A região está localizada na Região oeste do Oceano Atlântico Sul (Figura 1), onde ficam as bacias sedimentares do Espírito Santo (BES), Campos (BC) e Santos (BS), na margem continental sudeste brasileira. Com base na distribuição espacial das plataformas nas três bacias, são propostos clusters onde a metodologia de downscaling estatístico será aplicada (para ondas, velocidade e direção de ventos e correntes). Serão geradas estimativas estatísticas clássicas em escalas temporais do presente e do clima futuro:

• Na Bacia do Espírito Santo, o cluster BES representa as plataformas localizadas onde a orientação das isóbatas é aproximadamente NE-SW, ao norte da bacia de Vitória;
• Na bacia de Campos, o cluster BC1 representa a região com alinhamento das isóbatas aproximadamente N-S, ao sul da bacia de Vitória; o cluster BC-2 representa a maior aglomeração de plataformas na BC e seu alinhamento isobatimétrico é aproximadamente NE-SW; finalmente o cluster BC3 apresenta o mesmo alinhamento batimétrico com a diferença que se encontra ao sul do Cabo Frio, com condições ambientais ligeiramente mais severas por não ter a proteção do continente à oeste;
• Na bacia de Santos, o cluster BS1 indica as regiões de produção mais ao norte no talude continental (campos de Búzios, Mero, etc); o cluster BS2 aglomera as plataformas mais a sudoeste (campos de Tupi, Sapinhoá, etc); finalmente no cluster BS3 as plataformas estão localizadas na quebra do talude continental, mais próximas da costa (jaquetas de PMXL-1 e PMLZ1).

Três métodos diferentes são 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.

No projeto SARC optou-se pelo uso de uma abordagem de refinamento estatístico, embora outras técnicas também sejam usadas. As Análises estatísticas climáticas (ACs), usando como base os modelos do CMIP5 e CMIP6 (Coupled Model Intercomparison Project ), que são projetos de intercomparação e avaliação de modelos iniciado em 1995 e em 2023 e está na fase 6 e atualmente conta com mais de 40 instituições de previsão de tempo e clima do mundo inteiro que disponibilizam dados de simulações e seus modelos, que se baseiam nos resultados do CMIP6, contando com revisão metodológica e bibliografia, refinamento estatístico das variáveis meteoceanográficas, projeção de preditores, refinamento estatístico para eventos extremos, projeção de preditores e compilação de resultados (Figura 2).

Figura 2 : Carteira de análises climáticas baseada nos resultados do CMIP6: AC1: revisão
metodológica e bibliográfica que será empregada no projeto; AC2: refinamento estatístico da
climatologia presente das variáveis meteoceanográficas de interesse; AC3: projeção dos
preditores definidos no AC2 em cenários futuros do CMIP6; AC4: refinamento estatístico para
análise de eventos extremos (e.g., ciclones) na região de interesse; AC5: projeção dos
preditores definidos no AC4 em cenários futuros do CMIP6 e estatística de ciclones; AC6:
compilação dos resultados de climatologia e eventos extremos (e.g., condições de operações:
número de horas paradas por ano, etc.; parâmetros de projeto: mudança de período de retorno
de parâmetros de interesse).

Análises Climáticas

A metodologia proposta é dividida em seis módulos (análises climáticas, ACs).

AC1: Revisão Metodológica e Bibliográfica

A AC1 será composta da revisão bibliométrica e bibliográfica, bem como, metodológica, para o projeto. Este módulo é fundamental para o bom andamento do projeto, uma vez que estabelece o marco metodológico, bem como, a bibliografia na qual o projeto se baseia. Fornecerá a fundamentação das análises estatísticas que serão aplicadas aos resultados do CMIP5 e CMIP6, constituindo desta forma uma etapa fundamental para desenvolvimento de todo projeto.

AC2: Refinamento Estatístico da Climatologia do Período Presente

Para as AC2 e AC4, será usada a técnica de refinamento estatístico (RE) das variáveis de interesse. A grande vantagem do RE sobre o refinamento dinâmico é o baixo custo computacional e agilidade na estimativa de variáveis, apesar de apresentar uma incerteza. A viabilidade de realização do RE para uma determinada variável de interesse será condicionada à disponibilidade e à qualidade dos dados. As regiões foco do RE serão os clusters identificados na Figura 1. No restante da área das três bacias oceânicas analisadas, será feita estatística descritiva clássica, quantificando tendências, médias, desvio padrão, etc. Para o período presente e os períodos futuros de curto (até 2040) e médio (2040-2070) prazos. No presente estudo, RE consistirá na construção de preditores meteoceanográficos (ABADI et al., 2018; HUTH; 2000; PASTOR; CASADO, 2012; PEREZ et al., 2014), que demonstrem habilidade em representar estatisticamente as variáveis que serão analisadas. A construção de um preditor adequado é uma etapa fundamental nesta técnica. Uma vez que os preditores tenham sido criados, pode-se projetar os dados de interesse nos preditores e assim inferirmos estimativas das variáveis analisadas. 

O crítico nesta etapa será também avaliar como os modelos se comportam quando comparados com dados medidos in situ (exemplo, ventos em boias e plataformas), pois é conhecido que os modelos fornecem resultados suavizados quando comparados com a alta variabilidade dos dados medidos, em consequência das parametrizações necessárias para a solução das equações dos modelos, em virtude da incapacidade dos grandes centros de pesquisa de simularem toda cascata de turbulência da atmosfera e do oceano, com os atuais recursos computacionais. Esta é uma das causas dos modelos (tanto de previsão de curto, médio e longo prazo) fornecerem resultados que por vezes são excedidos em medições de campo, quando realizadas sem filtragem da alta frequência. Esta análise precisa ser realizada inicialmente nas AC2 e AC4, e posteriormente projetadas nos resultados das AC3 e AC5, de forma a subsidiar as conclusões da AC6.

AC3: Projeções dos Preditores Climatológicos do Período Presente nos Cenários Futuros

Nesta etapa do projeto os preditores definidos na AC2 serão projetados nos modelos do CMIP6 que demonstraram melhor desempenho no Atlântico Sul (Borato et. al, 2021, em preparação). A Figura 6 sumariza o desempenho dos modelos atmosféricos do CMIP6 para o Atlântico Sul. As projeções dos cenários futuros nos permitirão quantificar as mudanças nas frequências de ocorrência em cada WT a curto, médio e longo prazos (Figura 5). Todas as estimativas estatísticas geradas na AC2 serão também geradas para a AC3.

AC4: Refinamento Estatístico dos Eventos Extremos no Período Presente

Na AC4, propõe-se a geração de preditores voltados para eventos extremos, não climatológicos. A metodologia é parecida com a utilizada na AC2, mudando apenas os critérios utilizados para a seleção dos preditores.

AC5: Projeções dos Preditores dos Eventos Extremos nos Cenários Futuros

A metodologia da AC5 é similar à AC3, porém voltada para eventos extremos.

AC6: Consequências nas Operações Offshore e Parâmetros de Projeto

A AC6 tem como objetivo a agregação e a sumarização de todas as estatísticas geradas acima. Assim, essa AC visa gerar produtos na forma de indicadores operacionais (e.g., tempo provável que uma determinada variável excederá um determinado valor limite etc.) e indicadores de confiabilidade dos parâmetros de projeto (e.g., mudança no tempo de retorno de eventos extremos). Se dados forem disponibilizados, uma variável de interesse pode ser a eventualidade da interrupção de operações de offloading, caso as condições limites operacionais sejam excedidas, por exemplo, ventos acima de 40 nós ou alturas significativas acima de 3,5m. Serão também gerados resultados na forma de tabelas de intensidade versus direção (diagramas de dispersão) ou análises de extremos de algumas variáveis com bases em períodos de retorno usualmente usados em projetos da indústria de petróleo (1, 10, 20, 30, 50 e 100 anos).

O foco da proposta é nas principais variáveis meteoceanográficas que têm impacto direto nas condições operacionais das estruturas offshore da PETROBRAS, e nos parâmetros de projeto que são utilizados para dimensionamento destas estruturas, sendo analisados os dados de temperatura de água do mar (mensais), temperatura do ar, intensidade e direção de ventos e correntes (mensais) e estatísticas de ondas CMIP5, CMIP6 (quando disponíveis).

Sistematização da Informação 

Figura 3: Arquitetura proposta para sistematização da carteira de análises climáticas.

A sistematização da informação referente à carteira de análises climáticas será realizada em uma arquitetura baseada em quatro módulos de sistema, conforme apresentado na figura acima.

SARC-Core: Responsável por organizar os scripts python e manter os resultados em uma base de dados estruturada.

SARC-API: Responsável por permitir a entrega dos dados gerados no SARC-core para os diferentes sistemas consumidores.

SARC-View: Sistema web para entrega dos relatórios, mapas e análises estatísticas conforme requisitos mínimos a serem estabelecidos.

SARC-BI: Conjunto de scripts para integração do SARC com a ferramenta Microsoft Power BI.(ex: Integração de dados com o geostorm)

A principal razão para adotar esta arquitetura é o acesso e fornecimento dos produtos da carteira para os usuários deste tipo de informação, na forma mais amigável a que se destinam. Não há intenção, nesta proposta, que seja desenvolvida uma discussão extensa sobre a ciência da informação. Porém, é crucial o entendimento de que existem diferentes níveis de complexidade nos dados e informações empregadas para e derivadas de modelagens e análises estatísticas, com potencial aplicação no planejamento, na tomada de decisão e no apoio operacional. É importante considerar que não há limite para o grau de sofisticação que as modelagens e análises estatísticas podem assumir; e que quanto mais sofisticadas elas forem, maior será o volume de dados e informações consumidos e gerados no processo. Informações intermediárias podem muito bem possuir significado e valor, e não devem ser menosprezadas, pois podem ser produtos em si, ou serem elementos essenciais para verificações, validações e outros processamentos que porventura possam se beneficiar delas. Finalmente, são bastante comuns em processos complexos de tratamento da informação, como os que levam à construção da carteira de análises climáticas aqui proposta, a ausência de pronta significância dos produtos. Para lidar com esta condição, recorre-se basicamente à dois recursos: (a) expande-se a análise para que seja obtida uma melhor significação para o usuário, em seu universo de conhecimento e aplicação prática, como por exemplo, traduzir índices para termos linguísticos (ex. risco baixo, médio e alto); ou (b) emprega-se recursos de visualização que facilitem a percepção e compreensão dos dados e informações. Ou seja, recursos que auxiliem o processo cognitivo do usuário da informação, normalmente associados à gráficos, mapas, entre outros recursos. Na sistematização proposta, os módulos SARC-Core e SARC-API objetivam dar suporte à sistematização e aos meios de comunicação de dados e informações. Para o usuário da carteira de análises climáticas, estes módulos são transparentes. É no módulo SARC-View que a carteira pode ser acessada e os resultados consultados e mesmo exportados para consumo em outras aplicações. Conceitualmente, este módulo nada mais é do que um dashboard Web para consultas genéricas, com amplo espectro de aplicações. Finalmente, para aplicações mais específicas que, eventualmente, requeiram a integração e cruzamento com outros dados e informações, o usuário conta com o módulo SARC-BI.

Figura 4: Exemplo de preditor do nível total do mar em Florianópolis, SC, composto por 25
‘weather types’, construídos com dados de pressão e gradiente de pressão atmosférica ao
nível do mar (Borato et al., submetido).

Figura 5: Distribuição de valores extremos e análise de cópula para o nível total do mar em
Florianópolis, SC (Borato et al., em preparo).

Figura 6: Resumo do desempenho dos 48 modelos climáticos globais. A coluna “1. Histórico”
apresenta (a) entropia relativa (RE), (b) índice de dispersão (SI) e (c) desvio padrão do índice
de dispersão (stdSI) entre as frequências de referência CFSR e aquelas simuladas pelos
modelos. A coluna “2. Sazonal” apresenta os valores do índice de dispersão (SI) para cada
modelo em cada estação, onde (a) representa os meses de verão (DJF), (b) outono (MAM), (c)
inverno (JJA), e (d) os meses de primavera (FILHO). Os azuis intensos indicam melhor
desempenho do modelo (menor SI), e os vermelhos intensos, pior desempenho (maior SI). A
coluna “3. Projeções futuras” mostra o índice de dispersão (SI) (pontos coloridos no gráfico)
entre as frequências simuladas e projetadas por cada modelo para cada período (curto, médio
e longo prazo) e cenário (ver legenda colorida). As barras cinzas, delimitadas pelas linhas
pretas, indicam o limite de três desvios padrão para cada fase CMIP (Borato et al., submetido).

Figura 7: Mudanças médias na frequência de cada tipo de clima (WT) projetada para cada
cenário e intervalo de tempo. Projeções inconsistentes não foram consideradas na análise. Os
pontos pretos indicam concordância no sinal de mudança (aumento ou diminuição) entre mais
de 80% dos modelos (Borato et al., submetido).