Classification: 

 PHYSICAL SCIENCES: Environmental Sciences  
Title: 

Electricity from Wind: Global Perspective with Detailed  Application to the US 
Author Affiliation: 

Xi Lu  School of Engineering and Applied Science, Harvard University  Cruft Lab 211, 19 Oxford St., MA 02138    Michael B. McElroy  School  of  Engineering  and  Applied  Science  and  Department  of  Earth  and  Planetary  Sciences,  Harvard  University  100E Peirce Hall, 29 Oxford St., MA 02138    Juha Kiviluoma VTT Technical Research Centre of Finland  P.O. Box 1000, 02044 VTT, Finland 
Corresponding Author: 

Michael B. McElroy (mbm@seas.harvard.edu) 
Key words: 

Electricity from Wind | US and Global Potential |Renewable Energy   

2   

Abstract 
The  potential  of  wind  power  as  a  global  source  of  electricity  is  assessed  using  winds  derived  through  assimilation  of  data  from  a  variety  of  meteorological  sources.  The  analysis  indicates  that  a  network  of  land‐based  2.5  MW  turbines  restricted  to  non‐forested,  ice‐free,  non‐urban areas operating at as little as 20% of their rated capacity, could supply more than 40  times  current  worldwide  consumption  of  electricity,  more  than  5  times    total  global  use  of  energy in all forms. Resources in the contiguous US, specifically in the central plain states, could  accommodate as much as 16 times total current demand for electricity in the US.  Estimates are  given  also  for  quantities  of  electricity  that  could  be  obtained  using  a  network  of  3.6  MW  turbines  deployed  in  ocean  waters  with  depths  less  than  200  m  within  50  nm  of  closest  coastlines. 

3   

  1. Introduction 
  Wind power accounted for 30% of all new electrical capacity added to the US electrical 

system in 2007 although wind continues to account for a relatively small fraction of the total  electricity generating capacity (16.8 GW out of a total of 1075 GW) (1). The International Energy  Agency in its 2007 alternative Policy Scenario (2) projected the possibility of an 18‐fold increase  in  wind‐powered  generation  of  electricity  globally  by  2030.    Most  impressive  growth  was  forecast for Europe where, it was suggested, as much as 30% of total electricity demand could  be  provided  by  renewable  sources  (mainly  wind)  by  2030.  Short  et  al  (3)  using  the  National  Renewable Energy Laboratory (NREL)’s WinDs model concluded that wind could account for as  much as 25% of US electricity by 2050 (corresponding to an installed wind capacity of about 300  GW).      Archer  and  Jacobson  (4)  estimated  that  20%  of  the  global  total  wind  power  potential 

could  account  for  as  much  as  123  PWh  (1.23×1017  Watt‐hours)  of  electricity  annually  (corresponding  to  annually  averaged  power  production  of  14  TW)  equal  to  seven  times  total  current  global  consumption  of  electricity  (comparable  to  present  global  use  of  energy  in  all  forms).    Their  study  was  based  on  an  analysis  of  data  for  the  year  2000  from  7753  surface  meteorological stations complemented by data from 446 stations for which vertical soundings  were  available.  They  restricted  their  attention  to  power  that  could  be  generated  using  a  network of 1.5 MW turbines tapping wind resources from regions with annually averaged wind 

4   

speeds  in  excess  of  6.9  m/s  (wind  class  3  or  better)  at  an  elevation  of  80  meters.    The  meteorological  stations  employed  in  their  analysis  were  heavily  concentrated  in  the  United  States,  Europe  and  Southeastern  Asia.    Results  inferred  for  other  regions  of  the  world  are  subject as a consequence to considerable uncertainty. In order to estimate wind potential at a  particular  location,  Archer  and  Jacobson  examined  six  empirical  functions  to  obtain  a  least  square  best  fit  to  the  wind  profile  for  individual  neighboring  sounding  stations.  An  inverse  square  approach  was  used  to  average  data  from  the  five  closest  meteorological  stations  to  select  the  wind  profile  employed  to  estimate  the  power  potential  at  a  particular  sample  location.  Archer  and  Jacobson  argued  that  the  estimates  for  wind  power  derived  using  their  approach  may  be  conservative  on  the  low  side  for  two  reasons:  the  potential  for  bias  introduced  by  use  of  the  least  square  methodology  and  the  fact  that  the  meteorological  stations  employed  in  the  analysis  are  not  located  optimally  to  capture  most  favorable  wind  conditions.   The present study is based on a simulation of global wind fields from Version 5 of the  Goddard  Earth  Observing  System  Data  Assimilation  System  (GEOS‐5  DAS).  Winds  included  in  this compilation were obtained by retrospective analysis of global meteorological data using a  state‐of‐the‐art  weather/climate  model  incorporating  inputs  from  a  wide  variety  of  observational  sources  (5)  including  not  only    surface  and  sounding  measurements  as  used  by  Archer  and  Jacobson  (4)  but  also    results  from  a  diverse  suite  of  measurements  and  observations from a combination of aircraft, balloons, ships, buoys, dropsondes and satellites ‐  in short the gamut of observational data employed to provide the world with the best possible 

5   

meteorological forecasts enhanced by application of these data in a retrospective analysis.  The  GEOS‐5  wind  field  is  currently  available  for  the  period  2004  to  present  (Nov.  10,  2008)  with  plans to extend the analysis 30 years back in time.  The GEOS‐5 assimilation was adopted in the  present  analysis  in  order  to  take  advantage  of  the  relatively  high  spatial  resolution  available  with  this  product  as  compared  to  the  lower  spatial  resolutions  available  with  alternative  products such as ERA‐40, NECP II and JRA‐25.  GEOS  data  (including  GEOS‐5  and  previous  versions)  have  been  used  extensively  in  a  variety  of  atmospheric  chemistry  investigations  and  have  proved  valuable  not  only  in  the  interpretation of a wide range of atmospheric chemical measurements (6‐8) but also in use of  these  measurements  in  an  inverse  mode  to  obtain  improved  estimates  for  emissions  of  important  atmospheric species (9‐11).   The GEOS‐5 simulation  is employed here in a detailed  study of the potential for globally distributed wind‐generated electricity in 2006. We expect in  the  future  to  extend  the  analysis  of  the  inter‐annual  variability  of  the  wind  resource  over  a  wider time horizon when the temporally more extensive MERRA database, in development at  NASA GMAO, becomes available.   We begin in Section  2 with a description of  the methodology adopted for the  present  study. The land‐based turbines envisaged here are assumed to have a rated capacity of 2.5 MW  with  somewhat  larger  turbines,  3.6  MW,  deployed  offshore  reflecting  the  greater  cost  of  construction and the economic incentive to deploy larger turbines to capture the higher wind  speeds available in these regions. In siting turbines over land, we specifically excluded densely 

6   

populated  regions,  as  well  as  areas  occupied  by  forests  and  environments  distinguished  by  permanent snow and ice cover (notably Greenland and Antarctica).  Turbines located offshore  were  restricted  to  water  depths  less  than  200m  and  to  distances  within  92.6 km  (50  nautical  miles) of shore.    These  constraints  are  discussed  in  Section  3.  Results  from  the  global  analysis  are  presented  in  Section  4  with  a  more  detailed  discussion  of  results  for  the  US  in  Section  5.  Summary remarks are presented in Section 6. 

2. Methodology 
The GEOS‐5 analysis uses a terrain‐following coordinate system incorporating 72 vertical  layers extending from the surface to a pressure level of 0.01 hPa (an altitude of approximately  78.2 km) (5).  Individual volume elements are defined by their horizontal boundaries (latitude  and longitude) and by the pressures at their top and bottom.  The horizontal resolution of the  simulation is 2/3‐degree longitude by 1/2‐degree latitude (equivalent to approximately 66.7 km  by 50.0 km at mid‐latitudes).  The model provides 3‐dimensional pressure fields at both layer  centers and at layer edges in addition to wind speeds (meridional and zonal) and temperatures  at the midpoint of individual layers with a time resolution of 6 hours. The three lowest layers  are centered at approximate altitudes of 71 m, 201 m and 332 m. The 6 hour data for the three  lowest layers are employed in the present analysis using an interpolation scheme indicated as  follows to estimate temperatures, pressures and wind speeds at 100 m, the hub height for the  2.5 MW and 3.6 MW turbines considered here.  

7   

Knowing  pressures  at  the  lower  and  upper  edges  of  individual  layers  together  with  temperatures and pressures at the mid‐points of the layers, altitudes corresponding to the mid‐ points  of  the  layers  are  calculated  based  on  an  iterative  application  of  the  barometric  law  assuming  a  linear  variation  of  temperature  between  the  midpoints  of  individual  layers.  The  barometric  law  was  also  used  to  calculate  the  pressure  at  100  m.  Wind  speeds  and  temperatures at 100 m were computed using a cubic spline fit to data at the midpoints of the  three lowest layers.    The kinetic energy of the wind intercepted by the blades of a turbine per unit time (P) 

depends on the density of the air (ρ), the area swept by the rotor blades (πr2) and on the cube  of the wind speed (V3) reduced by an efficiency or power factor (fp) according to the formula  (12): 

                                                                                   (1) 

The  efficiency  with  which  kinetic  energy  intercepted  at  any  given  wind  speed  is  converted  to  electricity  by  the  turbine  depends  on  details  of  the  turbine  design  specified  by  what is referred to as the turbine power curve.  Typically, conversion to electricity varies as the  cube of the wind speed at low wind speeds, asymptoting to a constant value for moderate to  higher  wind  speeds,  dropping  to  zero  at  the  highest  wind  speeds  when  the  blades  of  the  turbine  are  normally  feathered  to  prevent  damage.  For  present  purpose,  we  chose  to  use 

8   

power curves and technical parameters for 2.5 MW and 3.6 MW turbines marketed by General  Electric (http://gepower.com/businesses/ge_wind_energy/en/index.htm).  These  power  curves  assume  an  air  density  of  1.225  kg/m3  under  conditions  corresponding to an air temperature of 15  oC at a pressure of 1 atmosphere (13).  To account  for  the  differences  in  air  density  at  the  rotor  elevations  as  compared  to  this  standard,  wind  speeds in the published power/wind speed curves were adjusted according to the formula  

                                                              (2) 

where P and T identify the air pressures and temperatures at the hub height and R denotes the  atmospheric gas constant, 287.05   for dry air.  

Optimal  spacing  of  turbines  in  an  individual  wind  farm  involves  a  tradeoff  among  a  number  of  factors  including  the  costs  of  individual  turbines,  costs  for  site  development  and  costs  for  laying  power  cables,  in  addition  to  expenses  anticipated  for  routine  operations  and  maintenance  (O&M).    Turbines  must  be  spaced  to  minimize  interference  in  airflow  due  to  interactions  among  individual  turbines.  This  requires  a  compromise  between  the  objective  to  maximize  the  power  generated  per  turbine  and  the  competing  incentive  to  maximize  the  number of turbines sited per unit area (14).  Restricting downstream inter‐turbine wake power  loss to less than 20% requires a downstream spacing of more than seven rotor diameters with  cross‐wind spacing of more than four diameters (15, 16). Applying this constraint to the 2.5 MW 

9   

GE turbines (rotor diameter 100 m, r = 50 m) requires an inter‐turbine areal spacing of 0.28 km2.   Similar restrictions apply to the spacing of offshore turbines (rotor diameter 111 m, r = 55.5 m).   For  present  purposes  we  assume  an  area  for  individual  offshore  turbines  of  5×10  rotor  diameters corresponding to an occupation area per turbine of 0.616 km2.  The greater spacing  for  offshore  turbines  was  selected  to  ensure  that  the  energy  lost  due  to  inter‐turbine  interference  should  be  limited  to  10%  compensating  for  the  presumed  higher  cost  of  installation  and  greater  O&M  expense  for  turbines  operating  in  the  more  hostile  marine  environment (14, 15).  Subject to these constraints, we propose to calculate the electricity that  could  be  generated  potentially  every  six  hours  on  the  scale  of  the  individual  grid  elements  defined  by  the  GEOS  database  (approximately  66.7  km  by  50.0  km)  subject  to  the  additional  spatial limitations identified below.   In addition to providing an estimate for the maximum potential power generation, we  propose to evaluate also the power yield expressed as a fraction of the rated power potential of  the installed turbines, i.e. to account for the anticipated variability of the wind over the course  of a year. This quantity is referred to as the capacity factor (CF), defined by the relation                    

                                                                                (3) 

where  Preal  denotes  the  power  actually  realized  (neglecting  potential  interference  between  neighboring  turbines)  while    Prated  refers  to  the  power  that  could  have  been  realized  had  conditions permitted the turbine to operate at maximum efficiency for 100% of the time.  We 

10   

assume in this context that downtime for maintenance accounts for loss of only a small fraction  of the total potential power that could be generated by the installed turbines reflecting the fact  that maintenance is normally scheduled for periods of relatively low wind conditions (17).  We  restrict attention in this analysis to regions with capacity factors greater than 20%.  

3. Geographic Constraints 
The Moderate‐Resolution Imaging Spectroradiometer (MODIS) provides a useful record  of the spatial distribution of different types of land cover for 2001, with a horizontal resolution  approximately  1km  by  1  km.  This  record  will  be  used  to  exclude  from  our  analysis  areas  classified as forested, areas occupied by permanent snow or ice,  areas covered by water and  areas identified as either developed or urban.   Wind  speeds  are  generally  lower  over  forested  areas  reflecting  additional  surface  roughness.  Consequently,  turbines  would  have  to  be  raised  to  a  higher  level  in  these  environments to provide an acceptable economic return. While it might be reasonable for some  regions and for some forest types, we elected for these reasons to exclude forested areas in the  present analysis.   The exclusion of water‐covered areas is more problematic.  Wind speeds are generally  higher over water as compared to land. On the other hand, it is more expensive to site turbines  in  aquatic  as  compared  to  terrestrial  environments.  Public  pressures  in  opposition  to  the  former are also generally more intense, at least in the US. 

11   

Topographic  relief  data  for  both  land  and  ocean  areas  were  derived  from  the  Global  Digital  Elevation  Model  (GTOPO30)  of  the  Earth  Resources  Observation  and  Science  (EROS)  Data Center of the US Geological Survey (USGS). The spatial resolution of this data source for  offshore environments (bottom topography) is approximately 1 km by 1 km (18). A number of  factors conspire to limit the development of offshore wind farms. Aesthetic considerations for  example have limited development of wind resources in the near shore environment in the US  although objections to near shore development in Europe appear to have been less influential.  There  is  a  need  to  accommodate  also  requirements  for  shipping,  fishing  and  for  wildlife  reserves and to minimize potential interference with radio and radar installations. Accounting  for these limitations, Musial et al (19, 20), in a study of offshore wind power potential for the  contiguous US, chose to exclude development of wind farms within 5 nautical miles (nm) (9.3  km) of shore, and to restrict development to 33% of the available area between 5 and 20 nm  (9.3‐37 km) offshore, expanding the potential area available to 67% between 20 and 50 nm (37‐ 92.6 km).    For  purposes  of  this  study,  following  Dvorak  et  al  (21),  we  consider  three  possible  regimes for offshore development of wind power defined by water depths of 0‐20 m, 20‐50 m  and 50‐200 m. Somewhat arbitrarily, we limit potential deployment of wind farms to distances  within 50 nm (92.6 km) of the nearest shoreline, assuming that 100% of the area occupied by  these waters is available for development.  

12   

4. Wind Power Potential Worldwide 
  Approximately 1% of the total solar energy absorbed by the Earth is converted to kinetic 

energy in the atmosphere, dissipated ultimately by friction at the Earth’s surface (22, 23). If we  assume that this energy is dissipated uniformly over the entire surface area of the Earth (it is  not), this would imply an average power source for the land area of the Earth of approximately  3.4x1014  W  equivalent  to  an  annual  supply  of  energy  equal  to  10,200  Quad  (10,800 EJ),  approximately 22 times total current global annual consumption of commercial energy. Doing  the same calculation for the lower 48 states of the US, would indicate a potential power source  of 1.76x1013 W corresponding to an annual yield of 527 Quad (555 EJ), some 5.3 times greater  than the total current annual consumption of commercial energy in all forms in the US.    Wind  energy is not however uniformly distributed over the Earth and regional patterns of dissipation  depend not only on the wind source available in the free troposphere but also on the frictional  properties of the underlying surface.   We  focus  here  on  the  potential  energy  that  could  be  intercepted  and  converted  to 

 

electricity  by  a  globally  distributed  array  of  wind  turbines,  the  distribution  and  properties  of  which were described above. Accounting for land areas we judge to be inappropriate for their  placement (forested and urban regions and areas covered either by water or by permanent ice),  the potential power source is estimated at 2350 Quad (2470 EJ). The distribution of potential  power for this more realistic case is illustrated in Fig. 1.  We restricted attention in this analysis  to turbines that could function with capacity factors at or greater than 20%.  

13   

Results for the potential electricity that could be generated using wind on a country‐by‐ country  basis  are  summarized  in  Fig.  2  A  and  B  for  onshore  and  offshore  environments  respectively.    Placement  of  the  turbines  onshore  and  offshore  was  restricted  as  discussed  earlier.    Table  1  presents  a  summary  of  results  for  the  ten  countries  identified  as  the  largest  national emitters of CO2.  The data included here refer to national reporting of CO2 emissions  and electricity consumption for these countries in 2005.  An updated version of the table would  indicate  that  China  is  now  the  world’s  largest  emitter  of  CO2  having  surpassed  the  US  in  the  early months of 2006. Wind power potential for the world as a whole and for the contiguous US  is summarized in Table 2.    The  results  in  Table  1  indicate  that  large‐scale  development  of  wind  power  in  China 

could  allow  for  close  to  an  18  ‐  fold  increase  in  electricity  supply  relative  to  consumption  reported  for  2005.    The  bulk  of  this  wind  power,  89%,  could  be  derived  from  onshore  installations.    The  potential  for  wind  power  in  the  US  is  even  greater,  23  times  larger  than  current electricity consumption, the bulk of which, 84%, could be supplied onshore. Results for  the contiguous US will be discussed in more detail in the following section.  If the top 10 CO2  emitting countries were ordered in terms of wind power potential, Russia would rank number 1,  followed  by  Canada  with  the  US  in  third  position.  There  is  an  important  difference  to  be  emphasized  however  between  wind  power  potential  in  the  abstract  and  the  fraction  of  the  resource that is likely to be developed when subjected to realistic economic constraints.  Much  of  the  potential  for  wind  power  in  Russia  and  Canada  is  located  at  large  distances  from  population centers. Given the inevitably greater expense of establishing wind farms in remote 

14   

locations and potential public opposition to such initiatives, it would appear unlikely that these  resources  will  be  developed  in  the  near  term.  Despite  these  limitations,  it  is  clear  that  wind  power  could  make  a  significant  contribution  to  the  demand  for  electricity  for  the  majority  of  the  countries  listed  in  Table  1,  in  particular  for  the  four  largest  CO2  emitters  ‐  China,  the  US,  Russia and Japan.  It should be noted, however, the resource for Japan is largely confined to the  offshore  area,  82%  of  the  national  total.  To  fully  exploit  these  global  resources  will  require  inevitably,  significant  investment  in  transmission  systems  capable  of  delivering  this  power  to  regions of high load demand.      The  electricity  that  could  be  generated  potentially  on  a  global  basis  using  wind, 

displayed as a function of an assumed capacity factor cutoff on installed turbines, is presented  in Fig. 3 A and B. Fig for onshore and offshore environments respectively. The results in Fig. 3A  suggest  that  total  current  global  consumption  of  electricity  could  be  supplied  by  wind  while  restricting installation of land based turbines to regions characterized by most favorable wind  conditions,  regions  where  the  turbines  might  be  expected  to  function  with  capacity  factors  greater  than  53%.    If  the  cutoff  capacity  factor  were  lowered  to  36%,  the  energy  content  of  electricity generated using wind with land based turbines globally would be equivalent to total  current  global  consumption  of  energy  in  all  forms.  Cutoff  capacity  factors  needed  to  accommodate  similar  objectives  using  offshore  resources  would  need  to  be  reduced  as  indicated  in  Fig.  3B.  To  place  these  considerations  in  context,  we  would  note  that  capacity  factors realized by turbines installed most recently in the US (in 2004 and 2005) have averaged  close to 36 % (24).  

15   

5. Wind Power Potential for the US 
An  estimate  of  the  electricity  that  could  be  generated  for  the  contiguous  US  on  a  monthly basis (subject to the siting and capacity limitations noted above) is illustrated for both  onshore  and  offshore  environments  in  Fig.  4.    Results  presented  here  were  computed  using  wind  data  for  2006.    Not  surprisingly,  the  wind  power  potential  for  both  environments  is  greatest in winter, peaking in January, lowest in summer, with a minimum in August. Onshore  potential for January, according to the results presented in Fig. 4, exceeds that for August by a  factor of 2.5: the corresponding ratio computed for offshore locations is slightly larger, 2.9.   Fig.  4  includes  also  monthly  data  for  consumption  of  electricity  in  the  United  States  during 2006. Demand for electricity exhibits a bimodal variation over the course of a year with  peaks in summer and winter, minima in spring and fall.  Demand is greatest in summer during  the  air  conditioning  season.  Summer  demand  exceeds  the  minimum  in  spring/fall  demand  typically by  between 25  and 35% on  a US national basis depending  on whether summers are  unusually  warm  or  relatively  mild.  The  correlation  between  the  monthly  averages  of  wind  power production and electricity consumption is negative. Very large wind power penetration  can produce excess electricity during large parts of the year. This situation could allow options  for  the  conversion  of  electricity  to  other  energy  forms.  Plug‐in  hybrid  electric  vehicles,  for  example  could  take  advantage  of  short  term  excesses  in  electricity  system,  while  energy  rich  chemical species such as H2 could provide a means for longer term storage. 

16   

Potential  wind  generated  electricity  available  from  onshore  facilities  on  an  annually  averaged  state‐by‐state  basis  is  presented  in  Fig.  5A.  Note  the  high  concentration  of  the  resource in the central plains region extending northward from Texas to the Dakotas, westward  to Montana and Wyoming and eastward to Minnesota and Iowa.  The resource in this region, as  illustrated in Fig. 5B, is significantly greater than current local demand. Important exploitation  of this resource will require, however, significant extension of the existing power transmission  grid. Expansion and upgrading of the will be required in any event to meet anticipated future  growth in electricity demand.  It will be important in planning for this expansion to recognize  from  the  outset  the  need  to  accommodate  contributions  of  power  from  regions  rich  in  potential  renewable  resources,  not  only  wind  but  also  solar.  The  additional  costs  need  not,  however,  be  prohibitive  (24).  ERCOT,  the  operator  responsible  for  the  bulk  of  electricity  transmission  in  Texas,  estimates  the  extra  cost  for  transmission  of  up  to  4.6  GW  of  wind‐ generated  electricity  at  about  $180 per kW,  approximately  10%  of  the  capital  cost  for  installation of the wind power generating equipment (25).      An important issue relating to the integration of electricity derived from wind into a grid  incorporating  contributions  from  a  variety  of  sources  relates  to  the  challenge  of  matching  supply  with  load  demand  incorporating  a  contribution  to  supply  that  is  intrinsically  variable  both  in  time  and  space  and  subject  to  prediction  errors.    This  challenge  can  be  mitigated  to  some  extent  if  the  variations  of  wind  sources  contributing  to  an  integrated  transmission  grid  from  different  regions  are  largely  uncorrelated.    An  anomalously  high  contribution  from  one  region can be compensated in this case by an anomalously low contribution from another.  To 

17   

investigate  the  significance  of  this  potential  compensation,  we  examined  the  covariance  of  wind resources from three specific regions, one in Montana, the second in Minnesota, the third  in Texas, as indicated in Fig. 6.  Analysis of 6‐hour averaged potential wind generated supplies  of  electricity  from  the  three  regions  over  the  four  seasons,  winter,  spring,  summer  and  fall,  yielded the results summarized in Table 3. Contributions from the three regions are essentially  uncorrelated during the winter months (October through March) with r values of less than 0.07.   Correlation  coefficients  (r  values),  however,  are  relatively  high  in  summer  (July  through  September)  with  values  ranging  from  0.28  (Montana  versus  Texas)  to  0.37  (Montana  versus  Minnesota)  with  intermediate  values  in  spring.  The  analysis  suggests  that  wind  power  could  make  a  relatively  reliable  contribution  to  anticipated  base  load  demand  in  winter.    It  may  be  more  difficult  to  incorporate  wind  power  resources  into  projections  of  base  load  demand  for  other seasons, particularly for summer.  

6． Concluding Remarks 
The GEOS‐5 winds employed here were obtained through assimilation of meteorological  data  from  a  variety  of  sources,  in  combination  with  results  from  an  Atmospheric  General  Circulation  Model  (AGCM).  Transport  in  the  boundary  layer  was  treated  using  two  different  formalisms, one applied under conditions when the boundary layer was stable, the other under  conditions when the boundary layer was either unstable or capped by clouds. The variation of  wind speed with altitude was calculated in the present study using a cubic spline fit to the three  lowest  layers  (central  heights  of  71  m,  201  m  and  332  m)  of  the  GEOS‐5  output  to  estimate 

18   

wind  speeds  at  the  rotor  heights  of  the  turbines  considered  here  (100  m).  Wind  speeds  so  calculated were used in deriving all of the results presented above.  The rotors of the turbines modeled in this study are of sufficient size that as the blades  rotate  they  traverse  significant  portions  of  the  two  lowest  layers  of  the  GEOS‐5  simulated  atmosphere. Use of wind speed for a single level (100 m) must be consequently subject to some  uncertainty. To assess this uncertainty we explored results derived using an alternate approach.  The  power  intercepted  by  the  blades  of  the  rotors  passing  through  the  separate  layers  was  calculated  initially  on  the  basis  of  the  reported  average  wind  speeds  for  the  involved  layers.  Adopting a typical value of about 135 m for the height of the boundary between the first two  layers,  given  a  rotor  diameter  of  100  m  as  appropriate  for  the  assumed  onshore  turbines,  it  follows that 99% of the area  swept out by  the rotors would intercept air from the  first layer,  with  only  1%  encountered  in  the  second  layer.  The  power  intercepted  by  the  rotors  may  be  calculated  in  this  case  by  averaging  appropriately  the  power  intercepted  in  the  two  layers.  Implementing  this  approach  yielded  results  that  differed  typically  by  less  than  15%  for  the  onshore results presented above, by less than 7% for the offshore results.  The GEOS‐5 data had a spatial resolution of approximately 66.7 km × 50.0 km. It is clear  that wind speeds can vary significantly over distances much smaller than the resolution of the  present model in response to changes in topography and to changes in land cover (affected in  both  cases  by  variations  in  surface  roughness).  In  general,  we  expect  the  electricity  yield  computed using a low‐resolution model to underestimate rather than overestimate what would 

19   

be  calculated  using  a  higher  resolution  model.  The  GEOS‐5  data  are  expected  to  provide  a  useful  representation  of  winds  on  a  synoptic  scale  as  required  for  example  to  describe  the  transport between adjacent grid elements. They would not be expected to account for sub‐grid  scale variations in wind speeds even though the latter might be expected, at least under some  circumstances,  to  make  a  significant  contribution  to  the  potentially  available  wind  power.  To  test this hypothesis we explored the implications of a high‐resolution wind atlas available for an  altitude of 100 m for Minnesota (26).  We  distinguished  four  classes  of  land  cover,  forested  areas,  lakes,  vegetated  areas  (mainly  cropland)  and  regions  classified  as  either  urban  or  built‐up.  Table  4  presents  a  comparison  of  wind  speeds  at  100  m  implied  by  the  high‐resolution  atlas  with  results  from  GEOS‐5.  It  includes  all  four  surface  classifications  for  conditions  of  maximum,  minimum  and  average wind. The results for GEOS‐5  presented in Table 4 reflect an average of wind speeds  derived  for  the  4‐year  period  2004‐2007.  Wind  speeds  indicated  by  the  high‐resolution  database  are  higher  in  all  cases  than  the  wind  speeds  indicated  by  GEOS‐5,  supporting  our  hypothesis. The close association of wind speed with surface land classification implied by the  high  resolution  Minnesota  wind  atlas  suggests  that  land  classification  data  could  provide  a  useful basis for at least a preliminary downscaling of the relatively coarse spatial resolution of  the potential wind resources in the present study.  We elected in this study to exclude forested, urban, permanently ice covered and inland  water  regions.  Given  the  relatively  coarse  spatial  resolution  of  the  GEOS‐5  database,  it  is 

20   

possible  that  this  approach  may  have  failed  to  identify  localized  environments  where  wind  resources may be unusually favorable and where investments in wind power could provide an  acceptable economic return. To explore this possibility, we developed a global land‐based map  of  the  efficiencies  with  which  turbines  with  rotors  centered  at  100  m  might  be  capable  of  converting wind energy to electricity. We included all land areas with the exception of regions  identified  as  permanently  ice‐covered  (notably  Greenland  and  Antarctica).  Results,  stated  in  terms of relevant capacity factors, are presented in Fig. 7. Regions with particularly favorable  capacity factors, even though forested, urban or occupied by extensive bodies of inland waters,  might be considered as potential additional targets for development.   It is apparent, for example, that the low resolution GEOS‐5 record underestimates the  wind  resource  available  in  Spain  and  Portugal  (a  consequence  most  likely  of  the  complex  terrains present in these regions). Sweden is another example where wind resources indicated  using an available high resolution wind atlas (27) are significantly higher than those implied by  GEOS‐5.  The  discrepancy  in  this  case  may  be  attributed  to  the  extensive  forest  cover  of  the  region  and  to  the  a  priori  decision  to  neglect  such  regions  in  the  present  global  study.  Assessment  of  the  potential  of  mountainous  or  hilly  regions  is  also  problematic.  On  average,  wind speeds in these regions may be relatively low. Particularly favorable conditions may exist,  however,  on  mountain  ridges  or  in  passes  through  mountainous  regions.  The  Appalachian  mountain range in the US offers a case in point. In general the low‐resolution results appear to  slightly  overestimate  wind  resources  in  regions  of  flat  terrain,  while  underestimating  the  potential for regions defined by more complex topography. 

21   

The  analysis  in  this  paper  suggests  that  a  network  of  land‐based  2.5  MW  turbines  operating at as little as 20 % of rated capacity, confined to non‐forested, ice‐free regions would  be more than sufficient to account for total current and anticipated future global demand for  electricity.  The potential for the US could amount to more than 16 times current consumption.   Important additional sources of electricity could be obtained by deploying wind farms in near‐ shore shallow water environments.   An extensive deployment of wind farms may be considered as introducing an additional  source of atmospheric friction. For example, if the entire current demand for electricity in the  US were to be supplied by wind, the sink for kinetic energy associated with the related turbines  would  amount  to  approximately  6%  of  the  sink  due  to  surface  friction  over  the  entire  contiguous  US  land  area,  11%  for  the  region  identified  as  most  favorable  for  wind  farm  development (the region indicated in red in Fig. 5A defined by wind resources greater than 280  TWh).  The  potential  impact  of  major  wind  electricity  development  on  the  circulation  of  the  atmosphere  has  been  investigated  in  a  number  of  recent  studies  (28,  29).    These  studies  suggest that high levels of wind development as contemplated here could result in significant  changes in atmospheric circulation even in regions remote from locations where the turbines  are  deployed.  They  indicate  that  global  dissipation  of  kinetic  energy  is  regulated  largely  by  physical  processes  controlling  the  source  rather  than  the  sink.    An  increase  in  friction  contributed due to the presence of the turbines is likely to be compensated by a  decrease in  dissipation  by  friction  elsewhere.  Global  average  surface  temperatures  they  suggest  are  not  expected to change significantly although temperatures at higher latitudes may be expected to 

22   

decrease  to  a  modest  extent  due  to  reduction  in  the  efficiency  of  meridional  heat  transport  (offsetting  the  additional  warming  anticipated  for  this  environment  due  to  the  build‐up  of  greenhouse  gases).  In  ramping  up  exploitation  of  wind  resources  in  the  future  it  will  be  important  to  consider  the  changes  in  wind  resources  expected  to  result  from  the  potential  deployment  of  a  large  number  of  turbines    in  order  to  more  reliably  predict    the  economic  return  expected  to  be  realized  from  such  deployment. 

23   

 

Acknowledgement: 
The  GEOS‐5  data  were  provided  by  Mary  C.  Greene  from  NASA  GES  DISK.    We  are  indebted  to  James  G.  Anderson,  Ralph  Cicerone,  Philippe  Le  Sager,  Jintai  Lin,  Chris  Nielsen,  Yuxuan Wang and three anonymous referees for comments that markedly improved the quality  of  this final product. Thanks also to  Jeff Blossom, Guoping Huang and Sumeeta Srinivasan for  their  advice  on  GIS  applications.  This  research  was  supported  by  the  National  Science  Foundation, grant ATM‐0635548.  

24   

References: 
1.  EIA (2008) Short‐Term Energy Outlook /STEO Table Browser  (Energy Information Administration  (EIA), Washington, DC) http://tonto.eia.doe.gov/cfapps/STEO_Query/.  IEA ed. (2007) World Energy Outlook 2007: China and India Insights (World Energy Outlook)  (oecd publishing; 1 edition (November 23, 2007)).  Short, W., Blair, N., Heimiller, D., & Singh, V. (2003) Modeling the Long‐Term Market Penetration  of Wind in the United States in WindPower 2003 Conference (AWEA, Austin, Texas)   Archer, C. L. & Jacobson, M. Z. (2005) Evaluation of global wind power  J. Geophys. Res. 110.  Rienecker, M. M., Suarez, M. J., Todling, R., Bacmeister, J., Takacs, L., Liu, H.‐C., Gu, W.,  Sienkiewicz, M., Koster, R. D., R. Gelaro, I. S., et al. (2007) The GEOS‐5 Data Assimilation System‐ Documentation of Versions 5.0.1, 5.1.0, and 5.2.0.(Draft) in Technical Report Series on Global  Modeling and Data Assimilation, ed. Suarez, M. J. (NASA)   Wang, Y., McElroy, M. B., Martin, R. V., Streets, D. G., Zhang, Q., & Fu, T.‐M. (2007a) Seasonal  variability of NOx emissions over east China constrained by satellite observations: Implications  for combustion and microbial sources J. Geophys. Res. 112, D06301, doi:10.1029/2006JD007538  Zhang, L., Jacob, D. J., Boersma, K. F., Jaffe, D. A., Olson, J. R., Bowman, K. W., Worden, J. R.,  Thompson, A. M., Avery, M. A., Cohen, R. C., et al. (2008) Transpacific transport of ozone  pollution and the effect of recent Asian emission increases on air quality in North America: an  integrated analysis using satellite, aircraft, ozonesonde, and surface observations Atmos. Chem.  Phys. 8,6117 – 6136, 2008.  Boersma, K. F., Jacob, D. J., Eskes, H. J., Pinder, R. W., Wang, J., & der, R. J. v. (2008)  Intercomparison of SCIAMACHY and OMI tropospheric NO2 columns: Observing the diurnal  evolution of chemistry and emissions from space J. Geophys. Res.    Wang, Y., McElroy, M. B., Boersma, K. F., Eskes, H. J., & Veefkind, J. P. (2007b) Traffic restrictions  associated with the Sino‐African summit:Reductions of NOx detected from space Geophys. Res.  Lett 34, L08814, doi:10.1029/2007GL029326.  Tanimoto, H., Sawa, Y., Yonemura, S., Yumimoto, K., Matsueda, H., Uno, I., Hayasaka, T., Mukai,  H., Tohjima, Y., Tsuboi, K., et al. (2008) Diagnosing recent CO emissions and ozone evolution in  East Asia using coordinated surface observations, adjoint inverse modeling, and MOPITT satellite  data  Atmos. Chem. Phys. 8, 3867‐3880.  Wang, Y. X., McElroy, M. B., Wang, T., & Palmer, P. I. (2004) Asian emissions of CO and NOx:  Constraints from aircraft and Chinese station data J. Geophys. Res. 109, D24304,  doi:10.1029/2004JD005250. 

2. 

3. 

4.  5. 

6. 

7. 

8. 

9. 

10. 

11. 

25    12.  Leithead, W. E. (2007) Wind energy Phil. Trans. R. Soc. A 365, 957‐970, doi: 910.1098 /rsta.2006.  1955.  IEC (2005) Wind turbines ‐ Part 12 ‐ 1: Power performance measurements of electricity  producing wind turbines, ed. Commission, I. E. (NYSE: IHS)   Dhanju, A., Whitaker, P., & Kempton, W. (2008) Assessing offshore wind resources: An  accessible methodology Renewable Energy 33, 55‐64,doi:10.1016/j.renene.2007.1003.1006.  Masters, G. M. (2004) Renewable and Efficient Electric Power Systems (John Wiley & Sons, Inc.,  Hoboken, New Jersey).  Jacobson, M. Z. & Masters, G. M. (2001) Exploiting Wind Versus Coal Science 293, 1438‐ 1438,DOI: 1410.1126/science.1063376.  Larsen, J. H. M., Soerensen, H. C., Christiansen, E., Naef, S., & Vølund, P. (2005) Experiences from  Middelgrunden 40 MW Offshore Wind Farm in Copenhagen Offshore Wind Conference (Vestas,  Copenhagen)   USGS (2006) Global Digital Elevation Model(GTOPO30). 30‐Arc Seconds  (US Geological  Survey,Center for Earth Resources Observation and Science (EROS), Sioux Falls, South Dakota)  http://eros.usgs.gov/.  Musial, W. & Butterfield, S. (2004) Future for Offshore Wind Energy in the United States in  EnergyOcean 2004 (Palm Beach, Florida)   Musial, W. (2005) Offshore Wind Energy Potential for the United States in Wind Powering  America ‐Annual State Summit (Evergreen Lake House, Evergreen Colorado)   Dvorak, M. J., Jacobson, M. Z., & Archer, C. L. (2007) California Offshore Wind Energy Potential  in Wind Power 2007: American Wind Energy Association Windpower 2007 Conference &  Exhibition (AWEA, Los Angeles, CA)   Lorenz, E. N. (1967) The Nature and Theory of the General Circulation of the Atmosphere ( World  Meteorological Organization, Geneva, Switzerland).  Peixoto, J. P. & Oort, A. H. (1992) Physics of Climate (New York: Institute of Physics).  DOE (2008) 20% Wind Energy by 2030, Increasing Wind Energy's Contribution to US Electricity  Supply   http://www.nrel.gov/docs/fy08osti/41869.pdf.  ERCOT (2006) Analysis of Transmission Alternatives for Competitive Renewable Energy Zones in  Texas  (Electric Reliability Council of Texas)  http://www.ercot.com/news/presentations/2006/ATTCH_A_CREZ_Analysis_Report.pdf.  Minnesota DOC (2008) 2006 Wind Map GIS Files (Minnesota Department of Commerce)  http://www.state.mn.us. 

13. 

14. 

15. 

16. 

17. 

18. 

19. 

20. 

21. 

22. 

23.  24. 

25. 

26. 

26    27.  Bergström, H. (2007) Vindpotentialen I Sverige på 1 km‐skala (Wind power potential in Sweden  at 1 km scale)  (Air, Water and Landscape Sciences; University of Uppsala), p. 18   DANIEL B. KIRK‐DAVIDOFF, D. W. K. (2008). On the Climate Impact of Surface Roughness  Anomalies." JOURNAL OF THE ATMOSPHERIC SCIENCES 65(7): 20   David W. Keith, J. F. D., David C. Denkenberger, Donald H. Lenschow, Sergey L. Malyshevr,  Stephen Pacalar, and Philip J. Rasch (2004). The influence of large‐scale wind power on global  climate  Proc. Natl. Acad. Sci. USA 101(46): 6 

28. 

29. 

 

27   

 
Fig. 1. Global distribution of annual average onshore wind power potential (W/m2) for 2006 accounting  for  spatial  limitation  on  placement  as  discussed  in  the  text  without  limitations  on  potential  realizable  capacity factors. 

 

28    Fig. 2. Annual wind energy potential  country by country, restricted to installations with capacity factors  greater than 20% with siting limited as discussed in the Text:  (A) Onshore, (B) Offshore.    (A) 

  (B) 

   

29      Fig. 3. Annual wind energy potential as a function of assumed limits on capacity factors. Results  corresponding to the capacity factor limit of 20% assumed in this study all indicated by *:  (A) Global  onshore, (B) Global offshore  (A) 

  (B) 

   

30      Fig. 4. Monthly wind energy potential for the contiguous US in 2006 and monthly electricity  consumption for the entire US 

   

31      Fig.  5.  (A)  Annual  onshore  wind  energy  potential  on  a  state‐by‐state  basis  for  the  contiguous  US  (B)  Same with A, but expressed as fraction of total electricity retail sales in the states (2006). For example:  the  potential  source  for  North  Dakota  exceeds  current  total  electricity  retail  sales  in  that  State  by  a  factor of 360.  (A) 

  (B) 

  Note: Data source for total electricity retail sales: http://www.eia.doe.gov  

32      Fig. 6. Locations of regions in Montana, Minnesota and Texas selected to explore the spatial correlation  of wind resources. 

    Fig. 7. Global distribution of onshore capacity factor (%) for winds at 100 meters with exclusion of  permanent snow/ice covered areas such as Antarctic and Greenland.  

   

33      Table 1. Annual wind energy potential, CO2 emissions, and current electricity consumption for the top  10 CO2 emitting countries  No  1  2  3  4  5  6  7  8  9  10  Country  United States  China  Russia  Japan  India  Germany  Canada  United Kingdom  South Korea  Italy  CO2 emission  (million tonnes CO2)  5956.98  5607.09  1696.00  1230.36 1165.72  844.17  631.26  577.17  499.63  466.64  Elec. Consumption  (TWh)  3815.9 2398.5 779.6 974.1 488.8 545.7 540.5 348.6 352.2 307.5 Potential Wind Energy (TWh)  Onshore  Offshore  Total  74000 14000  89000 39000 4600  44000 120000 23000  140000 570 2700  3200 2900 1100  4000 3200 940  4100 78000 21000  99000 4400 6200  11000 130 990  1100 250 160  410

Note: CO2 emission and electricity consumption for 2005, data source from EIA  (http://tonto.eia.doe.gov/country/index.cfm). 

  Table 2. Annual wind energy potential for installations onshore and offshore for the world as a whole  and for the contiguous US. Analysis assumes loss of 20% and 10% of potential power for onshore and  offshore respectively due to inter‐turbine interference. 
Areas 

Onshore Areas (PWh)  Offshore  0‐20 m  Areas  20‐50 m  (PWh)  50‐200 m  Total (PWh) 

World Wide  No CF  limitation  20% CF limitation  1100  690  47  42 46  40  87  75  1300  840 

Contiguous US  No CF  limitation  20% CF limitation  84  62  1.9 1.2  2.6  2.1  2.4  2.2  91  68 

  Note:  All  data  assume  offshore  location  distance  within  50  nautical  miles  (or  92.6  km)  of  the  nearest  shoreline. 

34      Table  3. Correlations  of  wind power potential between selected regions  of  Montana (MT),  Minnesota  (MN) and Texas (TX) in different seasons for 2006  Correlation  Coefficient (r)  MN‐MT  MN‐TX  MT‐TX  Jan.  –  Mar.  0.027  0.069  0.065  Apr.  –  Jun.  0.11  0.29  0.26  Jul. ‐  Sep.  0.37  0.29  0.28  Oct. ‐  Dec.  ‐0.15  ‐0.060  ‐0.0024 

      Table  4.  Comparison  of  average  100  m  wind  speeds  for  the  4  year  period  2004‐2006  obtained  using  GEOS‐5 with data from the local wind atlas (LWA) (10 year average) for Minnesota  

Land Type   Forest  Lake  Vegetation*  Urban/Built up  Overall

Max  m/s LWA G5 8.7 7.6 9.2 7.6 9.4 7.6 8.7 7.5 9.4 7.6

Min m/s LWA G5 5.5 4.9 5.5 4.9 5.7 4.9 5.9 5.2 5.4 4.9

Mean m/s   LWA G5  7.4 6.3  7.9 6.8  8.2 7.2  7.5 7.0  8.0 6.9 

  Note: Vegetation refers to non‐forested areas occupied mainly by cropland.