Área de Estudo

---

xxxxxxx

Metodologia

---

O projeto ROAD-BESM consiste no refinamento de dados climáticos (ex. reanálises do CFSR) em dados de maior resolução por meio de processos de redução de escala, com o objetivo de avaliar o efeito da inundação e erosão costeira em ecossistemas costeiros com boa precisão. Dados atmosféricos de alta resolução serão utilizados para obter dados de alta resolução de ondas, tempestades e descargas de rios por meio de modelagem numérica. Por fim, esses três componentes permitirão estimar a inundação/erosão costeira levando em consideração o efeito das mudanças climáticas.

Três métodos diferentes foram propostos na literatura para o refinamento de dados:

1. Refinamento dinâmico: consiste no uso de modelos numéricos para simular processos atmosféricos, oceânicos e costeiros em grades refinadas, usando os dados de vento de reanálise como entrada. Esta é a abordagem mais acurada, porém exige batimetria de alta resolução e alto custo computacional, o que pode ser importante nos casos em que grandes séries temporais precisam ser representadas;
2. Refinamento estatístico: Consiste em relacionar diretamente os dados globais e locais por meio de relações estatísticas (empíricas) obtidas com conjunto de dados. Este método tem como vantagem a fácil aplicação e o baixo custo computacional. Por outro lado, resulta em menor precisão se comparado aos resultados obtidos pela forma dinâmica. Mesmo assim, em áreas onde a informação batimétrica é limitada, a abordagem estatística pode dar melhores resultados do que a dinâmica;
3. Refinamento híbrido: A última opção é o uso de métodos de refinamento híbrido. Nesta abordagem, uma parte representativa do conjunto de dados original é selecionada e reduzida dinamicamente. O conjunto de dados é então usado para obter funções empíricas que permitirão reduzir o resto do conjunto de dados. Esta abordagem permite maior precisão do que o método estatístico, mas ainda exige menos esforço computacional que a abordagem dinâmica.

Considerando os dados globais disponíveis para o Sul do Brasil, foram estabelecidas três maneiras possíveis de avaliar as inundações costeiras por meio da análise de redução de escala no Projeto ROAD-BESM:

X

Opção 1 (setas vermelhas no fluxograma):

A primeira opção é o uso de bancos de dados globais de ondas, gerados por modelos numéricos e reanálise atmosférica, e disponibilizados de forma online (ou seja, NOAA, CSIRO). Nesta abordagem, os dados de ondas globais são usados como entrada para modelos de propagação de ondas com resolução mais alta do que a grade do banco de dados global. O nível de inundação é então obtido em cinco etapas:

1. Calibração dos dados de onda: o primeiro passo consiste em calibrar os dados de onda (Y₀) usando medições de satélite (Y_0-sat). Uma descrição completa do processo de calibração pode ser encontrada em Mínguez et al. (2011);
2. Propagação de ondas (modelos numéricos): Dado o alto custo computacional para propagar toda a série de ondas, o refinamento híbrido é recomendado. Um conjunto de dados de onda é selecionado e propagado numericamente. Os dados globais de vento (X₀) podem ser usados neste estágio para contabilizar a interação vento-onda durante a propagação;
3. Reconstrução da série de ondas (funções empíricas): usando o conjunto de dados propagados com modelos numéricos, as funções empíricas são estabelecidas e o resto do conjunto de dados é estatisticamente reduzido em escala. Este processo é denominado “reconstrução” da série temporal. Detalhes sobre o refinamento de ondas usando métodos híbridos com detalhes sobre a seleção de dados e a reconstrução de séries de ondas foram apresentados por Camus et al. (2011; 2013);
4. Valores de runup: Os dados da onda reduzidos (Y₁) são então usados para calcular o runup para cada estado do mar. Para isso, são utilizadas fórmulas empíricas que relacionam diretamente o runup com os parâmetros das ondas e da praia (ver STOCKDON et al., 2006; GOMES DA SILVA et al., 2018);
5. Cálculo do nível de inundação: O nível de inundação (Z₁) é finalmente calculado como:

𝑍₁ = NMM + MA + MM + 𝑅𝑢

Onde:

Z₁ = Nível de inundação;
NMM = Nível médio do mar;
MA = Maré astronômica;
MM = Maré meteorológica;
Ru = Runup.

Os dados de marés astronômicas e meteorológicas em cada momento do estado do mar também são necessários para calcular o nível de inundação. Esses dados podem ser obtidos em bancos de dados hidrodinâmicos e de marés globais. Parâmetros adicionais podem ser adicionados à Eq. 1 para incluir o efeito de vazão dos rios. Uma vez que os bancos de dados de ondas para períodos futuros, que incluam os efeitos das mudanças climáticas, não estão disponíveis, este processo é válido apenas para análises de períodos anteriores (apenas análises hindcast).

X

Opção 2 (setas azuis no fluxograma):

A segunda opção consiste em simular o processo de geração de ondas inserindo dados globais de vento (X₀), e modelos hidrodinâmicos para obter parâmetros de onda reduzidos e níveis de maré meteorológica (Y₁). Esses dados podem ser usados como entrada para simular processos em resoluções mais altas. Finalmente, usando o conjunto de dados de alta resolução, o nível de inundação pode ser obtido. Neste caso, as etapas para atingir o nível de inundação são:

1. Geração de ondas e circulação hidrodinâmica: Os dados de vento de reanálise são usados para gerar um banco de dados de parâmetros de ondas e níveis de maré meteorológica em grandes séries temporais;
2. Propagação de ondas e processos hidrodinâmicos (modelos numéricos): Dados de ondas e tempestades são usados como entrada para simular a propagação de ondas e a circulação regional/local em modelos numéricos. Dado o alto custo computacional para simular toda a série temporal, alguns eventos podem ser selecionados para serem representados no processo de refinamento. Um conjunto de eventos é então selecionado e propagado numericamente. Este processo pode ser repetido a qualquer momento em que for necessário reduzir a escala de ondas e maré meteorológica e obter dados em alta resolução;
3. Reconstrução da série de ondas (funções empíricas): Se toda a série temporal for necessária perto da costa, o mesmo procedimento apresentado na opção 1 pode ser aplicado para reconstruir a série de ondas e marés meteorológicas. Se o interesse for apenas em eventos pontuais, a reconstrução não é necessária;
4. Nível de inundação: Por fim, o nível de inundação pode ser obtido somando o runup, a maré meteorológica e o nível da maré, conforme sugerido na opção 1, ou através da modelagem numérica do processo de inundação. Exemplos de modelos que representam inundações costeiras são o modelo XBeach (ROELVINK et al., 2009), o modelo SWASH (ZIJLEMA et al., 2011) e o RFSM (LHOMME et al., 2009).

X

Opção 3 (setas verdes no fluxograma):

A última opção é semelhante à segunda, mas difere no fato de que todo o processo de inundação é baseado no refinamento de dados atmosféricos. As etapas para atingir o nível de inundação nesta abordagem são descritas abaixo:

1. Refinamento dos dados atmosféricos: Os dados globais de vento são usados como entrada para o modelo numérico atmosférico. Essa redução de escala permite que ventos de alta resolução (XHR) sejam usados nas etapas de agrupamento;
2. Simulação de ondas e maré meteorológica (modelos numéricos): O banco de dados atmosférico de alta resolução é usado como entrada para modelos numéricos para obtenção das ondas e da maré meteorológica.

As etapas restantes são idênticas às apresentadas na opção 2.

x

Guia de Leitura

---

 

• Antolinez et al. (2016) – J.G.R.: ANTOLINEZ, J.A.A.; MÉNDEZ, F.J.; CAMUS, P.; VITOUSEK, S.; GONZÁLEZ, E.M.; RUGGIERO, P.; BARNARD, P. A multiscale climate emulator for long-term morphodynamics (MUSCLE-morpho). Journal of Geophysical Research: Oceans, v.121, n.1, p.775-791, 2016.
• Camus et al. (2011) – J.TECH.: CAMUS, P.; COFIÑO, A.S.; MÉNDEZ, F.J.; MEDINA, R. Multivariate wave climate using self-organizing maps. Journal of Atmospheric and Oceanic Technology, v.28, n.11, p.1554-1568, 2011.
• Camus et al. (2011) – C.E.: CAMUS, P., MÉNDEZ, F.J.; MEDINA, R.; COFIÑO, A.S. Analysis of clustering and selection algorithms for the study of multivariate wave climate. Coastal Engineering, v.58, n.6, p.453-462, 2011.
• Camus et al. (2011) – C.E.: CAMUS, P., MÉNDEZ, F.J.; MEDINA, R. A hybrid efficient method to downscale wave climate to coastal areas. Coastal Engineering, v.58, n.9, p.851-862, 2011.
• Camus et al. (2013) – C.E.: CAMUS, P., MÉNDEZ, F.J.; MEDINA, R.; TOMÁS, A.; IZAGUIRRE, C. High resolution downscaled ocean waves (DOW) reanalysis in coastal areas. Coastal Engineering, v.72, p.56-68, 2013.
• Camus et al. (2014) – O.D.: CAMUS, P., MÉNDEZ, F.J.; LOSADA, I.J.; MENÉNDEZ, M.; ESPEJO, A.; PÉREZ, J.; RUEDA, A.; GUANCHE, Y. A method for finding the optimal predictor indices for local wave climate conditions. Ocean Dynamics, v.64, n.7, p.1025-1038, 2014.
• Camus et al. (2014) – J.G.R.: CAMUS, P., MENÉNDEZ, M.; MÉNDEZ, F.J.; IZAGUIRRE, C; ESPEJO, A.;  CANOVAS, V.; PÉREZ, J.; RUEDA, A.; LOSADA, I.J.; MEDINA, R. A weather-type statistical downscaling framework for ocean wave climate. Journal of Geophysical Research: Oceans, v.119, n.11, p.7389-7405, 2014.
• Espejo et al. (2014) – J.P.O: ESPEJO, A.; CAMUS, P.; LOSADA, I.J.; MÉNDEZ, F.J. Spectral ocean wave climate variability based on atmospheric circulation patterns. Journal of Physical Oceanography, v.44, n.8 p.2139-2152, 2014.
• Gomes da Silva et al. (2018) – C.E.: GOMES DA SILVA, P.; MEDINA, R.; GONZÁLEZ, M.; GARNIER, R. Infragravity swash parameterization on beaches: the role of the profile shape and the morphodynamic beach state. Coastal Engineering, v.136, p.41-55, 2018.
• Gouldby et al. (2014) – C.E.: GOULDBY, B.; MÉNDEZ, F.J.; GUANCHE, Y.; RUEDA, A.; MINGUEZ, R. A methodology for deriving extreme nearshore sea conditions for structural design and flood risk analysis. Coastal Engineering, v.88, p.15-26, 2014.
• Guanche et al. (2013) – C.D.: GUANCHE, Y.; MÍNGUEZ, R.; MÉNDEZ, F.J. Autoregressive logistic regression applied to atmospheric circulation patterns. Climate Dynamics, v.42, n.1-2, p.537-552, 2014.
• Hegermiller et al. (2017) – J.P.O.: HEGERMILLER, C.A.; ANTOLINEZ, J.A.A.; RUEDA, A.; CAMUS, P.; PÉREZ, J.; ERIKSON, L.H.; BARNARD, P.L.; MÉNDEZ, F.J. A multimodal wave spectrum–based approach for statistical downscaling of local wave climate. Journal of Physical Oceanography, v.47, n.2, p.375-386, 2017.
• Laugel et al. (2014) – O.M.: LAUGEL, A.; MENÉNDEZ, M.; BENOIT, M.; MATTAROLO, G.; MÉNDEZ, F.J. Wave climate projections along the French coastline: dynamical versus statistical downscaling methods. Ocean Modelling, v.84, p.35-50, 2014.
• Lhomme et al. (2009): LHOMME, J.; SAYERS, P.; GOULDBY, B.; SAMUELS, P.; WILLS, M.; MULET-MARTI, J. Recent development and application of a rapid flood spreading model. In: FLOODRisk Management: Research and Practice. Oxford: 15-24, 2009.
• Méndez et al. (2006) – J.G.R.: MÉNDEZ, F.J.; MENÉNDEZ, M.; LUCEÑO, A.; LOSADA, I.J. Estimation of the long-term variability of extreme significant wave height using a time-dependent peak over threshold (POT) model. Journal of Geophysical Research: Oceans, v.111, n.C7, 2006.
• Méndez et al. (2007) – J.TECH.: MÉNDEZ, F.J.; MENÉNDEZ, M.; LUCEÑO, A.; LOSADA, I.J. Analyzing monthly extreme sea levels with a time-dependent GEV model. Journal of Atmospheric and Oceanic Technology, v.24, n.5, p.894-911, 2007.
• Menéndez et al. (2009) – C.E.: MENÉNDEZ, M.; MÉNDEZ, F.J.; IZAGUIRRE, C.; LUCEÑO, A.; LOSADA, I.J. The influence of seasonality on estimating return values of significant wave height. Coastal Engineering, v.56, n.3, p.211-219, 2009.
• Mínguez et al. (2011) – J.TECH.: MÍNGUEZ, R.; ESPEJO, A.; TOMÁS, A.; MÉNDEZ, F.J.; LOSADA, I.J. Directional calibration of wave reanalysis databases using instrumental data. Journal of Atmospheric and Oceanic Technology, v.28, n.11, p.1466-1485, 2011.
• Pérez et al. (2014) – O.D.: PÉREZ, J.; MÉNDEZ, F.J.; MENÉNDEZ, M.; LOSADA, I.J. ESTELA: A method for evaluating the source and travel time of the wave energy reaching a local area. Ocean Dynamics, v.64, n.8, p.1181-1191, 2014.
• Pérez et al. (2014) – C.D.: PÉREZ, J.; MENÉNDEZ, M.; MÉNDEZ, F.J.; LOSADA, I.J. Evaluating the performance of CMIP3 and CMIP5 global climate models over the north-east Atlantic region. Climate Dynamics, v.43, n.9-10, p.2663-2680, 2014.
• Pérez et al. (2015) – O.M.: PÉREZ, J.; MENÉNDEZ, M.; CAMUS, P.; MÉNDEZ, F.J.; LOSADA, I.J. Statistical multi-model climate projections of surface ocean waves in Europe. Ocean Modelling, v.96, p.161-170, 2015.
• Roelvink et al. (2009) – C.E.: ROELVINK, D.; RENIERS, A.; VAN DONGEREN, A.; TIEL DE CRIES, J.; MACCALL, R.; LESCINSKI, J. Modelling storm impacts on beaches, dune and barrier islands. Coastal Engineering, v.86, n.11-12, p.1133-1152, 2009.
• Rueda et al. (2015) – J.F.R.M.: RUEDA, A.; GOULDBY, B.; MÉNDEZ, F.J.; TOMÁS, A.; LOSADA, I.J.; LARA, J.L.; DÍAZ-SIMAL, P. The use of wave propagation and reduced complexity inundation models and metamodels for coastal flood risk assessment. Journal of Flood Risk Management, v.9, n.4, p.390-401, 2016.
• Rueda et al. (2016) – O.M.: RUEDA, A.; CAMUS, P.; TOMÁS, A.; VITOUSEK, S.; MÉNDEZ, F.J. A multivariate extreme wave and storm surge climate emulator based on weather patterns. Ocean Modelling, v.104, p.242-251, 2016.
• Rueda et al. (2016) – J.G.R.: RUEDA, A.; CAMUS, P.; MÉNDEZ, F.J.; TOMÁS, A.; LUCEÑO, A. An extreme value model for maximum wave heights based on weather types. Journal of Geophysical Research: Oceans, v.121, n.2, p.1262-1273, 2016.
• Rueda et al. (2017) – J.G.R.: RUEDA, A.; HEGERMILLER, C.A.; ANTOLINEZ, J.A.A.; CAMUS, P.; VITOUSEK, S.; RUGGIERO, P.; BARNARD, P.L.; ERIKSON, L.H.; TOMÁS, A.; MÉNDEZ, F.J. Multiscale climate emulator of multimodal wave spectra: MUSCLE-spectra. Journal of Geophysical Research: Oceans, v.122, n.2, p.1400-1415, 2017.
• Stockdon et al. (2006) – C.E. STOCKDON, H.; HOLMAN, R.A.; HOWD, P.A.; SALLENGER JR., A.H. Empirical parameterization of setup, swash, and runup. Coastal Engineering, v.53, n.7, p.573-588, 2006.
• Tomás et al. (2015) – J.F.R.M.: TOMÁS, A., MÉNDEZ, F.J.; MEDINA, R.; JAIME, F.F.; HIGUERA, P.; LARA, J.L.; ORTIZ, M.D.; ÁLVAREZ DE EULATE, M.F. A methodology to estimate wave-induced coastal flooding hazard maps in Spain. Journal of Flood Risk Management, v.9, n.3, p.289-305, 2016.
• Zijlema et al. (2011) – C.E.: ZIJLEMA, M.; STELLING, G.; SMIT, P. SWASH: A operational public domain code for simulating wave fields and rapidly varied flows in coastal waters. Coastal Engineering, v.58, n.10, p.992-1012, 2011.