Variabilidad y predictibilidad del viento a escala regionalModelos dinámico y estadístico sobre terreno complejo

  1. Hidalgo, Angela 1
  2. Jiménez, P.A. 2
  3. García Bustamante, Elena 2
  4. Lucio Eceiza, E.E.
  5. Navarro, Jorge 3
  6. Montávez, J.P 4
  7. González Rouco, J.F.
  1. 1 Global Forecasters S.L., 28806, Alcalá de Henares, Madrid, España
  2. 2 Grupo Palma. Dpto. de Astrofísica y CC. de la Atmósfera. 28040, Madrid, España. División de Energías Renovables, CIEMAT. 28040, Madrid, España
  3. 3 División de Energías Renovables, CIEMAT. 28040, Madrid, España.
  4. 4 Departamento de Física. Universidad de Murcia, 30071, Murcia, España
Mostrar afiliaciones +
Revista:
Acta de las Jornadas Científicas de la Asociación Meteorológica Española

ISSN: 2605-2199

Año de publicación: 2010

Título del ejemplar: XXXI Jornadas Científicas de la AME y el 11º Encuentro hispano-luso de Meteorología

Número: 31

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Acta de las Jornadas Científicas de la Asociación Meteorológica Española

Resumen

Entender y predecir la variabilidad del campo de viento en superficie ofrece numerosos aspectos de interés científico. Además, no son pocas las aplicaciones de carácter socioeconómico asociadas, relevantes también en el ámbito de estudios de impacto sobre ecosistemas. Cabe citar como ejemplo qué posibles cambios en la variabilidad del viento a escala regional, como respuesta a la evolución del clima global, podrían conllevar diversas implicaciones en la gestión y análisis de la sostenibilidad del recurso eólico (Pryor et al., 2005).La variabilidad del viento en superficie aumenta con la complejidad del terreno debido a los forzamientos dinámicos y térmicos generados por la orografía y su interacción con la dinámica y radiación atmosférica (Whiteman, 2000). Esto hace que sea necesario disponer de un gran número de observaciones para proporcionar una representación realista del campo de viento, lo que, sin embargo, no es muy habitual. Esta limitación de las regiones de terreno complejo puede ser paliada a través de simulaciones numéricas. Los modelos de circulación general (MCG) no resultan adecuados, dada su limitada resolución espacial, para entender la variabilidad del clima en escalas regionales o locales. De esta limitación surge la necesidad de aplicar técnicas apropiadas de aumento de resolución espacial, o técnicas de downscaling (Von Storch and Zwiers, 1999), de las que se deriven estimaciones fiables de las variables climáticas de interés a escala regional y que sean consistentes con los forzamientos sinópticos proporcionados por los MCG. Estas técnicas pueden ser de carácter dinámico (modelos mesoscalares o regionales, MCRs; Pielke, 1985) o bien de carácter estadístico (Zorita et al., 1999). Ambos enfoques presentan tanto ventajas como inconvenientes. Por ejemplo, cuando se trata de simular el campo de viento durante un período largo, las técnicas estadísticas resultan más eficientes por su bajo coste computacional en comparación con los MCRs. Estos últimos reproducen los procesos físicos responsables de las variaciones del campo de viento de una manera consistente ya que resuelven las ecuaciones fundamentales de la dinámica atmosférica. Además, los modelos dinámicos proporcionan mayor cobertura espacial que los métodos estadísticos ya que éstos últimos sólo proporcionan estimaciones en los emplazamientos donde existen observaciones.  La combinación de ambos tipos de estrategias permite un análisis más completo del comportamiento del viento a escala regional.

Referencias bibliográficas

  • Allan, R. and Ansell, T. , " A new globally complete monthly historical gridded mean sea level pressure dataset (HadSLP2)": 18502004, J. Climate, 19, 5816-5842.
  • Barbour, P. and S. Walker. "Wind resource evaluation: Eola hills". Technical report, Energy Resources Research Laboratory. Department of Mechanical Engineering. Oregon State University, Corvallis, OR 97331. 2008.
  • Barnett, T. P. and R. Preisendorfer, "Origins and levels of monthly and seasonal forecast skill for the United States surface air temperatures determined by Canonical Correlation Analysis". Mon. Wea. Rev., 115, 1825–1850, 1987.
  • de Pedraza, L. G.. La prediccion del Tiempo en el Valle del Ebro. Technical Report Serie a. Technical Report 38, INM. 1985.
  • Fovell, R. G. and Fovell, M. C., "Climate Zones on the Conterminous United States Defined Using Cluster Analysis", J. Climatol. , 6, 21032135, 1993.
  • García-Bustamante, E., J.F. GonzálezRouco, P.A. Jiménez, J. Navarro y J.P. Montávez. ”A comparison of methods for monthly wind energy estimation”. Wind Energy. 12, 640-659, doi: 10.1002/er-315, 2009.
  • García-Bustamante, E., J. F. GonzálezRouco, J. Navarro, E. Xoplaki, P. A. Jimenez and J. P. Montavez. North Atlantic atmospheric circulation and surface wind in the Northeast of the Iberian Peninsula: uncertainty and long term downscaled variability. Clim. Dyn., Under review. 2010
  • García-Bustamante, E. "Estimación estadística del viento en superficie y de la energía eólica en una región de terreno complejo". Tesis, 2010.
  • González-Rouco, J. F., H. Heyen, E. Zorita y F. Valero. “Agreement between observed rainfall trends and climate change simulations in the southwest of Europe”. J. Climate, 13, 3057–3065, 2000.
  • Green, M., R. G. Flocchini, and L. O. Myrup, 1993: Use of Temporal Principal Components Analysis to Determine Seasonal Periods. J. Appl. Meteor. , 32 , 986-995.
  • Grell, G. A., J. Dudhia, and D. R. Stauffe, 1994: A description of the fifth-generation Penn State/NCAR mesoscale model (MM5). Technical report, NCAR.
  • Hegerl, G., Crowley, T., Hyde, W., y Frame, D., “Climate sensitivity constrained by temperature reconstructions over the past seven centuries”, Nature, 440, 1029–1032, 2006.
  • Jiménez, P.A., J. F. González-Rouco, J. P. Montávez, J. Navarro y F. Valero. ”Regionalización del campo de viento en superficie en terreno complejo”. AME, 2006.
  • Jiménez, P.A., J. F. González-Rouco, J.P. Montávez, J. Navarro, E. García-Bustamante y F. Valero. ”Wind surface regionalization in a complex terrain region”. J. Appl Meteorol. Climatol., 48, 308325, doi: 10.1175/2007JAMC1483.1, 2008.
  • Jiménez, P.A., J. F. González-Rouco, J. P. Montávez, E. García-Bustamante y J. Navarro. ”Regionalización del campo de viento en superficie en terreno complejo: evaluación del modelo WRF”. AME, 2009a.
  • Jiménez, P.A. J.F. González-Rouco, J.P. Montávez, E. García-Bustamante y J. Navarro. “Climatology of wind patterns in the Northeast of the Iberian Peninsula”. Int. J. Climatol., 29, 501525, doi: 10.1002/joc.1705, 2009b.
  • Jiménez, P.A. J.F. González-Rouco, E. García-Bustamante, J. Navarro, J.P. Montávez, J. Vilá-Guerau de Arellano, J. Dudhia y A. MuñozRoldán. ”Surface wind regionalization over complex terrain: evaluation and analysis of a high resolution WRF numerical simulation. J. App. Meteor. Climatol., 49, 268-287, 2010a.
  • Jiménez, P.A. J.F. González-Rouco, J. Navarro, J.P. Montávez, E. García-Bustamante. "Quality assurance of surface wind observations from automated weather stations". Journal of Atmospheric and Oceanic Technology, 27, 11011122, 2010b.
  • Jiménez, P.A. "Analysis of surface wind over complex terrain: A dynamical downscaling study with the WRF model". Tesis. 2009
  • Luterbacher, J., Xoplaki, E., Dietrich, D., Rickli, R., Jacobeit, J., Beck, C., Gyalistras, D., Schumutz, C., and Wanner, H., "Sea level pressure fields over the eastern North Atlantic and Europe back to 1500, Clim. Dyn., 18, 545-561, 2002.
  • Pielke, R. A., "The use of mesoscale numerical models to assess wind distribution and boundary-layer structure in complex terrain". Bound. Layer Meteorol. , 31 , 217-231. 1985.
  • Pryor, S., Schoof, J., y Barthelmie, R. J., “Climate change impacts on wind speeds and wind energy density in northern Europe: empirical downscaling of multiple AOGCMs”, Clim. Res., 29, 183–198, 2005.
  • Richman, M. B., "Rotation of principal components", J. Climatol., 6 , 293-335, 1986.
  • Skamarock, W. C., J. B. Klemp, J. Dudhia, D. O. Gill, D. M. Barker, W. Wang, y J. G. Powers, “A description of the advanced research WRF
  • Version 2”. Technical Report TN-468+STR, NCAR, 2005.
  • Trenberth, K., and Paolino, D., The northern hemisphere sea level pressure dataset: Trends, errors and discontinuities, Mon. Wea. Rev., 108, 856-872, 1980.
  • Von Storch, H. and F. Zwiers. Statistical analysis in climate research . Cambridge University Press. 1999.
  • Von Storch, H., H. Langerberg, and F. Feser. A spectral nudging technique for dynamical down-scaling purposes. Mon. Wea. Rev., 128, 36643673. 2000.
  • Weber, R. O. and P. Kaufmann, 1995: Automated classification scheme for wind fields. J. Appl. Meteor. , 78 , 1133-1141.
  • Whiteman, C. D., Mountain Meteorology: Fundamentals and Applications , Oxford University Press, 2000.
  • Xoplaki, E., J. González-Rouco, D. Gyalistras, J. Luterbacher, R. Rickli, and H. Wanner. Interannual summer air temperature variability over Greece and its connection to the large-scale atmospheric circulation and Mediterranean SSTs 1950-1999. Clim. Dyn. , 20 , 537-554. 2003
  • Zorita, E. and H. von Storch, "The analog method-a simple statistical downscaling technique: comparison with more complicated methods". J. Climate 12: 2474-2489, 1999.
Fuente de los datos: Dialnet