Improving Reanalysis Hub-Height Wind Speeds and Wind Shear Across Large Spatial Domains Using Near-Surface Observational Networks

Resumo Técnico: Melhoria das Velocidades de Vento de Altura de Cubo de Reanálise em Grandes Domínios Espaciais

Declaração do Problema
Dados precisos de velocidade do vento de longo prazo na altura do cubo das turbinas (tipicamente 80–100 m) são essenciais para a avaliação de recursos eólicos. No entanto, dados observacionais diretos nessas elevações são escassos devido ao alto custo de manutenção de torres meteorológicas altas. Embora os produtos de reanálise, como o ERA5, forneçam dados consistentes e de longo prazo de velocidade do vento em múltiplas alturas, sua resolução espacial grosseira e parametrizações simplificadas de processos de subgrade (como complexidade de terreno e convecção) frequentemente levam a vieses, particularmente em topografias complexas.

As abordagens existentes de aprendizado de máquina (ML) para corrigir dados de reanálise geralmente dependem do treinamento em locais onde existem observações de altura de cubo. Isso limita sua aplicabilidade a locais não amostrados ou grandes domínios onde esses dados não estão disponíveis. Além disso, a extrapolação vertical dos ventos próximos à superfície para a altura do cubo frequentemente depende de suposições simplificadas (ex: estabilidade neutra) ou da Teoria de Semelhança de Monin–Obukhov (MOST), que requer dados de fluxo superficial ou perfis de vento/temperatura em duas alturas — dados raramente disponíveis em redes extensas. O desafio é desenvolver um framework que melhore as estimativas de velocidade do vento na altura do cubo sobre grandes domínios espaciais usando apenas observações meteorológicas de superfície amplamente disponíveis.

Metodologia
Os autores propõem um novo framework de Aprendizado de Máquina, a Rede Neural Informada pela Lei de Potência (POWLIN), projetada para corrigir simultaneamente as velocidades do vento do ERA5 a 100 m e prever o expoente de cisalhamento do vento (WSE) entre 10 m e 100 m.

• Fontes de Dados:

  • Dados de Treinamento: O modelo utiliza observações de superfície rotineiras (velocidade do vento a 10 m) das redes da Environment and Climate Change Canada (ECCC) e do US Automated Surface Observing System (US-ASOS). Para restringir o aprendizado do cisalhamento do vento, o framework incorpora WSEs derivados de MOST calculados a partir do Oklahoma Mesonet (OKM), que fornece perfis de temperatura e vento de alta frequência em múltiplas alturas.
  • Dados de Avaliação: O Tall Tower Dataset (TALLDB), contendo observações de vento de múltiplas alturas de mais de 250 estações globais, é usado para validação independente.
  • Preditores: O modelo ingere variáveis meteorológicas do ERA5 (vento a 10 m e 100 m, altura da camada limite, pressão de superfície, temperatura a 2 m), características de terreno local (comprimento de rugosidade média por setor, desvio padrão da inclinação em múltiplas escalas) e características temporais.

• Arquitetura do Modelo e Função de Perda:

  • A arquitetura é um modelo de aprendizado profundo sequência-para-sequência baseado em Atenção de Múltiplas Cabeças (MHA).
  • Função de Perda Composta: A inovação central é a integração do perfil de vento de lei de potência na função de perda. O modelo prevê duas saídas: um fator de correção ($CF_{100m}$) para as velocidades do vento do ERA5 a 100 m e um expoente de cisalhamento do vento ($\alpha$).
  • A perda primária minimiza o erro entre o vento observado a 10 m e o vento a 100 m do modelo extrapolado verticalmente (corrigido por $CF_{100m}$ e $\alpha$).
  • Um termo de perda auxiliar minimiza o erro entre o $\alpha$ previsto e o WSE derivado de MOST das estações OKM. Um procedimento de mascaramento garante que esta perda auxiliar seja aplicada apenas onde os dados OKM existem, permitindo que o modelo aprenda com a rede densa de 10 m enquanto é restringido pelos dados esparsos de cisalhamento.
  • Regularização: Para evitar o overfitting aos dados ruidosos de alvo de WSE derivados de MOST, a variabilidade diária do WSE é representada usando formas funcionais compactas (polinômios de Chebyshev, séries de Fourier ou uma função Logística Dupla), em vez de prever valores independentes para cada hora.

• Comparações de Baseline:

  • ERA5: Dados de reanálise não ajustados.
  • CF10m: Um modelo de ML corrigindo apenas o vento a 10 m, extrapolado para a altura do cubo usando o WSE derivado do ERA5.
  • POWLIN-2L: Uma abordagem de duas camadas aprendendo o cisalhamento entre 10–40 m (usando alvos de MOST) e usando o cisalhamento do ERA5 para 40–100 m.

Principais Resultados

• Desempenho Próximo à Superfície: A 10 m, os frameworks de ML geralmente melhoraram o desempenho do ERA5 através das redes ECCC, OKM e US-ASOS. A configuração CF10m mostrou o maior melhoria a 10 m, provavelmente devido a um processo de otimização mais simples comparado à perda composta do POWLIN.
• Desempenho na Altura do Cubo: Quando avaliado contra estações TALLDB (10–100 m), o POWLIN-1L (aprendendo o cisalhamento em todo o intervalo 10–100 m) superou outras configurações, particularmente na faixa de 40–100 m e sob condições atmosféricas estáveis.
  • O POWLIN-1L reduziu o Desvio Absoluto Mediano (MAD) e o Erro Quadrático Médio (RMSE) em comparação ao ERA5.
  • Melhorou a variabilidade temporal (RMSE Centrado) das velocidades do vento em alturas de cubo, enquanto o CF10m (que depende do cisalhamento do ERA5 para extrapolação) frequentemente deteriorou a correlação temporal em elevações mais altas.
• Predição de Cisalhamento do Vento: Os WSEs previstos por ML geralmente superaram os valores derivados do ERA5. As representações funcionais compactas (Chebyshev, DLogistic, Fourier) produziram expoentes de cisalhamento mais precisos do que a abordagem "Full 24h" não restrita, demonstrando que impor restrições físicas ao ciclo diurno ajuda a regularizar o modelo.
• Generalização: O framework generalizou-se com sucesso para locais não vistos, incluindo aqueles em terrenos complexos (ex: locais NWTC), corrigindo vieses sistemáticos como a subestimação em zonas de aceleração orográfica e a superestimação em áreas de alta rugosidade.

Significância e Alegações
O artigo afirma oferecer uma solução prática e escalável para melhorar as estimativas de velocidade do vento na altura do cubo a partir de dados de reanálise sobre grandes domínios espaciais (escala continental). Sua principal significância reside em:

1. Eficiência de Dados: Ele alcança correções de altura de cubo usando apenas variáveis meteorológicas de superfície (vento a 10 m) para treinamento, contornando a necessidade de uma rede densa de torres altas.
2. Consistência Física: Ao incorporar o perfil de lei de potência na função de perda e utilizar o cisalhamento derivado de MOST como uma restrição, o modelo aprende relações fisicamente consistentes entre terreno, estabilidade e cisalhamento do vento.
3. Saída Dupla: O framework melhora simultaneamente as estimativas de velocidade do vento e fornece expoentes de cisalhamento do vento mais precisos do que os produtos de reanálise padrão, o que é crítico para a avaliação de recursos eólicos.
4. Robustez: O uso de formas funcionais compactas para o expoente de cisalhamento evita o overfitting a dados alvo ruidosos, permitindo que o modelo se generalize efetivamente para diversos regimes climáticos e topográficos na América do Norte.

Os autores concluem que, embora o framework atual dependa do ERA5, a metodologia é transferível para outros conjuntos de dados de reanálise ou de alta resolução, desde que observações de superfície estejam disponíveis. Sugere-se que trabalhos futuros incorporem dados de treinamento adicionais de redes diversas (ex: estado de Nova York) e validem contra dados operacionais de parques eólicos.