Desenvolvimento e análise de incerteza de método de zoneamento bioclimático para edifícios brasileiros

Abstract

Como os ambientes das edificações são sistemas bioclimáticos específicos e complexos, são essencialmente necessários métodos de classificação climática adequados para desenvolver diretrizes e normas para edificações. Para resolver isso, a presente pesquisa introduz um novo método de agrupamento para o zoneamento bioclimático baseado no desempenho higrotérmico e energético de edificações brasileiras. A disponibilidade de dados climáticos confiáveis e precisos é crucial para a implementação de um método de zoneamento eficaz, mas outras incertezas como os microclimas e as condições climáticas futuras também podem influenciar. Assim, o estudo também tem como objetivo investigar como a incerteza em relação aos dados climáticos pode influenciar a classificação climática, explorando o impacto da acurácia do banco de dados climáticos, dos microclimas e do comportamento climático futuro. Este zoneamento bioclimático foi desenvolvido para atualizar uma normativa brasileira e foi validado em vários climas e tipologias de edificações (residenciais e comerciais) no Brasil. Numa análise preliminar, foram desenvolvidos três métodos de classificação utilizando K-means e Árvore de Decisão para classificar os climas de acordo com o desempenho do edifício. Posteriormente, um método final de zoneamento bioclimático foi desenvolvido utilizando uma versão customizada do melhor método projetado para aplicações do mundo real no contexto brasileiro. O desempenho do zoneamento bioclimático desenvolvido foi comparado com três classificações climáticas existentes: Köppen-Geiger, ASHRAE 169-2020 e ABNT-NBR 15220-3 (Norma Brasileira). Os resultados mostraram que o novo método de zoneamento bioclimático superou os existentes para agrupar os indicadores de desempenho da edificação. Além disso, bancos de dados climáticos de alta resolução espacial, como NASA-POWER, CRU e ERA5-Land, foram processados e analisados para serem empregados em locais sem dados medidos adequadamente. Três metamodelos de indicadores climáticos foram desenvolvidos e comparados com estas bases de dados para selecionar as fontes de dados climáticos mais precisas. Por fim, essas bases de dados foram utilizadas para classificar todos os 5.570 municípios brasileiros de acordo com o zoneamento bioclimático final, o que possibilitou o desenvolvimento de um mapa preciso e de alta resolução. O estudo também avalia a incerteza na acurácia dos dados climáticos comparando dados de reanálise (ERA5-Land) e uma rede neural artificial (ANN) com dados de anos meteorológicos típicos (TMYx.2007-2021). Para avaliar o microclima é utilizado o software Urban Weather Generator (UWG), que é calibrado com base na temperatura de bulbo seco de uma estação meteorológica urbanizada, utilizando Particle Swarm Optimization (PSO) e posteriormente aplicado em Zonas Climáticas Locais (LCZs). A análise das mudanças climáticas considerou dois cenários de emissões (RCP2.6 e RCP8.5), três modelos GCMs (HadGEM2, MPI-ESM e NorESM1) e dois modelos RCMs (RegCM e REMO). Todas as cidades brasileiras (5.570) foram analisadas, mas uma análise profunda foi realizada em 34 delas. Por fim, a avaliação das três fontes de incerteza resultou em diferenças significativas. Essas diferenças impactam na classificação bioclimática das cidades analisadas.

Abstract: Building environments are specific and complex bioclimatic systems. Thus, well-suited climate classification methods for buildings are essentially needed to develop building design guidelines and standards. To address it, the present research introduces a novel fit-for-purpose clustering method for bioclimatic zoning based on the hygrothermal and energy performance of buildings. The availability of reliable and accurate climate data is crucial for implementing an effective zoning method, but other uncertainties like microclimates and future climate conditions can also influence. Thus, the study also aims to investigate how uncertainty regarding climate data can influence climate classification, considering a bioclimatic zoning method for Brazil and exploring the impact of climate database accuracy, microclimates, and future climate behavior on climate classification. This bioclimatic zoning was developed to update the Brazilian standard and has been validated across various climates and building typologies (residential and commercial) in Brazil. In a preliminary analysis, three classification methods were developed using K-means and Decision Tree to classify climates according to building performance. Subsequently, a final bioclimatic zoning method was developed using a tailored version of the best method designed for real-world applications in the Brazilian context. The performance of the bioclimatic zoning achieved was compared with three existing climate classifications: Köppen-Geiger, ASHRAE 169-2020, and ABNT-NBR 15220-3 (Brazilian Standard). The results showed that the new bioclimatic zoning method outperformed the existing ones to cluster the building performance indicators. Moreover, high-resolution spatial climate databases, such as NASA-POWER, CRU, and ERA5-Land, were processed and analyzed to be employed in locations without properly measured data. Three metamodels of climate indicators were developed and compared with these databases to select the most accurate climate data sources. Finally, these databases were employed to classify all 5570 Brazilian municipalities according to the final bioclimatic zoning, which enabled the development of an accurate and high-resolution map. The study evaluates the accuracy of climate data analysis by comparing reanalysis data (ERA5-Land) and an artificial neural network (ANN) to data from typical meteorological years (TMYx.2007-2021). To evaluate the microclimate, the Urban Weather Generator (UWG) software is employed, which is calibrated based on dry-bulb temperature from an urbanized meteorological station, using Particle Swarm Optimization (PSO) and subsequently applied in Local Climate Zones (LCZs). The climate change analysis considered two emission scenarios (RCP2.6 and RCP8.5), three GCMs models (HadGEM2, MPI-ESM, and NorESM1), and two RCMs models (RegCM and REMO). All Brazilian cities (5570) were analyzed, but a deep analysis was conducted in 34 of them. Finally, evaluating the three sources of uncertainty resulted in significant differences. These differences have an impact on the bioclimatic classification of the cities analyzed.