attribution and projection of regional climate change in CMIP6 models. npj Climate and Atmospheric Science. v. 4 (2). https://doi.org/10.1038/s41612-020-00159-2.

Wild, M.; Folini, D.; Henschel, F.; Fischer, N.; Müller, B., 2015. Projections of long-term changes in solar radiation based on CMIP5 climate models and their influence on energy yields of photovoltaic systems, Solar Energy, v. 116, 12-24. https://doi.org/10.1016/j.solener.2015.03.039.

Wild, M.; Gilgen, H.; Roesch, A.; Ohmura, A.; Long, C.N.; Dutton, E.G.; Forgan, B.; Kallis, A.; Russak, V.; Tsvetkov, A., 2005. From Dimming to Brightening: Decadal Changes in Solar Radiation at Earth's Surface. Science, v. 308 (5723), 847-850. https://www.science.org/doi/10.1126/science.1103215.

Wu, H.; Xu, X.; Luo, T.; Yang, Y.; Xiong, Z.; Wang, Y., 2023. Variation and comparison of cloud cover in MODIS and four reanalysis datasets of ERA-interim, ERA5, MERRA-2 and NCEP, Atmospheric Research, v. 281, 106477. https://doi.org/10.1016/j.atmosres.2022.106477.

Xavier, A.C.; Scanlon, B.R.; King, C.W.; Alves, A.I., 2022. New improved Brazilian daily weather gridded data (1961–2020). International Journal of Climatology, v. 42 (16), 8390-8404. https://doi.org/10.1002/joc.7731.