O termo ‘Metocean’ é um acrônimo das palavras ‘meteorológico’ e ‘oceanográfico’ e significa a compreensão e o entendimento das condições meteorológicas e oceanográficas em um ambiente marinho.

Quando pensamos na parte da meteorologia a variável de maior interesse em projetos marinhos é usualmente o vento, porém outras variáveis como temperatura do ar, pressão atmosférica, precipitação, visibilidade e descargas atmosféricas podem ser relevantes a depender do ambiente e da aplicação pretendida. Pelo lado da oceanografia, correntes, ondas e níveis de água (seja pela influência da maré ou de eventos de tempestade) são as variáveis mais comuns, mas informações sobre temperatura e salinidade da água e a presença de estratificação vertical podem ser relevantes em algumas situações.

Compreender o comportamento das diferentes variáveis meteo-oceanográficas é fundamental para o desenvolvimento de um projeto marinho desde a sua concepção até as etapas de operação e descomissionamento. Por exemplo, em Estudos de Impacto Ambiental (EIA) o conhecimento das condições meteo-oceanográficas normais (frequentes) é normalmente suficiente para que se possa traçar um diagnóstico e avaliar os potenciais impactos do projeto sobre o seu entorno. Por outro lado, quando a finalidade é o dimensionamento de estruturas o conhecimento das condições extremas é essencial. Superestimar essas condições, usualmente representadas por ‘parâmetros de projeto’, pode resultar no superdimensionamento de estruturas e, consequentemente, impactar o custo do empreendimento. Por outro lado, o uso de parâmetros subestimados pode resultar em estruturas subdimensionadas e em consequências catastróficas. Portanto, estimar com exatidão os parâmetros de projeto é essencial para garantir a segurança e a viabilidade econômica de um projeto.

A estimativa das condições meteo-oceanográficas nas diferentes fases de um projeto marinho é realizada através do desenvolvimento de um Estudo meteo-oceanográfico, que fornecerá informações relevantes para a tomada de decisão e auxiliará na identificação de soluções eficientes para o projeto. Cada Estudo meteo-oceanográfico começa com a obtenção e validação do conjunto de dados, que servirão de base para posteriores análises.

Obtenção e validação dos dados

Idealmente, a estimativa dos parâmetros de um projeto deve ser feita a partir da análise de séries históricas de observações realizadas na área do projeto. Desta forma, garante-se que os parâmetros estimados sejam representativos da área de interesse e, assim, possam ser aplicados diretamente ao projeto. Porém, as observações nem sempre estão disponíveis na área de interesse e é comum buscar outras fontes de dados. Uma opção é recorrer a observações realizadas nas proximidades. Outra opção é recorrer a séries históricas geradas através de modelos matemáticos. Em ambos os casos deve-se validar os dados para garantir a sua aplicação ao projeto em questão. Dentre os principais pontos a serem analisados no conjunto de dados para garantir a sua validade estão a sua homogeneidade, exatidão, período de cobertura e ausência de falhas ou dados espúrios [1].

O uso de modelos matemáticos para a obtenção de séries históricas de variáveis ambientais tem sido cada vez mais frequente em Estudos meteo-oceanográficos. Existem diferentes opções de modelos globais capazes de fornecer informações meteorológicas, como ventos e temperatura do ar, e dados oceanográficos, como ondas e níveis de água. Com alguma sorte as séries históricas disponíveis cobrem períodos suficientemente longos e podem ser aplicadas diretamente ao projeto. Porém, isto nem sempre é possível. Um exemplo são as condições de ondas em áreas costeiras. Os grids numéricos de modelos globais muitas vezes não possuem resolução suficiente para resolver a interação das ondas com o fundo em águas rasas, sendo necessário estabelecer modelos em escala local ou regional capazes de resolver de forma adequada esses processos. Este procedimento é chamado de downscaling [2] (ver Figura 1).

Como regra geral, quanto mais longa a série histórica de observações, melhor. Para a análise das condições normais, alguns autores [1] sugerem utilizar um conjunto de dados que cubra pelo menos 4 anos e, preferencialmente, 30 anos. Para a análise de extremos é usualmente necessário recorrer a séries históricas mais longas, pois possibilitarão estimar eventos associados a períodos de retorno maiores[1] (ou com menores probabilidades de ocorrência). Entretanto, na prática as séries históricas não são suficientemente longas e é usualmente necessário aplicar métodos estatísticos para obter parâmetros associados a eventos com períodos de retorno superiores, como 50, 100 ou 500 anos. Estes métodos são conhecidos por ‘Análise de Valores Extremos’ (Extreme Value Analysis) e sua aplicação requer experiência do profissional responsável para a seleção do método apropriado e, assim, evitar a superestimação ou a subestimação de parâmetros.

[1] Recomenda-se consultar https://en.wikipedia.org/wiki/Return_period para uma melhor compreensão do conceito de Período de Retorno e sua aplicação em projetos de engenharia.

Análise de valores extremos

A Análise de Valores Extremos consiste em um método estatístico que possibilita prever a probabilidade de valores extremos ocorrerem em um conjunto de dados. Nele, um modelo de valor extremo é formulado ajustando uma distribuição de probabilidade teórica a um conjunto de valores extremos observados.

Dois modelos de valor extremo diferentes são comumente utilizados. Em um deles, chamado Annual Maximum Series (AMS), o valor máximo (pico) em cada ano da série histórica de observações é extraído para compor a amostra a ser analisada. No outro, denominado Peak-Over-Threshold (POT), todos os eventos acima um limite pré-estabelecido são extraídos da série histórica [4,5]. Independentemente do modelo adotado, a seleção da amostra de eventos extremos (picos) a ser analisada é fundamental para evitar parâmetros de projeto mal estimados. Ao aplicar o método POT, por exemplo, a seleção do valor limite representa um compromisso entre viés e variância. Selecionar um limite muito baixo incorporará à amostra valores não necessariamente extremos e provavelmente violará a base assintótica do modelo, levando ao viés. Por outro lado, um limite muito alto gerará menos picos para o modelo estimar, levando a uma variância elevada. Para contornar este problema, alguns autores [1,6] sugerem analisar parâmetros estatísticos da estimativa para encontrar o valor limite mínimo no qual o modelo de distribuição se ajusta ao conjunto de dados. A Figura 2 ilustra um comparativo entre os ajustes obtidos a partir de uma amostra de eventos de intensidade de vento quando são selecionados um valor limite baixo (esquerda) e um valor limite alto (direita). No ajuste da esquerda, a adoção do limite de 15,0 m/s resultou em uma amostra com 225 eventos e a intensidade de vento com período de retorno de 100 anos foi estimada em 24,1 m/s. No ajuste da direita, cujo limite de 18,5 m/s resultou em uma amostra de 22 eventos, a intensidade de vento com período de retorno de 100 anos foi estimada em 22,8 m/s.

Além do método de seleção das amostras, a escolha da distribuição de probabilidade para ajustar aos dados da amostra também pode influenciar a estimativa dos parâmetros de projeto. A Figura 3 ilustra dois tipos de distribuição de probabilidade aplicados à amostra de 22 eventos de intensidade de vento utilizada no exemplo anterior. O ajuste da esquerda, utilizando a distribuição Gamma/Person tipo 3 combinada ao Método de L-momentos para estimativa dos parâmetros, resultou em intensidade 22,8 m/s com período de retorno de 100 anos. Para o mesmo período de retorno, o ajuste da direita utilizando a distribuição Generalizada de Pareto combinada ao Método dos momentos para a estimativa dos parâmetros resultou em 22,4 m/s. A inspeção visual dos dois gráficos pode dar uma indicação do melhor ajuste, porém é recomendável realizar alguns testes estatísticos para verificar a aderência do ajuste, como os testes Qui-quadrado (c²) e de Kolmogorov-Smirnov.

É importante salientar que a escolha da distribuição de probabilidade não deve depender apenas da qualidade do ajuste. O fato de muitas distribuições terem forma semelhante nas suas partes centrais, mas diferirem significativamente nas caudas, enfatiza que a qualidade do ajuste não é suficiente. A escolha da distribuição de probabilidade é geralmente um compromisso entre requisitos contraditórios. A seleção de uma distribuição com poucos parâmetros fornece estimativas robustas dos parâmetros, mas a qualidade do ajuste pode não ser satisfatória. Por outro lado, ao selecionar uma distribuição com mais parâmetros, a qualidade do ajuste geralmente melhorará, mas à custa de uma grande incerteza amostral das estimativas dos parâmetros [6].

Análise de eventos combinados

Nos exemplos das figuras 2 e 3 a análise de extremos foi aplicada a uma única variável: intensidade dos ventos. Este tipo de análise, chamada univariada, é suficiente quando a aplicação pretendida depende de uma única variável. Um exemplo é a determinação dos pesos dos blocos / rochas que compõem um quebra-mar, cuja formulação usualmente utilizada[2] por engenheiros costeiros depende da altura significativa de projeto. Porém, caso seja necessário estimar a crista deste mesmo quebra-mar para evitar o galgamento da estrutura e consequente inundação de áreas internas, pode ser importante analisar a ocorrência de níveis de água e alturas de ondas capazes de provocar o galgamento.

[2] O dimensionamento é usualmente calculado através da Fórmula de Hudson. Ver mais em [7].

Analisar múltiplas variáveis de forma isolada (independente) implica em assumir que a ocorrência do evento extremo de uma variável (ex: nível de água) não está associada à ocorrência do evento extremo da outra variável (ex: altura da onda). Porém, a ocorrência de condições extremas dessas variáveis pode estar associada a um mesmo evento (por exemplo, uma tempestade), o que significa que essas variáveis podem estar de certa forma correlacionadas. Como consequência, a probabilidade de ocorrência conjunta dessas variáveis será maior do que a probabilidade dessas variáveis ocorrerem de forma independente. Isto significa que as estimativas de eventos combinados extremos dessas variáveis com períodos de retorno de 50, 100 ou 500 anos serão provavelmente menos severas do que quando essas variáveis são consideradas independentes.

A análise da probabilidade conjunta de variáveis ambientais (Joint Probability Analysis) vem sendo cada vez mais utilizada em projetos marinhos, em especial para o planejamento e dimensionamento de elementos de proteção de cidades costeiras contra cheias, geradas pela ação combinada de níveis de água (surge), ondas, precipitação e vazões fluviais [8].

Mudanças climáticas

A descrição das condições meteo-oceanográficas em uma determinada localidade está associada a uma série de incertezas, tais como as imperfeições do instrumento para a medição de uma variável ambiental, a qualidade e consistência da amostra de dados analisada ou as limitações do modelo utilizado para resolver o processo físico que se deseja descrever. Uma dessas incertezas está associada à variabilidade climática, que aborda a representatividade da série histórica de uma determinada variável para um período no futuro em que se necessita determinar as condições operacionais e de projeto [9].

A incerteza climática deve-se basicamente à variabilidade natural das condições meteo-oceanográficas e às mudanças climáticas causadas pela ação do homem. A primeira pode ser compreendida a partir da análise de séries históricas longas da variável de interesse. Porém, as incertezas sobre as mudanças climáticas e seus impactos sobre projetos marinhos ainda são significativas, principalmente devido às incertezas sobre as projeções fornecidas pelos modelos climáticos [10]. Como exemplo, a Figura 4 apresenta estimativas da elevação do nível médio do mar na costa do Estado de Santa Catarina (Brasil) para diferentes cenários de emissões de gases do efeito estufa (chamados de Shared Socio-Economic Pathways (SSP) – Caminhos Socioeconômicos Compartilhados) obtidas do relatório AR6 do Painel Intergovernamental de Mudanças Climáticas (IPCC). Nele, o cenário SSP1-1.9 considera as menores emissões e o cenário SSP5-8.5 assume nível elevado de emissões. Além da variação das estimativas entre os cenários, o gráfico também apresenta o intervalo de confiança da estimativa para cada um deles.

As incertezas das projeções dos modelos climáticos acabam limitando a elaboração de guias e normas gerais sobre como os efeitos das mudanças climáticas devem ser incorporados em projetos marinhos [11]. Mesmo assim, a necessidade de incorporar tais efeitos têm sido reconhecida em algumas normas nos últimos anos, como é o caso da norma norueguesa NORSOK N-003 [12], que recomenda aumentar os valores de ‘probabilidade q’ em 4% para os cálculos da altura significativa de onda e velocidade de vento extremos de modo a considerar os efeitos das mudanças climáticas quando não existem estudos disponíveis sobre este tema para o local de interesse.  Alguns autores também sugerem a utilização do documento “2020 Climate Change Adaptation Planning For Ports And Inland Waterways (EnviCom WG Report nº 178)” [13], elaborado pelo PIANC, como uma referência para projetos portuários.

Gráfico obtido de https://sealevel.nasa.gov/ipcc-ar6-sea-level-projection-tool.

Apesar das incertezas que cercam as projeções sobre os efeitos das mudanças climáticas sobre as variáveis ambientais, é importante que seus potenciais impactos sejam avaliados caso a caso ao desenvolver um Estudo meteo-oceanográfico, levando em consideração a vida útil da infraestrutura projetada, sua localização geográfica, o cenário de mudança climática, entre outros aspectos. Isto fornecerá informações importantes para que as partes interessadas (projetistas, consultores, autoridades) saibam como abordar o desafio e tomem decisões conhecendo as incertezas associadas.

Gostaria de saber mais sobre Estudos Meteoceanográgicos e como a HydroInfo por lhe auxiliar em estudos como este, entre em contato conosco.

Referências:

[1] – van Os, J.; Caires, S.; van Gent, M. (2011): “Guidelines For Metocean Data Analysis.” Proceedings of the The Twenty-first International Offshore and Polar Engineering Conference, Maui, Hawaii, USA, June 19-24, 2011.

[2] – Gaur, A.; Simonovic, S.P. (2019): Chapter 4-Introduction to Physical Scaling: A Model Aimed to Bridge the Gap Between Statistical and Dynamic Downscaling Approaches; Teegavarapu, R., Ed.; Trends and Changes in Hydroclimatic Variables; Elsevier: Amsterdam, The Netherlands, 2019; pp. 199–273.

[3]   Li, X.; Pijcke, G. & Babovic, V. (2016): Analysis of Capabilities of Bias-corrected Precipitation Simulation from Ensemble of Downscaled GCMs in Reconstruction of Historical Wet and Dry Spell Characteristics. Procedia Engineering. 154. 631-638.

[4]   DHI (2024): Extreme Value Analysis. Technical Reference and Documentation.

[5]   Mathiesen, M.; Goda, Y.; Hawkes, P. J.; Mansard, E.; Martín, M. J.; Peltier, E.; Thompson, E. F. & Van Vledder, G. (1994): Recommended practice for extreme wave analysis, Journal of Hydraulic Research, 32:6, 803-814, DOI: 10.1080/00221689409498691.

[6]   Caires, S. (2011): Extreme Value Analysis. Wave Data. JCOMM Technical Report No. 57. World Meteorological Organization. Intergovernmental Oceanographic Commission (of UNESCO)

[7]   USACE (2011): Coastal Engineering Manual EM 1110-2-1100, part VI, chapter 5. US Army Corps of Engineers. 2011. p. 73.

[8]   Hawkes, P. J. (2005): Use of Joint Probability Methods in Flood Management. A Guide to Best Practice. R&D Technical Report FD2308/TR2. Defra / Environment Agency Flood and Coastal Defence R&D Programme.

[9]   Bitner-Gregersen, E. M.; Dong, S.; Fu, T.; Ma, N.; Maisondieu, C.; Miyake, R.; Rychlik, I.; (2016): Sea state conditions for marine structures’ analysis and model tests, Ocean Engineering, Volume 119, 2016, Pages 309-322, ISSN 0029-8018. https://doi.org/10.1016/j.oceaneng.2016.03.024.

[10] Mosquera-Mosquera, I. A.; Simão, M. L.; Videiro, P. M.; Sagrilo, L. V. S. (2020): Evaluating the impact of climate change on offshore structures design: A practical case study, Applied Ocean Research, Volume 94, 2020, 101992, ISSN 0141-1187. https://doi.org/10.1016/j.apor.2019.101992.

[11] Loza, P.; Veloso-Gomes, F. (2023): Literature Review on Incorporating Climate Change Adaptation Measures in the Design of New Ports and Other Maritime Projects. Sustainability 2023, 15, 4569. https://doi.org/10.3390/su15054569.

[12] NORSOK N-003:2017. Actions and action effects. Jan 2017.

[13] Brooke, J.; Haine, C.; Carnegie, A.; Cockrill, D.; Comhaire, I.; Delelis, S.; Fassardi, C.; Herbert, L.; Koppe, B.; Lankenau, L.; et al. (2020): Pianc—Envicom Wg Report N◦ 178—2020 Climate Change Adaptation Planning For Ports And Inland Waterways; Pianc: Brussels, Belgium, 2020.

[14] Foto de capa – Foto de Murilo Fonseca: https://www.pexels.com/pt-br/foto/surf-na-lage-17239050/

Escrito por: Rodrigo Andrade - Engenheiro Civil, Especializado em Engenharia Costeira, consultor e sócio na HydroInfo.