Estudos da camada limite atmosférica com o modelo WRF: fenologia de florestas temperadas, turbulência e relevo

Texto

(1)UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE CIÊNCIAS NATURAIS E EXATAS PROGRAMA DE PÓS-GRADUAÇÃO EM METEOROLOGIA. Adriano Battisti. ESTUDOS DA CAMADA LIMITE ATMOSFÉRICA COM O MODELO WRF: FENOLOGIA DE FLORESTAS TEMPERADAS, TURBULÊNCIA E RELEVO. Santa Maria, RS 2018.

(2)

(3) Adriano Battisti. ESTUDOS DA CAMADA LIMITE ATMOSFÉRICA COM O MODELO WRF: FENOLOGIA DE FLORESTAS TEMPERADAS, TURBULÊNCIA E RELEVO. Tese de Doutorado apresentada ao Programa de Pós-Graduação em Meteorologia, Área de Concentração em Micrometeorologia, da Universidade Federal de Santa Maria (UFSM, RS), como requisito parcial para obtenção do grau de Doutor em Meteorologia.. ORIENTADOR: Prof. Felipe Denardin Costa COORIENTADOR: Prof. Otávio Costa Acevedo COORIENTADOR ESTRANGEIRO: Prof. David R. Fitzjarrald. Santa Maria, RS 2018.

(4) Battisti, Adriano ESTUDOS DA CAMADA LIMITE ATMOSFÉRICA COM O MODELO WRF: FENOLOGIA DE FLORESTAS TEMPERADAS, TURBULÊNCIA E RELEVO / Adriano Battisti.- 2018. 172 p.; 30 cm Orientador: Felipe Denardin Costa Coorientadores: Otávio C. Acevedo, David R. Fitzjarrald Tese (doutorado) - Universidade Federal de Santa Maria, Centro de Ciências Naturais e Exatas, Programa de Pós-Graduação em Meteorologia, RS, 2018 1. Fenologia de Florestas Temperadas 2. Turbulência 3. Relevo 4. Modelo WRF I. Denardin Costa, Felipe II. C. Acevedo, Otávio III. R. Fitzjarrald, David IV. Título. Sistema de geração automática de ficha catalográfica da UFSM. Dados fornecidos pelo autor(a). Sob supervisão da Direção da Divisão de Processos Técnicos da Biblioteca Central. Bibliotecária responsável Paula Schoenfeldt Patta CRB 10/1728.. ©2018 Todos os direitos autorais reservados a Adriano Battisti. A reprodução de partes ou do todo deste trabalho só poderá ser feita mediante a citação da fonte. End. Eletr.: adrianotbattisti@gmail.com.

(5)

(6)

(7) DEDICATÓRIA. Aos meus pais Almir e Ivone, ao meu irmão Denis e aos meus avós Emílio (in memoriam), Argentino (in memoriam), Maria (in memoriam) e Maria Paulina..

(8)

(9) AGRADECIMENTOS. Agradeço a Deus que me ilumina sempre nos momentos bons e mais difíceis e a Maria Santíssima que tem intercedido junto a Ele por mim. Aos meu pais, Almir Antonio Battisti e Ivone Margarida Tirloni Battisti, pelo amor e apoio constante. Ao meu irmão Denis Battisti que sempre torce para que eu atinja meus objetivos. A minha avó Maria Paulina a aos meus falecidos avós Argentino, Emílio e Maria pelos exemplos. Aos demais familiares que de uma forma ou de outra contribuíram. Aos meus orientadores Felipe Denardin Costa e Otávio Costa Acevedo que me conduziram durante o doutorado. Ao meu orientador estrangeiro David R. Fitzjarrald e sua família. David me apresentou um estudo muito engajante e que ao mesmo tempo deu continuidade às pesquisas que vínhamos realizando. Aos grandes amigos que fiz ou mantive durante o doutorado: André Parcianello, Daiane V. Brondani, Diogo Arsego, Fernando Rossatto, Flávia Rosso, Geovane Webler, Gisele C. D. Rubert, Guilherme Goergen, Ivan Mauricio C. Toro, Joel Rubert, Johny Andrés J. Palacio, Lissete G. Rodríguez, Marcelo Diaz, Mariana Trevisan, Maurício Ilha, Osmar T. Bonfim, Rafael Maroneze, Roilan H. Valdés, Tiago Robles, Vanessa A. Souza, Vanessa Ferreira, Viviane S. Guerra. Muito obrigado a vocês pelas inúmeras ajudas e fortes contribuições ao trabalho com as quais foi mais possível sua realização. Além do companheirismo e amizade, frequentes momentos alegres proporcionados, que são indispensáveis para podermos seguir em frente. Aos grandes amigos Bruno V. Brum e Filipe S. da Rosa que proporcionam bons momentos de conversa e sabedoria. Aos funcionários do curso de meteorologia, Pablo e Daniel, pela amizade e suporte. Aos demais colegas e professores do curso que de uma forma ou outra contribuíram, desde as disciplinas. Aos demais funcionários da meteorologia e dos serviços gerais do prédio CRS que zelam por um espaço agradável. Ao pessoal do ASRC, em Albany, que me acolheu com atenção. Ao pessoal do futebol em Santa Maria e Nova Trento pelas boas horas de lazer e amizade. Além dos demais amigos de Nova Trento, principalmente da minha localidade, Morro da Onça. Aos demais amigos de Santa Maria. A Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), a UFSM e ao Programa de Pós-Graduação em Meteorologia, que por meio do financiamento da população brasileira, possibilitaram este trabalho, a realização do doutorado-sanduíche no exterior e a estrutura utilizada..

(10)

(11) “O maior bem que podemos fazer a um homem é levá-lo à Verdade.” (São Tomás de Aquino, Doutor da Igreja Católica e pioneiro do Pensamento Libertário.).

(12)

(13) RESUMO ESTUDOS DA CAMADA LIMITE ATMOSFÉRICA COM O MODELO WRF: FENOLOGIA DE FLORESTAS TEMPERADAS, TURBULÊNCIA E RELEVO AUTOR: Adriano Battisti ORIENTADOR: Felipe Denardin Costa COORIENTADOR: Otávio Costa Acevedo COORIENTADOR ESTRANGEIRO: David R. Fitzjarrald Neste trabalho, estudou-se o comportamento das variáveis de superfície e da Camada Limite Atmosférica (CLA) durante a emergência das folhas (EF) nas florestas temperadas do nordeste dos Estados Unidos da América. Utilizou-se o modelo Weather Research and Forecasting (WRF) e dados observacionais de quatro torres da região. As simulações possuem um caráter climatológico por abrangerem um período de 13 anos com saídas horárias. Analisou-se, de forma geral, o comportamento interanual, sazonal e o ciclo diário dos fluxos de calor sensível (H ) e calor latente (LE ), a fim de se entender a fenologia dessas florestas. Esta avaliação foi feita para os dados observados e modelados, de modo que a precisão do modelo foi avaliada, de acordo com cada sítio estudado. Procurou-se, também, encontrar um identificador da chegada da primavera a partir das variáveis da CLA e sua tendência ao longo dos anos. Além disso, comparou-se saídas do modelo para diversos usos do solo. E, ainda, a dependência dos fluxos com a turbulência e o relevo foi analisada. De forma geral, o modelo superestimou a magnitude dos fluxos de superfície tanto de dia como de noite, bem como nas diferentes estações do ano, especialmente H durante o verão nas florestas decíduas. As variáveis associadas com calor sensível, como temperatura, especialmente suas taxas de variação diária, foram os melhores parâmetros para identificação objetiva de EF, levando em conta quantidades médias da CLA. O WRF apresentou problemas para simular a umidade próximo de EF, o que deve estar associado ao fato de que o modelo não atualiza a fenologia rápido o suficiente para descrever a forte transição da chegada da primavera. Isso minou a identificação da data de EF a partir das simulações, o que mostra uma grande necessidade de melhora na reprodução da fenologia das plantas. A tendência de EF mais adiantadas se mostraram estar associadas com maior precipitação, mas não com a temperatura. Já sua intensidade apresentou relação com esta última. Diversas dependências foram observadas para H e não para LE . A turbulência e a topografia modularam o erro de simulação de H mas não de LE . Palavras-chave: Fenologia de Florestas Temperadas. Turbulência. Relevo. Modelo WRF. Chegada da Primavera..

(14)

(15) ABSTRACT ATMOSPHERIC BOUNDARY LAYER STUDY WITH WRF MODEL: TEMPERATE FORESTS PHENOLOGY, TURBULENCE AND TOPOGRAPHY AUTHOR: Adriano Battisti ADVISOR: Felipe Denardin Costa CO-ADVISOR: Otávio Costa Acevedo FOREIGN CO-ADVISOR: David R. Fitzjarrald In this work, we have studied the behavior of surface variables and the Atmospheric Boundary Layer (CLA) during the leaf emergence (EF) at the temperate forests of the northeast United States of America. We have used the Weather Research and Forecasting (WRF) model and observational data from four towers of the region. There is a climatological characteristic on the simulations because they cover a 13 years period with hourly outputs. We have analyzed, in general, the interannual, seasonal and daily cycle behaviors of the sensible heat (H ) and latent heat (LE ) fluxes, with the aim to understand the phenology of these forests. This evaluation was made for observed and modeled data, and the model efficiency was analyzed according to each studied site. We have aimed, also, to find an identifier of the spring onset from CLA variables and its tendency over the years. We have compared model outputs for several different land uses. In addition, the fluxes dependence on turbulence and topography was analyzed. In general, the model have superestimated the surface fluxes magnitude both in day and at night. Also, in the different seasons, specially H during the summer at the deciduous forests. The variables associated with sensible heat, like temperature, specially their daily rate, were the best parameters to be a objective identifier for EF, considering CLA mean variables. WRF have had problem to simulate the humidity near EF, which can be associated to the fact that the model does not update phenology rapidly enough to describe the sharp spring transition. This have mined the model ability to identify EF date, which shows the necessity of phenological reproduction improvement. The trend toward earlier EF dates seems to be associated with more precipitation, but not with temperature. Unlike, spring intensity has showed dependence on this last variable. Several dependencies were observed for H but not for LE . Turbulence and topography have modulated the simulated H error but a relation with LE was not observed. Keywords: Temperate Forests Phenology. Turbulence. Topography. WRF Model. Spring Onset..

(16)

(17) LISTA DE FIGURAS. Figura 2.1 – (a) Perfil do vento no interior e logo acima de floresta; (b) Perfil de temperatura potencial durante a noite e (c) durante o dia para o mesmo ambiente. Figura 3.1 – Evolução da emergência das folhas na cidade de Albany, NY, do painel superior esquerdo em direção à direita, até o inferior direito. . . . . . . . . . . . . Figura 3.2 – Uso do solo a partir do projeto New IGBP Modis (Friedl et. al, 2002) e localização dos dois conjuntos de florestas utilizados. A área rosa maior evidencia a região metropolitana de New York City. . . . . . . . . . . . . . . . . . . . . . Figura 3.3 – Topografia do complexo de torres em Harvard Forest (m sobre o nível médio do mar). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 3.4 – Exemplar de carvalho vermelho e folhas desta espécie à direita. . . . . . . . . Figura 3.5 – Exemplar de bordo vermelho e folhas desta espécie à direita. . . . . . . . . . . . Figura 3.6 – Exemplar de cicuta e folhas desta espécie à direita. . . . . . . . . . . . . . . . . . . . . . Figura 3.7 – Exemplar de pinus branco e folhas desta espécie à direita. . . . . . . . . . . . . . . Figura 3.8 – Sítio de Harvard Forest 1 - Environmental Measurement Site. . . . . . . . . . . . Figura 3.9 – Sítio de Harvard Forest 2 - Hemlock Site. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 3.10 – Sítio de Little Prospect Hill. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 3.11 – Topografia de Great Mountain Forest (m sobre o nível médio do mar). . Figura 3.12 – Sítio de Great Mountain Forest. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 3.13 – Esquema de grade do modelo WRF, em que θ representa a temperatura no ponto de grade e u, v e w as componentes do vento deslocadas meio ponto de grade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.1 – H médio por hora do dia para os dados observados e modelados. . . . . . . Figura 4.2 – O mesmo que na figura 4.1, mas para LE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.3 – H médio por dia do ano para os dados observados e modelados. . . . . . . . Figura 4.4 – O mesmo que na figura 4.3, mas para LE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.5 – Componentes que compõem H para cada um dos pontos de grade e o valor total dos fluxos observados, sendo Ha1 para Harvard Forest. . . . . . . Figura 4.6 – O mesmo que na figura 4.5 mas para LE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.7 – H médio por hora do dia para os dados observados, observados corrigidos e modelados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.8 – O mesmo que na figura 4.7, mas para LE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.9 – H médio por dia do ano para os dados observados, observados corrigidos e modelados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.10 – O mesmo que na figura 4.9, mas para LE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.11 – H médio por hora do dia, à esquerda, e por dia do ano, à direita, para os dados observados, modelados a partir de NGP e M4P. . . . . . . . . . . . . . . . . . . Figura 4.12 – O mesmo que na figura 4.11, mas para LE . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.13 – F C em Ha1 com médias diurnas em cada dia do ano. Como exemplo, as setas azul e verde indicam, para 2002, as datas de EF e SF, respectivamente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.14 – O mesmo que na figura 4.13, mas para Ha2. . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.15 – O mesmo que na figura 4.13, mas para LPH. . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.16 – O mesmo que na figura 4.13, mas para GMF. . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 4.17 – H e LE médios e suavizados para cada dia do ano, observados e modelados, em cada sítio. As linhas tracejadas indicam EF e SF. . . . . . . . . . .. 32 45. 47 48 49 49 50 50 51 52 52 53 53. 54 66 67 68 69 72 73 76 77 77 78 79 80. 83 84 84 85 87.

(18) Figura 4.18 – O mesmo que na figura 4.17, mas para taxa de variação de ambas, H e LE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 Figura 4.19 – O mesmo que na figura 4.17, mas para β e taxa de variação de β . . . . . . 91 Figura 4.20 – O mesmo que na figura 4.17, mas para T 2m e q2m. . . . . . . . . . . . . . . . . . . . 92 Figura 4.21 – O mesmo que na figura 4.17, mas para taxa de variação de ambas, T 2m e q2m. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 Figura 4.22 – O mesmo que na figura 4.17, mas para amT e U R. . . . . . . . . . . . . . . . . . . . 95 Figura 4.23 – Para dados modelados de Harvard Forest: (a) H e Tcla médios para cada dia do ano; (b) H e Tcla médios para cada hora; (c) como em (a) mas para LE e qcla ; (d) como em (b) mas para LE e qcla . . . . . . . . . . . . . . . . . . . . . . . . . . 97 Figura 4.24 – O mesmo que na figura 4.23, mas para GMF. . . . . . . . . . . . . . . . . . . . . . . . . . . 98 Figura 4.25 – T 2m e Tcla observadas e modeladas médias a cada hora e cada mês, para Ha1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 Figura 4.26 – O mesmo que na figura 4.25, mas com q2m e qcla . . . . . . . . . . . . . . . . . . . . . 101 Figura 4.27 – Médias de H observado 30 dias antes (em preto) e 30 dias após (em azul) EF para cada ano em Ha1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 Figura 4.28 – O mesmo que na figura 4.27, mas para dados de LE observado em Ha1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .103 Figura 4.29 – O mesmo que na figura 4.27, mas para dados modelados de Harvard Forest. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 Figura 4.30 – O mesmo que na figura 4.28, mas para dados modelados de Harvard Forest. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 Figura 4.31 – O mesmo que na figura 4.27, mas para Ha2. . . . . . . . . . . . . . . . . . . . . . . . . . . 106 Figura 4.32 – O mesmo que na figura 4.28, mas para Ha2. . . . . . . . . . . . . . . . . . . . . . . . . . . 107 Figura 4.33 – Para Ha1 e cada ano: (a) razão entre H médio 30 dias antes e 30 dias após EF em função da média de T 2m observada 30 dias antes de EF; (b) como em (a), mas em função da média de T 2m observada 30 dias após EF; (c) e (d) são como em (a) e (b), respectivamente, mas para LE . . . . .108 Figura 4.34 – O mesmo que na figura 4.33, mas em função de q2m. . . . . . . . . . . . . . . . . .109 Figura 4.35 – O mesmo que na figura 4.33, mas em função de P rec. . . . . . . . . . . . . . . . .109 Figura 4.36 – Para Ha1: (a) data de EF em função do ano; (b) T 2m média para Março em função da data de EF; (c)como em (b), mas para q2m; como em (b), mas para P rec. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .111 Figura 4.37 – O mesmo que na figura 4.36, mas para Ha2, com o painel (d) ausente. 112 Figura 4.38 – H modelado médio por hora do dia e médio para diversos pontos de grade em cada uso do solo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 Figura 4.39 – O mesmo que na Figura 4.38, mas para LE . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 Figura 4.40 – H modelado médio por dia do ano e médio para diversos pontos de grade em cada uso do solo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 Figura 4.41 – O mesmo que na Figura 4.40, mas para LE . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 Figura 4.42 – H observado médio por dia do ano em cada sítio e H do correspondente uso do solo do modelo médio para vários pontos de grade. . . . . . . . . . . . . . 119 Figura 4.43 – O mesmo que na Figura 4.42, mas para LE . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 Figura 5.1 – Comparação entre média de blocos de H observado e modelado nos 4 sítios, separados para: todos os dados, período diurno e período noturno. 124 Figura 5.2 – O mesmo que na figura 5.1, mas para LE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 Figura 5.3 – O mesmo que na figura 5.1, mas para T 2m. . . . . . . . . . . . . . . . . . . . . . . . . . . . .127 Figura 5.4 – O mesmo que na figura 5.1, mas para q2m. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .128.

(19) Figura 5.5 – O mesmo que na figura 5.1, mas para ws. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .129 Figura 5.6 – O mesmo que na figura 5.1, mas para u∗ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .130 Figura 5.7 – Histograma de probabilidade de valores de ws observada durante o período diurno para os 4 sítios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .132 Figura 5.8 – Histograma de probabilidade de valores de ws modelada durante o período diurno para os 2 pontos de grade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 Figura 5.9 – O mesmo que na figura 5.7, mas para u∗ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .133 Figura 5.10 – O mesmo que na figura 5.8, mas para u∗ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 Figura 5.11 – O mesmo que na figura 5.7, mas para ws noturna. . . . . . . . . . . . . . . . . . . . . 135 Figura 5.12 – O mesmo que na figura 5.8, mas para ws noturna. . . . . . . . . . . . . . . . . . . . . 135 Figura 5.13 – O mesmo que na figura 5.7, mas para u∗ noturna. . . . . . . . . . . . . . . . . . . . . .136 Figura 5.14 – O mesmo que na figura 5.8, mas para u∗ noturna. . . . . . . . . . . . . . . . . . . . . .136 Figura 5.15 – EM de H noturno em função de ws observado noturno para cada sítio. 138 Figura 5.16 – O mesmo que na figura 5.15, mas em função de u∗ . . . . . . . . . . . . . . . . . . . .139 Figura 5.17 – O mesmo que na figura 5.15, mas para LE . . . . . . . . . . . . . . . . . . . . . . . . . . . .139 Figura 5.18 – O mesmo que na figura 5.15, mas para LE em função de u∗ . . . . . . . . . . .140 Figura 5.19 – O mesmo que na figura 5.15, mas para T 2m. . . . . . . . . . . . . . . . . . . . . . . . . . 141 Figura 5.20 – O mesmo que na figura 5.15, mas para T 2m em função de u∗ . . . . . . . . . 141 Figura 5.21 – O mesmo que na figura 5.15, mas para q2m. . . . . . . . . . . . . . . . . . . . . . . . . . .142 Figura 5.22 – O mesmo que na figura 5.15, mas para q2m em função de u∗ . . . . . . . . . .142 Figura 5.23 – EQM de H em função de ∆topo para cada sítio em cada mês. . . . . . . . . 144 Figura 5.24 – O mesmo que na figura 5.23, mas para LE . . . . . . . . . . . . . . . . . . . . . . . . . . . .145 Figura A.1 – T 2m e Tcla observadas e modeladas médias a cada hora e cada mês, para Ha2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167 Figura A.2 – O mesmo que na figura A.1, mas para LPH. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168 Figura A.3 – O mesmo que na figura A.1, mas para GMF. . . . . . . . . . . . . . . . . . . . . . . . . . . . .169 Figura A.4 – O mesmo que na figura A.1, mas com q2m e qcla . . . . . . . . . . . . . . . . . . . . . . . .170 Figura A.5 – O mesmo que na figura A.4, mas para LPH. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 Figura A.6 – O mesmo que na figura A.4, mas para GMF. . . . . . . . . . . . . . . . . . . . . . . . . . . . .172.

(20)

(21) LISTA DE TABELAS. Tabela 3.1 – Parametrizações utilizadas nas simulações. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 Tabela 3.2 – Altitude e uso do solo nos sítios e os valores correspondentes no modelo. Os tipos de usos do solo correspondentes aos numerais estão na figura 3.2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 Tabela 4.1 – Datas de EF e SF para cada sítio em cada ano. . . . . . . . . . . . . . . . . . . . . . . . . . 82.

(22)

(23) LISTA DE ABREVIATURAS E SIGLAS. CLA. camada limite atmosférica. CLC. camada limite convectiva. CLE. camada limite estável. CON U S. Estados Unidos Contíguo, do inglês Contiguous United States. CO2. dióxido de carbono. EF. emergência das folhas. EM. erro médio. EM S. Environmental Measurement Site. EN OS. El Niño Oscilação Sul. EQM. Erro Quadrático Médio. EU A. Estados Unidos da América. GDD. graus-dia de crescimento, do inglês growing degree-day. GM F. sítio de Great Mountain Forest. GP D. crescimento da produção diária, do inglês growing production-day. GP P. produção primária bruta, do inglês gross primary production. GV F. fração de vegetação verde, do inglês green vegetation fraction. Ha1. sítio de Harvard Forest Environmental Measurement Site. Ha2. sítio de Harvard Forest Hemlock. HRCON U S. redução de escala de alta resolução do CONUS, do inglês High-Resolution CONUS downscaling. IBP. Programa Biológico Internacional, do inglês International Biological Program. LAI. índice de área foliar, do inglês leaf area index. LP H. sítio de Little Prospect Hill. LT ER. Rede de Pesquisa Ecológica de Longo Prazo (LTER, do inglês Long Term Ecological Research Network. MM5. esquema de camada superficial fifth-generation Pennsylvania State University–National Center for Atmospheric Research Mesoscale Model.

(24) MP. multi-física, do inglês multi-physics. M 4P. média de 4 pontos de grade em volta da localização. N AOI. índice de oscilação do Atlântico Norte, do inglês North Atlantic Oscillation Index. N CAR. National Center for Atmospheric Research. N DV I. índice da diferença normalizada da vegetação, do inglês normalized difference vegetation index. N EP. produtividade líquida do ecossistema, do inglês net ecosystem productivity. N GP. ponto de grade mais próximo, do inglês nearest grid point. SF. senescência das folhas. V PD. deficit de pressão de vapor, do inglês vapor-pressure deficit. W RF. Weather Research and Forecasting. Y SU. parametrização de camada limite Yonsei University.

(25) LISTA DE SÍMBOLOS. amT. amplitude térmica. A. taxa de assimilação de carbono total pelas folhas em Noah-MP. cp. calor específico do ar a pressão constante (1004 J/ K kg). Cleaf. massa de carbono da folha em Noah-MP. FC. fluxo de CO2. Fleaf. fração de carbono assimilado alocado à folha em Noah-MP. F la. fluxo médio antes de EF. F ld. fluxo médio depois de EF. Fveg. fração de superfície vegetada. g. grama. G. fluxo de calor no solo. h. altura da CLA. H. fluxo de calor sensível. Had. razão entre H antes e depois de EF. H0. taxa de variação de H. J. joule. kg. quilograma. km. quilômetro. K. kelvin. Kχ. coeficiente de difusão turbulenta para uma variável χ. L. comprimento de Monin-Obukhov. LE. fluxo de calor latente. LEad. razão entre LE antes e depois de EF. Lv. calor latente de vaporização (2.5 x 106 J/kg). LE 0. taxa de variação de LE. L↓. radiação. L↑. radiação.

(26) m. metro. P rec. precipitação. q. umidade específica. qcla. umidade específica média da CLA. q2m. umidade específica à 2 m da superfície. q2m0. taxa de variação de q2m. ra. resistência entre os dois níveis em que se calculam os fluxos. rb. resistência para a camada interfacial. rH. resistência ao fluxo de H. rLE. resistência ao fluxo de LE. Rleaf. taxa de respiração da folha. Rn. saldo de energia radiativa disponível na superfície. s. segundo. Scd. taxa de declínio devido ao frio em Noah-MP. S↓. radiação. S↑. radiação. t. tempo. T. temperatura. Tcla. temperatura média da CLA. Tleaf. taxa de rotatividade em Noah-MP. Tr. transpiração. T 2m. temperatura à 2 m da superfície. T 2m0. taxa de variação de T 2m. u. vento horizontal zonal. u∗. velocidade de fricção. UR. umidade relativa. v. ventor horizontal meridional. w. vento vertical. ws. velocidade do vento.

(27) W. watt. z. altura em relação ao solo; altura efetiva. z0. comprimento de rugosidade do fluxo de momento para a camada superficial. z0h. comprimento de rugosidade para o fluxo de calor. φχ. gradiente adimensional que age como uma função de estabilidade para uma variável χ. β. razão de Bowen. β. taxa de variação de β 0. ∆. diferença. ∆topo. diferença entre a altitude do sítio e a do ponto de grade correspondente do modelo. θ. temperatura potencial. κ. constante de von Karman. ρ. densidade do ar (1,25 kg/m³). τReynolds. tensão de Reynolds. χ. parâmetro do esquema Noah-MP. ΨH. função de estabilidade adimensional para o fluxo de calor.

(28)

(29) SUMÁRIO. 1 2 2.1 2.1.1 2.1.2 2.1.2.1 2.2 3 3.1 3.1.1 3.1.1.1 3.1.1.2 3.1.1.3 3.1.2 3.2 3.2.1 3.2.2 3.3 4 4.1 4.1.1 4.2 4.3 4.3.1 4.3.2 4.3.3 4.4 4.4.1 4.5 5 5.1 5.1.1 5.1.2 5.2 6. INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 REVISÃO TEÓRICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 CAMADA LIMITE ATMOSFÉRICA E INTERAÇÃO SUPERFÍCIE-ATMOSFERA 31 Balanço de Energia na Superfície . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 Cálculo da Turbulência e Parametrizações de CLA nos Modelos . . . . . . . 36 Velocidade de Fricção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 CHEGADA DA PRIMAVERA NO NORDESTE DOS ESTADOS UNIDOS . . . 38 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 SÍTIOS EXPERIMENTAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 Harvard Forest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 Harvard Forest 1 - Environmental Measurement Site . . . . . . . . . . . . . . . . . . . . . . . 48 Harvard Forest 2 - Hemlock Site . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 Little Prospect Hill . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 Great Mountain Forest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 MODELO WEATHER RESEARCH AND FORECASTING (WRF) E CONFIGURAÇÃO DAS SIMULAÇÕES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 Parametrização de CLA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 Parametrização de Superfície-Terrestre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 PROCEDIMENTOS GERAIS DE ANÁLISE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 FENOLOGIA EM FLORESTAS TEMPERADAS . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 CICLO ANUAL E DIÁRIO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 Componentes dos Fluxos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 BALANÇO DE ENERGIA NA SUPERFÍCIE E EXTRAÇÃO DE DADOS . . . . 75 IDENTIFICAÇÃO DA EMERGÊNCIA DAS FOLHAS . . . . . . . . . . . . . . . . . . . . . . . 81 Parâmetro Base para a Emergência das Folhas . . . . . . . . . . . . . . . . . . . . . . . . . 81 Variáveis Atmosféricas da CLA como Identificadores da Chegada da Primavera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 Convergência dos Fluxos na CLA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 ANÁLISE DISCRETA ANUAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .101 Tendência da Chegada da Primavera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .110 FLUXOS DE SUPERFÍCIE DO MODELO EM DIFERENTES USOS DO SOLO113 VARIÁVEIS DA SUPERFÍCIE E DEPENDÊNCIA À TURBULÊNCIA E AO RELEVO: OBSERVAÇÕES E MODELAGEM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 VARIÁVEIS DE SUPERFÍCIE E TURBULÊNCIA . . . . . . . . . . . . . . . . . . . . . . . . . . .123 Caráter da Turbulência em Cada Sítio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 Relação entre Erro e Turbulência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .137 DEPENDÊNCIA AO RELEVO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143 CONCLUSÕES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .147 REFERÊNCIAS BIBLIOGRÁFICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153 APÊNDICE A – FIGURAS PARA MAIS SÍTIOS PARECIDAS ÀQUELAS APRESENTADAS NO TEXTO PRINCIPAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167.

(30)

(31) 1. INTRODUÇÃO. A micrometeorologia é a área da Meteorologia que estuda os processos atmosféricos influenciados pela superfície do planeta. Esta influência se dá através do atrito e do aquecimento/resfriamento exercidos pela superfície. Tanto atrito quanto aquecimento favorecem que o escoamento do ar junto à superfície se torne turbulento. Por sua vez, a turbulência é um processo fortemente difusivo, de forma que a influência da superfície é sentida em toda a porção da atmosfera que for turbulenta. Essa porção é chamada de camada limite atmosférica, CLA (STULL, 1988). Estudos da CLA envolvem, portanto, necessariamente a descrição da turbulência, seja de forma observacional ou de modelagem. Do ponto de vista de observações, as teorias de similaridade como a teoria de Monin-Obukhov (MONIN; OBUKHOV, 1954) ou a teoria de similaridade local, para a camada limite estável (NIEUWSTADT, 1984; SORBJAN, 1986), fornecem uma maneira de sistematizar as relações entre variáveis turbulentas e variáveis atmosféricas médias, como vento, temperatura e concentrações de escalares. Essas sistematizações são proporcionadas por medidas detalhadas em condições idealizadas, como as do experimento de Kansas (KAIMAL; HAUGEN, 1969) ou Cabauw (NIEUWSTADT, 1984). A modelagem do escoamento atmosférico, por sua vez, tem como premissa representar as variáveis turbulentas de maneira apropriada. Isso pode ser feito através de modelos de médias de Reynolds das equações de Navier-Stokes (RANS, do inglês Reynolds-averaged Navier-Stokes). Neste caso, momentos estatísticos de ordem mais alta são relacionados a partir de relações de similaridade com momentos de ordem mais baixa (MELLOR; YAMADA, 1974; LOUIS, 1979; MELLOR; YAMADA, 1982, entre outros). Em anos mais recentes, o avanço computacional permitiu a resolução explícita do movimento turbulento pelos modelos numéricos. Quando nem todas escalas são resolvidas explicitamente, a técnica é chamada de simulação dos grandes vórtices (LES, do inglês large eddy simulation) (DEARDORFF, 1971; MOENG, 1984, entre outros). Se todas as escalas são explicitamente simuladas, se tem a simulação numérica direta (DNS, do inglês direct numerical simulation), mas esta técnica é muito limitada computacionalmente, não sendo ainda possível de ser feita para números de Reynolds realísticos da CLA, tendo também restrições de domínio espacial e temporal. Os modelos RANS são amplamente utilizados atualmente na representação da CLA em modelos numéricos de mesoescala e escalas maiores. Isso é necessário, por limitações computacionais, tanto em modelos de previsão de tempo, que precisam gerar resultados com rapidez, ou em modelos de clima, onde os domínios e horizontes temporais são bastante extensos. Ao mesmo tempo em que os diferentes fenômenos que ocorrem envolvendo a interação entre a superfície e a atmosfera necessitam ser representados de.

(32) 28 forma ampla e representativa. Por isso se utilizam relações de aproximação, as parametrizações. As parametrizações de turbulência nestes modelos são, portanto, determinantes na maneira que a atmosfera responde aos processos superficiais. O modelo Weather Research and Forecasting (WRF) é um modelo de escala regional e têm sido muito usado tanto em pesquisa quanto para fins operacionais de previsão do tempo. Apresenta uma possibilidade de realizar simulações com diversas escalas de resolução horizontal e vertical e domínio espacial, sendo forçado por condições de contorno fornecidas geralmente por dados de modelos globais. Apresenta uma gama atualizada de esquemas para cada tipo de parametrização física utilizada no modelo, como cumulus, microfísica, CLA, superfície-terrestre entre outros. Além de opções adicionais, como reações químicas dos componentes atmosféricos, e configurações numéricas, como filtros entre os dados forçantes e modelados a fim de evitar divergência, por exemplo. Battisti (2014) e Battisti et al. (2017) analisaram como diferentes parametrizações de CLA do modelo WRF resolvem temperatura noturna em uma configuração de mesoescala tipicamente utilizada para a previsão do tempo. Os resultados indicam uma enorme influência da intensidade da mistura turbulenta e de fatores como a proximidade da localidade simulada em relação ao ponto de grade mais próximo. Isso ocorre, principalmente, devido às escalas reduzidas da turbulência no caso noturno, muitas vezes para dimensões menores que as grades simuladas. A topografia, por exemplo, exerce forte influência na diferença de quantidade de turbulência que ocorre em uma área de pequena escala espacial que não pode ser representada no modelo de maneira a ter os resultados com a rapidez necessária. No presente trabalho, integrações do modelo WRF são comparadas com observações, mas em escala climática. São utilizadas simulações do projeto High-Resolution Contiguous United States (CONUS, Estados Unidos contíguo) downscaling (HRCONUS, redução de escala de alta resolução do CONUS) feitas por um período de 13 anos, com saídas horárias. Isso permite comparação com dados de fluxos superficiais e a análise de como as simulações são afetadas por variações interanuais, sazonais e diárias. A região de estudo é o nordeste dos Estados Unidos da América (EUA). Esta região é sujeita a um ciclo sazonal bem característico marcado pela fenologia da vegetação das florestas locais (FITZJARRALD; ACEVEDO; MOORE, 2001). Além disso, ali está localizada a estação pioneira na observação de fluxos superficiais de maneira contínua, Harvard Forest, que conta com observações a partir de 1991. Duas análises diferentes são feitas utilizando este conjunto de dados. Na primeira, busca-se entender como o modelo se comporta com a forte mudança que ocorre na superfície com a chegada da primavera no nordeste dos EUA, marcando um dos mais importantes fenômenos da fenologia de florestas temperadas. Nesta época, as folhas das plantas decíduas que predominam nas florestas da região emergem e modificam fortemente a atividade biológica da vegetação. A transpiração das plantas passa a ser determinante, de.

(33) 29 modo que os fluxos de superfície e, consequentemente, as variáveis da CLA, são modificados de forma marcante. Os fluxos de calor sensível e calor latente da superfície são especialmente alterados. Neste sentido, além da averiguação de possíveis deficiências do modelo, procura-se obter uma forma objetiva para identificar a data da chegada da primavera a partir da análise das variáveis atmosféricas próximas a superfície, tanto observadas como modeladas. Procura-se, também, encontrar comportamentos distintos entre os sítios analisados, investigando-se as causas. Além disso, é interessante notar se há alguma tendência em primaveras adiantadas ou tardias e mais intensas. Por fim, nesta primeira parte, analisa-se os fluxos do modelo para diversos outros usos do solo, como campos e cultivos. Na segunda parte, busca-se entender como possíveis erros de simulação dos fluxos superficiais podem estar associados aos valores de turbulência e ao relevo dos sítios. Como estas duas variáveis são fortes moduladoras da CLA, a forma com que elas influenciam nas características observadas e modeladas dos níveis mais baixos da atmosfera pode ser entendida, bem como a relação entre elas. Portanto, os objetivos do presente trabalho são: • Entender como o modelo responde à intensa modificação sazonal das características do uso do solo; • Obter um método objetivo para identificar a chegada da primavera; utilizar este método com os dados do modelo; • Encontrar tendências na data de chegada da primavera e de sua intensidade nas florestas do nordeste dos EUA; • Observar a influência de diferentes tipos de florestas temperadas na modificação dos fluxos superficiais; • Analisar diferenças entre diversos outros usos do solo, com as saídas do modelo; • Observar como possíveis erros nos valores dos fluxos são controlados pela quantidade de turbulência atmosférica, além de erros da própria turbulência; • Identificar de que forma o relevo de cada sítio modula os fluxos, como regiões de topo ou baixada; • Identificar como os valores de turbulência e seus erros de simulação são explicados pelo relevo. A tese está estruturada da seguinte forma: após esta introdução, no segundo capítulo é apresentada uma breve revisão teórica dos objetos de estudo em geral utilizados aqui. No terceiro capítulo, na metodologia, os sítios utilizados são apresentados e brevemente descritos; o modelo WRF, sua configuração nas simulações aqui utilizadas e suas.

(34) 30 parametrizações de CLA e superfície-terrestre são apresentados; os procedimentos usados na análise são rapidamente descritos. No capítulo 4 encontram-se os resultados e as discussões da análise dos fluxos e da fenologia de florestas temperadas. No capítulo 5 apresentam-se os resultados e discussões da análise da turbulência e relevo. E no capítulo 6 encontram-se as conclusões..

(35) 2. 2.1. REVISÃO TEÓRICA. CAMADA LIMITE ATMOSFÉRICA E INTERAÇÃO SUPERFÍCIE-ATMOSFERA A Camada Limite Atmosférica (CLA) é definida como a porção de ar atmosférico que. sente os efeitos diretos da presença da superfície terrestre (STULL, 1988). Estes efeitos ocorrem por meio do atrito e aquecimento/resfriamento a partir do solo. O atrito e o aquecimento geram turbulência nesta porção da atmosfera, fenômeno que promove mistura com muita eficiência nos fluidos. A CLA é o meio onde vive a humanidade e a maioria das suas atividades são realizadas ali. É o principal objeto de estudo da micrometeorologia, o que faz desta área uma das mais importantes em meteorologia. Durante o dia, a CLA costuma ter entre 1 e 2 quilômetros (km) de altura devido a contribuição do aquecimento, formando a Camada Limite Convectiva, CLC (STULL, 1988; FOKEN, 2008a). Nesta camada a turbulência bastante desenvolvida costuma dar origem às chamadas termas. Durante a noite, ou em dias frios de inverno, o resfriamento causado pela perda radiativa a partir da superfície estabiliza a camada, estratificando-a, o que dá origem à Camada Limite Estável (CLE), que apresenta pouca mistura. Com isso, é bem menos desenvolvida verticalmente que a CLC e costuma ter em torno de 200 metros (m) de altura, podendo, em casos extremos, chegar a menos de 10 m (FOKEN, 2008a). Acima da CLE, a mistura é um pouco maior, pois existe uma mistura remanescente da CLC formada durante o dia. Esta porção é chamada de Camada Residual. Em florestas, o atrito causado pelo dossel é muito intenso, de modo que, normalmente, o escoamento dentro do dossel apresenta um comportamento bastante distinto daquele que se encontra acima da floresta. Acima do dossel, o escoamento segue o típico perfil logaritmo do vento, com o efeito aerodinâmico da superfície deslocado para perto do topo do dossel (Figura 2.1). No espaço dos troncos para alguns tipos de florestas, como as temperadas decíduas, o vento costuma exibir um máximo, entre o solo e o dossel. Durante a noite, uma CLE se forma acima do dossel devido ao forte resfriamento radiativo de onda longa. Entretanto, um pouco desse ar frio afunda para dentro da floresta como se fosse uma terma invertida, o que cria uma camada de mistura convectiva no espaço dos troncos, mas que se torna cada vez mai frio com o decorrer da noite. Durante o dia, uma CLC se forma sobre o dossel, enquanto que abaixo, o ar é aquecido a partir de cima e se torna termicamente estável (WALLACE; HOBBS, 2006). Mahrt (1998) propôs dois regimes principais para a CLE, o muito estável e o fracamente estável, e mais um de transição. Nas noites com suficiente gradiente horizontal de pressão, ou em combinação com reduzido resfriamento radiativo devido a presença de nebulosidade, caso fracamente estável, o ar próximo a superfície está conectado aos níveis.

(36) 32 Figura 2.1 – (a) Perfil do vento no interior e logo acima de floresta; (b) Perfil de temperatura potencial durante a noite e (c) durante o dia para o mesmo ambiente.. Fonte: Adaptado de Wallace e Hobbs (2006).. superiores da CLE por meio da turbulência. Em tais condições, a variabilidade horizontal é fortemente reduzida sobre áreas de dimensão horizontal de centenas de metros (BODINE et al., 2009; ACEVEDO et al., 2013) a dezenas de quilômetros (ACEVEDO; FITZJARRALD, 2001). Ao contrário, em noites de céu claro com reduzidos forçantes de grande escala, a superfície frequentemente desacopla dos níveis superiores da CLE. Este é o regime muito estável e, em tais condições, piscinas de ar frio surgem e a variação horizontal é significativa em pequenas diferenças de altitude. Bodine et al. (2009) encontraram variações de 5 kelvins (K) na temperatura para uma diferença horizontal de 300 m e vertical de apenas 25 m; com distâncias horizontais e verticais similares a esta, Acevedo et al. (2013) encontraram variações de até 10 K. No último caso, é provável que, além do efeito da topografia, as estações mais baixas estivessem obstruídas por obstáculos no solo. Assim, em noites calmas, embora a maior parte da variabilidade possa ser atribuída a topografia, outras características locais tais como a proximidade a obstáculos, vegetação por exemplo, também devem ser consideradas. Ao mesmo tempo, em tais noites, muitas vezes os níveis da atmosfera próximos à superfície sobre locais mais altos permanecem turbulentos, portanto relativamente mais quentes que os locais mais baixos, desconectados (ACEVEDO; FITZJARRALD, 2003; MEDEIROS; FITZJARRALD, 2014, 2015). De acordo com uma classificação objetiva da CLE baseada na dependência do fluxo de calor sensível com a estabilidade (MAHRT, 1999; ACEVEDO; FITZJARRALD, 2003), condições fracamente estáveis ocorrem quando o fluxo absoluto aumenta à medida que a estabilidade aumenta devido ao maior gradiente térmico, enquanto que no caso muito estável a estabilidade mais intensa amortiza a turbulência de forma que a magnitude do fluxo de calor diminui com a estabilidade. Sun et al. (2012).

(37) 33 propuseram que a CLE apresenta apenas os dois regimes, sem o de transição, em que os dois podem ficar se alternando, por meio de turbulência intermitente. Dias-Júnior et al. (2017), ao estudarem os regimes da CLE dentro e acima da floresta amazônica, mostraram que o fluxo de calor sensível foi 40 vezes maior no regime fracamente estável que no muito estável.. 2.1.1. Balanço de Energia na Superfície A radiação solar, de onda curta, que alcança a superfície da Terra, com magnitude. S ↓, é parcialmente refletida de volta (S ↑). Além disso, a atmosfera emite radiação de onda longa, parte da qual atinge a superfície (L ↓). A superfície também emite radiação de onda longa (L ↑). A soma de todas estas componentes dá o saldo de energia radiativa disponível na superfície, Rn : Rn = (S ↓ − S ↑) + (L ↓ − L ↑). (2.1). A partir do saldo de radiação, a energia na superfície é dividida entre fluxo de calor sensível da superfície (H ), fluxo de calor latente da superfície (LE ) e fluxo de calor no solo (G):. Rn = H + LE + G. (2.2). De forma geral, H e LE são obtidos por (STENSRUD, 2007):. H=. ρcp ∆T rH (2.3). LE =. ρLv ∆q rLE. em que ρ é a densidade do ar (1,25 kg/m³); cp calor específico do ar a pressão constante (1004 J/ K kg); ∆ denota diferença; T temperatura; Lv calor latente de vaporização (2,5 x 106 J/kg); q umidade; e rH e rLE são as resistências aos fluxos de H e LE respectivamente. ∆T e ∆q representam a diferença de temperatura e umidade entre a superfície e o primeiro nível da atmosfera tomado para o calculo dos fluxos. A resistência total para o calor sensível, como exemplo, entre a superfície e a altura efetiva z para condições neutras e não-neutras, pode ser expressa como:.

(38) 34. z z 1 z0 1 ln − ΨH + ln = ra + rb rH = κu∗ z0 L κu∗ z0h. (2.4). em que κ é a constante de von Karman, u∗ a velocidade de fricção definida abaixo, L o comprimento de Monin-Obukhov e z0 o comprimento de rugosidade do fluxo de momento para a camada superficial, porção mais baixa da CLA onde os fluxos são considerados constantes; e z0h o comprimento de rugosidade para o fluxo de calor, localizado por definição mais baixo que z0 ; ra representa a resistência entre os dois níveis e rb é a adição da resistência para a camada interfacial. ΨH é a função de estabilidade adimensional para o fluxo de calor definida como (PAULSON, 1970):. 1 + x2 ΨH = 2ln 2 . para L < 0 (2.5). ΨH = −. 4.7z para L > 0 L. de modo que aqui z é a altura em relação ao solo, não a efetiva a qual parte de z0 . x é obtido por:. x = (1 − γz/L)( 1/4). (2.6). em que γ é uma constante obtida a partir de observações. Para LE uma expressão similar à 2.5 é utilizada nos modelos. A magnitude de G costuma ser em torno de 10% do total de energia disponível durante o dia (WILSON; BALDOCCHI, 2000; WALLACE; HOBBS, 2006), por isso foi desprezada neste trabalho. Além disso, não estava disponível para todos os sítios estudados. Existem, ainda, outros termos negligenciados na equação 2.2: armazenamento, advecção e energia para a fotossíntese. De qualquer forma, os dados de fluxo calculados pela técnica covariância de vórtices, a partir das observações em campo de H , LE e G, não fecham com a equação acima, questão conhecida como problema do fechamento do balanço de energia na superfície (WILSON et al., 2002; FOKEN, 2008b; STOY et al., 2013; BURAKOWSKI et al., 2018). Existe uma parte da energia disponível do saldo de radiação que sobra, um resíduo. A soma dos fluxos de energia medidos, em geral, perfazem em torno de 80% da energia disponível na superfície, com variações entre aproximadamente 75 e 90% (WILSON et al., 2002; BARR et al., 2006; STOY et al., 2013). Antes da técnica covariância dos vórtices, outro método de medição dos fluxos existia, o balanço de energia da razão de Bowen. Ainda é utilizado atualmente. Entretanto, ele também apresenta algumas limitações. Assume-se similaridade na difusividade dos turbi-.

(39) 35 lhões de calor e vapor d’água, o que nem sempre é válido. Muitas vezes, os fluxos não dependem apenas do gradiente vertical, mas das próprias características das fontes, de eventos turbulentos no ar acima longe do dossel das plantas, entre outros. Além disso, os gradientes de temperatura e umidade são pequenos e difíceis de medir com suficiente resolução para uma estimativa precisa dos fluxos, como mostraram Lindroth e Halldin (1990) para florestas, por exemplo. Portanto, a covariância dos vórtices solucionou estas deficiências, o que lhe deu confiança para estudos do balanço de energia na superfície com longo prazo de quantidade de dados (STOY et al., 2013). Entretanto, como mencionado, ela não fecha o balanço de energia na superfície, apesar de particionar H e LE de forma correta (BARR et al., 1994). Existem algumas hipóteses para explicar o não fechamento do balanço superficial de energia. Uma explicação reside nos termos negligenciados, que em alguns casos, como solo muito úmido, podem ser importantes. Além disso, a heterogeneidade espacial cria circulações de grande escala, não detectadas pela covariância de vórtices que, em geral, aplica médias a cada 30 mim (FOKEN, 2008b). Devido a isso, também podem surgir erros associados a fluxos dispersivos, como um local que apresenta preferencialmente movimentos de ascensão devido à superfície mais quente. Neste sentido, utilizam-se técnicas para fechar o balanço. Uma delas consiste em distribuir o resíduo entre H e LE , proporcionalmente a razão de Bowen, β (FOKEN, 2008b):. β=. H LE. (2.7). Esta técnica faz sentido pois a energia de armazenamento e principalmente a de circulação de grande escala, em um momento, serão emitidas para a atmosfera em boa parte, o que perfaz uma boa aproximação. Em algumas das recentes parametrizações de superfície-terrestre, os fluxos de superfície são calculados separadamente de acordo com a componente da superfície que está emitindo, como na parametrização utilizada nas simulações deste trabalho, de modo que H e LE totais são dados por:. H = Hb + Hv + Hc (2.8). LE = LEb + LEv + LEc + T r em que os sub-índices b, v e c denotam, respectivamente, solo nu, solo vegetado e dossel. Para LE têm-se ainda a transpiração (T r), que é a parte do vapor d’água que entra na atmosfera a partir da atividade biológicas das plantas. Após calcular separadamente cada contribuição, o modelo soma cada uma delas para obter o valor total dos fluxos. No capítulo.

(40) 36 seguinte é apresentada uma breve descrição da parametrização de superfície-terrestre utilizada neste estudo, improved Noah-MP. Trabalhos como Barr et al. (1994), Baldocchi e Vogel (1996), Wilson e Baldocchi (2000), Humphreys et al. (2003), Oliveira et al. (2013, 2018), entre outros, calcularam as quantidades de H e LE e a predominância de um ou outro, que costumam ser obtidas em diferentes florestas, como decíduas e coníferas, em cada estação do ano. Por exemplo, após o nascimento das folhas nas decíduas, H cai fortemente e LE passa a ser o principal responsável pelo uso da energia disponível na superfície. Na modelagem, trabalhos têm mostrado que o modelo Weather Research and Forecasting (WRF) costuma superestimar a magnitude dos fluxos, tanto no período diurno como no noturno (HU; NIELSEN-GAMMON; ZHANG, 2010; SHIN; HONG, 2011; JIMÉNEZ; DUDHIA, 2012; KLECZEK; STEENEVELD; HOLTSLAG, 2014, entre outros). Entretanto, Stoy et al. (2013) lembraram que poucos estudos têm investigado a fundo os fluxos de água e energia, tanto regionais quanto globais, com exceção de sua relação com o dióxido de carbono (CO2), e isto é desproporcional à importância que estes fluxos tem no sistema climático. Em relação ao CO2, Bonan (2008) mostrou o potencial de florestas tropicais, temperadas e boreais em absorver CO2 e ajudar a mudar o clima da terra. Entretanto, ele mostra que o potencial de forçante térmico das florestas ainda é incerto e estudos precisam ser conduzidos.. 2.1.2. Cálculo da Turbulência e Parametrizações de CLA nos Modelos Nos modelos de previsão, a turbulência atua como mais uma contribuição para a. mudança temporal das variáveis em cada ponto de grade. Por exemplo, para a temperatura potencial, θ (STENSRUD, 2007):. ∂w0 θ0 ∂θ =− + ... ∂t ∂z. (2.9). em que w é a velocidade do vento vertical e t o tempo. As barras superiores indicam quantidades médias e as linhas perturbações. As barras estão associadas com um processo chamado médias de Reynolds, um método matemático aplicado que elimina termos lineares pequenos (por exemplo ondulares), mas retém os termos não lineares associados com a turbulência ou afetados por ela. Existem muitos outros termos ao lado direito da equação 2.9 para completar a equação prognóstica por média de Reynolds para a θ, mas a turbulência, em geral, se restringe e aproxima-se pelo termo w0 θ0 . Para a estimativa da turbulência, costuma-se utilizar o parâmetro velocidade de fricção, u∗ , descrito logo abaixo. Para representar os processos de pequena escala, os modelos utilizam parametri-.

(41) 37 zações, que são formas aproximadas da natureza, quando a representação física não é possível. Para os fluxos turbulentos na atmosfera têm-se a parametrização de CLA. Os esquemas de parametrização CLA geralmente relacionam turbulência a estabilidade atmosférica através de uma função de estabilidade, que é obtida de considerações teóricas e observacionais (LOUIS, 1979; DELAGE, 1997). Uma questão particularmente importante a respeito das funções de estabilidade se refere a turbulência prescrita para forte estabilidade. Teorias básicas da CLE indicam que há um limiar (relacionado ao número de Richardson crítico) acima do qual a turbulência é efetivamente suprimida. Entretanto, quando tal característica é implementada em um modelo numérico, isso frequentemente leva a um processo conhecido como runaway cooling (LOUIS, 1979; STEENEVELD; WIEL; HOLTSLAG, 2006; HOLTSLAG et al., 2013), no qual a temperatura da superfície cai irrealisticamente devido a perda radiativa, a qual não é contrabalanceada pelo transporte turbulento de ar mais quente dos níveis superiores da CLE. De fato, a função de estabilidade proposta por Louis (1979) retém alguma turbulência em condições muito estáveis para evitar tal problema. A mesma ideia de manter alguma mistura mesmo em intensa estratificação tem sido justificada como um meio de levar em conta atividades turbulentas muito locais dentro da área de uma célula de grade de um modelo, como geralmente observado em locais com altitudes relativamente mais altas dentro de uma região (MAHRT, 1987; DELAGE, 1997). Um parâmetro muito usado para estimar a estabilidade é o número de Richardson. Medeiros e Fitzjarrald (2014, 2015) observaram que o uso de um limiar de número de Richardson por parte do modelo, pode ser entendido observacionalmente como um resultado de temperaturas superficiais espacialmente médias em regiões de topografia complexa. Cuxart et al. (2006) compararam modelos de coluna única usando diferentes funções de estabilidade e concluíram que esquemas usados pelos modelos operacionais de previsão do tempo superestimaram a mistura na CLE. Svensson et al. (2011) observaram que a maioria dos esquemas de CLA analisados por eles mantinha excessiva turbulência durante a noite, exceto Yonsey University e Mellor-Yamada-Janjic no WRF. No capítulo seguinte é apresentada uma breve descrição da parametrização utilizada nas simulações deste trabalho, Yonsey University. Assim, poder-se-á notar um exemplo de como o numerador do termo à direita de 2.9 é resolvido.. 2.1.2.1. Velocidade de Fricção Uma variável utilizada nos modelos de previsão para indicar a turbulência é a velo-. cidade de fricção, u∗ . Sendo a tensão definida como a força que tende a produzir deformação em uma porção de matéria, nos estudos atmosféricos, geralmente três tipos de tensão são usados: pressão por área, tensão de Reynolds, τReynolds , e a tensão de cisalhamento.

(42) 38 viscosa. A tensão de Reynolds é definida como o fluxo de momento turbulento, ou seja, o transporte de momento proporcional à perturbação do escoamento. Quando turbulência for gerada ou modificada pelo cisalhamento do vento próximo à superfície, a magnitude da tensão de Reynolds mostra ser uma variável de escala muito importante. Para o fluxo vertical de momento horizontal, têm-se:. |τReynolds | = ρ. r. 2 u0 w 0. +. 2 v 0 w0. . (2.10). em que u é o vento horizontal zonal e v o ventor horizontal meridional. A partir deste princípio, foi definido uma escala de velocidade chamada velocidade de fricção, u∗ , expressa como (STULL, 1988; FOKEN, 2008a):. u∗. 2. |τReynolds | ≡ = ρ. q 2 2 u0 w 0 + v 0 w 0. (2.11). Assim, a velocidade de fricção é usada como um parâmetro de turbulência que depende do escoamento, o que se torna de grande interesse para a investigação da CLA.. 2.2. CHEGADA DA PRIMAVERA NO NORDESTE DOS ESTADOS UNIDOS No final do inverno e início da primavera da região nordeste dos Estados Unidos da. América (EUA), ocorre a emergência das folhas (EF) nas plantas decíduas que predominam nas florestas de lá, o que marca um dos principais fenômenos fenológicos, a fração de vegetação verde (GVF, do inglês green vegetation fraction) local é fortemente modificada. Consequentemente, as trocas turbulentas entre a superfície e a atmosfera, H e LE , são intensamente alteradas (MOORE et al., 1996; BONAN, 2008). Assim como no final do verão e início do outono, quando ocorre a senescência das folhas (SF), em que as plantas decíduas passam a ficar completamente sem folhas até o final do próximo inverno. Além disso, as trocas radiativas, como albedo, o comprimento de rugosidade superficial, a condutância do dossel e os fluxos de CO2 e de compostos orgânicos voláteis são fortemente influenciados por esta mudança nas florestas (RICHARDSON et al., 2013). Por exemplo, o aumento da concentração de núcleos de condensação através dos aerossóis produzidos pelos compostos orgânicos das árvores favorece uma maior concentração de nuvens (O’DOWD et al., 2002; MENTEL et al., 2009). Hoje as florestas cobrem em torno de 75% da região (BURAKOWSKI et al., 2016). O Programa Biológico Internacional (IBP, do inglês International Biological Program) define fenologia como "o estudo do período de ocorrência dos eventos biológicos recorren-.

(43) 39 tes, as causas de seu período de ocorrência em relação às forças bióticas e abióticas e a interrelação entre fases da mesma ou de diferentes espécies"(LIETH, 1974). A fenologia tem sido historicamente vista com desprezo, com exceção de alguns naturalistas amadores. Isso se comprova ao notar que indivíduos e famílias efetuaram inúmeros registros fenológicos com grande quantidade de dados, os quais sem eles não seria possível análises de mais longo prazo. Décadas depois, atualmente, campos de estudo como biometeorologia, biologia ambiental, e ecologia fisiológica demarcaram o renascimento da fenologia como um elemento crítico para se entender de forma mais completa a interação entre a atmosfera e os biomas (RICHARDSON et al., 2013). Além disso, a fenologia é uma forma simples de rastrear o impacto que mudanças climáticas causam na ecologia de espécies, como o aquecimento observado ao longo do século XX na troposfera terrestre. EF mais avançadas em determinados anos estariam associadas principalmente a temperaturas mais altas na primavera (SCHWARTZ; AHAS; AASA, 2006; MELAAS; FRIEDL; RICHARDSON, 2016). Para o nordeste dos Estados Unidos (MILLER-RUSHING; INOUYE; PRIMACK, 2008) e para a Inglaterra (THOMPSON; CLARK, 2008) foi observado que cada grau de aumento da temperatura traz um avanço de 3 a 8 dias em média. Klosterman e Richardson (2017) observaram que temperaturas mínimas diárias mais altas atrasavam a SF em 5 dias por grau Celsius. Além disso, a radiação solar também influencia o tempo de desenvolvimento foliar (MELAAS; FRIEDL; RICHARDSON, 2016), bem como as horas de exigência de frio no inverno, que também teriam impacto (CANNELL; SMITH, 1986; RICHARDSON et al., 2012). Tudo isso associado ao fotoperíodo (CHUINE; MORIN; BUGMANN, 2010). Pequenas modificações interanuais na data de EF ou SF, portanto no comprimento da estação de crescimento das plantas, podem modificar bastante a quantidade das trocas anuais efetuadas entre a floresta e a atmosfera (GOULDEN et al., 1996a; FITZJARRALD; ACEVEDO; MOORE, 2001). White, Running e Thornton (1999) observaram que o alongamento da estação de crescimento, ou seja, EF precoces associadas a SF normais ou tardias, aumentam a produtividade líquida do ecossistema (NEP, do inglês net ecosystem productivity), a produção primária bruta (GPP, do inglês gross primary production) e a evapotranspiração. NEP muito mais e evapotranspiração a menos afetada. Isto foi confirmado por outros trabalhos como Baldocchi e Wilson (2001), Richardson et al. (2010), Xin et al. (2018). Já Sacks, Schimel e Monson (2007) observaram diminuição da produtividade com EF avançadas para uma floresta de coníferas subalpina, pois primaveras mais precoces deixavam camadas de neve mais rasas, o que diminuía o conteúdo de água no solo e provocava secas. Além disso, em altas latitudes no outono e inverno, aquecimento, em geral, causa aumento da nebulosidade e menor radiação para a produtividade (VESALA et al., 2010). Nas florestas de coníferas de folhas perenes, o começo anual da fotossíntese é independente das mudanças da área foliar e geralmente precede esta, mas, do mesmo.

(44) 40 modo, é influenciado pelo comportamento climático, o qual impulsiona o início da fotossíntese do dossel (ENSMINGER et al., 2004; MONSON et al., 2005). Nestas florestas muitas vezes se encontra produtividade ao longo do inverno ou logo antes da primavera. Por isso, a identificação de uma data de chegada da primavera nestes sítios é mais incerta. Melaas et al. (2013) observaram que um fotoperíodo de 11 horas já seria suficiente para as coníferas. Em relação à localização geográfica das florestas, Hopkins (1918) formulou uma regra para a data de EF a partir de registros em fazendas, conhecida como Lei de Hopkins: EF é atrasada 4 dias para cada grau de latitude, um dia para cada quarto de longitude a leste da origem e um dia a cada 100 pés de altitude. Lechowicz (1984) observou que EF varia consistentemente entre diferentes espécies decíduas no nordeste da América do Norte e parte temperada da Eurásia. Mesmo as espécies crescendo juntas, a diferença entre elas pode variar semanas. Microclimas causados pela topografia ou pela cobertura do dossel, causam modificações locais na temperatura que também agem na fenologia das plantas (MOTZKIN; CICCARELLO; FOSTER, 2002). Fitzjarrald, Acevedo e Moore (2001) estudaram a modificação dos fluxos de superfície e a consequente modificação das variáveis próximas a superfície durante a chegada da primavera em quase toda a costa leste dos EUA, desde o norte da Flórida até o Maine. Com o uso de um parâmetro definido por eles como a razão entre o incremento diário juliano de temperatura e o incremento diário juliano de umidade em médias multidecadais, encontraram um valor que identificou a data de EF em cada sítio analisado, igual a 1. A data utilizada como parâmetro foi a qual o índice da diferença normalizada da vegetação (NDVI, do inglês normalized difference vegetation index) alcançou 80% de seu máximo sazonal. Analisaram também a tendência de primaveras mais antecipadas ou tardias e sua intensidade. Encontraram uma tendência que se restringe às décadas mais recentes, para primaveras mais antecipadas, exceto na Virginia e Carolina do Sul. Sendo que está tendência estaria associada a temperaturas mais altas no meio-oeste, associação não encontrada para o nordeste do país, o que indica que a tendência não é apenas função simplesmente da temperatura. A intensidade, rapidez, com que o índice de área foliar (LAI, do inglês leaf area index) cresce aumentou para norte e no nordeste do país tem aumentado ao longo do século XX. Em relação a tendência de chegada da primavera, existem mais resultados, e distintos para as últimas décadas. Schwartz e Reiter (2000) observaram primaveras ficando mais adiantadas para os estados de New York e New England, da mesma forma que Fitzjarrald, Acevedo e Moore (2001). Schwartz, Ahas e Aasa (2006) observaram aquecimento e consequentemente primaveras mais precoces no hemisfério norte em geral, média de -1.2 dias por década, com exceção da Ásia Central. Interessantemente, para algumas áreas da América do Norte, observaram que a exigência de horas de frio para dormência estava sendo satisfeita mais cedo, apesar da tendência de aquecimento no inverno. Outros.