DEPENDÊNCIA AO RELEVO

Battisti (2014) e Battisti et. al (2017) fizeram uma análise em que o erro da previsão de temperatura foi relacionado com a diferença entre a altitude das estações utilizadas e a altitude do NGP, ∆topo. Como o relevo do modelo é suavizado em relação a realidade, caso a estação esteja mais alta que o modelo, provavelmente ela vai estar em área de topo em relação aos seus arredores. Já se a estação estiver com altitude mais baixa que o modelo, provavelmente ela estará localizada em uma baixada (JIMÉNEZ; DUDHIA, 2012). Locais de baixada registram velocidades do vento menos intensas que os arredores, mais altos, pois estão abrigados e, assim, a turbulência ali é muito menor que o entorno durante a noite (ACEVEDO et al., 2013). À medida que a superfície se resfria radiativamente ao longo da noite e a turbulência não é suficiente para repor ar mais quente presente nos níveis mais afastados da superfície, o ambiente fica cada vez mais estável. Com isso, estas áreas sofrem desconexão dos níveis mais altos da CLA e apresentam turbulência quase inexistente, apenas com leves períodos de intermitência (COSTA et al., 2011; SUN et al., 2012).

Neste sentido fez-se uma análise parecida com os trabalhos citados acima, mas agora com os fluxos de superfície, para observar se o relevo pode ajudar a explicar, em parte, a diferença dos fluxos entre os sítios. A figura 5.23 mostra a relação entre EQM de H, obtido de forma similar ao EM, e a diferença de altitude entre o sítio e o modelo, ∆topo, enquanto que a figura 5.24 apresenta a mesma relação mas para LE, ambas com médias mensais.

Observou-se uma considerável relação entre H e ∆topo na maioria dos meses. Considerando Ha1, Ha2 e LPH, estações próximas, observou-se que quanto mais alta a torre fica em relação ao NGP, menor foi EQM. Como NPG para os três sítios é menor que as altitudes reais, todas as estações estão em áreas altas para a média da região. Com isso, a turbulência noturna tende a ser maior na realidade que no modelo, ao se considerar apenas o relevo, o que favorece trocas mais eficientes na superfície e provoca um aumento no valor de H observado. Foi visto que o modelo superestimou consideravelmente os fluxos de superfície. Entretanto, a tendência de menor turbulência no modelo para esta região faz com que haja uma compensação e o erro fique menor. E isso de maneira mais intensa quanto mais alta a torre de observação se localiza em relação aos seus arredores.

Figura 5.23 – EQM de H em função de ∆topo para cada sítio em cada mês.

Já para GMF o contrário ocorreu. Como a torre se localiza em uma altitude menor que o modelo, este tendeu a apresentar mais turbulência que a realidade para este sítio. Com isso, ali, os valores de H tendem a ser mais baixos que no modelo, ao se considerar apenas a influência do relevo. Com isso, como o modelo já superestima os fluxos, para este sítio a superestimação ficou ainda maior. Em relação à época do ano, observou-se uma maior dependência nos meses de inverno, quando a CLE tende a ser mais atuante e intensa. Nos meses de verão existe alguma relação, mas que parece ser afetada pelo tipo de vegetação, ao se observar um comportamento diferente em Ha2 nesta época. Já no mês de EF, Maio, a relação não ficou tão clara, justamente quando os valores de H sofrem intensas modificações. Para LE, não observou-se dependência do erro com a topografia, sendo esta mais uma variável a modular H mas não LE.

Stoy et al. (2013) notaram que a topografia acidentada ao redor de um sítio tam- bém tem um importante papel no problema de fechamento de energia na superfície. A

145 Figura 5.24 – O mesmo que na figura 5.23, mas para LE.

maior intensidade de radiação nas encostas voltadas pra sul, no hemisfério norte, tende a favorecer o crescimento das plantas. Já em sítio com limitação hídrica, como no clima Mediterrâneo, as encostas voltadas pra norte podem ter um efeito positivo (HELMAN et al., 2017). Árvores localizadas na parte inclinada da topografia tendem a ter maior produ- tividade, LE e área basal que as localizadas no fundo de uma baixada (ELLIOTT et al., 2015; SPASOJEVIC et al., 2016; HELMAN et al., 2017). Apesar da área basal poder ser menor em encosta dependendo da espécie. LE também tende a ser maior em altitudes menores. Esta heterogeneidade do relevo costuma piorar bastante o fechamento do ba- lanço de energia na superfície, sendo que a dependência da direção do vento passa a ser alta (MCGLOIN et al., 2018).

Seguindo a mesma ideia obtida a partir dos parâmetros que representam a energia turbulenta mecânica, H apresentou, para algumas épocas do ano, uma forte dependên- cia com mais uma variável, neste caso, o relevo. Enquanto que LE não apresentou para

algum mês do ano. Isso indica que os outros parâmetros para trocas de água entre su- perfície e atmosfera, como umidade do solo, umidade do ar e energia disponível, são mais determinantes na quantidade trocada que fatores de estabilidade e relevo.

6 CONCLUSÕES

Este trabalho teve como objetivo estudar os fluxos superficiais e a modificação da CLA que ocorre com a chegada da primavera em florestas temperadas, um dos mais im- portantes fenômenos na fenologia das plantas. Além disso, a partir de integrações de caráter climatológico com o modelo WRF, buscou-se analisar a eficácia das simulações, principalmente em relação aos fluxos durante a EF. Ainda, duas variáveis foram utilizadas para auxiliar no entendimento do comportamento dos fluxos: turbulência e relevo.

De forma geral, o modelo superestimou consistentemente os fluxos superficiais, H e LE, seja no ciclo diário como no ciclo sazonal. Isto ficou evidente durante a estação de crescimento, quando os valores envolvidos são maiores, dada a disponibilidade de ener- gia. Em relação a H, observou-se uma grande deficiência por parte do modelo em reduzir o valor do fluxo após EF para os sítios em florestas decíduas, quando LE passa a predo- minar. Em relação às componentes dos fluxos, o modelo reproduziu bem as contribuições relativas de cada parte da superfície que compõem H e LE totais, de forma geral. En- tretanto, especificidades, como durante EF e SF, não foram bem simuladas. Ao se fazer a comparação a trabalhos com medidas específicas para cada componente em florestas (BLANKEN et al., 1997; WILSON; HANSON; BALDOCCHI, 2000; MELAAS et al., 2013; WEHR et al., 2017), percebeu-se que o modelo falhou tanto nos fluxos do dossel, como no solo. Este último geralmente associado à umidade e à radiação que consegue atingir a su- perfície, influenciada diretamente pela fração de vegetação verde das plantas. A aplicação de uma simples técnica para o fechamento do balanço de energia na superfície se mos- trou eficaz para aproximação dos dados observados ao modelo. Entretanto, o problema de fechamento não explicou a maior parte da divergência dos valores entre as torres e as simulações.

Para a identificação da data de EF utilizou-se F C como o parâmetro base de aná- lise da CLA durante EF (WHITE; RUNNING; THORNTON, 1999; MELAAS et al., 2013). Apesar de que, em Ha2, onde há predomínio de coníferas, e GMF, onde metade da área é ocupada por este tipo de vegetação, o uso do parâmetro representou meramente o retorno da atividade fotossintética das árvores perenes. Neste tipo de planta a inversão de F C devido ao início da fase produtiva ocorre muito antes, pois ao contrário das decíduas, as folhas estão presentes no dossel o ano inteiro. Com isso, observou-se uma inversão de F C em Ha2 próxima à data de descongelamento climatológico da região, em torno do dia do ano 75, e em GMF um adiantamento desta inversão em relação às florestas decíduas.

Na procura de um método objetivo para identificação correta da data de EF através do impacto nas variáveis médias da CLA, causado pela forte modificação dos fluxos de superfície, as variáveis térmicas foram as que mais se destacaram, ao se excluir efeitos de sistemas transientes: T 2m, amT e U R. Apesar de U R retratar a umidade atmosférica,

esta variável carrega também a informação térmica. A taxa de variação diária de T 2m tendeu a 0 justamente em EF; amT e U R apresentaram o máximo e mínimo anuais, res- pectivamente, 2 a 3 semanas antes de EF. O uso destas duas últimas variáveis, associado à atenuação do crescimento diário de T 2m após o fim do inverno, pode servir como um eficiente método simples de identificação de EF in situ. Isso pode ser feito para os locais onde há medidas de temperatura e umidade mas não dispõem de observações de fluxos de superfície, principalmente para CO2.

Poderia-se utilizar o modelo para identificação de EF por meio do método citado acima em locais onde não há algum tipo de medições. Entretanto, a falta de uma atualiza- ção mais frequente ou cálculo da fração de vegetação verde ou índice de área foliar, por meio de parâmetros fenológicos e atmosféricos, minou o uso do modelo para este objetivo, como pode-se comprovar no comportamento dos valores de LE e q2m. Uma vez que esta informação foi atualizada apenas um momento em cada mês, o surgimento de folhas nas plantas que modificam os fluxos de superfície e alteram a CLA esteve bem defasado da realidade.

Ao analisar-se a convergência dos fluxos na CLA durante o ciclo diurno, percebeu- se que H e T 2m possuem uma relação muito mais forte entre si que LE e q2m. Isto pode ser explicado devido ao fato de a CLA crescer muito mais rápido, por meio da entrada de calor via H, do que a quantidade de umidade que a superfície, por meio de LE, consegue repor para evitar a diluição desta quantidade ao longo de uma camada cada vez mais alta. À medida que a CLA cresce há entranhamento de ar mais quente e seco da atmosfera livre para dentro da CLA. Esta conclusão reforça o uso de variáveis associadas à temperatura, em detrimento da umidade, para identificação simples de uma forte mudança nos fluxos de superfície.

Observou-se que o comportamento dos fluxos de superfície durante a EF apresen- tou diferenças entre os anos, o que mudou a intensidade da chegada da primavera. Para tentar entender a causa, relacionou-se esta intensidade a médias de variáveis atmosféri- cas antes e depois de EF em cada ano. Neste sentido, observou-se que a temperatura foi a variável que mais explicou a intensidade da chegada da primavera, mas não sua data. Em anos mais quentes, a intensidade tendeu a ser maior. Em relação às datas de EF pre- coces ou tardias, observou-se uma tendência de primaveras mais adiantadas ao longo dos anos para Ha1. Além disso, a temperatura não se mostrou marcante nessa mudança e sim a maior quantidade de chuva. Hipotetiza-se que isto aconteça devido ao solo e às raízes das plantas. Com maior quantidade de precipitação nesta época do ano, mais cedo tende a ser o descongelamento do solo e a elevação de sua temperatura, o que faz com que as plantas tenham a EF mais cedo que em média. Já na floresta de coníferas a variável de maior influência para o início da atividade fotossintética da vegetação foi a temperatura.

A análise para diferentes usos do solo do modelo mostrou que os cultivos, segui- dos pelos campos, apresentaram o mais alto predomínio de LE sobre H (β menor que 1)

149 durante a estação de crescimento. Este resultado do modelo faz muito sentido e pode ser explicado pela alta atividade fotossintética destes tipos de plantas, além do menor com- primento de rugosidade e sombreamento, o que deixa o solo e a porção de ar adjacente mais aquecidos. Isto aumenta o deficit de pressão de vapor do ar sobre a vegetação. Este resultado se torna ainda mais conclusivo ao comparar-se com os resultados de Lu e Kueppers (2012). Com o uso do WRF versão 3, observaram subestimação de LE sobre cultivos em comparação com as observações, tanto com ou sem um esquema de irrigação. Considerando-se esta informação, ainda assim aqui o modelo simulou o LE das planta- ções como o maior dentre todos os usos do solo. As decíduas também apresentaram forte dominância de LE, como esperado, entretanto menor que os dois anteriores. Já as coní- feras apresentaram o maior predomínio de H, em que β ficou maior que 1 durante toda a primavera e verão. Em relação a temperatura, as árvores costumam manter um verão mais quente comparado aos cultivos devido ao menor albedo, associado ao menor resfri- amento evaporativo e aos feedbacks que afetam nuvens e precipitação (OLESON et al., 2004). Estas diferenças entre os diversos usos do solo são determinantes no horário de iniciação convectiva, principalmente durante o verão, ou seja, sistemas de chuva gerados localmente (ADEGOKE; PIELKE; CARLETON, 2007).

Na análise da turbulência, observou-se que para a CLC o modelo apresentou con- sistente superestimativa de H e LE, que aumentaram até certa faixa de valores depois voltaram a diminuir. Entretanto, para o período noturno, os erros do modelo se mostraram mais marcantes. A magnitude de H foi subestimada na CLE, o que deixou a tempera- tura mais baixa nas simulações, com erro maior que para a temperatura da CLC. Não observou-se destaques no erro de LE quando se separou os dados para os períodos no- turnos e diurnos, o que mostra a independência deste fluxo em relação a estabilidade e turbulência do ambiente. A velocidade do vento apresentou superestimação para todas as faixas de valores, com leve diminuição para ambiente noturno. Isto evidencia os problemas da CLE, uma vez que os maiores erros de previsão do vento, responsável pela energia me- cânica para a turbulência, não foram encontrados durante a noite. Esta superestimação do vento poderia levar a maiores valores de u∗ no modelo que nas torres. Entretanto, esta va-

riável foi subestimada para ambiente mais turbulento, principalmente no período noturno. Ou seja, o modelo não transforma em energia cinética turbulenta mecânica a energia a mais do momento que lhe foi fornecida via superestimação de ws. Este problema reflete nas temperaturas mais baixas encontradas nas simulações. Mesma questão foi apontada por Battisti (2014) e Battisti et al. (2017) em outra versão do WRF. Observou-se também que o modelo apresentou uma descontinuidade entre 3 e 4 m/s para ws, que deve estar sendo causada pela prescrição de turbulência que apresenta distribuição bimodal de seus valores modelados. Este comportamento deve surgir pelo módulo de camada superficial que mantém a turbulência em um valor mínimo após um limiar de número de Richardson ser atingido.

Na análise para a CLE do erro dos fluxos simulados em relação à ws e u∗ ob-

servado, notou-se dependência de H sobre as duas variáveis de turbulência, com erros maiores em ambiente mais calmo. Entretanto, LE não apresentou esta tendência, com exceção de Ha1 para valores grandes de vento e turbulência. Isto confirmou a indicação obtida ao se separar os dados noturnos dos diurnos de que LE apresentava baixa depen- dência para com a turbulência. Da mesma forma, o erro de T 2m apresentou dependência em relação ao vento e à u∗enquanto que o erro de q2m ficou independente. À medida que

o ambiente ficou mais turbulento, o erro da temperatura aumentou.

Para o relevo, uma conclusão similar foi encontrada, com dependência no erro de H para com o perfil topográfico, mas não para LE. Quanto mais em área de topo estava a torre em relação aos seus arredores, menor tendeu a ser o erro de H, devido a uma compensação na superestimativa do fluxo de calor sensível. Se a torre estiver em área de topo, a turbulência observada tende a ser maior neste local. Já no modelo, que apre- senta o relevo suavizado, a turbulência prescrita tende a ser menor que a natureza, ao se considerar apenas a influência da topografia.

Portanto, houveram diversas relações de dependência encontradas para H e não para LE. Pode-se resumi-las da seguinte forma:

• Variáveis térmicas, relacionadas a H, foram mais úteis para identificação da chegada da primavera;

• H explicou fortemente a Tclamédia no ciclo diurno da CLC enquanto LE não explicou

qcla para este ciclo;

• H apresentou dependência no erro de simulação para com a turbulência, enquanto LE não, da mesma forma que T 2m apresentou e q2m não;

• H apresentou dependência no erro de simulação para com o relevo, enquanto LE novamente não apresentou;

Todas estão relações de H não encontradas para LE são um tanto surpreendentes. Entretanto, isso vai ao encontro dos achados por Dirmeyer et al. (2018), que ao utilizarem uma gama de modelos, esquemas de superfície e reanálises, observaram maiores defici- ências em H do que em LE, inclusive em sua sazonalidade, para todas as simulações. Isso coloca uma importante consideração nos problemas dos esquemas de superfície, já que o consenso geral era de que H fosse um processo mais simples de simular do que LE.

À respeito das menores dependências de LE em comparação a H, pode-se apon- tar justificativas. O fluxo de calor latente envolve muitos parâmetros para sua ocorrência. Somente para a transpiração existem vários fatores de controle: quantidade de energia disponível, área foliar, condutância estomática, umidade do solo e demanda atmosférica.

151 Ou seja, mesmo com energia, solo úmido, área foliar e forte turbulência, caso a atmosfera estiver com baixos valores de deficit de pressão de vapor, a evapotranspiração não será fa- vorecida. De qualquer forma, a maior parte destes parâmetros está associada à existência de folhas nas plantas, de modo que EF e SF são determinantes.

Além disso, existe a evaporação, que apresenta comportamentos muitas vezes con- traintuitivos. Wehr et al. (2017), por exemplo, apontaram que durante a estação de cres- cimento a evaporação contou com 16% da evapotranspiração em Ha1, floresta decídua. Entretanto, apesar de aumentar fortemente ao longo da primavera-verão, o pico ocorreu durante o período do ano em que o solo está mais seco. Isso porque o conteúdo de água no solo e na camada de serrapilheira não são linearmente relacionados e o aumento da evaporação é conduzido mais fortemente pela temperatura do solo, do que pela umidade do solo ou demanda atmosférica. Como mais um exemplo, Wilson, Hanson e Baldocchi (2000) observaram uma sazonalidade bem marcada em H proveniente do solo vegetado, mas não em LE. Isso em parte pelo fato de no inverno G ser uma fonte de energia e no verão ser negativo, além de no inverno ter menos sombra de folhas, o que balanceia a quantidade de energia disponível na superfície subdossel. Além disso, a umidade da serra- pilheira, desacoplada do solo, é a principal fonte de umidade para LE subdossel. Portanto, no verão esta camada normalmente seca poucas horas após um evento de precipitação, enquanto que no inverno, mesmo que a taxa de evaporação seja pequena devido a menor energia, esta continua ocorrendo até que a serrapilheira seque. Isso deixa os valores de LE subdossel no inverno e verão parecidos. Já nos dados do WRF analisados neste tra- balho, a sazonalidade de LE para solo vegetado ficou marcada na floresta decídua, o que vai contra a observação citada.

O estudo da fenologia de florestas apresenta enormes desafios para o melhor en- tendimento da relação entre a atividade biológica e o clima. E existem também grandes desafios na modelagem destas relações, como: representação correta da floresta local, fração de vegetação verde, turbulência, relevo, acoplamento entre superfície e atmosfera, acoplamento entre superfície e solo, parâmetros da fotossíntese, umidade do solo, pro- fundidade das raízes, entre outros. Todos estes parâmetros e suas inter-relações acabam sendo refletidos nos fluxos superficiais que afetam toda a CLA, de modo que diversos fenômenos atmosféricos são impactados. Entre eles, pode-se citar o desenvolvimento de cumulus no topo da CLA, iniciação convectiva, precipitação e temperaturas locais, além de modificações em âmbito climático, alterando o regime de chuvas e as temperaturas médias de grandes regiões.

Burakowski et al. (2016) notaram que o fator dominante para o erro da temperatura máxima modelada pelo WRF foi a escolha do esquema de superfície-terrestre, ao faze- rem uma combinação de esquemas de superfície, microfísica e radiação. Sendo que o esquema de superfície-terrestre é o responsável pelo prognóstico dos fluxos superficiais.