• Nenhum resultado encontrado

Ψ H função de estabilidade adimensional para o fluxo de calor

5 VARIÁVEIS DA SUPERFÍCIE E DEPENDÊNCIA À TURBULÊNCIA E AO RELEVO: OBSERVAÇÕES E MODELAGEM

5.1 VARIÁVEIS DE SUPERFÍCIE E TURBULÊNCIA

5.1.1 Caráter da Turbulência em Cada Sítio

Com o objetivo de encontrar algumas explicações para a diferença entre os sítios nos valores de ws e u∗, analisou-se a distribuição de densidade de probabilidade para es-

tas variáveis. No período diurno, observou-se que Ha1 e Ha2 possuem uma distribuição fortemente parecida (Figura 5.7). Já LPH apresentou valores de ws um pouco mais altos, o que é esperado, uma vez que este sítio fica em uma região de topo relativo aos seus arredores mais pronunciada que Ha1 e Ha2, como visto na figura 3.3. GMF claramente é um local muito mais ventoso que todo o complexo de Harvard Forest, com maior frequên- cia de ws acima de 2m/s. Este sítio está numa área de topo mais intensa ainda que LPH. Quanto a isso, o modelo apresentou boa concordância, apesar de os valores serem con- sistentemente mais altos nos dois pontos de grade (Figura 5.8). Para o ponto de grade de GMF, a pirâmide ficou com distribuição mais próxima a normal que o ponto de Harvard Forest, onde o modelo apresentou o crescimento da pirâmide no lado esquerdo de forma mais íngreme.

Para a distribuição de frequência de u∗, observou-se resultados seguindo a mesma

ideia mostrada para o vento (Figura 5.9). GMF apresentou valores levemente superiores aos demais para a densidade mais alta de ocorrências. Apesar de não estar tão evidente como na distribuição de velocidade do vento. Além disso, aqui observou-se uma leve diferença entre Ha1 e Ha2. Ha1 mostrou maior número de ocorrências que Ha2 para os

Figura 5.7 – Histograma de probabilidade de valores de ws observada durante o período diurno para os 4 sítios.

Figura 5.8 – Histograma de probabilidade de valores de ws modelada durante o período diurno para os 2 pontos de grade.

133 valores mais altos de u∗. O que faz sentido, já que Ha1 está em área levemente mais

aberta que Ha2. Em relação ao modelo, a diferença entre Harvard Forest e GMF ficou ainda menos evidente (Figura 5.10). Isto deve ocorrer pois, como visto anteriormente, o modelo parece ter dificuldade em transformar a energia do momento que lhe é fornecida em energia turbulenta, principalmente nos valores que envolvem maior intensidade dessas variáveis. Portanto em GMF, a evidência de maior quantidade de vento em relação aos demais sítios por parte de u∗ pode ter sido suavizada. LPH apresentou favorecimento de

dados para determinadas faixas de valores. Isto deve ter acontecido devido à maneira de medição e tratamento do dados. De qualquer forma, o comportamento geral da distribuição de u∗ pode ser capturado.

Figura 5.9 – O mesmo que na figura 5.7, mas para u∗.

Os dados de ws noturnos, que ocorrem para a CLE, concentraram as ocorrências em valores menores que os obtidos durante o dia, uma vez que se trata de ambiente mais calmo (Figura 5.11). Confirmou-se LPH sendo levemente mais ventoso que Ha1 e Ha2; e GMF consideravelmente o mais ventoso dentre todos os sítios, também para esta parte do ciclo diário. Já o modelo, como visto, teve consistente superestimação da velocidade do vento também na CLE (Figura 5.12). Além disso, GMF apresentou um comportamento

Figura 5.10 – O mesmo que na figura 5.8, mas para u∗.

distinto de distribuição com dois máximos na pirâmide, em que configurou-se aproximada- mente uma distribuição bimodal. Existe alguma física dentro do modelo que induz um salto no valor do vento para a CLE em determinado momento, mais precisamente entre 3 e 4 m/s.

A turbulência a partir dos dados obtidos da torre se mostrou com intensidade muito parecida entre Ha1 e Ha2, também no período noturno, como pode-se observar pela figura 5.13. Ao se considerar este resultado, o observado para vento noturno, e principalmente para o período diurno, onde a magnitude dos fluxos é maior, pode-se concluir que as fortes diferenças entre os fluxos superficiais de Ha1 e Ha2 são explicadas majoritariamente pela distinta vegetação de ocorrência nos locais. Já que tanto no período diurno como noturno, as variáveis de turbulência ficaram muito parecidas para os dois pontos, o que não causaria fortes diferenças nos fluxos superficiais. Portanto, as diferenças observadas para H e LE entre Ha1 e Ha2 residem majoritariamente na diferença vegetativa das duas florestas.

Na figura 5.13 pode-se observar que LPH foi mais turbulenta que os demais sítios do complexo de Harvard Forest também na CLE. E novamente GMF, a estação no topo relativo aos arredores mais pronunciado, se mostrou o sítio mais turbulento entre os 4 aqui estudados. Nas simulações, o comportamento bimodal da distribuição ficou bem evidente para u∗, agora também para Harvard Forest (Figura 5.14). Existe algum momento em

que o modelo promove um salto na intensidade turbulenta noturna entre 0,2 e 0,4 m/s. Este comportamento deve ser causado pelo módulo de camada superficial utilizado nas simulações que mantém a turbulência em um valor mínimo após um limiar de número de Richardson ser atingido. Este tratamento nos valores de u∗ deve ajudar a explicar o

comportamento na ws simulada de GMF, com o salto nos valores, já que a turbulência afeta diretamente o vento. Esta distribuição de u∗ e sua relação com o vento também foi

135

Figura 5.11 – O mesmo que na figura 5.7, mas para ws noturna.

Figura 5.12 – O mesmo que na figura 5.8, mas para ws noturna.

proposta pelos autores. Pelo menos qualitativamente o modelo acerta em deixar GMF mais turbulenta.

Essa questão de se manter alguma turbulência para noites muito estáveis no pe- ríodo noturo pode ser ilustrada pelo procedimento de correção nos valores de CO2 conhe-

Figura 5.13 – O mesmo que na figura 5.7, mas para u∗noturna.

Figura 5.14 – O mesmo que na figura 5.8, mas para u∗noturna.

cido como filtro de u∗ (GOULDEN et al., 1996b). O método de covariância dos vórtices

funciona bem apenas quando se tem turbulência suficiente para fazer com que as parce- las de ar vindas da superfície passem pelo sensor e, assim, quantidades como CO2 que

137 estão sendo emitidas continuamente possam ser medidas. No entanto em noites calmas, com pouca turbulência, boa parte do CO2 emitido não é sentido pelo sensor (ACEVEDO et al., 2008). É comum nestas noites o CO2 não medido devido a limitada turbulência extinguir-se horizontalmente no subdossel, como observado para Harvard Forest (STAE- BLER; FITZJARRALD, 2004) e na floresta de Tapajós no Pará (TÓTA et al., 2008). Como um ecologista pode afirmar, a respiração de um ecossistema depende da temperatura do solo ou da planta, mas certamente não depende da quantidade de mistura turbulenta. Por- tanto, o que se faz é observar F C em noites ventosas, registrar a temperatura para cada faixa de valores de fluxo e usar esta informação para noites calmas. Assim, no modelo, mui- tos esquemas de camada superficial prescrevem a turbulência de maneiras distintas para cada faixa de estabilidade, para contar com um pouco de mistura nestas noites calmas e realizar alguma quantidade de fluxo. Esse tratamento deve estar se refletindo nos valores de u∗ e ws do modelo, com distribuição aproximadamente bimodal. Além das faixas de

estabilidade com diferentes tratamentos para a turbulência, é comum o uso de funções de estabilidade, que abrangem todos os valores de número de Richardson, e mantém alguma turbulência para a CLE muito estável (LOUIS, 1979; DELAGE, 1997).