Post on 22-Jul-2020
Di r ecci ó n:Di r ecci ó n: Biblioteca Central Dr. Luis F. Leloir, Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires. Intendente Güiraldes 2160 - C1428EGA - Tel. (++54 +11) 4789-9293
Co nta cto :Co nta cto : digital@bl.fcen.uba.ar
Tesis Doctoral
Procesos de acople e interacciónProcesos de acople e interacciónsuperficie-atmósfera en el sudestesuperficie-atmósfera en el sudeste
de Sudaméricade Sudamérica
Ruscica, Romina Carla
2015-03-12
Este documento forma parte de la colección de tesis doctorales y de maestría de la BibliotecaCentral Dr. Luis Federico Leloir, disponible en digital.bl.fcen.uba.ar. Su utilización debe seracompañada por la cita bibliográfica con reconocimiento de la fuente.
This document is part of the doctoral theses collection of the Central Library Dr. Luis FedericoLeloir, available in digital.bl.fcen.uba.ar. It should be used accompanied by the correspondingcitation acknowledging the source.
Cita tipo APA:
Ruscica, Romina Carla. (2015-03-12). Procesos de acople e interacción superficie-atmósfera en elsudeste de Sudamérica. Facultad de Ciencias Exactas y Naturales. Universidad de BuenosAires.
Cita tipo Chicago:
Ruscica, Romina Carla. "Procesos de acople e interacción superficie-atmósfera en el sudeste deSudamérica". Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires. 2015-03-12.
Universidad de Buenos Aires Facultad de Ciencias Exactas y Naturales
Departamento de Ciencias de la Atmósfera y los Océanos
Procesos de acople e interacción
superficie – atmósfera
en el sudeste de Sudamérica
Tesis presentada para optar por el título de Doctor de la Universidad de Buenos Aires en el área Ciencias de la Atmósfera y los Océanos
Romina Carla Ruscica
Director: Dr. Claudio G. Menéndez Directora Asistente: Dra. Anna A. Sörensson
Consejero de Estudios: Dr. Claudio G. Menéndez
Lugar de trabajo: Centro de Investigaciones del Mar y la Atmósfera (CIMA/CONICET-UBA, UMI IFAECI/CNRS) Buenos Aires, Diciembre 2014 Fecha de Defensa: 12 de Marzo de 2015
RESUMEN
Los procesos físicos intervinientes en la interacción de la superficie continental con la atmósfera son de vital interés en el campo de la climatología. El conocimiento de las zonas con fuerte influencia del suelo sobre la precipitación contribuye a mejorar la predictibilidad en distintas escalas temporales, principalmente la estacional. Pocos estudios se han realizado sobre Sudamérica hasta el momento y, sobre otras regiones principalmente se han realizado durante el período estival. Los conceptos de acople, retroalimentación y memoria son diferenciados para luego ser empleados en distintos análisis realizados sobre simulaciones obtenidas de modelos climáticos regionales.
Gran parte del sudeste de Sudamérica (SESA) ha sido caracterizado como una zona de alta eficiencia de acople (EA) entre la humedad del suelo y la evapotranspiración durante un verano en un estudio previo con el modelo climático regional RCA3-E. En tal contexto, en esta Tesis se estudian procesos físicos entre distintas variables de superficie como la humedad del suelo, la evapotranspiración y la precipitación. Distintas subregiones dentro de SESA permiten identificar que donde la EA es alta, la evapotranspiración se encuentra regulada por la humedad del suelo independientemente de la intensidad media de la precipitación. La memoria, de la humedad del suelo es mayor y tiene un patrón espacial más robusto en la capa de suelo profunda que en la capa superficial. Donde la EA es elevada en general la memoria de la capa profunda de suelo es baja, sugiriendo que la atmósfera se ve mayormente influenciada en escala estacional por la dinámica más lenta de la superficie.
El estudio de interacción superficie – atmósfera sobre Sudamérica se amplía utilizando una nueva versión del modelo (RCA4). Se encuentra que SESA es una zona de transición climática durante el verano, otoño y primavera en el período 1980-99. Allí, se definen períodos con condiciones anómalamente secas ó húmedas del suelo, en donde resulta interesante estudiar el acople. Mediante simulaciones controladas se encuentra que el acople resulta ser máximo en SESA, durante la estación estival y con condiciones secas de la superficie continental. Mientras que la EA es máxima en toda SESA, el acople de la humedad del suelo con la precipitación se produce solamente al este de la región. Los patrones espaciales de acople entre la humedad del suelo y distintas variables de la capa límite atmosférica revelan que la energía estática húmeda y su gradiente vertical son las variables que contribuyen al desarrollo de la precipitación, como resultado del flujo total en superficie que es afectado por la humedad del suelo solo en la región este de SESA.
Otra métrica estadística de acople es implementada sobre simulaciones climatológicas de cuatro modelos climáticos regionales en el contexto de un proyecto de investigación. Los resultados sugieren, consistentemente con los resultados previos, que el acople también es máximo en SESA durante el verano, el otoño y la primavera.
Palabras claves: interacción superficie – atmósfera, intensidad del acople, procesos físicos, sudeste de Sudamérica, humedad del suelo, evapotranspiración, precipitación, modelado climático regional.
1
PROCESSES OF LAND SURFACE – ATMOSPHERE COUPLING AND
INTERACTIONS IN SOUTHEASTERN SOUTH AMERICA
ABSTRACT
Physical processes which are involved in the interaction of the land surface with the atmosphere are of vital interest in the field of climatology. The knowledge of the areas where the soil strongly influences on precipitation helps improving the predictability on different time scales, mainly on the seasonal one. Few studies have been conducted on South America so far, and other regions have been analyzed mostly during the summer period. Concepts of coupling, feedback and memory are carefully explained and later on they are applied over regional climate model simulations.
A large portion of southeastern South America (SESA) has been characterized as a high-efficiency coupling zone (EA) between soil moisture and evapotranspiration during a summer in a previous study with the regional climate model RCA3-E. In this context, the Thesis addressed physical processes between different surface variables such as soil moisture, evapotranspiration and precipitation. Sub-regions within SESA permit to identify that EA is high where the evapotranspiration is regulated by soil moisture regardless of the mean intensity of precipitation. Memory of soil moisture is larger and has a more robust spatial pattern for the root-zone layer than the surface layer. EA is high, in general where the memory of the root-zone layer is low, suggesting that the atmosphere is largely influenced at the seasonal scale by the slower dynamic of the surface.
The study of land surface – atmosphere interaction over South America is expanded using a new version of the model (RCA4). It is found that SESA is a climatic transition zone during the summer, fall and spring in 1980-99. There, different periods of wet or dry soil conditions are defined for studying the coupling. Through controlled simulations it is found that the coupling is the highest in SESA during the summer season and for dry conditions of the land surface. While EA is high throughout SESA, the coupling between soil moisture and precipitation only occurs in its eastern region. The spatial patterns of the coupling between soil moisture and other atmospheric boundary layer variables reveal that the moist static energy and its vertical gradient are the variables that contribute to the development of precipitation as a result of the total surface flow that is affected by the soil moisture only in the eastern region of SESA.
Another statistic metric of coupling is implemented on longer simulations of four regional climate models in the context of a project. Consistently to previous results, these results suggest that the coupling is high at SESA during the summer, fall and spring.
Keywords: land – atmosphere interactions, coupling strength, physical processes, southeastern South America, soil moisture, evapotranspiration, precipitation, regional climate modeling.
2
AGRADECIMIENTOS
Al Centro de Investigaciones del Mar y la Atmósfera (CONICET/UBA, UMI IFAECI/CNRS) por
brindarme un espacio donde desarrollar esta Tesis doctoral y hacer uso del Sistema
Computacional de Alto Rendimiento (SCAD, http://scad.cima.fcen.uba.ar/ganglia/ ).
A CONICET por otorgarme el financiamiento necesario para la realización de la Tesis Doctoral.
A la directora del CIMA
Carolina Vera por brindar un ambiente de trabajo muy acogedor en el cual me sentí
muy cómoda y bien recibida.
A mis directores de Tesis
Anna Sörensson: Estoy infinitamente agradecida por toda tu paciencia y dedicación
para conmigo. Me enseñaste muchas cosas, y si puedo entregar esta Tesis es gran parte a tus
enseñanzas. Una buena combinación de profe-amiga con mates, yoga y Yanou. Pero
principalmente por tu ayuda incondicional en el momento más difícil de mi vida. Te quiero
mucho.
Claudio Menéndez: Aunque muy correcto y exigente, aún más motivador, amable y
respetuoso. Agradezco el tiempo que me dedicaste a guiarme en este camino por donde
transité estos últimos 5 años. Gracias nuevamente por haber entendido mis tiempos y
apoyarme en todo momento.
A Gabriel Vieytes del CIMA, y a Patrick Samuelsson y Marco Kupiainen del SMHI, por sus
enseñanzas y por haber respondido a mis pedidos de auxilio respecto a la parte técnica de esta
Tesis.
A mi familia
Mamá: siempre incondicional. En todo momento, en mi alegrías y mis tristezas,
apoyándome desde lo más profundo de tu ser. Te dedico esta Tesis con todo mi amor. Papá:
sabes todo lo que te quiero, y aunque no entiendas mucho que “hago” sé que entendés lo
importante que es para mí. Nati: hermana del alma. Tomamos caminos muy distintos en
nuestras profesiones, sin embargo entendemos lo grandiosas que somos cada una en su tinta
. LOS AMO!
A mis amigos
Mica mi amiga de andanzas y de laboratorios. Gracias por seguir eligiendo ser mi
amiga, yo te elijo hoy y por siempre. Pablo compañero oficinista, amigo de la buena música y
del palo de la física! Fue más sencillo arrancar esta etapa junto a vos, y luego pasó a ser muy
divertido. Gracias por tu compañía! Amigos del CIMA-DCAO que compartimos el día a día el
amor por la ciencia así como también por los asados: Elodie, Magui, Alvaro, Maite, Inés, Fede,
Nadia, Henrique, Cintia, Félix, Noe, y Adam por supuesto!
A mis amigos de la vida
Caro, Dami, Rosa, Ale, Mari, Zule, Santu, Sabri, Dani, Hernán, Pablo, Eli, Emilia, Darío
A Manuel Llegaste a mi vida en un momento crucial y te quedaste. Tantos días y noches virtuales pero
muy reales. Gracias por ayudarme y apoyarme siempre. Juntos seguiremos adelante! Te amo.
3
Lo importante es caminar.
Un tropiezo no es caída,
y sí parte de la vida…
4
Índice: Tomo I
ACRÓNIMOS ............................................................................................................. 9
MOTIVACIÓN ......................................................................................................... 10
ORGANIZACIÓN DE LA TESIS ................................................................................. 11
1. INTRODUCCIÓN GENERAL .......................................................................... 12
1.1. INTERACCIÓN SUPERFICIE – ATMÓSFERA. ¿PARA QUÉ? ¿POR QUÉ? ............................ 12
1.1.1. Conceptos teóricos ............................................................................... 12
1.1.2. Balance en superficie y ciclo hidrológico .............................................. 13
1.1.3. La humedad del suelo ........................................................................... 14
1.1.3.1. Acople humedad del suelo – precipitación ...................................... 15
1.2. SUDAMÉRICA. ¿DÓNDE? ................................................................................. 16
1.2.1. Características geográficas-climáticas .................................................. 16
1.2.2. Régimen de precipitación ..................................................................... 17
1.2.3. El sudeste de Sudamérica y La Cuenca del Plata .................................. 20
1.3. HERRAMIENTAS DE ESTUDIO. ¿CÓMO? ................................................................ 21
1.3.1. Modelos Climáticos Regionales ............................................................ 21
1.3.2. Bases de datos observacionales ........................................................... 23
1.3.3. Ventajas y desventajas de las diferentes herramientas ....................... 24
1.4. ANTECEDENTES INTERACCIÓN SUELO - ATMÓSFERA ................................................. 26
1.4.1. Metodologías ........................................................................................ 26
1.4.2. Resultados en Sudamérica ................................................................... 27
1.5. OBJETIVOS ................................................................................................... 29
1.5.1. Primario ................................................................................................ 29
1.5.2. Secundarios .......................................................................................... 29
2. EL MODELO RCA ......................................................................................... 30
2.1. INTRODUCCIÓN .............................................................................................. 30
2.2. VERSIÓN RCA4 ............................................................................................. 30
2.2.1. Características generales y configuración ............................................ 31
2.2.2. Esquema de superficie.......................................................................... 32
2.2.3. Cambios respecto de RCA3-E ............................................................... 34
2.3. VALIDACIÓN ................................................................................................. 35
2.3.1. Temperatura en superficie ................................................................... 35
2.3.2. Precipitación ......................................................................................... 36
2.3.3. Evapotranspiración ............................................................................... 38
2.4. DISCUSIÓN Y COMENTARIOS GENERALES .............................................................. 40
3. RELACIONES HIDROLÓGICAS: ACOPLE SUPERFICIE-ATMÓSFERA, MEMORIA Y HETEROGENEIDAD DE LA HUMEDAD DEL SUELO ............................................... 43
3.1. CONTEXTO Y MOTIVACIÓN ................................................................................ 43
3.2. MODELO Y METODOLOGÍA ............................................................................... 43
5
3.3. VALIDACIÓN E INCERTIDUMBRE OBSERVACIONAL ................................................... 44
3.4. FORZANTES DE LA EVAPOTRANSPIRACIÓN ............................................................. 46
3.5. CUANTIFICANDO RELACIONES ENTRE VARIABLES DE SUPERFICIE .................................. 49
3.6. MEMORIA DE LA HUMEDAD DEL SUELO ................................................................ 51
3.7. INFLUENCIA DE LA HETEROGENEIDAD ESPACIAL DE LA HUMEDAD DEL SUELO A LA
PRECIPITACIÓN EXTREMA ............................................................................................. 55
3.8. RESUMEN, DISCUSIÓN Y CONCLUSIONES ............................................................... 57
4. CICLO ANUAL DEL ACOPLE SUPERFICIE CONTINENTAL – ATMÓSFERA EN CONDICIONES ANÓMALAS DE HUMEDAD DEL SUELO .......................................... 61
4.1. MOTIVACIÓN ................................................................................................ 61
4.2. MODELO ...................................................................................................... 61
4.3. ¿DÓNDE Y CUÁNDO ESTUDIAR EL ACOPLE? ........................................................... 61
4.3.1. Zonas de transición climática en Sudamérica ...................................... 62
4.3.2. Anomalías secas ó húmedas en el suelo del sudeste de Sudamérica .. 64
4.4. ¿CÓMO SE PUEDE CUANTIFICAR EL ACOPLE? ......................................................... 65
4.4.1. Descripción de los ensambles de simulaciones .................................... 65
4.4.2. Interacción interrumpida: la humedad del suelo como condición de
contorno ............................................................................................................ 67
4.4.3. Índice de Semejanza ............................................................................. 68
4.4.4. Índice de acople: Coupling strength ..................................................... 69
4.5. ZONAS DE ACOPLE HUMEDAD DEL SUELO – ATMÓSFERA ........................................... 69
4.5.1. Metodología ......................................................................................... 70
4.5.2. Hot spots de precipitación.................................................................... 70
4.5.3. Eslabones entre la humedad del suelo y la precipitación .................... 72
4.6. DISCUSIÓN Y CONCLUSIONES ............................................................................. 75
5. INTERACCIÓN SUELO – ATMÓSFERA EN DISTINTOS MODELOS CLIMÁTICOS REGIONALES .......................................................................................................... 80
5.1. MOTIVACIÓN ................................................................................................ 80
5.2. INTRODUCCIÓN .............................................................................................. 80
5.3. MODELOS Y METODOLOGÍA GENERAL .................................................................. 80
5.4. METODOLOGÍA DE LA INTERACCIÓN .................................................................... 81
5.5. RESULTADOS ................................................................................................. 82
5.6. DISCUSIÓN Y CONCLUSIONES ............................................................................. 84
6. RESUMEN, DISCUSIÓN Y CONCLUSIONES FINALES ..................................... 86
7. REFERENCIAS BIBLIOGRÁFICAS .................................................................. 92
6
Índice: Tomo II
Tablas ………………………………………………………………………………………………………………………………… 2
Capítulo 2….…………………………………………………………………………………………………………… 3
Capítulo 3….…………………………………………………………………………………………………………… 4
Capítulo 4….…………………………………………………………………………………………………………… 5
Capítulo 5….…………………………………………………………………………………………………………… 6
Figuras ……………………………………………………………………………………………………………………………… 7
Capítulo 1….…………………………………………………………………………………………………………… 8
Capítulo 2 ….………………………………………………………………………………………………………… 12
Capítulo 3 ….………………………………………………………………………………………………………… 19
Capítulo 4 ….………………………………………………………………………………………………………… 29
Capítulo 5 ….………………………………………………………………………………………………………… 39
Apéndice ………………………………………………………………………………………………………………………… 42
Texto .......….………………………………………………………………………………………………………… 43
Figuras .......….……………………………………………………………………………………………………… 44
7
TOMO I
TEXTO
8
ACRÓNIMOS
Usados en español
DAS Disponibilidad de Agua en el Suelo
DEF Diciembre-Enero-Febrero
EA Métrica definida a partir del producto entre el Coupling Strength y σ diaria de ET. Representa el acople entre la HS y la ET teniendo en cuenta que éste pueda influir sobre la atmósfera.
ET Evapotranspiración
HS Humedad del suelo
HSs HS en superficie
HSp HS en profundidad
IMP Intensidad Media de la Precipitación
JJA Junio-Julio-Agosto
LCP La Cuenca del Plata
MAM Marzo-Abril-Mayo
MCRs Modelos Climáticos Regionales
MCGs Modelos Climáticos Globales
NeB-EB Noreste y este de Brasil
PP Precipitación
SESA sudeste de Sudamérica
SON Septiembre-Octubre-Noviembre
ZTC Zona de transición climática
Usados en inglés
BLD Boundary Layer Depth
BR Bowen RatioCS Coupling Strength
LHF Latent Heat Flux
MSE Moist Static Energy
RCA Rossby Centre Atmosphere
SACZ South America Convergence Zone
SALLJ South American Low-Level Jet
SAMS South America Monsoon System
SLP Sea Level Pressure
SHF Sensible Heat Flux
9
Bias Diferencia entre datos modelados y observados
Coupling Strength Inglés de la métrica: intensidad del acople
Clúster Grupo de varias computadoras unidas mediante una red de alta velocidad
Feedback Retroalimentación
Hot spot Zona de máximo acople superficie – atmósfera
In situ Obtenido a través del contacto directo con el sujeto
Spectral nudging Técnica para forzar el flujo de gran escala dentro del dominio regional de integración
Spin up Tiempo necesario para que se alcance el equilibrio en el sistema
MOTIVACIÓN
A continuación se enuncian conceptos y antecedentes que motivan el estudio de la
interacción entre el suelo y la atmósfera en Sudamérica y en particular sobre el
sudeste de Sudamérica
Las retroalimentaciones de la superficie continental con la atmósfera son
complejas y dependen de las condiciones geográficas y climáticas de cada sitio.
En algunas regiones, los procesos de suelo pueden contribuir significativamente la
variabilidad climática.
Hasta el momento se han realizado pocos estudios sobre Sudamérica.
La Cuenca del Plata es la región con mayor densidad poblacional y desarrollo socio-
económico del continente sudamericano. Allí se desarrollan tormentas convectivas,
de las más extremas, durante el período estival.
Mejorar el entendimiento de los procesos superficie – atmósfera contribuirá a una
mejor predictibilidad mensual a estacional de potencial utilidad para los sectores
socio - económicos.
10
ORGANIZACIÓN DE LA TESIS
La Tesis se compone de dos tomos. El Tomo I es el texto principal. En los cinco
primeros capítulos se desarrollan conceptos, se plantean metodologías y se discuten
los resultados. El tomo I se completa con un capítulo de conclusiones finales y la lista
de referencias bibliográficas. El Tomo II incluye las figuras y las tablas que se citan en el
texto principal, junto con un apéndice de texto y figuras.
El capítulo 1 es la introducción al tema de la interacción suelo – atmósfera. ¿Por qué y
para qué estudiarlo? ¿Dónde se realiza el estudio y cuáles son las características
principales de la región? ¿Cómo se puede realizar la investigación, es decir, con qué
herramientas? y ¿Cuáles son los antecedentes sobre el tema?
El capítulo 2 es dedicado al modelo climático regional instalado en el clúster
computacional del CIMA para la realización de los experimentos que se exponen en el
capítulo 4. Sus características principales y la validación de sus resultados conforman
este capítulo.
El capítulo 3 se concentra en distintos aspectos hidrológicos vinculados a la interacción
suelo-atmósfera en el sudeste de Sudamérica durante un verano austral: los factores
climáticos que controlan a la evapotranspiración, la memoria de la humedad del suelo
y cómo la precipitación extrema puede verse influenciada por gradientes en la
humedad del suelo.
En el capítulo 4 se expone la búsqueda de zonas potenciales de acople suelo –
atmósfera sobre Sudamérica y allí se determinan períodos anómalamente secos y
húmedos. En dicho contexto, se realizan experimentos para investigar cómo es el ciclo
anual del acople suelo atmósfera y se establecen posibles mecanismos de interacción
que explican los resultados obtenidos.
El capítulo 5 da un contexto más general del acople suelo – atmósfera en Sudamérica a
través del análisis de distintos modelos climáticos regionales.
El resumen, la discusión y las conclusiones finales de la Tesis se muestran en el capítulo
6, y las referencias bibliográficas en el capítulo 7.
11
1. INTRODUCCIÓN GENERAL
1.1. INTERACCIÓN SUPERFICIE – ATMÓSFERA. ¿PARA QUÉ?
¿POR QUÉ?
1.1.1. CONCEPTOS TEÓRICOS
En estudios de procesos entre componentes de un sistema (p.e. climático)
suelen utilizarse ciertos conceptos para describir relaciones (p.e. físicas) entre variables
de ese sistema. La interacción, el acople, la retroalimentación y la memoria son
palabas empleadas con gran frecuencia en la literatura referida a estudios de
interacción suelo-atmósfera. Debido a que a veces no queda claro en qué se
diferencian estos conceptos, es que se cree conveniente hacer una descripción de cada
uno desde un punto de vista conceptual.
El acople entre dos variables (A y B) es la influencia de una variable sobre la otra en un
único sentido de la relación, i.e. A acopla B pero no se sabe si B influye en A (Fig.1.1a).
Si el acople se establece lo hará con cierta magnitud ó intensidad. Otro concepto
empleado es el de controlador/forzante (ó driver). Si A acopla B se dice que A es un
controlador de B. La retroalimentación (ó feedback) entre A y B refiere a la relación en
ambos sentidos, i.e. A acopla B y B acopla A, y de ésta manera una de las variables se
retroalimenta, positivamente ó negativamente, a través de la otra. La
retroalimentación por lo tanto involucra un signo en la relación. Por ejemplo: A
aumenta B, entonces si B aumenta/disminuye A la retroalimentación es
positiva/negativa (Fig.1.1b). Tanto el acople como la retroalimentación tienen
incorporado implícitamente el concepto de causalidad. El hecho de que A acopla B
remite a noción de causa (A) y efecto (B), y de manera similar con la retroalimentación
que establece un doble acople (ver Fig.1.1b). El concepto de interacción es más amplio
y se refiere a un conjunto de relaciones entre dos ó más variables sin indicar la
causalidad de las mismas (Fig.1.1c). La Fig.1.1d esquematiza todos estos conceptos en
un sistema con cuatro variables que interaccionan (no necesariamente todas con
todas), con acoples directos e indirectos y con distinta intensidad.
12
El concepto de memoria queda un poco aislado de los conceptos ya definidos ya que
involucra a una sola variable (A). La memoria de A es la persistencia de su estado ó
anomalía en el tiempo sin que se importe con qué variables del sistema interactúa. En
la práctica, es la persistencia temporal en la que una variable exhibe una dependencia
estadística serial y positiva con sus propios valores pasados (ó futuros) (Wilks, 2006).
Dicha memoria puede ocasionalmente controlar el estado de otra variable (B), o por el
contrario puede ella verse afectada por la memoria de una tercera variable (C).
Investigar la causalidad en un sistema tan complejo como el climático es un problema
no sencillo debido a la gran cantidad de interacciones que se establecen entre varias
variables del sistema haciendo difícil aislar el proceso de causa y efecto.
1.1.2. BALANCE EN SUPERFICIE Y CICLO HIDROLÓGICO
El sistema climático Terrestre está compuesto por la atmósfera, la criósfera, la
hidrósfera, la litósfera y la biósfera, y está sujeto a forzantes externos como el Sol o la
actividad humana. Estos componentes interactúan entre sí con distintos niveles de
complejidad, intercambiando masa, calor y momento. Muchas de estas interacciones
ya han sido comprendidas (p.e. calor latente oceánico tropical que contribuye al
desarrollo convectivo en la zona de convergencia intertropical) y otras no tanto (p.e.
procesos biogeoquímicos). La interacción del suelo y la atmósfera, involucra a muchos
procesos físicos, químicos, biológicos y/ó antropogénicos (p.e. Michetti y Zampieri,
2014) que se producen en la interfaz de la superficie continental con la atmósfera,
involucrando dos o más variables del sistema.
Los balances en dicha interfaz pueden resumirse a cuatro: de radiación, de energía, de
agua y de carbono (Fig.1.2). La radiación neta en superficie depende la radiación neta
de onda corta y larga, las cuales dependen del albedo de la superficie, de la emisividad
atmosférica, de la temperatura de superficie y de la nubosidad. La ganancia de energía
que representa la radiación neta en superficie se emplea principalmente para producir
flujos de calor latente y sensible. El calor latente es resultado de la evaporación y/ó
transpiración de la biósfera (ó evapotranspiración), variable que conecta los balances
de energía y agua en la interfaz superficie-atmósfera. Desde el punto de vista
energético si hay evapotranspiración habrá calor latente emitido a la atmósfera,
13
mientras que desde el punto de vista hídrico contribuirá con vapor de agua a la
atmósfera.
El ciclo hidrológico representa la circulación del agua (en sus distintas fases) en el
sistema climático. Una molécula de agua evaporada desde la superficie puede
ascender hacia alturas en donde condensa, forma parte de una nube y en condiciones
específicas retorna al suelo como lluvia. La evapotranspiración, la precipitación, el
escurrimiento y la humedad del suelo forman parte, entre otras variables hidrológicas,
del reciclado de agua sobre la superficie continental.
Los procesos que involucran al carbono no son abordados en esta Tesis.
1.1.3. LA HUMEDAD DEL SUELO
La humedad del suelo (HS) es un factor importante en el sistema climático ya
que participa en procesos hidrológicos, biogeoquímicos y de transporte de
contaminantes, en la vegetación, en los ecosistemas, en la agricultura y es clave en el
monitoreo de sequías.
Su definición varía según el contexto de estudio, p.e. la escala espacial ó la
herramienta empleada para su medición/obtención (Seneviratne y otros, 2010). La HS
mide la fracción de agua por unidad de volumen de suelo.
Su rol de componente en la interacción suelo-atmósfera también es clave por varias
razones:
1) Su dinámica está controlada por las condiciones de contorno climáticas como la
precipitación (PP), la evapotranspiración (ET) y la radiación.
2) Es una fuente de agua para la atmósfera a través de la ET.
3) Su influencia sobre la partición energía radiativa en los flujos de calor sensible y
latente afecta la temperatura del aire, las características de la capa límite, el
desarrollo de nubosidad (p.e. Ek y Holtslag, 2004), potencialmente la convección
(Emori, 1998; Frye y Mote, 2009) y consecuente precipitación (p.e. Koster y otros,
2006).
14
4) Los contrastes horizontales pueden potencialmente, desarrollar circulaciones de
mesoescala (p.e. Ookouchi y otros, 1984; Wolters y otros, 2010; Taylor y otros,
2011).
5) Es un forzante de menor variabilidad que la atmosférica, es decir, con memoria más
larga (p.e. Koster y Suarez, 2001; Seneviratne y otros, 2006a). Por ende puede
modular procesos atmosféricos sobre una región continental de forma similar en
que lo hace la temperatura de la superficie del mar (Orlowsky y Seneviratne, 2010).
Por eso puede ser importante en el contexto de la predictibilidad climática (Koster y
otros, 2011). Distintos autores investigaron sobre los controladores de la memoria
de HS. Por ejemplo, Koster y Suarez (2001), sugirieron que la ET, el escurrimiento, la
correlación temporal entre la HS y algún forzante atmosférico y la misma
variabilidad temporal del forzante, controlan la memoria de HS. Mientras que los
dos primeros se vinculan directamente con la HS a través del balance de agua en la
superficie, el tercero puede ser entendido como la influencia de la memoria del
forzante, p.e. la PP sobre la memoria de la HS.
1.1.3.1. ACOPLE HUMEDAD DEL SUELO – PRECIPITACIÓN
La interacción entre la HS y la PP involucra dos acoples. El más claro es el
que ejerce la PP sobre la HS, ya que el agua precipitada aumenta la reserva de agua en
el suelo, siempre y cuando el suelo no haya estado saturado previamente (en ese caso
el agua precipitada escurre sobre la superficie y no contribuye a la HS). El menos claro,
y uno de los objetivos de esta Tesis, es el acople de la HS sobre PP.
La Fig.1.3 puede utilizarse como un ejemplo de interacción entre la HS y la PP, en
condiciones de suelo no saturado.
• PP acopla la HS (camino 3);
• HS acopla sobre la ET (camino 1) con menor intensidad;
• La ET acopla sobre la PP (camino 2) aún con menos intensidad;
• Por otra parte, la HS acopla fuertemente la conductividad térmica del suelo
(camino 4) ya que el agua conduce 20 veces más el calor que el aire (Bonan,
2002).
15
El acople más difícil de estimar es el de la ET a la PP, debido a que existen varios
procesos intermedios, locales y no locales (p.e. turbulencia, convección, inestabilidad,
etc.) que dificultan el entendimiento de la influencia directa. En cambio, el acople de la
HS a la ET es local y se torna más sencillo su análisis.
La dificultad de estudiar la física del acople HS-PP radica en: (1) estimar el acople ET-PP
si es que el acople HS-PP se da a través de la ET; (2) que el acople puede ser no local,
es decir, sin que entre en juego la ET del punto en cuestión, sino que por ejemplo
influya la advección de humedad atmosférica desde otro punto; (3) que la HS está
altamente influenciada por la PP y (4) que se establece en un sistema no-lineal. En
cierta forma, estimar el acople HS-PP resuelve la pregunta de la retroalimentación HS-
PP. Si la HS acopla positiva/negativamente a PP entonces la retroalimentación será
positiva/negativa (siempre que el suelo no está saturado).
1.2. SUDAMÉRICA. ¿DÓNDE?
1.2.1. CARACTERÍSTICAS GEOGRÁFICAS-CLIMÁTICAS
El continente Sudamericano se extiende en un rango muy amplio de latitudes,
desde boreales tropicales (10°N) hasta australes casi antárticas (55°S), y se encuentra
rodeado principalmente por el océano Atlántico hacia el este y el Pacífico al oeste. Dos
anticiclones de superficie semipermanentes se ubican en latitudes subtropicales
oceánicas. La Cordillera de los Andes es una joven cadena montañosa que se extiende
a lo largo de casi todo el borde occidental, y posee uno de los picos más elevados del
planeta con casi 7km de altitud, el Aconcagua. Debido a su amplia extensión
meridional, i.e. norte-sur y altitudinal, la circulación atmosférica de gran escala se ve
influenciada por este forzante topográfico. Los Andes septentrionales-centrales
canalizan el transporte de humedad proveniente desde el Atlántico hacia latitudes
mayores a lo largo de su ladera oriental (p.e. Berbery y Collini 2000), y a su vez
bloquean el flujo troposférico desde el Pacífico este, mientras que los Andes australes
(al sur de 40°S) son una barrera menos efectiva para la circulación atmosférica en
latitudes altas. Como consecuencia de dicha topografía, el clima medio tiende a ser
árido al oeste (este) y húmedo al este (oeste) de la cordillera en latitudes tropicales y
16
subtropicales (medias). La meseta brasileña también llamada Planalto Meridional, que
cubre la mayor parte del sur-este de Brasil, pero con alturas más bajas que los Andes
es otra estructura topográfica importante, la cual tiende a bloquear la circulación de
niveles bajos en regiones subtropicales (Garreud y Aceituno, 2007). El Amazonas
ubicado sobre la zona tropical con mayor extensión oeste-este del continente, es
llamado el “pulmón” planetario dado que es la selva tropical húmeda más grande del
mundo, y su contribución como sumidero de carbono es excepcional. Allí, la actividad
convectiva es profunda y con características únicas respecto a otras zonas del planeta.
Su cuenca hidrográfica, la Amazónica, es la más grande del planeta con miles de
afluentes que confluyen hacia el río Amazonas que desagua en la costa noreste sobre
el Atlántico. El desierto de Atacama en Chile-Perú, el Altiplano Boliviano, el Pantanal,
las amplias llanuras templadas en el sudeste, la región semi-árida del noreste de Brasil
y la estepa Patagónica en el extremo sur son otras geografías con distintos climas que
caracterizan a la región.
1.2.2. RÉGIMEN DE PRECIPITACIÓN
En latitudes tropicales a subtropicales domina principalmente la convección
profunda, mientras que hacia latitudes mayores los sistemas frontales se vuelven
predominantes y son los que promueven la convección y consecuente lluvias. La PP
media anual continental observada se muestra en la Fig.1.4a. En ella se distingue: un
patrón de máximos en dirección noroeste-sureste hasta los 20°S aproximadamente. En
el extremo noroeste se destaca el máximo absoluto continental sobre el Amazonas,
donde llueve todo el año con una intensidad media entre los 7 y 10 mm/día. Hacia el
otro extremo de dicho patrón se evidencia la banda de máxima de PP asociada a la
Zona de Convergencia del Atlántico Sur (SACZ, por sus siglas en inglés. Kodama, 1992).
Dos máximos relativos, ambos presentes durante todo el año, se localizan (1)
alrededor de 27°S-53°O sobre la costa Atlántica del sur de Brasil debido a actividad
convectiva y a sistemas frontales y (2) a lo largo de la costa Pacífica de Chile al sur de
los 35°S debido a la descarga de humedad de los vientos Oestes (Garreaud y Aceituno,
2007).
Un mínimo local se aprecia en la región semi-árida del noreste de Brasil, alrededor de
los 10°S-40°O, mientras que la ladera oeste de los Andes centrales junto con la
17
Patagonia argentina son las regiones con menor PP anual (menor a 1mm por día). La
media anual de PP hacia el norte de los 20°S se debe principalmente a la PP durante la
fase activa del Sistema Monzónico Sudamericano (SAMS, por sus siglas en inglés, p.e.
Nogués-Paegle y otros 2002; Liebmann y Mechoso, 2011).
A continuación se describen las principales características climáticas de cada estación y
los factores locales y remotos que influyen en ellas (las estaciones climáticas a lo largo
de la Tesis se refieren a las del hemisferio sur, i.e. el verano se define desde Diciembre
a Febrero). La PP media estacional se muestra en los paneles b-e de la Fig.1.4.
Diciembre – Enero – Febrero (DEF): Dicho período referencia al verano: El SAMS está en
su fase madura con máxima actividad convectiva en el centro del continente
originando precipitaciones medias estacionales elevadas (Garreaud y Aceituno, 2007),
superando los 10mm/día (Fig.1.4b). En dicha fase: (1) el anticiclón semipermanente del
Atlántico Sur transporta masas de aire húmedo oceánico hacia el centro del
continente; (2) la Zona de Convergencia Intertropical se encuentra en su posición más
austral originando fuertes precipitaciones en los Andes ecuatoriales, el oeste de la
cuenca Amazónica y sobre la desembocadura del río Amazonas (Garreaud y Aceituno,
2007); (3) el flujo de humedad atmosférico máximo es zonal y hacia el este en latitudes
ecuatoriales y (4) al encontrarse con la cordillera Andina se re-direcciona desde el
Amazonas hacia el sur canalizándose sobre la ladera este hasta los 20°S
aproximadamente y con máximos valores entre 925 y 900hPa (Berbery y Barros, 2002).
Aunque este flujo está presente todo el año, en su período de intensificación toma las
características de una corriente en chorro en capas bajas (SALLJ, por sus siglas en
inglés, Vera y otros, 2006a), advectando calor y humedad desde latitudes tropicales a
subtropicales; (5) la actividad convectiva sobre la SACZ alcanzan su máxima
intensificación durante este período al igual que (6) la baja térmica sobre el noroeste
de Argentina y Paraguay conocida como Baja del Chaco (Zhou y Lau, 1998) y (7) su
compañera termo-orográfica conocida como la Baja del Noroeste Argentino (Seluchi y
otros, 2003), y los centros de alta y baja presión en niveles elevados de la tropófera,
conocidos como (8) la Alta de Bolivia (Lenters y Cook, 1997) y (9) la depresión (ó
vaguada) del Nordeste sobre el noreste de Brasil respectivamente (Nogués-Paegle y
otros, 2002).
18
Marzo – Abril - Mayo (MAM): Dicho período corresponde al otoño, estación en la cual
se inicia la etapa post monzónica. La mayor parte de la convección y precipitación
migra hacia el norte (Zhou y Lau, 1998, Fig.1.4c) y, en particular, la SACZ se empieza a
debilitar durante Marzo. El noreste de Brasil tiene su estación húmeda y a lo largo del
río Amazonas y sobre su desembocadura se superan los 10mm/día en valor medio
estacional.
Junio – Julio – Agosto (JJA): Dicho período corresponde al invierno. El anticiclón
semipermanente del Atlántico Sur se intensifica y se traslada hacia el noroeste,
ubicándose sobre continente y estableciendo subsidencia que inhibe la PP (Caffera y
Berbery, 2006). Sin embargo, al norte de 0° se desarrolla la estación húmeda - con más
de 10mm/día de precipitación media - debido al Sistema Monzónico Norteamericano
en su posición más austral (p.e. Vera y otros, 2006b) y en el sur de Brasil y norte de
Uruguay se destaca el máximo relativo de PP, que está presente todo el año, y que
durante este período se asocia a sistemas frontales (Montecinos y otros, 2000). El
SALLJ provee humedad y calor por detrás de las zonas frontales y sistemas ciclónicos
que producen las mayores precipitaciones hacia el sur del continente (Vera y otros,
2002). El pasaje de frentes fríos que avanzan desde latitudes subpolares hacia el
noreste al este de los Andes y las vaguadas en altura en latitudes subtropicales que
avanzan hacia el este son los factores que disparan la fuerte ciclogénesis sobre el
sudeste de Sudamérica (Piva y otros, 2010). La Fig.1.4d destaca las zonas con régimen
húmedo y seco en SA durante JJA.
Septiembre – Octubre – Noviembre (SON): Dicho período corresponde a la primavera.
Se establece la fase inicial del SAMS (aunque la definición de inicio es todavía ambigua
ya que se utilizan distintas métricas y/o umbrales (p.e. Liebmann y Marengo, 2001,
Raia y Calvacanti, 2008)) y de la SACZ y la estación húmeda progresa sobre Brasil
(Garreaud y Aceituno, 2007, Fig.1.4e); se empieza a desarrollar la Baja del Chaco (Zhou
y Lau 1998) y la Alta de Bolivia que, a través de su flujo divergente en niveles altos de
la atmósfera, genera PP abundante en el mismo Altiplano; y el flujo meridional máximo
de humedad hacia el sur se establece alrededor de 20°S y durante Octubre (Zhou y Lau
1998, Fig.1.4e). Durante esta estación la precipitación media estacional no supera los
10mm/día como sí lo hace el resto del año.
19
Para una mayor descripción de las características medias y variables del clima
sudamericano el lector puede referirse a Garreaud y otros (2008).
1.2.3. EL SUDESTE DE SUDAMÉRICA Y LA CUENCA DEL PLATA
El sudeste de Sudamérica (SESA) se define en esta Tesis como el rectángulo
contenido entre las latitudes 20°S-43°S y entre las longitudes 45°O-70°O (Fig.1.5).
Incluye a gran parte de La Cuenca del Plata (LCP, limitada por los bordes rojos en la
Fig.1.5) que cubre un área de 3.6 106 km2 siendo la 5ta en el mundo en mayor tamaño
y la 2da en Sudamérica, luego de La Cuenca Amazónica. El mayor porcentaje de
extensión de LCP se encuentra en el sur de Brasil (46%), y en menor medida sobre
Argentina (30%), Paraguay (13%), Bolivia (7%) y Uruguay (4%) (Berbery y Barros, 2002).
Es una región de gran importancia hidrológica y producción energética-agropecuaria-
ganadera en donde la densidad de población es la más elevada del continente
sudamericano (Mechoso y otros, 2001).
La PP media anual sobre SESA se observa en el rectángulo de la Fig.1.4a. Allí se observa
un gradiente oeste-este de PP media anual al sur de los 20°S, el cual es coherente con
que el oeste de SESA tiene un régimen semi-árido y hacia el este la aridez va
disminuyendo (Verbist y otros, 2010). La zona del Planalto Meridional tiene un máximo
anual pero también la máxima variabilidad interanual e intraestacional de PP debido a
la dinámica de la SACZ. Dada la altimetría de la región, las temperaturas son
relativamente más bajas que en los alrededores. Durante la estación cálida (Octubre-
Abril), el SAMS controla la PP en el norte, mientras que hacia el centro y sur los
sistemas convectivos de mesoescala (Durkee y otros, 2009) dominan el régimen
precipitante. La convergencia de humedad de la SALLJ junto con dichos sistemas sobre
LCP, crean condiciones atmosféricas óptimas para que se desarrollen tormentas
convectivas (Salio y otros, 2007) de las más extremas del planeta (Zipser y otros, 2006).
Durante la estación fría (Mayo-Setiembre) la PP se ve mayormente controlada por la
actividad sinóptica de latitudes medias (Vera y otros, 2002) y la evaporación alcanza un
mínimo anual (Martínez y Dominguez, 2014). Los campos medios estacionales de PP en
SESA se encuadran en los rectángulos de las figuras 1.4b-e.
20
Uno de los forzantes globales que influyen en el hidroclima de SESA es El Niño-
Oscilación del Sur (ó ENSO por sus siglas en inglés). Dicha oscilación se establece sobre
la temperatura de la superficie el mar en el océano Pacífico este-ecuatorial. Cuando la
anomalía es significativamente positiva/negativa el evento se define como El Niño / La
Niña, sino como un ENSO neutro. Estos eventos originan perturbaciones en la
atmósfera que afectan la circulación global impactando en el clima de distintas
regiones del planeta. En particular, la mayor influencia entre eventos ENSO y la
precipitación en SESA se establece durante la primavera (Grimm y otros, 1998; Cazes-
Boezio y otros, 2003; Barreiro 2010; Cherchi y otros, 2014).
1.3. HERRAMIENTAS DE ESTUDIO. ¿CÓMO?
Los estudios de interacción y acople entre el suelo y la atmósfera se desarrollan con
diversas herramientas, en particular con modelos climáticos regionales (MCRs) y/ó con
bases de datos observacionales.
1.3.1. MODELOS CLIMÁTICOS REGIONALES
Los modelos climáticos son una herramienta numérico-computacional que
permiten representar las características medias, variabilidades espacio-temporales,
condiciones extremas, etc. del sistema climático sobre un reticulado tridimensional. A
diferencia de los modelos climáticos globales (MCGs) que simulan el clima global, los
MCRs simulan el clima en escala regional con la posibilidad de hacerlo con mayor
resolución espacio-temporal. De esta forma, pueden representar de manera más
certera características de escala local-regional como la topografía ó líneas de costas,
así como también procesos físicos de pequeña escala como p.e. la PP convectiva, los
flujos turbulentos de calor ó las circulaciones de mesoescala. Aunque hoy en día ya
existen MCGs con alta resolución, p.e. 20km (p.e. Blázquez y Nuñez, 2013) ó MCGs que
establecen un reticulado de mayor resolución sobre la región de interés (Lorenz y
Jacob, 2005) todavía sigue siendo conveniente emplear MCRs ya que trabajar sobre un
dominio menor al global requiere de menos tiempo de cómputo y almacenado de
datos y según el tipo de estudio los resultados no son menos aceptables que con MCGs
21
de alta resolución (Laprise, 2008). De todos modos, los procesos que se producen en
una escala menor que la resolución del modelo regional (o del global) tienen que ser
igualmente parametrizados.
La complejidad del sistema climático requiere que los MCRs modelen cada vez más y
mejor sus distintos componentes: la atmósfera (nubes, aerosoles, gases), la hidrósfera
(océanos, ríos, lagos), la criósfera (hielo marino y terrestre y nieve) la litósfera
(procesos de superficie incluyendo la HS en distintas fases) y la biósfera (p.e. efectos
de la vegetación sobre el albedo de superficie, ó el ciclo de carbono tanto en tierra
como en océanos). Por ende, día a día se avanza en la representación de procesos
dinámicos, termodinámicos, hidrológicos, de capa límite, radiativos, convectivos, de
nubosidad, biogeoquímicos, de turbulencia, así como también de parámetros (p.e.
textura del suelo). No solo es importante una buena representación del proceso en sí
mismo sino también en cómo éste interacciona con los otros, ya que las
retroalimentaciones juegan un papel relevante en el clima (sección 1.1).
Las investigaciones que utilizan MCRs incluyen estudios de: desarrollo, evolución y/ó
progreso de los códigos numéricos; evaluaciones de cambio climático, predictibilidad
estacional, impacto ambiental (forzando modelos hidrológicos); así como también para
la obtención de reanálisis (Rummukainen, 2010). Los MCRs también son empleados
como una herramienta para entender y/ó mejorar el entendimiento de procesos
físicos en el sistema climático (Wang y otros, 2004). Mediante la manipulación del
esquema numérico pueden realizarse experimentos controlados para investigar como
los efectos los topográficos (p.e. Antic y otros, 2004) y de cambio de uso de suelo (p.e.
Pessacg y Solman, 2012) afectan el clima de una región; procesos de convección y
nubosidad (p.e. Lange y otros, 2014) ó como profundizar el entendimiento de las
interacciones entre distintos componentes del sistema, como ser entre las nubes y los
aerosoles (p.e. Zubler y otros, 2011), las nubes y la radiación (p.e. Dudek y otros, 1996)
ó entre la superficie y la atmósfera (ver sección 1.4).
Durante la última década se han publicado distintos trabajos con MCRs en el contexto
de proyectos coordinados entre instituciones nacionales y/ó internacionales
principalmente para estudios de impacto local-regional, extremos y cambio climático
(Sánchez-Gómez y otros, 2008; Marengo y Ambrizzi, 2006; Jacob y otros, 2007; Mearns
22
y otros, 2009; Nikulin y otros, 2012). Sobre Sudamérica y LCP se desarrollaron los
proyectos CLARIS y CLARIS-LPB del Sexto y Séptimo Programa Marco de la Comunidad
Europea respectivamente, para estudios de cambio e impacto climático. En ellos (1) se
evaluaron las capacidades de distintos MCRs en simular condiciones medias (Carril y
otros, 2012; Solman y otros, 2013; Pessacg y otros, 2014) y extremas (Menéndez y
otros, 2010) del clima presente y (2) se obtuvieron proyecciones de cambio climático
mediante simulaciones continuas forzadas por MCGs acoplados (Sörensson y otros,
2010; Boulanger y otros, 2010).
1.3.2. BASES DE DATOS OBSERVACIONALES
Contar con observaciones de distintas variables climáticas permite validar
resultados de modelos, mejorar la predictibilidad mediante la asimilación de datos y
estudiar la física del clima. Tanto la temperatura en superficie como la PP son variables
que vienen siendo medidas in situ desde hace décadas y hoy en día se encuentran
también como productos reticulados. Para otras variables, p.e. dinámicas y con mayor
escala espacial (p.e. vientos en la tropósfera) la comunidad climática recurre a datos
de reanálisis (productos obtenidos de modelos que asimilan datos de diferentes
fuentes). La red global Fluxnet (Baldochi y otros, 2001) provee mediciones de flujos de
energía, agua (ET) y dióxido de carbono, principalmente en el hemisferio norte. En los
últimos años se vienen obteniendo productos satelitales que otorgan a escala global
datos de campo gravitatorio, HS, salinidad, índice verde y de área foliar, suelo, etc.
Distintos proyectos que combinan mediciones in situ, reanálisis y datos remotos
contribuyen a productos reticulados sobre todo el globo (p.e. LandFlux por Mueller y
otros, 2013). Otras bases (p.e. GLDAS, Rodell y otros, 2004) son derivadas de distintos
modelos de integración de suelo, en donde se utilizan técnicas de asimilación de datos
que permiten incorporar datos satelitales y de superficie. Recientemente,
Spennemann y otros (2014) afianzaron la hipótesis de que distintos índices de
monitoreo del suelo pueden ser desarrollados a partir de datos de GLDAS, y que dicha
base captura la variabilidad de la HS en SESA.
CLARIS-LPB dispuso de bases de datos reticulados (1) mensuales de PP y temperatura
del aire en superficie (Solman y otros, 2013), (2) diarios de PP (Jones y otros, 2013) y
de (3) temperaturas mínimas y máximas (Tencer y otros, 2011), así como una red de
23
más de 9000 estaciones meteorológicas con variables medidas de PP, temperatura,
radiación, heliofanía y caudal, entre otras (Penalba y otros, 2014).
1.3.3. VENTAJAS Y DESVENTAJAS DE LAS DIFERENTES HERRAMIENTAS
En el contexto del estudio de procesos superficie – atmósfera, ambas
herramientas de estudio, i.e. los MCRs como las bases de datos observacionales
cuentan con ventajas y desventajas.
Ventajas:
Los MCRs permiten elegir cualquier región del continente, período temporal de
estudio, i.e. cambio climático o paleoclima, variable del modelo y realizar
experimentos controlados para aislar influencias no deseadas que permitan estudiar
un proceso particular.
Las observaciones in situ (estaciones meteorológicas, torres de flujo, sensores de HS,
etc.) son la medida más realista de la variable que se quiere estudiar, y más cuando se
establecen eventos extremos de pequeñas escalas espacio-temporales.
Desventajas:
La calidad de los forzantes laterales (p.e. baja resolución), la limitación de que su
interacción con el modelo regional sea en ambos sentidos ó la complejidad de los
distintos módulos de parametrizaciones para resolver procesos de menor escala, son
algunos de los problemas que llevan a incertidumbres en el clima simulado (Laprise,
2008). No existe una combinación óptima de parametrizaciones (p.e. Jancov y otros,
2005) y la elección de las parametrizaciones brinda la mayor incertidumbre al clima
simulado, i.e. en mayor grado que la elección del dominio geográfico para la
simulación o la variabilidad interna (Solman y Pessacg, 2012). Debido a la naturaleza
caótica de la atmósfera, es recomendable realizar varias simulaciones (ó un ensamble)
y por ende los recursos computacionales ponen un límite respecto al tamaño del
ensamble, incluyendo la resolución espacial o longitud temporal (Rummukainen, 2010;
Wang y otros, 2004). Los MCRs presentan incertidumbres para simular el clima
sudamericano en condiciones medias, variables y extremas (p.e. Carril y otros, 2012;
Pessacg y otros, 2013; Solman y otros, 2013). Presentan errores sistemáticos de
24
sobreestimación sobre la cordillera de los Andes (probablemente debido a los efectos
topográficos) y de subestimación sobre LCP durante JJA (Carril y otros, 2012). Además,
los eventos extremos no son bien representados ya que son atenuados sobre el
reticulado del modelo.
En el contexto de la presente Tesis cabe mencionar que el valor de la HS es una
variable que depende fuertemente del esquema de suelo que tenga el modelo, así
como la cantidad de capas y la textura del suelo (p.e. Koster y otros, 2009). Sin
embargo, su variabilidad suele ser mejor representada en modelos hidrológicos (p.e.
Díaz y otros, 2014), o de suelo (Spennemann y otros, 2014) forzados por
observaciones.
Aunque la disponibilidad de observaciones se va incrementando, aún sigue siendo
limitada en extensión espacial y temporal. La calidad de los datos varía según el
método de medición, la región y la variable. Tanto el reanálisis como los datos
satelitales son considerados como “observaciones” cuando se quiere validar un
modelo. Sin embargo la calidad del dato de reanálisis depende de: la calidad del
modelo empleado, de la metodología de la asimilación de datos y de la cantidad de
observaciones asimiladas, entre otros. Por ende la incertidumbre asociada debe
tenerse en cuenta al emplear datos de reanálisis (p.e. Zaninelli y otros, 2014a, 2014b).
La calidad del dato satelital, también depende de varios factores, como por ejemplo de
la calidad de los algoritmos de procesamiento que se aplican al dato medido para que
éste pueda entenderse como una variable climática. Las variables de superficie
obtenidas de modelos de suelo (p.e. GLDAS) son modelo-dependientes, pero
dependen en mayor grado del forzante atmosférico que fuerza el modelo de suelo
(Spennemann y otros, 2014). La HS es una variable que ha sido medida durante los
últimos años en forma remota obteniendo satisfactoriamente datos globales aunque la
información es solo de los primeros centímetros de la superficie (Crow y otros, 2012).
Respecto a los datos in situ, la cobertura espacial de pluviómetros es aún escasa en
muchas zonas como la selva amazónica ó con terreno elevado. Allí la incertidumbre
asociada a distintas bases de PP es elevada, debido a los algoritmos de procesamiento
involucrados para la obtención de los productos y a posibles diferencias en los
conjuntos de estaciones que se utilizan. La ET es una variable altamente local como la
25
PP, pero su medición y posterior procesado del dato es más complejo. En Sudamérica
la disponibilidad de datos medidos in situ es extremadamente baja (Jung y otros, 2010,
su figura suplementaria 1), y muchas veces se recurre a la ET potencial como
alternativa (p.e. Pántano y otros, 2014).
1.4. ANTECEDENTES INTERACCIÓN SUELO - ATMÓSFERA
La interacción suelo-atmósfera modula la variabilidad del sistema climático y lo
hace en distintas escalas espacio-temporales. Las condiciones de la superficie pueden,
por ejemplo, favorecer el desarrollo de procesos de mesoescala, nubosidad y
tormentas convectivas (Pielke, 2001), así como también pueden contribuir a
condiciones extremas del clima a nivel regional como las sequías (Seneviratne y otros,
2010). En general en la última década, se ha encontrado que las anomalías de la HS
tienen una influencia significativa sobre los balances de agua y energía en zonas de
transición climática entre climas húmedos y áridos, en donde la ET es lo
suficientemente alta y variable pero se encuentra limitada por la disponibilidad de
agua en el suelo (Koster y otros, 2004).
1.4.1. METODOLOGÍAS
Para poder cuantificar en qué grado la superficie contribuye a la variabilidad
natural atmosférica se han establecido, a grandes rasgos, dos tipos de estudios. El
primero es la realización de experimentos de sensibilidad con ensambles de
simulaciones (p.e. Cook y otros, 2006). El segundo, es el análisis de tipo estadístico a
través de distintas métricas que conllevan el cálculo de correlaciones, covarianzas, etc.
sobre datos que pueden ser obtenidos de: modelos climáticos (AR4 en Notaro, 2008;
CMIP5 en Dirmeyer y otros, 2013); modelos de mesoescala (p.e. Santanello y otros,
2011); observaciones in situ (p.e. Eltahir, 1998) ó satelitales (p.e. Hirschi y otros, 2014);
reanálisis y/ó modelos de suelo (Zhang y otros, 2008; Dirmeyer y otros, 2009; Zeng y
otros, 2010; Spennemann y otros, 2014), así como de varios tipos de datos (Wei y
otros, 2008). Mientras que la primera metodología es más efectiva en términos de lo
que se quiere estudiar (i.e. aislar efectos), tiene la desventaja de que es más costosa
26
computacionalmente y no puede reproducirse con observaciones. Además, cuando es
usado un único modelo, los resultados obtenidos son modelo-dependientes. En
cambio, la segunda metodología tiene la ventaja de que puede aplicarse sobre todo
tipo de bases de datos, y así permite en cierta forma dar un panorama más amplio del
tema de estudio y además comparar los resultados entre modelos y datos
observacionales. La desventaja es que la interpretación de los resultados es más
compleja (Orlowsky y Seneviratne, 2010; Sun y Wang, 2012), debido a que no hay
posibilidad de observar la “causalidad” (sección 1.1.1).
Dentro del primer tipo de estudio, el índice estadístico llamado Coupling Strenght (CS)
expuesto por primera vez por Koster y otros (2002), cuantifica la fracción de la
variabilidad atmosférica que se debe a condiciones anómalas del suelo. Mediante la
prescripción de variables del suelo, como el contenido de humedad, es posible aislar su
influencia sobre la atmósfera, por ejemplo la PP, anulando la evidente influencia
opuesta (i.e. más lluvia origina más humedad en el suelo). El proyecto GLACE1 (Koster
y otros, 2003, 2004, 2006; Guo y otros, 2006) realizó uno de los primeros estudios
aplicando la metodología de CS utilizando 12 MCGs, durante un verano boreal. Una de
las hipótesis que plantearon estos trabajos es que los hot spots (ó máximos) de acople
HS – PP se suelen localizar en regiones con alto acople HS – ET y alta variabilidad
temporal de ET.
Otros trabajos emplean la metodología de CS para estudiar el acople del suelo con la
temperatura, flujos de calor, PP ó hasta con hielo, en diferentes regiones, estaciones,
en clima presente o futuro y usando MCGs ó MCRs (Lawrence y Slingo, 2005; Dirmeyer
y otros 2006; Seneviratne y otros, 2006b; Wang y otros, 2007; Wei y Dirmeyer, 2010;
Wei y otros, 2010; Sörensson y Menéndez, 2011; Tawfik y Steiner, 2011; Zhang y otros,
2011; Guo y Dirmeyer, 2013; Mei y otros, 2013; Yamada y otros, 2013; Ruscica y otros,
2014a).
1.4.2. RESULTADOS EN SUDAMÉRICA
La mayoría de los estudios de la sección anterior, sean regionales ó globales, se
realizan durante la estación cálida boreal, es decir durante JJA. Esto es debido a que se
27
asume que, en latitudes medias y altas, la interacción con el suelo es máxima en
verano cuando la ET es máxima (p.e. Koster y otros, 2006).
Durante JJA, se detectaron hots spots de PP principalmente en la zona tropical de
Sudamérica, aunque en distintas ubicaciones (Koster y otros, 2006; Notaro, 2008;
Orlowsky y Seneviratne, 2010; Wei y Dirmeyer, 2010; Zeng y otros, 2010; Zhang y
otros, 2011; Sun y Wang, 2012). Solo Wang y otros (2007) encuentran un hot spot en la
zona subtropical. Algunos de estos trabajos ampliaron sus análisis al incluir otras
estaciones y encontraron que SESA muestra señales de interacción suelo - atmósfera
durante el verano austral (Wang y otros, 2007; Zeng y otros, 2010) y durante todo el
año (Dirmeyer y otros, 2009).
Los estudios regionales sobre Sudamérica también se desarrollan principalmente
durante el verano. Algunos de los resultados sobre interacción suelo-atmósfera en
SESA mostraron que:
a) campos iniciales de la HS, principalmente aquellos anómalamente secos,
impactan sobre la PP simulada sobre el norte de LCP durante el inicio del SAMS
(Collini y otros, 2008; Sörensson y otros, 2010);
b) la interacción de la HS con la atmósfera permite mejorar la representación de
las anomalías de temperatura en superficie y PP simuladas por un modelo
global (Barreiro y Díaz, 2011);
c) la inclusión de procesos biofísicos en la vegetación de un modelo de suelo
mejora la climatología del SAMS (Ma y otros, 2011);
d) el acople entre la HS y la ET es alto y con un máximo en el acople con PP en
parte de SESA (Sörensson y Menéndez, 2011), donde la memoria de la HS es
relativamente alta (Ruscica y otros, 2014b). Recientemente, Ruscica y otros
(2014a) extendieron el estudio a otras estaciones, confirmando en parte los
resultados de Sörensson y Menéndez (2011) y encontrando además que el
acople se intensifica en condiciones de suelo seco y que la energía estática
húmeda juega un papel importante en el acople entre la HS y la PP en SESA;
28
e) las anomalías de HS en LCP inducen alta incertidumbre en los flujos de calor
sensible y latente, dando como consecuencia p.e. varios grados de incerteza en
la temperatura de superficie (Sörensson y Berbery, 2014);
f) SESA se caracteriza por una situación hídrica muy variable, la cual es una de las
principales vulnerabilidades de la actividad agropecuaria, principalmente hacia
el este de la región (Pántano y otros, 2014).
1.5. OBJETIVOS
1.5.1. PRIMARIO
Detectar zonas y estaciones en Sudamérica en donde la interacción superficie –
atmósfera sea elevada y procurar entender los procesos intervinientes.
1.5.2. SECUNDARIOS
- Investigar cuáles son las zonas de transición climática entre climas húmedos y
secos.
- Detectar donde y cuando se establece acople HS – PP.
- Contrastar resultados de zonas con acople entre distintos modelos climáticos
regionales.
- Investigar cómo se modifica el acople HS – PP en condiciones anómalamente
húmedas ó secas sobre el sudeste de Sudamérica.
- Analizar si hay alguna relación entre zonas con acople suelo – atmósfera y
zonas con alta memoria de humedad del suelo obre el sudeste de Sudamérica.
Objetivos técnicos:
- Aprender a utilizar un modelo climático regional: instalación, compilación,
modificación del código numérico, etc.
- Diagramar experimentos a partir de ensambles de simulaciones con un modelo
climático regional.
29
2. EL MODELO RCA
2.1. INTRODUCCIÓN
El modelo Atmosférico regional de Rossby Centre (RCA, por sus siglas en inglés), ha
sido desarrollado por el centro Rossby, una unidad de investigación climática del
Instituto de Meteorología e Hidrología Sueco (SMHI
http://www.smhi.se/en/Research/Research-departments/climate-research-rossby-
centre2- . La ve sió RCA Kjellst ӧ ot os, ; “a uelsso ot os,
participó en los proyectos coordinados PRUDENCE (Jacob y otros, 2007), ENSEMBLES
(Sánchez-Gómez y otros, 2008) y CORDEX (p.e. Nikulin y otros, 2012). Ha sido
herramienta de estudio de la Tesis doctoral de Anna Sörensson, quien mejoró el
desempeño del modelo sobre Sudamérica en las versiones posteriores llamadas RCA3-
E y RCA3.5 (Sörensson, 2010). Ambas versiones formaron parte de los ensambles de
modelos climáticos regionales en los proyectos interdisciplinarios y coordinados sobre
Sudamérica: CLARIS y CLARIS-LPB (ver sección.1.3.1). Fuera del contexto CLARIS, las
simulaciones de cambio climático han sido también empleadas para investigar ondas
de gravedad sobre la cordillera central andina (Alexander y otros, 2010) y para forzar
un modelo hidrológico (Montroull y otros, 2013). En el capítulo 3 se utilizaran
simulaciones realizadas con RCA3-E.
En las secciones siguientes, se describen las características generales de la nueva
versión RCA4, su desempeño sobre Sudamérica y las diferencias con su predecesor
RCA3-E.
2.2. VERSIÓN RCA4
La versión RCA4 es desarrollada por Rossby Centre desde principios de ésta década.
De todos modos, una versión preliminar, RCA4-CORDEX, ya ha sido utilizada para el
proyecto CORDEX-CMIP5 (http://cmip-pcmdi.llnl.gov/cmip5/), con tres resoluciones y
sobre seis dominios geográficos diferentes, en particular el sudamericano. Desde el 1º
30
Abril de 2014, se encuentra terminada la primera fase del proyecto, y las simulaciones
se encuentran disponibles en http://esg-dn1.nsc.liu.se/esgf-web-fe/. Algunas de las
publicaciones hasta el momento: pueden leerse en
http://meetingorganizer.copernicus.org/EMS2014/EMS2014-643.pdf; en Samuelsson y
otros (2010) y Berg y otros (2013).
Como herramienta principal de este estudio se utilizó la versión RCA4-CORDEX. En lo
siguiente, para simplificar la nomenclatura se usará “RCA4” en lugar de “RCA4-
CORDEX”.
2.2.1. CARACTERÍSTICAS GENERALES Y CONFIGURACIÓN
RCA4 es un modelo atmosférico de área limitada e hidrostático que interactúa
con el modelo de lagos Flake (Samuelsson y otros, 2010; http://www.flake.igb-
berlin.de/) y con un modelo de la superficie continental (sección 2.2.2). Puede ser
acoplado a un modelo oceánico y/ó a uno global, e interactuar con el modelo de
vegetación dinámica LPJ-GUESS (Smith y otros, 2011). En el núcleo dinámico emplea un
esquema de advección Semi-Lagrangiano y semi-implícito con difusión de sexto orden
aplicado a las variables de pronóstico (Jones y otros, 2004). El esquema de radiación es
computacionalmente rápido, con una única longitud de onda corta y una única de
o da la ga “avijӓ vi, ; “ass ot os, e i lu e a so ió de CO2 Rӓisӓ e
otros, 2000). La parametrización de la turbulencia incluye procesos húmedos (Cuxart y
otros, 2000; Cuijpers y Duynkerke, 1993) y una transición suave entre condiciones
estables e inestables (Lenderink y de Rooy, 2000; Lenderink y Holtslag, 2004), con un
tratamiento implícito de la ecuación de energía cinética turbulenta (Brinkop y
Roeckner, 1995). La convección está parametrizada por Kain y Fritsch (1990; 1993),
mientras que la microfísica y la nubosidad de gran escala por Rasch y Kristjánsson
(1998). Para mitigar los errores generados por apartamientos de la circulación
simulada respecto a la circulación de gran escala del forzante, el modelo tiene la
opción de forzar el flujo de gran escala dentro del dominio de integración, lo que se
conoce como spectral nudging (p.e. Berg y otros, 2013).
La configuración general de RCA4 no es modificada a lo largo de la Tesis. El modelo se
ejecuta so e u do i o otado o u a esolu ió ho izo tal de . ˚ , iveles
31
verticales no-equidistantes en coordenadas híbridas. La simulación es amortiguada
tangencialmente hacia los límites del dominio en la llamada zona de relajación, la cual
consta de 11 puntos de retícula en cada borde y no está incluida en el análisis. La
Fig.2.1 muestra el dominio espacial y la topografía del modelo. El paso temporal es de
20 minutos. Los condiciones de contorno laterales son del reanálisis ERA-Interim (Dee
y otros, 2 , o u a esolu ió espa ial de . ˚ te po al de ho as. La
temperatura de superficie del mar, así como las condiciones iniciales, son tomadas del
mismo reanálisis.
Cabe aclarar que el modelo de vegetación dinámica y la opción de spectral nudging no
fueron activados en la configuración empleada en esta Tesis.
Las simulaciones con RCA4 fueron realizadas en el clúster de alto rendimiento
disponible en el CIMA (http://wiki.cima.fcen.uba.ar/;
http://scad.cima.fcen.uba.ar). Para reducir la incertidumbre computacional, se decidió
utilizar un único nodo que trabaja con 24 procesadores.
2.2.2. ESQUEMA DE SUPERFICIE
Dado la temática de la Tesis es necesaria una mayor descripción de las
características del modelo de suelo, ya que en gran parte del trabajo se emplean
variables de superficie (agua en el suelo, flujos de superficie, etc.).
El suelo de RCA4 es básicamente el usado en RCA3 (Samuelsson y otros, 2006), aunque
con algunos agregados. Mantiene el esquema de baldosas (tile scheme, van den Hurk y
otros, 2000), con tres baldosas principales en cada punto de retícula: de campo
abierto, de bosque (caducifolio ó de coníferas) y de nieve sobre campo abierto. La
baldosa de campo abierto es subdividida en campo sin/con pastizales, mientras que la
baldosa de bosque es subdividida en canopia forestal, suelo forestal y nieve sobre
suelo forestal. En la Fig.2.2 se esquematizan las baldosas y sus subdivisiones, junto con
algunas variables de pronóstico y las resistencias respectivas que juegan un papel
fundamental en el cálculo de los flujos superficiales. Cada baldosa está conectada con
el nivel atmosférico más bajo del modelo (z1≈ -40m) a través de los flujos, por
ejemplo la evapotranspiración:
32
=
( )− 1+, = ℎ ,
1, (ec. 2.1)
con ρ y Le constantes; Ts la temperatura y qs la humedad específica ambas saturadas en
superficie; qz1 la humedad específica en z1 y ra y rs la resistencia aerodinámica y de
superficie respectivamente. La ET depende de la fracción de cobertura vegetal cubierta
de agua (hv), la cual puede influir en la transpiración o en la evaporación de agua
interceptada. Con C=1 en la ecuación 2.1, se obtiene el flujo de calor latente y si
además rs=0 se obtiene la evaporación de suelo sin vegetación. Estrictamente para
superficies boscosas, se utilizan además otras resistencias aerodinámicas y los valores
en z1 son diferentes (ver Samuelsson y otros (2006) para más detalle). Otras variables
de diagnóstico, como la temperatura y humedad a 2 metros ó el viento a 10 metros
también se calculan de manera individual para cada baldosa, usando la teoría de
Monin-Obukhov (Monin y Obukhov, 1954). El balance energético en superficie se
realiza para cada baldosa principal, incluyendo cada subdivisión. Dependiendo de la
existencia de nieve (ausente en la mayor parte del dominio de interés), se obtienen de
tres a cinco ecuaciones de balance de energía neta en superficie, o sea para cada una
de las baldosas principales, incluyendo cada subdivisión de bosque. Por lo tanto, el
esquema de suelo brinda la información al modelo atmosférico en su nivel más bajo
de, los promedios pesados de los flujos individuales de calor y momento de cada
baldosa según su área fraccional en cada punto de retícula.
La Tabla 2.1 resume cómo el suelo es dividido verticalmente en capas de distintas
profundidades paras las variables pronosticas de temperatura y humedad. Para la
temperatura se divide en cinco capas y la ecuación de transferencia calórica es resuelta
para capa y baldosa. La HS se suma a los demás reservorios de agua descriptos en la
Fig.2.2 a través de sus seis variables ya que el suelo en este caso es dividido en tres
capas tanto para campo abierto como para bosque. La disponibilidad de agua en el
suelo (DAS) es una medida del grado de saturación de humedad de la columna de
suelo, y toma valores entre 0 (cuando la HS coincide con el punto de marchitez
permanente) y 1 (cuando coincide con la capacidad de campo). La profundidad de la
columna de agua es distinta según la vegetación, ya que depende de la profundidad de
las raíces. La vegetación tiene la posibilidad de compensar situaciones de sequía en
cierto nivel del suelo incrementando la capacidad de tomar agua de otros niveles,
33
dado que su distribución vertical es exponencial. El escurrimiento es sólo vertical, y
puede ser usado como variable de entrada en un modelo hidrológico no interactivo.
Los parámetros de superficie continental son tomados de la base global de datos de
1km de resolución ECOCLIMAP (Masson y otros, 2003). Por ejemplo en el caso de la
vegetación, los 215 ecosistemas de ECOCLIMAP se reducen a tres: pastizales, forestal
de coníferas y forestal caducifolio. La textura del suelo varía entre 12 combinaciones
de arena, arcilla y limo según el triangulo de Hillel (Hillel, 1980). En la Tabla 2.2 se
detallan los demás parámetros y si estos son fijos o con variabilidad mensual y/ó si
dependen del tipo de vegetación.
2.2.3. CAMBIOS RESPECTO DE RCA3-E
La modificación principal es técnica. El esquema del código es totalmente
reformulado en Fortran 90/95 y C/C++, y el archivo ejecutable es independiente del
dominio espacial elegido. Esta última característica hace de RCA4 un modelo mucho
más transferible a cualquier parte del planeta, a diferencia de RCA3 y sus versiones
previas que fueron desarrolladas para simular el clima europeo. Gran parte del
programa es ahora modular, haciendo más sencillo su mantención, manipulación y
adaptación a distintas arquitecturas. Las variables de salida, la topografía, los datos de
condición de contorno e inicio, el dominio espacial, la resolución espacial y temporal,
la cantidad de niveles verticales, si hay condición de reinicio, ó diferentes escenarios
en el caso de estudios de cambio climático, entre otros, se establecen fácilmente
desde los archivos de configuración. En esta versión no es necesario el pre-
procesamiento, ya que los datos usados en la simulación son globales, así como
tampoco necesita ser re-compilado cuando hay cambios en el dominio ó en el número
de niveles verticales. Una de las incorporaciones más recientes reside en la posibilidad
de realizar spectral nudging.
Los cambios en las condiciones de superficie residen en:
1. la inclusión de una tercera capa de humedad en el suelo,
2. que la fracción de raíces en el suelo es función exponencial de la profundidad,
con la posibilidad de compensar el estrés hídrico de una capa a otra del suelo,
3. el agregado de carbono orgánico en el suelo a través de ECOCLIMAP,
34
4. el incremento de 7 a 12 tipos de valores de textura del suelo (arcilloso,
arenoso, etc.) tomados de ECOCLIMAP y no de FAO1998 (http://www.fao.org/)
y,
5. que los datos orográficos son tomados de Gtopo30, un modelo global de
elevación digital de, aproximadamente, 1km de resolución espacial
(https://lta.cr.usgs.gov/GTOPO30), mientras que RCA3-E utilizaba FAO1998,
6. el nuevo modelo de lagos Flake que reemplaza a su predecesor PROBE. Una de
sus mejoras radica en que la profundidad de lagos es ahora obtenida de una
base de datos global y el pronóstico del albedo de nieve es modificado para
mejorar el desempeño del modelo en regiones frías. De todos modos, ambas
condiciones son altamente relevantes para el norte europeo, pero de menor
impacto en la respuesta del clima sobre el dominio sudamericano (ver estudio
de sensibilidad en Sörensson (2010)).
Las condiciones de contorno laterales que utiliza RCA4 son de ERA-Interim con una
aceptable resolución espacial de 0.75° (RCA4: 0.44°), mientras que las simulaciones
con RCA3-E se hicieron con ERA-40 a una resolución mucho menor (2.5°).
2.3. VALIDACIÓN
Con el objetivo de evaluar el clima de Sudamérica con la nueva versión RCA4, se
realizó una corrida de 20 años durante el período 1980-99 (1979 spin up). La
configuración utilizada del modelo se describió en la sección 2.2.1. A continuación, los
valores medios estacionales a escala continental de la temperatura a 2 metros, la PP y
la ET de RCA4 son validados contra observaciones y se comparan con los resultados de
RCA3-E en el mismo período. Además, para poder estimar la significancia de los
errores de RCA4 se expone una medida de incertidumbre observacional para la PP y la
ET.
2.3.1. TEMPERATURA EN SUPERFICIE
La Fig.2.3 muestra las diferencias (biases) entre la temperatura a 2 metros del
modelo y la temperatura en superficie de CRU (New y otros, 1999, 2000), para la
35
versión RCA3-E (paneles superiores) y RCA4 (paneles inferiores), durante el período
1980-99. Claramente, RCA4 reduce los errores de sobreestimación de RCA3-E, tanto en
magnitud como en extensión espacial durante todas las estaciones. En particular,
sobre SESA el bias disminuye hasta tres grados durante la primavera y el verano. Dicho
bias se observa generalmente en los modelos climáticos y suele ser atribuido a biases
secos de PP (ver a continuación sección Precipitación) y a distintas retroalimentaciones
en la superficie continental que lo refuerzan. En SESA y durante MAM, RCA4 logra
eliminar el bias cálido de RCA3-E, mientras que durante JJA se observa un cambio de
signo, i.e RCA4 pasa ahora a subestimar la temperatura media estacional. RCA4
también disminuye el alto bias positivo en SON sobre el noreste, y en JJA sobre el
centro del continente. Sobre la zona andina no se observan cambios notorios en los
biases de ambas versiones. En cambio, la temperatura simulada con RCA4 desmejora
sobre el Amazonas y el sur de la Patagonia, dando biases negativos más extensos,
aunque no tan intensos. De todos modos, la densidad de estaciones en esas tres
regiones es escasa (p.e. Garreaud y otros, 2008), aunque hay que tener en cuenta que
la región amazónica es de por sí una zona emblemática para simular el clima
(parametrizaciones de convección, inclusión en detalle de la cubierta vegetal, uso de
suelo entre otros factores).
2.3.2. PRECIPITACIÓN
La PP observada se obtiene como la media del ensamble de cinco bases de
datos reticulados con 0.5°x0.5° de resolución. Dichos bases están disponibles a través
del proyecto CLARIS-LPB (ver sección 1.3). Los productos seleccionados para el
ensamble son: GPCC (Rudolf y Schneider, 2005), CRU TS3.1 (Mitchell y Jones, 2005),
UDEL (Matsuura y Willmott, 2009), CPC-uni (Chen y otros, 2008) y GPCP (Adler y otros,
2003). Los primeros cuatro son obtenidos solamente de datos pluviométricos mientras
que el último, GPCP, también incorpora datos satelitales. Teniendo en cuenta el
contexto de la validación, el período temporal común entre los cinco miembros del
ensamble es 1981-99. La precipitación media estacional observada ya se mostró en la
Fig.1.4 en el contexto de la introducción, pero para una mejor apreciación de los
patrones y comparación con los biases del modelo se muestra nuevamente en otra
escala en la Fig.2.4a.
36
Metodológicamente, los biases del modelo se calculan en forma relativa a la media
observacional, siempre que ésta sea mayor a 1mm/día, o sea sin tener en cuenta los
puntos de retícula en blanco sobre continente de la Fig.2.4a (de forma de omitir
valores excesivamente altos en zonas con muy poca PP). Esto es consistente con que,
en general, los errores en la PP simulada se establecen cuando la PP es alta. La Fig.2.4b
muestra los biases relativos de la PP media estacional para las versiones RCA3-E y
RCA4. Como se comentó en la sección 1.3.3, la cordillera de los Andes es una zona
donde los modelos climáticos sobreestiman sistemáticamente la PP y se ve en la figura
que RCA no es la excepción (mayor al 100% en la región central y norte). El mismo tipo
de error sistemático se presenta sobre gran parte de LCP en JJA en varios modelos al
igual que en ambas versiones de RCA, en donde la PP simulada es menor que la
observada (alrededor del 65%). Por otra parte, las zonas en donde sí difieren ambas
versiones están en el norte del continente, en donde RCA4 mitiga grandes biases
positivos de RCA3-E, principalmente durante SON y DEF (mayores al 100%). De todos
modos, la nueva versión simula menos PP que la observada sobre la región, pero con
biases relativos más chicos que los que muestra RCA3-E. El sudeste del continente
(rectángulo en Fig.2.4b) es una región que no muestra diferencias marcadas en la PP
simulada con la nueva versión.
Los análisis realizados sobre los biases del modelo no son del todo certeros si no se
contrastan con la incertidumbre observacional. Esto es relevante para la PP dado su
carácter de variable altamente local y eventual, lo cual conlleva a contar con un alto
espectro de bases de datos observacionales que se utilizan como “la realidad” aunque
todavía acarrean varias falencias (diferentes métodos de interpolación, baja densidad
de datos, etc.). Para eso se calcula una medida de la incertidumbre, por medio de la
diferencia entre el máximo y el mínimo del ensamble de observaciones descripto
anteriormente, obteniéndose así un rango de valores para cada punto de retícula. De
esta forma, se puede establecer si el bias del modelo RCA4 es realmente significativo
viendo si éste excede el rango de incertidumbre. Por otra parte, si dicho rango excede
al bias, no se puede decir nada sobre la PP simulada. En la Fig.2.5a se muestra el bias
del modelo en valor absoluto (paneles superiores) para que pueda compararse con la
incertidumbre observacional (paneles inferiores). A escala continental, se ve que las
37
regiones en donde el modelo tiene problemas para simular la PP media también son
regiones en donde la incertidumbre es alta, como ser en el centro-norte en DEF y
MAM, el extremo norte en JJA, los Andes centrales y el extremo suroeste de la
Patagonia durante todo el año. Básicamente, el bias absoluto como la incertidumbre
son altos porque (1) la PP es elevada y/ó (2) la cobertura espacial de pluviómetros es
aún escasa en muchas zonas como la selva amazónica ó con terreno elevado, y
entonces los algoritmos de procesamiento involucrados para la obtención de los
productos juegan un rol más importante (ver sección 1.3.3). Por otro lado, se ve
claramente que el bias en LCP en JJA es altamente significativo dado que la
incertidumbre observacional es casi nula. En este caso, se puede afirmar que el bias
seco del modelo RCA en sus dos versiones es significativo y sistemático. Las
comparaciones planteadas entre ambos paneles de la Fig.2.5a se vuelven más claras al
hacer la resta entre ambas métricas (Fig.2.5b). En esta figura es más sencillo ver las
zonas en donde el bias absoluto del modelo es mayor que la incertidumbre
observacional y por ende significativo (en rojo). Las zonas en donde no puede validarse
el modelo son chicas y están muy dispersadas (en azul), mientas que en el resto de las
zonas el modelo tiene una representación aceptable, en el sentido que el bias difiere
en +/- 1mm/día de la incertidumbre observacional. En resumen, puede afirmarse que
la PP media estacional es adecuadamente simulada por RCA4 a escala continental
durante SON (exceptuando los Andes), y sobre SESA durante DEF y MAM.
2.3.3. EVAPOTRANSPIRACIÓN
Debido a que es una variable muy empleada en esta Tesis, es interesante
realizar además un estudio de validación en esta variable, aunque más interesante aún
es tener una medida de la incertidumbre observacional sobre Sudamérica. El producto
global de ET del proyecto LandFlux-EVAL recolecta y fusiona en distintos estadísticos
varias bases de datos de diferentes categorías: (1) diagnóstico (que incluye medidas de
campo y/ó observaciones satelitales), (2) reanálisis, (3) modelos de suelo, y (4) las
categorías (1)-(2)-(3) combinadas en una (a partir de ahora denominada LFE-
combinada). Estos productos están disponibles en
http://www.iac.ethz.ch/groups/seneviratne/research/LandFlux-EVAL en escala
mensual, con resolución espacial de 1°x1° y para los períodos temporales de 1989-
38
1995 y 1989-2005, con hasta 40 y 14 bases de datos diferentes respectivamente
(Mueller y otros, 2013).
La ET simulada por RCA4 es validada contra LFE-combinada en el período común más
largo, esto es, entre 1989 y 1999. La Fig.2.6 muestra los campos medios estacionales
de RCA4 y LFE-combinada en los paneles superiores y centrales respectivamente. En
general, el modelo representa adecuadamente los patrones de gran escala de la ET
media, captando la región semi-árida del noreste de Brasil y de la Patagonia, así como
el máximo relativo sobre la SACZ en DEF y SON. De todos modos, los máximos en el
centro-norte del continente están sobreestimados hasta en 2mm/día, y dado el rango
observado de valores (0-6mm/día), dicha sobreestimación supera el 30%. En el centro-
este de Brasil, se observa el comportamiento opuesto de subestimación y con errores
porcentuales similares, principalmente en JJA.
La incertidumbre observacional se observa en los paneles inferiores de la Fig.2.6. Ésta
fue definida de la misma manera que para la PP pero, en este caso, bastó restar los
estadísticos máximo y mínimo provenientes del ensamble de LFE-combinada. Dado
que dicho ensamble consta de 14 miembros pertenecientes a distintas categorías de
datos (5 de diagnóstico, 4 reanálisis y 4 modelos de suelo) y tiene una gran dispersión,
el orden de magnitud de la incertidumbre es similar, o hasta a veces mayor, al del valor
medio. A diferencia de la PP, las regiones con mayor incertidumbre observacional en la
ET no se ubican estrictamente donde se establecen los biases más grandes (p.e. en
DEF). Asimismo resulta interesante destacar que la magnitud del bias (p.e. menor a 2
mm/día en el centro y norte del continente) se encuentra en general comprendido en
el rango máx-min de estimaciones observacionales. De todos modos, hay que tener en
cuenta que los valores de incertidumbre dependen de la métrica elegida, en este caso
máximo-mínimo. Probablemente haber elegido la desviación estándar como medida
de incertidumbre en las observaciones hubiese otorgado valores más bajos de ésta y
por ende una magnificación de los biases.
Respecto a la comparación entre RCA4 y RCA3-E, no se encuentran diferencias
marcadas a gran escala, salvo algunos máximos locales en DEF que se encuentran
desplazados entre sí (ver Fig.2B del apéndice).
39
2.4. DISCUSIÓN Y COMENTARIOS GENERALES
RCA4 es la última versión del modelo climático regional RCA y es empleada por
primera vez sobre Sudamérica para estudios de procesos físicos. Cabe aclarar, que es
un modelo sueco desarrollado principalmente para latitudes medias a altas, en
regiones frías y con gran cantidad de lagos. Por ejemplo, el esquema de superficie
(sección 2.2.2) tuvo especial atención en su desarrollo para lograr simular el clima
europeo (Samuelsson y otros, 2006). De todos modos, esto no quita que pueda ser
utilizado para otras zonas del planeta. Aunque no fue objetivo de esta Tesis el realizar
estudios de sensibilidad para lograr la mejor configuración del modelo en términos de
simular adecuadamente la climatología sudamericana, sería conveniente, por ejemplo,
redefinir el esquema de baldosas dado que la baldosa de nieve es casi nula en nuestra
región. Otra posible mejora al esquema de superficie sería mejorar el cálculo de los
flujos en superficie haciendo promedios pesados en cada punto de retícula teniendo
en cuenta tanto la proporción del tipo de vegetación como también su distribución
espacial. De manera complementaria, el incorporar datos de fisiografía, vegetación,
profundidad y textura del suelo, albedo, emisividad, etc. que sean más representativos
de la región de estudio, tendría un impacto diferente en los resultados y seguramente
mejoraría el clima simulado por RCA4.
A diferencia de su predecesor, RCA4 posee un código de programación totalmente
reformulado para que su mantenimiento y manipulación sea más simple, y por ende
con mayor transferibilidad a cualquier área del planeta. Otros cambios radican en el
esquema de superficie, dada la incorporación de carbono orgánico y de una tercera
capa de humedad, así como una mejor representación de la distribución vertical de
raíces (ahora exponencial), entre otros.
La sección 2.3 mostró la validación de RCA4 y RCA3-E a través de tres variables de
superficie en campos medios estacionales y en distintos períodos temporales entre los
años 1980 y 1999. En cuanto a la temperatura a 2 metros, se evidenció una notable
reducción del bias cálido en todas las estaciones. Es muy probable que las mejoras
sobre el esquema de superficie, nombradas en el párrafo anterior, contribuyesen de
forma positiva a la temperatura simulada por RCA4. La respuesta de distintas variables
de superficie a los cambios en la distribución de raíces como a la inclusión de una
40
tercera capa de humedad han sido testeadas sobre la región por Sörensson (2010) con
la versión RCA3.5. Sus estudios de sensibilidad a estos dos parámetros otorgaron, en
forma evidente, mejoras significativas en los biases cálidos de temperatura en
superficie. El agregado de carbono al suelo en RCA4 también es relevante para la
temperatura del suelo ya que permite regular la transferencia de calor, aunque no es
estudiado en este caso. La validación para la PP fue más robusta al comparar el modelo
con un ensamble de observaciones. La nueva versión no refleja de manera general una
mejora significativa de la PP media estacional simulada. Mientras que RCA3-E
sobreestima los valores principalmente sobre el norte del continente, RCA4 tiende a
subestimarlos. Sin embargo durante SON, el bias es casi nulo en toda SA, exceptuando
por supuesto la zona andina. Se puede inferir que las diferencias entre versiones no
serían debidas, al menos directamente, al esquema convectivo ya que ambas emplean
Kain-Fritsch. Sí podrían ser consecuencia de los forzantes laterales puesto que RCA3-E
utilizó el reanálisis ERA-40 con 2.5° de resolución mientras que RCA4 empleó el
reanálisis ERA-Interim con 0.75°. La cantidad de niveles verticales, que aumentó de 24
a 40 en la nueva versión, también puede ser otra de las causas. Sörensson (2010)
encontró que el clima sudamericano es mejor simulado con 40 niveles que con 24; por
ejemplo las lluvias convectivas sobre el Amazonas son mejor simuladas dado que los
perfiles verticales de humedad y temperatura están mejor resueltos. Por último, la ET
media estacional del modelo fue contrastada contra un ensamble de “datos
observacionales” disponible en línea. En general se observó que los patrones
continentales están adecuadamente representados por RCA4 y éstos no difieren
demasiado de los simulados por RCA3-E. Sin embargo, los valores absolutos simulados
distan todavía de las estimaciones observacionales.
Qué tan vinculados se vieron los resultados de las tres variables en RCA4? Por ejemplo,
los biases de temperatura y PP están correlacionados positivamente sobre la región
amazónica. Esto puede ser debido a que la ET en esta zona está limitada por las
condiciones atmosféricas (ver desarrollo de esta temática en los capítulos siguientes).
La estación seca en SA se presenta en el invierno y se destaca principalmente en la
región del centro-este de Brasil. Allí el bias de PP es nulo, aunque se evidencia una
sobreestimación en la temperatura vinculada con una subestimación en la ET,
41
indicando que en cierta forma el suelo del modelo se encuentra en condiciones más
secas de lo observado. En SESA, todavía se observan biases positivos de temperatura
en SON-DEF aunque de menor magnitud que en RCA3-E. Posiblemente el bias seco en
JJA influya a través de la memoria del suelo en dichos biases cálidos. Cabe tener
presente que los períodos de análisis para las tres variables no son estrictamente
iguales y que las observaciones empleadas para cada validación en particular son
productos independientes entre sí.
Más allá del carácter descriptivo del capítulo, donde se informa sobre la herramienta
de estudio empleada, analizar la incertidumbre observacional no es un punto menor
cuando se quieren validar los resultados de un modelo climático. Mientras que la
temperatura de CRU sobre Sudamérica es en general bien aceptada en la comunidad
climática, no ocurre lo mismo con la PP y mucho menos con la evapo(transpi)ración.
Solman y otros (2013), encuentran resultados similares a la incertidumbre
observacional en el bias del ensamble de PP, aunque no utilizan GPCP y el período de
estudio es otro. Aún hay mucho por mejorar en la PP simulada de RCA4 sobre SA,
aunque existen zonas en donde la variable directamente no puede validarse ya que el
error observacional es alto. Para evaluar la ET de RCA4, se utilizó un producto
observacional de gran valor para éste (y otros) tipo(s) de estudio(s), dada la poca
disponibilidad de información sobre SA. La incertidumbre asociada es alta, y en varias
regiones es aún mayor que el mismo bias del modelo imposibilitando la validación.
Más allá de la incertidumbre observacional, es importante destacar que gracias a la
mayor disponibilidad de información satelital desde los últimos años, los datos
medidos (p.e. HS, salinidad del mar, índice de área foliar, nubosidad, etc.) crecen en
cobertura espacial y temporal, otorgando información muy valiosa para la comunidad
climática.
42
3. RELACIONES HIDROLÓGICAS: ACOPLE
SUPERFICIE-ATMÓSFERA, MEMORIA Y
HETEROGENEIDAD DE LA HUMEDAD
DEL SUELO
3.1. CONTEXTO Y MOTIVACIÓN
SESA ha sido caracterizado como una región de alto acople entre la superficie y la
atmósfera, en particular entre la HS y la ET, y entre la HS y la PP. Estos resultados
fueron obtenidos por Sörensson y Menéndez (2011, de ahora en más S&M11) a través
de experimentos realizados sobre Sudamérica con la versión RCA3-E y para el caso
particular del verano 1992-93. Estrictamente, el concepto de acople en este caso se
refiere a la métrica definida en la literatura como intensidad del acople (ó CS por sus
siglas en inglés de Coupling Strength), la cual fue descripta en la sección 1.4.1 y será
aplicada en detalle en el capítulo 4.
La motivación para este capítulo reside en entender porqué SESA es un hot spot dadas
las implicancias que este resultado tiene sobre el clima de la región. Para ello, se
analizan varios aspectos de las interacciones entre las variables de superficie. El
régimen de PP en DEF 1992-93 es caracterizado y validado contra observaciones. Se
analizan distintos forzantes de la ET así como la correlación entre variables de
superficie para subregiones con diferentes regímenes de PP y acople. La memoria de la
HS es cuantificada, y por último se investiga cómo y porqué las condiciones de la HS
afectan a diferentes características de la PP, como su intensidad, frecuencia y
persistencia.
3.2. MODELO Y METODOLOGÍA
Los datos analizados en este capítulo fueron resultado de simulaciones realizadas
con la versión RCA3-E. La configuración del modelo, las parametrizaciones empleadas y
43
algunas características del esquema de superficie se detallan en la Tabla 3.1. El verano
1992-93 fue elegido por tener condiciones neutras de ENSO (ver Fig.3A del apéndice).
Para más información sobre las simulaciones, el lector puede referirse a Sörensson
(2010).
Los hot spots de acople HS – PP se suelen localizar en regiones con alto acople
humedad del suelo – evapotranspiración (CS[HS,ET]) y alta variabilidad temporal de la
ET σET) (ver sección 1.4.1). Por lo tanto, para tener en cuenta los dos efectos, se
al ula el p odu to e t e a os C“[H“,ET]*σET, métrica definida desde ahora como
eficiencia de acople EA . Las pat o es de C“[H“,ET] C“[H“,ET]*σET se encuentran en
la Fig.5 de S&M11. Ellos trabajaron con series temporales de 15 datos, esto es sobre
promedios de 6 días. A lo largo de este capítulo, la resolución temporal empleada es la
dia ia, pa a se o siste te, se ehi ie o los ál ulos de C“[H“,ET] σET (Figs.3.1a-b).
Básicamente, ambos factores se vieron independientemente modificados en su
magnitud, dado que el acople se vuelve menos robusto mientras que la variabilidad a
una escala más chica aumenta indefectiblemente. Sin embargo, el producto entre
ambos (Fig.3.1c) compensa esos cambios, otorgando un patrón para la EA muy similar
en ubicación y magnitud al de S&M11 (ver más desarrollo de ésta temática en el
capítulo siguiente). Por lo tanto, la región de estudio será SESA1 (ver Fig.1.5) el cual se
expone en la Fig.3.1c.
El cálculo de CS implica una metodología compleja que será explicada en detalle en el
próximo capítulo, pero básicamente necesita de dos ensambles de simulaciones. Uno
de ellos simula libremente el clima de la región y es utilizado para todos los análisis de
éste capítulo. Dicho ensamble consiste de 10 miembros que difieren en su condición
inicial (04, 07, 10, 13, 16, 19, 21, 24, 26 y 28 de Octubre) y simulan en forma continua
el clima de Sudamérica en el período de análisis: Diciembre de 1992 a Febrero de
1993. Para que la HS esté en equilibrio con el modelo atmosférico, su condición inicial
fue tomada de otra simulación continua inicializada en Setiembre de 1990; de esta
manera no es necesario tener en cuenta el largo spin up que tiene dicha variable (p.e.
Sörensson, 2010).
3.3. VALIDACIÓN E INCERTIDUMBRE OBSERVACIONAL
44
El campo medio de PP se muestra en la Fig.3.2a. Éste presenta un gradiente
principalmente en dirección norte-sur con algunos máximos sobre la costa norte del
dominio y sobre la ladera este de la cordillera. Para evaluar la PP simulada se emplean
datos observacionales diarios de CPC-uni (Chen y otros, 2008), con resolución espacial
de 0.5°x0.5°. El bias relativo de RCA3-E con respecto a CPC-uni es mostrado en la
Fig.3.2b. RCA3-E presenta diferencias que van desde -40% para el sur de Brasil y el
noroeste de Argentina hasta el 100% sobre el este de la cordillera, probablemente
debido a los efectos topográficos. Este es un problema común y recurrente en los
modelos y en bases de datos observacionales de PP cerca y sobre los Andes (sección
1.3.3). Por lo tanto, para poner el error en un contexto más amplio y como una medida
de incerteza observacional, se expone la diferencia entre CPC-uni y la base mensual
CRU (New y otros, 1999, 2000). La diferencia relativa entre ambas (Fig.3.2c) y el bias
relativo del modelo mostrado previamente (Fig.3.2b) son similares en signo, ubicación
y magnitud en varias regiones de SESA1, excepto en el noroeste cordillerano, donde el
modelo sobreestima los valores de PP de ambas bases de datos. La incerteza
observacional sobre gran parte de SESA1 no permite cuantificar el error que puede
tener el modelo en representar la PP media de DEF 1992-93.
Además del valor medio, se analiza la frecuencia relativa de la PP (Fig.3.3a), cuando
ésta es mayor a 1mm, o sea cual es el porcentaje de días con lluvia. Dicha métrica es
interesante de analizar en el contexto del acople superficie-atmósfera debido a que la
HS juega un rol importante en el inicio de la convección (sección 1.1.3). En la figura se
observa, en general, que las áreas con mayor frecuencia coinciden con aquellas de
valor promedio alto (Fig.3.2a), aunque el máximo local sobre la ladera norte de los
Andes es menos pronunciado. La frecuencia es validada de forma relativa contra CPC-
uni (Fig.3.3b). Se obtiene un patrón no muy diferente al del bias de valor medio
(Fig.3.2b), aunque parece ser que el modelo simula mejor la ocurrencia de lluvias. De
todos modos, se observan áreas con diferente signo, como ser la costa sudeste de
Brasil. Es importante remarcar que la Fig.3.3b no concuerda con otros trabajos sobre la
región (p.e. Carril y otros, 2012), donde en general la frecuencia de días de lluvia es
sobrestimada. Entonces más allá del propio bias del modelo, esto puede estar
relacionado con la sobreestimación de la frecuencia de días de lluvia con baja PP en la
45
base de datos CPC-uni como es sugerido en Carvalho y otros (2012) (p.e. el percentil 25
de la PP diaria para esta base de datos es el más bajo en comparación con las demás
bases sobre Sudamérica).
Una métrica que tiene en cuenta tanto la media como la frecuencia, es la intensidad
media de PP (de ahora en adelante IMP, Fig.3.4a), definida aquí como la PP media
estacional dividido el número de días con PP mayor a 1mm. Los máximos de IMP no se
ubican al norte de SESA1 como ocurre con el valor medio, sino que se ubican sobre una
banda con sentido noroeste-sureste en un patrón espacial similar a la PP extrema
(Fig.3B del apéndice).
3.4. FORZANTES DE LA EVAPOTRANSPIRACIÓN
Con el objeto de mejorar el entendimiento de los mecanismos físicos envueltos en
áreas de alta/baja EA y alta/baja IMP se definen tres subregiones (R1, R2 y R3) a partir
de las figuras correspondientes a dichas métricas (Figs.3.4a-b). Todos los puntos de
retícula que cumplen con CS[H“,ET]*σET </> 0.2 son considerados sin/con EA, mientras
que los límites para IMP son su primer y último cuartil sobre todos los puntos de
retícula de SESA1 con topografía menor a 1200m (Tabla 3.2). Estas condiciones limitan
áreas en SESA1 que además son restringidas a un borde rectangular de igual tamaño,
dando así las subregiones R1 (sin EA/alta IMP), R2 (con EA/alta IMP) y R3 (con EA/baja
IMP) las cuales se muestran en la Fig.3.4c.
La ausencia de EA como ocurre en R1, es condición suficiente para la ausencia de
retroalimentaciones entre la HS y la PP, a través de la ET. De todos modos, es
conveniente describir algunos mecanismos físicos para ver si la ausencia de EA está
relacionada con la ocurrencia de lluvias intensas, dado los valores altos de IMP. Las
subregiones con EA (R2 y R3) satisfacen la condición necesaria aunque no suficiente
para la existencia de acople entre la HS y la PP (ver Cap.4). En ese tipo de regiones, el
acople podría contribuir al inicio ó al aumento (ó disminución) de la intensidad de
lluvias, más allá de los procesos predominantes de gran escala.
46
Para resumir la información, se realizan promedios areales para cada día y miembro
del ensamble, obteniéndose 90x10 datos en cada una de las tres subregiones. En la
Fig.3.5 se muestra la evolución temporal de la PP (en escala logarítmica) para cada
miembro del ensamble (filas en el eje vertical), en cada una de las subregiones (a-c).
Los distintos valores que se presentan en cada una de las filas permiten estimar la
variabilidad interna de la PP. Ésta es menor cuando hay mayor coincidencia entre filas,
como por ejemplo en R2 durante los últimos 20 días (Fig.3.5b) ya que la PP es menor a
1mm/día en casi todos los miembros del ensamble. La comparación entre las
subregiones revela que los eventos lluviosos intensos son más frecuentes en R1 que en
R2 y R3 (comportamiento ya observado en la sección anterior). La variabilidad interna
también es alta en R1, p.e. durante los primeros 15 días. R3 es la subregión con mayor
frecuencia de días secos. Por último, se observa que la PP disminuye en intensidad al
final del período en R1 y R2, mientras que en R3 la evolución temporal es opuesta.
Para examinar si estas características de la PP y su variabilidad interna se reflejan en
otras variables de superficie, se realizan gráficos de dispersión (Fig3.6) donde cada
punto representa uno de los 90x10 datos de las variables del modelo ET y
disponibilidad de agua en el suelo (DAS, ver sección 2.2.2). Los puntos en gris claro y
oscuro indican los eventos de lluvia extrema, las líneas horizontales y verticales indican
las medias estacionales de la ET y la DAS respectivamente, y las curvas en rojo son
obtenidas como la unión de los valores medios de ET de cada uno de los 10 intervalos
definidos en el rango de los valores de la DAS.
La relación funcional entre la ET y la DAS está determinada por las características de la
subregión (tipo de suelo, tipo de vegetación, etc.) así como también por sus
condiciones meteorológicas y físicas en el período de estudio. Cuando el suelo se
encuentra con condiciones medias a altas de humedad (p.e. cercanas a la capacidad de
campo), el flujo de calor latente ó la evaporación desde la superficie se encuentran
regulados por factores atmosféricos, ya que el suelo no es un limitante. En el caso
extremo de un suelo saturado, uno de los principales controladores de la ET es la
temperatura del aire. Este tipo de interacción es probable que se presente en la
subregión húmeda R1 (Fig.3.6a), donde la media de la DAS es alta y vale 0.64. La curva
roja, evidencia que para los valores de la DAS mayores a 0.5, la ET es función
47
decreciente de la DAS. Además, los valores más bajos de la ET están asociados a
condiciones extremas de PP (puntos gris oscuro). En estos casos, la atmósfera ya se
encuentra húmeda, y la nubosidad (asociada a los eventos de lluvia extrema) reduce la
radiación entrante, limitando entonces la cantidad de agua que puede
evapo(transpi)rarse desde la superficie. Parte de la humedad atmosférica en R1
proviene de fuentes remotas, como el flujo advectado desde la región amazónica (ver
sección 1.2). Con respecto a las fuentes locales de humedad, cabe mencionar que, para
las mismas condiciones atmosféricas de temperatura y humedad, la vegetación de R1
tiene mayor capacidad de evapotranspirar que las otras subregiones. Por ejemplo, el
flujo evaporativo-transpirativo aumenta si el viento en superficie, y/ó la capacidad de
sustraer agua de capas profundas y/ó la cantidad de estomas aumentan. Esto es
cualitativamente estimado de la Tabla 3.3, donde se observa que los parámetros
medios de rugosidad en superficie (z0*), la profundidad de raíces y el índice de área
foliar (IAF1) son más elevados en R1 que en R2 y R3. Además, el albedo toma el valor
más bajo, permitiendo almacenar mayor energía para los flujos superficiales en dicha
subregión. Por lo tanto es difícil estimar si la fuente de humedad más importante de R1
es local o no-local. Sin embargo del análisis de la Fig.3.6a es claro que, para valores
mayores a 0.5 de la DAS, las condiciones atmosféricas son el forzante de la ET en R1, ya
que un aumento de la ET disminuye la DAS. Estas características producen una
reducción del efecto potencial del suelo sobre la PP.
Como se mencionó anteriormente, las subregiones R2 y R3 comparten la condición de
tener altos valores de EA, por lo tanto, a diferencia de R1, son áreas potenciales para la
ocurrencia de retroalimentaciones entre el suelo y la atmósfera, a través de la ET. Las
distribuciones de puntos en los gráficos de dispersión en R2 y R3 (Fig.3.6b-c) muestran
una relación funcional positiva y más definida entre la ET y la DAS que la observada en
R1, ya que la EA se obtiene a partir de CS[HS,ET], métrica que mide la fracción de
varianza de la ET que es explicada por las condiciones de contorno, en este caso la HS
(ver Cap.4). En el caso de R2, desde los valores más bajos de la DAS hasta
aproximadamente su valor medio (0.27) la relación parece ser proporcional dada por el
comportamiento casi lineal de la curva roja. Para el resto de los valores de DAS, la
1 Área proyectada de hojas por unidad de área de suelo. Sirve como medida de la cantidad de follaje en
la canopia (Bonan, 2002).
48
relación se torna más dispersiva debido a los extremos lluviosos que desacoplan la
dependencia del flujo con el suelo (como ocurre en R1) y ET se vuelve
aproximadamente constante. Aunque el valor medio de la ET es similar al de R1
(∼4mm/día), la amplitud de valores es mayor, lo cual es consistente con la alta
variabilidad de la ET en la subregión (ver Fig.3.1b). En el caso de la subregión más seca,
esto es R3, la dispersión es chica, observándose una relación positiva marcada y cuasi-
lineal entre las variables principalmente para valores bajos de DAS. Los parámetros de
superficie de R2 y R3 (Tabla 3.3) son bastante similares entre sí. Tanto z0* como la
profundidad de las raíces, son levemente mayores en R2. Por otra parte, el IAF que
también aumenta la capacidad evaporativa es mayor en R3 mientras que el albedo que
la disminuye es mayor en R2. Por ende, resulta difícil estimar como estos parámetros
influyen en las diferencias vistas el régimen ET-DAS entre las subregiones R2 y R3. Sin
embargo del análisis de las Figs.3.6b-c es claro que las condiciones del suelo fuerzan a
la ET en R2 y R3, ya que un aumento de la ET está limitado si no hay DAS suficiente.
Un resultado interesante obtenido de un análisis estadístico descriptivo a través de
diagramas de cajas (Fig.3C del apéndice), es que la DAS posee una distribución de
datos asimétrica, presentado una asimetría positiva en las subregiones más secas R2 y
R3, y negativa en la subregión más húmeda R1.
3.5. CUANTIFICANDO RELACIONES ENTRE VARIABLES DE
SUPERFICIE
Una manera de cuantificar el grado de relación entre las variables analizadas en
este capítulo es a través de la estadística de la correlaciones. Sin embargo, es
importante remarcar que la correlación no mide causalidad. A diferencia de la
tradicional correlación lineal de Pearson, la correlación de Spearman es una alternativa
más robusta, ya que permite cuantificar la relación sin necesidad de asumir linealidad,
o sea no tiene en cuenta el tipo de distribución (no-paramétrico) y además, no es
sensible a valores aislados (Wilks, 2006).
La Tabla 3.4 muestra los coeficientes de correlación simple (r) calculados sobre series
de valores diarios entre diferentes pares de variables: HS tanto en la capa de superficie
49
(HSs) como en la capa profunda (HSp); ET, temperatura a 2m (T2m) y PP. También se
muestran las autocorrelaciones de la HS y PP calculadas a partir del desfasaje de un día
en las series temporales. Las correlaciones se calcularon para cada punto de retícula y
solo aquellos valores que fueron significativamente distintos de cero al 99% se
promediaron en cada subregión (se usó un test de Student a dos colas y no se
observaron diferencias marcadas al 95%).
La primera columna de la tabla cuantifica de alguna manera los gráficos de dispersión
de la sección previa, utilizando en este caso las dos variables de la HS. Los signos de
r(HS,ET) son consistentes con el análisis realizado, siendo positivos en R2 y R3 y
negativos en R1. En R1, los valores absolutos son relativamente más chicos, y en el
caso de HSp es casi nulo, y entonces éste análisis no puede cuantificar la relación. En
R2, el valor de r(HS,ET) es el mismo para ambas capas de suelo sugiriendo que para la
ET no hay diferencia entre la humedad en profundidad ó en superficie. Sin embargo en
R3, el r(HSs,ET) es levemente mayor que r(HSp,ET). Esto puede entenderse teniendo
en cuenta que esta subregión es relativamente seca, y por ende la velocidad de la
evapo(transpi)ración de la superficie es mayor que la velocidad de infiltración, y por lo
tanto la media estacional de HSs es significativamente mayor que la de HSp (no se
muestra). El coeficiente r(T2m,ET) (segunda columna) puede entenderse como
complementario de r(HS,ET) al considerar que T2m y la HS son controladores
“opuestos” de ET. Esto se evidencia en los signos de ambas correlaciones. En R1 “a
mayor T2m mayor ET” dada la mayor capacidad de almacenaje de vapor de agua que
tiene la atmósfera, al aumentar la presión de vapor por el aumento de la temperatura.
En R2 y R3, “a mayor HS, menor flujo de calor sensible emitido a la atmósfera y
consecuentemente menor T2m”. En cuanto a la magnitud, R1 muestra un valor
relativamente chico, hecho que podría estar relacionado con otros controladores
atmosféricos de la ET en la subregión (p.e viento en superficie). El coeficiente r(ET,PP)
(tercera columna) toma el mismo signo por subregión que r(HS,ET) dado que PP es uno
de los principales controladores de la HS (ver sección 1.1.3), aunque la magnitud de los
valores absolutos se torna inversa. La correlación entre la HS y PP (cuarta columna)
muestra valores positivos esperados. Para la capa de humedad en superficie los r son
similares entre sí, afianzando la hipótesis de PP como controlador principal de HS. Sin
50
embargo, se evidencia que esta hipótesis no sería del todo válida para la capa de
humedad en profundidad (r muy bajos). En el caso de la autocorrelación de la HS
(quinta columna), el r es alto y positivo en las tres subregiones, y con valores aún más
altos para la capa profunda, dado que la evolución temporal de HSp es más lenta que
la de HSs. En el caso de PP (sexta columna) el r también es positivo aunque menor en
magnitud que en el caso de HS, lo cual es consistente con el hecho de que el suelo
tiene mayor memoria que la atmósfera (ver sección a continuación).
3.6. MEMORIA DE LA HUMEDAD DEL SUELO
Otro proceso muy importante en los estudios de interacción superficie-atmósfera
es la memoria del estado del suelo, en especial de la HS. Si se conocen las zonas en
donde las anomalías de la HS se mantienen de manera persistente en el tiempo, i.e.
con alta memoria, una correcta inicialización del estado del suelo mejorará los
pronósticos semanales a estacionales.
Estudiar la memoria de la HS implica, en cierta forma, estudiar la persistencia de la PP,
ya que es uno de los principales forzantes de la HS. El contexto de memoria aplicado a
la PP no es del todo empleado en la literatura ya que, a diferencia de la HS, es una
variable discreta. Los factores que pueden contribuir a dicha persistencia son la propia
dinámica interna de la atmósfera y/ó la memoria de algún forzante superficial, como
ser la HS ó la temperatura de la superficie del mar. En regiones con alta persistencia de
PP los estados de la superficie tienden a ser de equilibrio (Wei y Dirmeyer, 2010), como
suelos muy húmedos o secos, en donde la posibilidad de retroalimentaciones se ve
disminuida.
Como la PP es una variable discreta, su persistencia estadística puede ser caracterizada
por la probabilidad condicional de ocurrencia ó no ocurrencia (Wilks, 2006). Otro
método no estadístico para estimar la persistencia es obtener el promedio de días
consecutivos con PP superior a un dado umbral. La Fig.3.7 muestra dicha métrica para
un umbral de 1mm/día. Se observa un patrón con mínimos en el sur y máximos hacia
el norte de SESA1, similar a los de PP media y frecuencia de lluvias de la sección 3.3.
Este comportamiento también se reveló en la Tabla 3.4 de la sección anterior, en
donde la autocorrelación de la PP, como medida de persistencia, se incrementa desde
51
el sur hacia el norte de SE“A R → R → R . En algunos puntos de retícula, como ser
en la costa de Brasil, la persistencia de lluvias es alta superando los 6 días. Otra región
con mucha persistencia, es la ladera oriental de la cordillera donde se encontró
previamente que el modelo tiende a sobrestimar las características de la PP. Pero
además esta zona contiene a la región húmeda y sin EA, R1, de las secciones
anteriores. Por lo tanto (más allá del error sistemático del modelo en zonas lindantes a
topografía elevada) se encuentra que las regiones con alta persistencia de PP son
zonas con baja EA.
Para variables continuas, la persistencia estadística puede ser caracterizada en
términos de la función de autocorrelación temporal, calculada a partir de correlaciones
simples entre series desfasadas de la misma variable. La función tiene inicialmente un
máximo absoluto en 1 (correlación de la serie consigo misma) y luego, a medida que
aumenta el desfasaje, la autocorrelación disminuye. El desfasaje máximo utilizado en
este caso es de 30 días, ya que de esta forma se utiliza solo un tercio de la cantidad de
datos (90 días) asegurando la consistencia estadística. Una de las formas de estimar la
memoria de la HS es estimando el tiempo requerido para que la función de
autocorrelación caiga por debajo del nivel de significancia estadística del 99%
(Dirmeyer y otros, 2009). En este caso es identificado como el menor tiempo (ó
desfasaje) asociado al valor de correlación más chico que sea significativo al 99%.
Debido a la restricción del desfasaje máximo de 30 días la memoria máxima que podrá
estimarse es, al menos, de 30 días.
La Fig.3.8 muestra las funciones de autocorrelación de la HS en superficie (HSs) y en
profundidad (HSp) para cada uno de los puntos de retícula de cada una de las tres
subregiones (R1, R2, R3) definidas en la sección 3.4. Debido al uso de un ensamble de
simulaciones, la metodología elegida para el cálculo de la autocorrelación se basó en
usar la serie completa de todo el ensamble, es decir sobre los 90diasx10miembros. Las
funciones muestran distintos comportamientos en función del tiempo: entre capas (1)
y entre subregiones (2). Respecto a (1), la tasa de decrecimiento de HSp es menor que
la de HSs debido a las distintas escalas que rigen la variabilidad temporal en cada capa.
Consecuentemente, la memoria es mayor a mayor profundidad, en cada una de las
subregiones. Respecto a (2), R1 es la subregión con mayor memoria promedio pero
52
también con mayor variabilidad espacial en la persistencia de HSs y HSp, ya que las
funciones de autocorrelación son muy distintas entre sí. Esto puede ser debido a que la
intensidad y frecuencia de lluvias, y consecuentemente la variabilidad interna, son
elevadas en la subregión (Figs.3.3a, 3.4a y 3.5a respectivamente).
Las diferencias observadas en la forma de las curvas de autocorrelación entre
subregiones pueden ser explicadas por los controladores descriptos por Koster y
Suarez (2001) en la sección 1.1.3: la ET, el escurrimiento, la correlación temporal entre
HS y algún forzante y la misma variabilidad temporal del forzante. Los controladores
que actúan en R1 son diferentes de los que actúan en R2 y R3, ya que la correlación se
mantiene significativa durante un tiempo mayor. En el 30% de los puntos de retícula
en el caso de HSs y en el 16% en el caso de HSp, los valores de autocorrelación en R1
son siempre significativos al 99%. Por ende, según la metodología empleada, estos
puntos de retícula tienen al menos una memoria de la HS de 30 días. La función en la
capa profunda de R1 (Fig.3.8d) decrece casi monótonamente, mientras que en
superficie (Fig.3.4a) parece que oscila alrededor de un valor de autocorrelación
después del día 10; es más, se observan dos grupos de curvas oscilando alrededor de
0.4 y 0.2 aproximadamente. Este resultado sugiere que R1 tiene dos tipos de memoria
de HSs ya que estarían actuando controladores con persistencias estadísticas distintas,
como ser la PP ó la radiación. Estos dos regímenes sin embargo no son distinguibles
para HSp. Los resultados para R2 y R3 son similares. De todos modos, la función de
autocorrelación, tanto de HSs como de HSp, es mejor definida en R2, o sea es la
subregión más homogénea. Otra característica importante de R2 es que para la
mayoría de los puntos de retícula, las curvas decrecen en forma monótona hasta
alcanzar el nivel de significancia, lo cual indicaría que en esos puntos los forzantes
externos no influyen en la memoria de HS. Esto si ocurre en R3, y de manera más clara
para la HSs, ya que las funciones muestran un decrecimiento modulado por un
comportamiento periódico, con un mínimo relativo de correlación significativo
alrededor del día 5. Esta modulación genera que la memoria de los puntos en R3
resulte mayor que los de R2. Para resumir y cuantificar la información, se calcula la
memoria promedia por subregión y por capa, obteniéndose: 26, 9, 12 días para HSs y
28, 19, 20 para HSp en R1, R2 y R3 respectivamente. Por lo tanto la memoria de la HS
53
es mayor para la capa profunda y para la subregión húmeda R1. Estos valores medios
de memoria se obtuvieron a partir del promedio de las memorias de todos los puntos
de retícula de cada subregión en cuestión.
Otra metodología posible consiste en calcular la función de autocorrelación y la
memoria sobre la serie de la HS promedio en cada subregión (ver Fig.3D del apéndice).
Dicha función representa aproximadamente bien las persistencias temporales de la HS
en todas las subregiones y capas de suelo, aunque el valor de memoria promedio se ve
modificado sustancialmente en ambas capas de R3 y la capa superficial en R2. Además,
con esta metodología, se pierde información sobre la variabilidad espacial en la
persistencia de la HS que tiene cada subregión, como por ejemplo los dos regímenes
vistos en el caso de R1 para HSs. Por ende, dada que la primera metodología otorga
mayor información, los resultados sobre la memoria por subregión y capa de suelo son
los mostrados en la Fig.3.8.
Al haberse realizado el análisis por punto de retícula resulta interesante ver los
patrones espaciales de la memoria de la HS en superficie y profundidad en toda SESA1
(Fig.3.9a-b). Como se mencionó anteriormente, los valores de memoria que se
observan en la figura corresponden a los días en donde la función de autocorrelación
intercepta la curva de significancia estadística al 99% (en el caso de otras significancias
los patrones no cambian demasiado, ver Fig.3E del apéndice).
En el caso de HSs (Fig.3.9a) se observa una zona de mínima memoria (0-5 días) sobre el
norte de Uruguay, sur de Brasil y algunos puntos en Argentina. Cálculos adicionales
mostraron que la correlación desfasada entre la HS y la PP subsiguiente al igual que la
propia autocorrelación de la PP son significativas en la escala de 5-6 días (Fig.3.10).
Esto índica que efectivamente la memoria de HSs en dicha zona y escala temporal,
está regida por los controladores “tres y cuatro” propuestos por Koster y Suárez (2001)
i.e. correlación HS-PP y variabilidad de PP. En el noroeste de SESA1 (puntos de R1) se
observan memorias elevadas (30 días) consistente con que esta zona, lindante a
topografía elevada, presenta alta persistencia de precipitaciones (ver Fig.3.7) y con
características de baja EA (ver Figs.3.4a-b).
En el caso de HSp, como ya se observó en las funciones de autocorrelaciones, la
memoria para un mismo punto de retícula es mayor (ó igual) a la de HSs (Fig.3.9b).
54
Comparando los mapas de memoria de HSp y de la EA se observa que los mínimos
relativos del primero coinciden en su gran mayoría con máximos de EA y viceversa,
exceptuando la esquina noreste de SESA1 y algunas zonas de Uruguay, Argentina y sur
de Brasil. Acorde con estos resultados, la EA estaría inversamente relacionada con la
memoria más larga del sistema, o sea con la HS de la capa profunda.
3.7. INFLUENCIA DE LA HETEROGENEIDAD ESPACIAL DE LA
HUMEDAD DEL SUELO A LA PRECIPITACIÓN EXTREMA
La cantidad de agua en el suelo influye directamente en la partición de energía en
los flujos de calor latente y sensible, definida como cociente de Bowen (BR, por sus
siglas en inglés). Un suelo seco (húmedo) tendrá un BR alto (bajo) y por ende mayor
(menor) temperatura en superficie y una capa limite planetaria más (menos) profunda.
Por ende en una región con fuertes contrastes horizontales de la HS se establecen
gradientes térmicos que inducen flujos horizontales (p.e. brisa de mar). Dichas
heterogeneidades de la superficie son fuente de inestabilidad para el desarrollo de la
convección y consecuente PP (p.e. Emori, 1998; Frye y Mote, 2009; Wolters y otros,
2010; Taylor y otros, 2011).
Es por eso que resulta interesante hacer una primera aproximación al entendimiento
de cómo la heterogeneidad de la HS se relaciona de alguna forma con eventos de PP
extrema. El periodo de estudio es el estival, cuando la intensidad de la convección es
mayor en la región y el SAMS se encuentra en su fase madura (ver sección 1.2).
Los datos provienen del ensamble de simulaciones realizado con RCA3-E detallado
previamente en la sección 3.2, al igual que la configuración, el dominio y el período
temporal (DEF, 1992-93). Por lo tanto, el análisis de heterogeneidad se establece en
una zona con alta EA. La variable del modelo, empleada en estos análisis, es la HS de la
primera capa ó la capa superficial (7cm). Esta elección está basada principalmente en
que la escala temporal en la cual se desarrollan los sistemas convectivos es del orden
de horas (p.e. Durkee y otros, 2009) y por ende la dinámica de la interacción con la
atmósfera es rápida, ó más rápida que con la humedad de la capa profunda de suelo.
Por la misma razón, los eventos lluviosos son definidos en la escala diaria.
55
La heterogeneidad de la HS superficial (HSs) se define como el valor absoluto ó módulo
del gradiente horizontal de HSs. El gradiente en el punto de retícula (i,j) se obtiene a
través de la diferencia entre los puntos adyacentes (i-1,j) (i+1,j) y (i,j-1) (i,j+1) para sus
dos componentes ortogonales. Dado que la resolución espacial de la retícula es de
0.5°x0.5° la medida de heterogeneidad está definida aproximadamente en una escala
de 100km. Un evento extremo se define como un día con PP mayor o igual al percentil
95 del ensamble. Entonces, para cada punto (i,j) se realiza: (1) la composición de los
eventos extremos (ó “días 0”) para la PP y para el módulo del gradiente horizontal de
HSs, y en los días previos a esos eventos (“días -1” y “días -2”) para el módulo del
gradiente horizontal de HSs; (2) el cálculo de anomalías relativas de dichas
composiciones respecto de su valor medio correspondiente.
Los eventos extremos de PP en SESA1 durante DEF 1992-93 se representan por el
campo de anomalías relativas en la Fig.3.11. Se observa un patrón espacial con una
banda de máximos en sentido noroeste-sudeste, con lluvias que superan más de 14
veces el valor medio estacional, y con hasta 20 veces en Uruguay. Con umbrales más
bajos para la definición de “extremo” (percentiles 80 y 90) se sigue presentando el
mismo patrón de máximos pero con menor magnitud (no se muestra).
El grado de heterogeneidad de la HS de los días -2 -1 y 0 se muestra en la Fig.3.12. Se
observa que en los días -2 y -1 (Figs.3.12a-b) los valores distintos de cero tienden a ser
positivos y con mayor intensidad en el día -1. Es decir, el día previo al evento extremo,
la heterogeneidad de HS es máxima. En general, los valores más altos se localizan
sobre el este argentino, sur brasilero, Uruguay y algunas zonas costeras, y en general
coinciden con máximos de anomalías relativas de PP. En cambio, la heterogeneidad de
la HS del día 0 es mínima sobre la región (Fig.3.11c). Esto se explica por el hecho de
quela lluvia intensa tiende a homogeneizar el campo de humedad. Los campos de
anomalía de heterogeneidad de la HS para otros umbrales (percentiles 80 y 90, Fig.3F
del apéndice) tienen patrones similares aunque más débiles en intensidad. Entonces
según la metodología empleada la magnitud de la heterogeneidad de la HS depende
del umbral seleccionado para elegir un evento extremo de PP.
56
Este primer acercamiento a la temática de la heterogeneidad del suelo deberá ser
complementado en un futuro próximo analizando que ocurre con otras variables como
por ejemplo: los flujos de superficie y la circulación de mesoescala, entre otros.
3.8. RESUMEN, DISCUSIÓN Y CONCLUSIONES
El sudeste de Sudamérica ha sido caracterizado como un hot spot de acople entre
la HS y la ET a través de experimentos realizados sobre Sudamérica durante el verano
1992-93 (S&M11). El concepto de “alto acople” en este caso refiere a una alta EA. En
este contexto, cada sección del capítulo enfatiza diferentes aspectos vinculados con el
proceso de la interacción entre la superficie continental y la atmósfera, durante el
verano 1992-93. Diversos análisis fueron aplicados sobre variables diarias como la HS,
la ET y la PP. Los datos empleados son resultado de un ensamble de simulaciones
realizado previamente con el modelo climático regional en su versión RCA3-E, y
empleado por S&M11 y otros trabajos (ver Cap.2).
El estudio por subregiones en el sudeste de Sudamérica (estrictamente dentro del
rectángulo SESA1: 20-40°S, 45-65°O) permitió interpretar los posibles forzantes
principales de la ET y cuantificar la magnitud de la relación entre variables de
superficie mediante un análisis de correlaciones. En áreas con alta IMP y EA (subregión
R2), la correlación entre la HS y la ET es significativamente positiva tanto para la capa
de suelo superficial (7cm) como en profundidad (definida por la profundidad de las
raíces), indicando que ambas capas interactúan con la atmósfera, de igual forma, a
través de la ET. En cambio en áreas con EA y baja IMP (subregión R3), la correlación es
mayor para la capa superficial. Sin embargo, resulta difícil estimar cualitativamente la
capacidad de evapo(transpi)rar que tiene cada subregión dada la competitividad entre
algunos parámetros que contribuyen a su aumento: la rugosidad en superficie (z0*) y
la profundidad de las raíces son mayores en R2 mientras que el índice de área foliar
(IAF) es mayor en R3. En áreas sin EA pero alta IMP (subregión R1) las mismas
correlaciones son negativas, ya que más ET implica menos HS. Gran parte de la
humedad atmosférica en R1 proviene de fuentes no locales, siendo por ejemplo
advectada desde latitudes tropicales. Por otra parte, la contribución local de humedad
57
también es importante ya que es la subregión con mayor fracción de superficie forestal
(ver Fig.3G del apéndice). La correlación entre la ET y la temperatura a 2m (T2m), es
una medida de la relación entre el suelo y T2m a través de ET. Las zonas con EA (R2 y
R3) mostraron valores negativos, sugiriendo que la ET controla mediante el proceso de
enfriamiento evaporativo a T2m, mientras que valores positivos en las zonas sin EA
(R1) confirman que la ET está controlada por las condiciones de la atmósfera baja (en
este caso la T2m, o variables relacionadas como la radiación). La correlación entre la
PP y la HS cuantifica, principalmente, qué grado de control ejerce la primera sobre la
segunda. Las magnitudes fueron significativas y similares entre subregiones para el
caso de la humedad superficial. Sin embargo, el control no es evidente sobre la capa
profunda, especialmente debido a que la correlación es instantánea.
El uso de condiciones de la HS más realistas para la inicialización de modelos de
pronóstico meteorológicos puede contribuir a una mayor predictibilidad de las
condiciones atmosféricas (ver sección 1.1.3). Esto es más relevante aún en regiones
que presentan un alto grado de acople superficie-atmósfera así como también una
memoria de HS alta (al menos con la misma escala temporal que la escala de la
predicción). Por ejemplo, Pessacg (2012) encontró que la predictibilidad puede
incrementarse en LCP (que incluye la región SESA1. Ver Fig.1.1), pero no en otras zonas
como la Patagonia, en donde la varianza interna asociada a las perturbaciones
sinópticas es elevada. La memoria de la HS fue estimada para las dos capas que tiene
el esquema de suelo. La PP del modelo tuvo mayor intensidad, frecuencia y
persistencia de lluvias en R1, induciendo un estado sostenido en el tiempo de los
valores de HS. En este sentido, la memoria promedio en R1 es la más alta. En las
subregiones con EA (R2 y R3), la memoria es relativamente baja. Aunque R2 se
caracteriza por alta IMP (como R1) esta condición no produce alta memoria, sino que
al contrario, R2 tiene la memoria promedio más baja. Por lo tanto el valor alto de
memoria en R1 se debe principalmente a la persistencia de la PP. El análisis sobre toda
SESA1 evidenció, de manera esperada, que la memoria de la HS es mayor para la capa
profunda que para la capa superficial en un mismo punto. Al comparar los mapas de
memoria, el de superficie presenta mayor variabilidad espacial ya que esta capa
responde más rápido a los distintos controladores de HS, mientras que en profundidad
58
los efectos están amortiguados. Un resultado interesante es que las zonas con acople
suelen tener baja memoria. Esto se evidenció al ver la anti-correlación entre los mapas
de EA y memoria de la HS en profundidad. La modificación del estado de la HS es
consecuencia de una mayor influencia del suelo sobre la atmósfera, por ejemplo a
través de la ET. De todos modos, hay excepciones como Uruguay y parte del este de
Argentina que tienen alta EA y alta memoria (al menos de 30 días). Por lo tanto, una
mejor representación de las condiciones iniciales de HS en estas zonas, podría mejorar
la predictibilidad de variables de superficie en la escala mensual.
La incerteza vinculada a la memoria de la HS es elevada. Saulo y otros (2009) se
enfocaron en el este de Argentina y Uruguay pero encontraron que la memoria de la
HS es apenas mayor que una semana con datos provistos por GDAS durante el verano
2002-3. Dirmeyer y otros (2009), computaron la memoria de la HS de la capa profunda
usando dos bases de datos (GSWP-2 y GOLD-2) generadas a partir de modelos de suelo
forzados por reanálisis y observaciones. Encontraron valores de memoria de hasta 20
días (GSWP-2) y 15-55 días (GOLD-2) para el verano sobre el sudeste de Sudamérica.
Los resultados obtenidos en este capítulo están de acuerdo con dichos rangos: 15-25
días para el centro de Argentina y mayor en áreas circundantes. De todos modos, la
metodología empleada en este capítulo (la misma que en Dirmeyer y otros, 2009) hace
que los valores de memoria obtenidos contengan información de la memoria de los
forzantes de HS, por ejemplo la PP. Esto se vio reflejado, especialmente, en las curvas
de autocorrelación de la HS en superficie que tienen un comportamiento decreciente
pero modulado. En el caso de computar la memoria como el tiempo en donde la
autocorrelación comienza a aumentar, es decir, cuando empezaría a influir el forzante,
los resultados hubiesen sido diferentes (p.e. mayor memoria en R2). Más allá de la
metodología empleada, uno de los factores más influyentes en la memoria de la HS es
el contenido de la HS de saturación (o porosidad), variable que es altamente
dependiente del esquema de superficie empleado (Seneviratne y otros, 2006a).
La última sección del capítulo investigó si la heterogeneidad espacial de la HS en
superficie tiene algún efecto sobre los extremos diarios de PP. Un análisis simple de
composiciones reveló que los días anteriores a un evento extremo de PP, el gradiente
horizontal de la HS superficial toma valores elevados, principalmente el día anterior
59
con anomalías cercanas a la media. Este resultado es potencialmente interesante, pero
se necesitan otros estudios para profundizar estos primeros resultados. Planes a futuro
contemplan esta temática mediante nuevos experimentos con el modelo RCA.
En ocasiones los biases del modelo impiden una representación “realista” del acople y
de la memoria. Sin embargo, la incerteza observacional de la PP sobre Sudamérica es
elevada impidiendo una validación precisa de la variable simulada en gran parte del
continente (ver Cap.2). No obstante existen zonas en las cuales la incertidumbre es
menor, en el sentido de que los biases son similares independientemente de la base de
datos observacional que se emplee para la validación del modelo. Un ejemplo es la
subregión R1 - localizada al noroeste de SESA1 sobre la ladera oriental de la cordillera
centro andina – que se caracteriza por tener alta intensidad, ocurrencia y persistencia
de lluvias en el modelo, y consecuentemente un estado de la HS persistente en el
tiempo, o sea con alta memoria. No existen dudas acerca de la sobrestimación de la PP
por parte del modelo en R1: esta subregión mostró un bias significativamente positivo
en la PP media para las dos bases observacionales empleadas (CRU y CPC-uni, ver
sección 3.3). Este bias sistemático es común en la PP simulada por modelos climáticos
en la cercanía de la Cordillera de los Andes y está asociado al ascenso forzado de
masas de aire. En el modelo, R1 es una zona húmeda y por ende sin condiciones para
la existencia de acople suelo-atmósfera (las condiciones de acople están localizadas
principalmente en zonas de transición, ver sección 4.4). Esto fue tenido en cuenta en el
diseño del estudio, ya que una de las condiciones para la definición de R1 fue que no
tuviese alta EA i.e. C“[H“,ET]*σET). De todos modos, en el contexto de esta Tesis, el
modelo, más allá de sus falencias, es empleado para establecer un marco físico para el
estudio de las interacciones entre la HS y la atmósfera, y no necesariamente se
pretende que represente de manera “realista” la climatología de algunas regiones.
Debido al carácter inicial-exploratorio de este capítulo, los resultados se válidos en un
único verano. A continuación se obtienen resultados de acople superficie – atmósfera
en otras estaciones y otros años (Cap.4), así como también a escala climatológica
(Cap.5).
60
4. CICLO ANUAL DEL ACOPLE SUPERFICIE
CONTINENTAL – ATMÓSFERA EN
CONDICIONES ANÓMALAS DE
HUMEDAD DEL SUELO
4.1. MOTIVACIÓN
En el capítulo anterior se analizaron distintos mecanismos de interacción entre el
suelo y la atmósfera sobre un hot spot HS – ET, localizado sobre el sudeste de
Sudamérica y durante un verano. Los objetivos de éste capítulo son: (1) investigar si la
superficie continental, a través de la HS, influye sobre la atmósfera, por ejemplo la PP,
durante otras estaciones además de la estival, (2) si la región sigue siendo un hot spot
en condiciones de déficit ó exceso de agua en el suelo e (3) investigar los procesos
físicos involucrados en los resultados obtenidos del acople.
4.2. MODELO
RCA4 es la versión empleada en los análisis de este capítulo. Sus características
generales y configuración fueron detalladas en la sección 2.2.1.
4.3. ¿DÓNDE Y CUÁNDO ESTUDIAR EL ACOPLE?
Uno de los principales resultados sobre estudios de acople suelo – precipitación es
que la HS tiene la potencialidad de influir sobre la PP, en zonas de transición climática
entre climas húmedos y secos (Koster y otros, 2004). Estas zonas (a partir de ahora
denominadas ZTCs) presentan dos condiciones necesarias para la existencia de acople
entre la HS y PP: la variabilidad temporal de la ET es alta, pero además la ET es sensible
a modificaciones en las condiciones de la superficie (Guo y otros, 2006). Por lo tanto, la
61
sección 4.3.1 se enfoca en la búsqueda de las ZTCs sobre Sudamérica en cada una de
las estaciones climáticas durante el período 1980-99. La ET puede estar limitada en
algunos años por la HS y en otros no (Fischer y Schär, 2009). Por eso, en la sección
4.3.2 se determinan períodos anómalamente secos/húmedos en donde realizar los
experimentos para estudiar el acople.
4.3.1. ZONAS DE TRANSICIÓN CLIMÁTICA EN SUDAMÉRICA
El concepto de “transición” remite a la idea de que las ZTCs son regiones que
tienen una alta variabilidad climática. Por ejemplo, los cambios en la DAS (ver sección
2.2.2) reflejan principalmente las variaciones de la suma de PP acumulada, ET y
escurrimiento. Por lo tanto, en tren de desarrollar una metodología para la búsqueda
de las zonas con mayor variabilidad, se calcula la desviación estándar interanual de la
DAS respecto de su valor medio en el período de estudio 1980-99. Los paneles
superiores de la Fig.4.1 muestran dicho cociente para cada estación del año, en donde
se observan, esencialmente dos regiones de máximos: el noreste y este de Brasil (NeB-
EB) y el sudeste de Sudamérica. Mientras que los valores altos en NeB-EB son
principalmente consecuencia de que el valor medio de la DAS es chico, el sudeste de
Sudamérica presenta a lo largo del año una variabilidad interanual alta respecto al
resto del continente (Fig.4A del apéndice). Para todas las estaciones del año se observa
un máximo del cociente entre las latitudes 30°S-45°S, aunque la extensión y ubicación
espacial es levemente diferente en cada estación: en DEF y MAM está incluida la
Patagonia, mientras que en JJA se incorporan Paraguay y una pequeña región del sur
de Brasil.
Podría decirse que los máximos de variabilidad de la DAS son una aproximación a las
ZTCs. Sin embargo, previamente se comentó que, en una ZTC, la ET es lo
suficientemente variable a escala diaria para que pueda transmitir las anomalías del
suelo a la atmósfera. Por lo tanto, se calcula la desviación estándar de la serie de
valores diarios de la ET como una medida de su variabilidad. Para evitar valores
espurios se filtra el ciclo anual, luego se calcula la desviación estándar para cada año y
estación y finalmente se promedia en los 20 años. Los paneles centrales de la Fig.4.1
muestran los mapas correspondientes. La mayor variabilidad de la ET ocurre durante
62
DEF y SON, con máximos en el sudeste de Sudamérica y en el centro del continente
respectivamente. El máximo relativo en el sudeste de Sudamérica se destaca del resto
del continente debido a que el SAMS en su fase madura, establece nubosidad,
abundantes lluvias y en consecuencia una atmósfera muy húmeda sobre el centro del
continente lo cual impide que la variabilidad de la ET sea alta (ver sección 1.1). En SON,
el máximo de variabilidad de la ET en el centro del continente puede entenderse
porque es una estación que sucede a la estación seca. Es decir, inicialmente la
atmósfera contiene baja humedad relativa en superficie y al incrementarse la radiación
entrante y el desarrollo de las lluvias monzónicas conforme se acerca la estación
estival las condiciones son propicias para que aumente el flujo evaporativo y con ello
su variabilidad. Distintos trabajos sobre Sudamérica investigaron la importancia que
tienen los flujos de superficie, en particular la ET, sobre el inicio del SAMS durante SON
(ver sección 1.1). Las demás estaciones (MAM y JJA) presentan menor variabilidad, lo
cual influirá en la localización de las ZTCs.
Por lo tanto, las ZTCs en Sudamérica en el período 1980-99 son definidas a partir de las
siguientes dos condiciones:
a) Variabilidad interanual relativa de la DAS en el suelo mayor a 0.5,
b) Variabilidad diaria de ET mayor a 0.5mm/día.
Las mismas se muestran en color verde en los mapas de los paneles inferiores de la
Fig.4.1, para cada una de las estaciones. Mientras que el umbral de 0.5 en a) es
arbitrario, el umbral de 0.5mm/día en b) es motivado en otros trabajos (p.e. Guo y
otros, 2006), y en que la elección de umbrales más elevados descartan la ZTC sobre
SESA en MAM (Fig.4B del apéndice). Se puede ver en la figura que las ZTCs
encontradas son regiones que cumplen a). Sin embargo la condición b) elimina la
posibilidad de que exista una ZTC, i.e una zona potencial de acople suelo-atmósfera,
durante JJA. Asimismo, la región de la Patagonia también es excluida, tanto en DEF
como en MAM. En consecuencia, en la región subtropical las ZTCs se localizan
principalmente en el sudeste de Sudamérica durante el verano, otoño y primavera. En
la región tropical, NeB-EB se caracteriza también como una ZTC durante la misma
época, aunque el análisis de procesos en esta región está fuera del objetivo de la Tesis.
63
Las ZTCs dependen del criterio elegido para su definición, y en particular de la
metodología (p.e. ejemplificado en la Fig.4B del apéndice al tomar otros umbrales para
la condición b). En este contexto, la existencia de las ZTCs depende de la estación. Por
ejemplo en el sudeste de Sudamérica, el período JJA no es adecuado para estudiar
procesos superficie-atmósfera, ya que suelen dominar los procesos de gran escala, p.e.
las precipitaciones están regidas por frentes sinópticos (ver sección 1.1). Sin embargo,
durante MAM y SON hay potencial de acople superficie-atmósfera, junto con DEF.
4.3.2. ANOMALÍAS SECAS Ó HÚMEDAS EN EL SUELO DEL SUDESTE DE
SUDAMÉRICA
Para definir condiciones secas ó húmedas, se deben tener en cuenta varios
factores, como por ejemplo la región. A continuación se exponen las condiciones y
criterios elegidos:
a) Región. Según los resultados obtenidos en la sección anterior, las regiones de
interés son las ZTCs en SESA. La región que se utiliza para elegir los períodos
secos ó húmedos es el rectángulo de extensión 28-43°S en latitud y 55-70°O en
longitud, el cual contiene aproximadamente a las ZTCs de las estaciones DEF,
MAM y SON. Esta zona se llamará desde ahora SESA2. La elección de otros
rectángulos no alteran significativamente los resultados.
b) Período. Es el período de simulación 1980-99.
c) Variable. Para ser coherente con la sección anterior, la variable empleada es
DAS, promediada sobre SESA2. Esta variable se llamará desde ahora
DAS_media
d) Resolución temporal. Los casos SECOS/HÚMEDOS se refieren a valores
estacionales anómalamente secos/húmedos. El invierno queda fuera del
estudio ya que no se encontró ninguna ZTC.
e) Umbral. La anomalía estacional debe superar (en valor absoluto) una
desviación estándar.
La Fig.4.2 muestra las series temporales de la anomalía estacional de DAS_media en
SESA2 y algunos valores promedios para DEF, MAM y SON durante 1980-99. Se
observa que tanto la variabilidad interanual como el valor medio son máximos en
64
MAM y mínimos en SON. Por otra parte, el cociente entre la variabilidad interanual y el
valor medio estacional se hace máximo en DEF, resultado ya observado en los paneles
superiores de la figura anterior. Para cada una de las estaciones se distinguen varios
años que cumplen con la condición e) del umbral definido como una desviación
estándar (líneas punteadas). Sin embargo, solamente se estudiará una anomalía
húmeda y una seca por estación. En la Tabla 4.1 se muestran los 6 casos, según la
estación y la anomalía. La elección de los mismos se basa en minimizar el tiempo
computacional, siendo esto justificado en la sección siguiente. Los períodos 1988-89 y
1997-98 correspondieron a períodos Niña y Niño respectivamente (p.e. Grimm y
Tedeschi, 2009. Ver Fig.3A del apéndice).
Para tener otra medida de las condiciones húmedas en la superficie se calculan las
anomalías de la PP estacional media en los 6 casos. Aunque la metodología empleada
se basó en la región SESA2, las anomalías de la PP se calcularon a nivel continental
(Fig.4C del apéndice). A gran escala se detecta el dipolo con anomalías de PP
positiva/negativa al norte/sur de latitudes cercanas a los 20ºS (este tipo de patrón con
forma de dipolo que afecta al este del continente, fue reportado como primer modo
de variabilidad de la PP sobre el continente en trabajos previos, p.e. Nogúes-Paegle y
Mo (1997)).
4.4. ¿CÓMO SE PUEDE CUANTIFICAR EL ACOPLE?
Una de las metodologías más empleadas para el estudio del acople entre dos
variables es la de Coupling Strength (sección 1.4.1), la cual requiere de dos ensambles
de simulaciones y el cálculo de dos índices estadísticos. A continuación se detallan los
pasos metodológicos para la obtención de las simulaciones para cada caso de la Tabla
4.1 (sección 4.6.1), las características del ensamble sin interacción suelo – atmósfera
necesario para la aplicación de la metodología (sección 4.6.2) y las expresiones
matemáticas - con su significado físico - de los índices estadísticos de “Semejanza” y CS
(secciones 4.6.3 y 4.6.4).
4.4.1. DESCRIPCIÓN DE LOS ENSAMBLES DE SIMULACIONES
65
Contar con un modelo permite realizar un ensamble de simulaciones en lugar
de una única simulación. En el contexto de la Tesis, el hablar de ensambles se refiere a
un conjunto de simulaciones iniciadas en distintas fechas. El uso del ensamble es
conveniente porque se minimiza la incertidumbre asociada a la condición inicial, i.e. la
variabilidad interna del modelo, y mientras más miembros tenga un ensamble mejor
estimada es esta variabilidad (Alexandru y otros, 2007). Sin embargo, el tiempo de
cómputo se incrementa. Pero independientemente de dichas cuestiones, la
metodología del CS requiere (en un principio) de un ensamble. Debido a que se quiere
estudiar el CS en los seis casos SECOS/HÚMEDOS de la superficie, es necesario realizar
seis ensambles. Por lo tanto, la selección de los casos de la Tabla 4.1 fue motivada en
minimizar el tiempo computacional, ya que se reduce a la mitad el tiempo necesario
en el proceso de spin up del sistema. Para simplificar el detalle de los pasos que fueron
empleados, el texto a continuación se referirá a una única simulación por caso de la
Tabla 4.1 y no a un ensamble de simulaciones por caso.
En la Tabla 4.1, se observa que los tres casos SECO pertenecen al período continuo que
va desde Septiembre de 1988 a Mayo de 1989, o sea se realizó una única simulación en
lugar de tres. En el caso HÚMEDO no se encontró un período único, pero sí para DEF-
MAM. En conclusión, en lugar de realizar seis simulaciones independientes se realizan
tres. Los casos de la Tabla 4.1 son obtenidos de los siguientes períodos continuos:
I. SON/1985
II. SON-DEF-MAM/1988-9
III. DEF-MAM/1997-8
Se consideró que dos años es tiempo suficiente para el spin up de la HS (Sörensson,
2010). Entonces, para volver a minimizar el tiempo computacional se realiza una
simulación control (CTL) iniciada en:
I. Junio 1983;
II. Junio 1986;
III. Septiembre 1995.
66
Luego, para cada simulación CTL, se guardan los archivos de reinicio del modelo que
permiten, reiniciar el modelo en condiciones de equilibrio entre el suelo y la
atmósfera.
Ahora, en cada período continuo (I-II-III) se realiza un ensamble de simulaciones (ENS I,
II y II). La cantidad de miembros por ensamble es 15. Este número fue elegido de forma
arbitraria, pero dentro del contexto de otros trabajos que aplicaron la misma
metodología (p.e. Sörensson y Menéndez (2011) emplearon 10, mientras que Koster y
otros (2006) emplearon 16).
Por lo tanto, se realizan tres ensambles de 15 miembros iniciados en los días:
I. ENS I: 1,….,14 y 15 de Julio 1985;
II. ENS II: 1,….,14 y 15 de Julio 1988;
III. ENS III: 1,….,14 y 15 de Octubre 1997.
De los cuales se extraen los 6 ensambles para cada uno de los 6 casos de la Tabla 4.1.
La Fig.4.3 ejemplifica un esquema temporal del desarrollo metodológico para el
período continuo II.
Para la realización de todas estas simulaciones el modelo RCA4 fue ejecutado en modo
paralelo sobre un nodo de 24 procesadores en el clúster de alto rendimiento del CIMA
(sección 2.1.1).
4.4.2. INTERACCIÓN INTERRUMPIDA: LA HUMEDAD DEL SUELO COMO
CONDICIÓN DE CONTORNO
Estrictamente, el cálculo de CS requiere de dos ensambles de simulaciones, que
según la nomenclatura de Koster y otros (2003) son llamados “W” y “S”. El ensamble
W contiene simulaciones libres, i.e. no hay restricciones en las interacciones entre
variables de ningún tipo sean éstas atmosféricas ó superficiales. Para la obtención de
W se realiza el procedimiento de la sección anterior. El ensamble S se obtiene de la
misma forma que W, excepto que la interacción suelo – atmósfera ya no es libre. La HS
se define como una variable prescripta, siendo una condición de contorno para la
atmósfera. Por ejemplo, la HS puede afectar el posible desarrollo de precipitaciones en
la simulación, pero cualquier ocurrencia de lluvias no afectará su estado.
67
La “variable HS prescripta” son campos espaciales/temporales en cada uno de los tres
niveles de suelo. Estos campos fueron grabados de la simulación CTL en cada paso
temporal del modelo. Por ende, la variable HS es prescripta en el sentido de que no se
ve afectada por la simulación del ensamble, pero sí posee la variabilidad temporal
(20min) y espacial (0.44°) de la simulación CTL. Es importante remarcar que los campos
de la HS en S no son ninguna simulación del ensamble W, como si ocurre en otros
trabajos (p.e. Koster y otros, 2006; Yamada y otros, 2013).
La Fig.4.3 vista anteriormente esquematiza las características del ensamble W, y en la
Fig.4.4 se muestran las del ensamble S, en donde la evolución de la HS en todos los
miembros del ensamble es la misma.
4.4.3. ÍNDICE DE SEMEJANZA
Éste índice ha sido empleado por primera vez en Koster y otros (2000), quienes
estudiaron la varianza y la predictibilidad de la PP en escala estacional a interanual y
como está asociado a la influencia de forzantes como el suelo y el océano.
Poste io e te, fue defi ido e la lite atu a o o “e eja za ó Ω a pa ti de
Koster y otros (2002), para ser empleado en el contexto de estudios de CS. Su
expresión matemática es:
ΩX = Mσ
X2− σX2
(M−1)σX2 (ec. 4.1)
Con M la cantidad de miembros del ensamble. Si cada miembro es una serie temporal
de N pasos, σ2˄ mide la varianza temporal sobre N pasos de la serie temporal
p o edio de los M ie os σ2x mide la varianza temporal sobre M*N pasos de una
única serie miembro-temporal. ΩX mide el grado de semejanza tanto de la fase (ó
coherencia temporal) como de la forma (valor medio y amplitud) de las series
temporales de la variable X (Yamada y otros, 2007). En el caso extremo de que los M
ie os del e sa le sea iguales, e to es σ2x oi ide o σ2
˄ y Ω to a su
máximo valor: 1. Esto se asocia a que la varianza de X es mayormente atribuida a las
condiciones de contorno e inicio y en menor medida a la naturaleza caótica de la
atmósfera. En el otro extremo, si los M miembros son totalmente distintos entonces
σ2x puede al ula se o o M*σ2
˄ y Ω to a su í i o valor: 0. En este caso, el caos
68
atmosférico domina la varianza de X. Por lo tanto, el índice de semejanza es una
medida de la fracción de varianza de X explicada por las condiciones de contorno e
inicio.
Como se mencionó anteriormente, la motivación inicial pa a la defi i ió de Ω se
ela io a a o la p edi ti ilidad. E este o te to, u ΩX bajo (i.e. cercano a 0)
significa que la predictibilidad de X no podría incrementarse aunque las condiciones de
contorno fuesen totalmente predecibles (p.e. la HS).
Cabe a la a ue Ω puede se a o a po e o es de uest eo si la a tidad de
miembros es baja (Yamada y otros, 2007).
4.4.4. ÍNDICE DE ACOPLE: COUPLING STRENGTH
La intensidad del acople (CS) de la HS sobre una variable X, puede ser
cuantificado a través de los e sa les W “ el í di e de se eja za ΩX mediante la
expresión: [, ] ≡ () − ( ) (ec. 4.2)
Debido a que la única diferencia entre los ensambles es la prescripción de la HS, la
resta entre ambos índices de semejanza permite aislar la influencia de la HS sobre la
variable X, y así cuantificar el acople. Es decir, la resta cancela la contribución a la
varianza de X que sea condición de inicio ó contorno (p.e. temperatura de la superficie
del mar), excepto la de la HS.
Saber que en un punto de retícula la condición del acople es CS>0, implica saber que
hay potencial para la predicción de alguna variable si se conocen las condiciones de HS.
En caso contrario, un punto de retícula con CS<=0 no brinda información en cuanto a la
predictibilidad.
4.5. ZONAS DE ACOPLE HUMEDAD DEL SUELO –
ATMÓSFERA
Los hot spots superficie – atmósfera de mayor interés práctico corresponden a los
de acople HS – PP. Como se explicitó en el capítulo anterior, éstos deberían localizarse
69
en regiones con alta EA, en donde tanto la intensidad del acople entre la HS y la ET
(CS[HS,ET]) como la variabilidad diaria de la ET (σET) son elevadas.
4.5.1. METODOLOGÍA
Combinando los ensambles W y S en el índice CS se obtienen los resultados a
continuación. Respecto a la escala temporal, la metodología del CS se aplica sobre
series temporales de variables cuyos valores son promedios cada 6 días, para ser
consistente con la metodología de S&M11 (Cap.3). Debido a que las estaciones MAM y
SON tienen 92 y 91 días respectivamente, se decidió quitar el primer y último día para
MAM, y solamente el primer día para SON. De esta forma se obtienen 90 días al igual
que DEF, y puede realizarse el filtrado temporal obteniendo series de 15 valores para
cada miembro de un ensamble. En el caso de la PP, la variable que se emplea en los
cálculos es el logaritmo natural de la misma, para poder disminuir el ruido que la
caracteriza.
Para calcular la variabilidad temporal de la evapotranspiración, se emplea la serie de
15miembros x 90días del ensamble W.
4.5.2. HOT SPOTS DE PRECIPITACIÓN
Los campos espaciales de EA para los 6 casos de estudio se muestran en la
Fig.4.5. En general, los hot spots aparecen sobre el sudeste de Sudamérica y sobre el
noreste de Brasil, dos zonas que fueron caracterizadas previamente como zonas de
transición climática (sección 4.3.1). Dichos hot spots tienen distinta magnitud,
ubicación y extensión espacial, según la estación y las condiciones anómalas del suelo.
Pero sin discusión, el hot spot más robusto se presenta en SESA2 (indicada con un
rectángulo) y cuando las condiciones medias de la superficie son anómalamente secas,
esto es durante DEF 1988-9 (Fig.4.5e).
La Tabla 4.2 resume los valores medios de EA (calculado a partir de los valores
positivos) en Sudamérica y en SESA2 para los 6 casos de estudio. Allí se puede
cuantificar como la EA cambia con la estación climática, y en condiciones
anómalamente secas ó húmedas de la superficie en SESA2. Más allá de la región o las
condiciones de suelo, los valores de EA en SON se establecen bajos y muy similares.
70
Tanto en MAM como en DEF se observa la prevalencia de máximo EA en los casos
SECO, y en SESA2 con más del 300% y 400% respectivamente. Una aclaración
importante es que los valores referidos a SA no deben entenderse como un promedio
para condiciones húmedas/secas en todo el continente, sino que solo en SESA2.
Los mapas de EA en la Fig.4.5 fueron obtenidos, según la definición, como el producto
de los de CS[HS,ET] (Fig.4.6) y σET (Fig.4.7). Un resultado importante es que los hot
spots de CS[HS,ET] tienen mayor intensidad y contienen en gran parte a los de EA. Esto
significa que las zonas potenciales de acople HS – PP son zonas de acople HS – ET y son
muy similares cuando la variabilidad de la ET es alta. Los hot spots de CS[HS,ET] son
más robustos cuando el suelo está seco en SESA2, principalmente en DEF (Fig.4.6e) y
en menor grado en MAM (Fig.4.6f). SON es una estación que no muestra cambios
notorios en intensidad entre los casos SECO y HÚMEDO. Los patrones espaciales de σET
muestran mayor variabilidad espacial que los de CS, con valores máximos en el centro
del continente durante SON (Fig.4.7a y Fig.4.7d), y sobre SESA2 SECO durante DEF
(Fig.4.7e). Estos resultados están de acuerdo con la variabilidad diaria climatológica de
la ET mostrada en la Fig.4.1. Por lo tanto, la combinación de ambas métricas establece
que la zona potencial de acople HS – PP se presenta en el sudeste de Sudamérica, en
condiciones anómalamente secas de la superficie continental y durante el verano.
Es importante aclarar un aspecto de la metodología. Durante las estaciones MAM y
SON, se decidió filtrar el ciclo anual en las series de ET, para que el cálculo de la
variabilidad temporal no sea espuriamente mayor (misma metodología aplicada para
la obtención de las ZTCs). Sin embargo, dicho filtro no fue utilizado sobre las series de
la ET utilizadas para el cálculo de CS, debido a que se estarían modificando las
amplitudes y valores medios, características de forma que contribuyen al índice de
semejanza calculado para la obtención de CS. De todos modos, los resultados de CS no
se ven muy afectados cuando se utilizan series filtradas (no se muestra).
Los patrones espaciales sobre SA de la EA no se modifican demasiado si se tienen en
cuenta otras escalas temporales, ya que existe cierta compensación entre los campos
que la componen (ver ejemplo caso SESA2 SECO en DEF 1988-9 en Fig.4.8a). La
variabilidad temporal σET es mayor en las series de valores diarios y menor en series
que son filtradas ya que se pierden variabilidades de mayor frecuencia. En el caso de
71
CS, a escalas más finas/gruesas (p.e. 1-día/9-días) la CS[HS,ET] disminuye/aumenta en
intensidad. Esto resultado deriva del hecho de que las series temporales son
suavizadas ua do se p o edia datos po e de la se eja za ΩET entre los
ie os au e ta. Que C“ au e te e i te sidad sig ifi a ue la dife e ia ΩET(S) -
ΩET(W) aumenta, y lo que se observa en general es ue ΩET(S) aumenta. La Fig.4.8b
muestra las series temporales de los miembros de ambos ensambles en un punto de
retícula que experimenta un aumento en la magnitud del acople CS[HS,ET] al filtrar la
serie de valores diarios a valores promedio de 9-días. Con variabilidad diaria, el CS es
de . , a ue ΩET “ = . ΩET(W)=0.3, mientras que en el otro caso, el CS aumenta a
. , a ue ΩET “ = . ΩET(W)=0.3. En este punto de retícula la semejanza de W no
cambia, y la de S lo hace en un 60%. Esto puede entenderse por el hecho de que la
variabilidad de la ET no está influenciada por la variabilidad de la PP en el ensamble S,
debido a que la cadena: PP → HS → ET está lo ueada po la p es ip ió de la HS. Por
lo ta to, el au e to e ΩET(S) se da sólo por el hecho de que se trabaja con series
filtradas, mientras que en W también influye la variabilidad de la PP y por ende el
filt ado o se t adu e di e ta e te e u au e to de ΩET(W). En otro punto de
etí ula o alto C“ pod ía o u i ue ΩET(W) aumente debido al filtrado temporal,
pe o si e a go el au e to de ΩET(S) será relativamente mayor (excepto en casos de
error de muestreo).
Al calcular explícitamente la intensidad del acople de la HS con la PP (CS[HS,PP],
Fig.4.9) se observan patrones espaciales menos robustos y con menor intensidad.
Según el resultado para EA, la posibilidad de acople de la HS con la PP en el sudeste de
Sudamérica se presentaría cuando el suelo está seco y durante el verano. Esto queda
confirmado parcialmente al ver CS[HS,PP] en la Fig.4.9e. Es decir, el hot spot se
presenta para el caso SECO en DEF pero sólo en el este de SESA.
Por lo tanto en lo que sigue, el estudio será enfocado en el sudeste de Sudamérica
durante el verano seco de 1988-9. El objetivo es tratar de dilucidar porque la HS
controla la PP solo en el este de SESA aunque la EA es elevada en toda la región.
4.5.3. ESLABONES ENTRE LA HUMEDAD DEL SUELO Y LA PRECIPITACIÓN
72
Según el resultado de la sección anterior, en el este del sudeste de Sudamérica
durante un verano seco, se produce acople desde la HS hacia la PP, a través de la ET.
Cuantificar el acople de la ET hacia la PP requeriría de experimentos similares en
donde la variable prescripta sea la ET. Sin embargo, esto no fue posible debido a
dificultades técnicas de programación, ya que prescribir la ET requiere de una
modificación al programa numérico en un nivel de código en donde la física está
representada en un espacio no-euclidiano.
Eltahir (1998) propuso una teoría de eslabones entre la condición actual de la HS y la
lluvia posterior, basada principalmente en cuestiones de balance energético, para
disgregar la influencia de la HS sobre PP. Para estudiar los procesos que llevan a un
alto CS[HS,PP] en el este de SESA, se examinan algunos de esos eslabones analizando
la CS entre la HS y las variables de la Fig.4.10.
Gran porcentaje de la energía presente en la capa límite atmosférica puede ser
descripta por la energía estática húmeda (MSE, por sus siglas en inglés). = + + (ec. 4.3)
Los términos de la derecha representan las energías térmica, latente y potencial (con
CP el calor específico del aire seco a presión constante, T la temperatura del aire, L el
calor latente de vaporización, q la humedad especifica, g la constante aceleración
gravitacional y Z la altura geopotencial). La MSE es a veces usada como una alternativa
a la temperatura potencial equivalente (Holton y Hakim, 2012). Un valor alto de MSE
en la capa límite es un indicador de ocurrencia de lluvias (Eltahir, 1998). Cuando la MSE
cambia en un nivel de la atmósfera, por ejemplo debido a la evaporación desde la
superficie, y no lo hace en otros niveles, se genera un gradiente vertical de MSE entre
la capa límite y la atmósfera libre, favoreciendo condiciones (in)estables que pueden
(disparar) inhibir la convección. Además, en un amplio rango de escalas espaciales el
gradiente horizontal de MSE induce circulaciones térmicas las cuales redistribuyen la
energía en la atmósfera de modo tal de minimizar estos gradientes.
En escalas espaciales grandes, en donde la advección horizontal de calor es chica
comparada con la vertical, la fuente de MSE de la capa límite es básicamente el flujo
de calor vertical desde la superficie continental, i.e. la suma de los flujos de calor
73
sensible y latente (SHF + LHF). Éste flujo neto emitido a la atmósfera afecta
directamente los dos primeros términos del lado derecho de la ec.4.3, mientras que el
SHF afecta principalmente la profundidad de la capa límite (BLD, pos sus siglas en
inglés). Las condiciones de la HS juegan un rol importante en la partición de los flujos
(BR). Por ejemplo, en el caso de un suelo seco, el BR, SHF y la temperatura de
superficie toman mayor magnitud que en un suelo húmedo, y por lo tanto inducen un
aumento de la BLD. De todos modos, el flujo neto SHF+LHF depende principalmente de
la radiación neta en superficie, la cual depende de la nubosidad (Findell y Eltahir,
1999).
En la Fig.4.11, se muestran los patrones de CS entre la HS y las variables de la Fig.4.10,
sobre SESA (que contiene a SESA2, ver Fig.1.5) durante el verano seco. Se observa que
la HS acopla fuertemente al BR y a la BLD en toda la región (Figs.4.11a-b). Es
importante aclarar que no se calculó el acople CS entre las variables consecutivas de la
Fig.4.10, ya que esto hubiese requerido de distintos experimentos en donde otras
variables tendrían que haberse prescripto, y no necesariamente serían experimentos
correctamente diseñados para el estudio. Entonces, un valor elevado de CS[HS,BLD]
significa que la HS acopla con BLD, y en el contexto de los eslabones debe interpretarse
como un resultado de alto acople CS[HS,BR] junto con un aumento/disminución de la
temperatura en superficie debido a las anomalías secas/húmedas del suelo. El hot spot
de CS[HS,SHF+LHF] (Fig.4.11c) no cubre todo SESA, pero se ubica sobre el este,
resultado consistente con la hipótesis del párrafo anterior en donde la relación HS –
(SHF+LHF) no es tan directa como la relación HS – BR. El acople con MSE (CS[HS,MSE],
Fig.4.11d), calculado en este caso en el nivel de presión de 925hPa, también muestra
su máximo valor en el este de SESA. En el caso del gradiente vertical de MSE (Fig.4.11e)
- calculado como el cociente relativo de la diferencia de MSE entre los niveles 925hPa y
850hPa – se observa que su acople con la HS es similar al acople de la HS con el flujo de
humedad vertical, i.e. CS[HS,w.q] (Fig.4.11f). Dicha similitud en los patrones indica que
la HS influye en el flujo vertical húmedo a través de la inestabilidad atmosférica. A su
vez, estos dos patrones son similares al patrón de CS[HS,SHF+LHF], sugiriendo que
dicha influencia es ejercida a través del acople con los flujos. La Fig.4.11g indica que la
HS también afecta la circulación de escala local-regional, aquí representada por la
74
presión a nivel del mar (SLP, por sus siglas en inglés). El patrón espacial CS[HS,SLP]
tiene un máximo sobre el sur de Brasil donde el contraste horizontal de CS[HS,MSE] es
máximo (ver Fig.4.11d). Finalmente, el acople con la PP, i.e. CS[HS,PP] se vuelve a
mostrar sobre SESA en la Fig.4.11h. Considerando los análisis de las figuras 4.11a-g, el
hot spot de PP localizado sobre Uruguay y sur de Brasil (ver Fig.4.9e) está
probablemente asociado con cambios en la MSE y en la circulación, inducidos por las
anomalías de HS.
4.6. DISCUSIÓN Y CONCLUSIONES
La motivación para el desarrollo del capítulo 3 se basó en un resultado de
Sörensson y Menéndez (2011) quienes encontraron con el modelo RCA3-E, que el
sudeste de Sudamérica es una zona de alta EA entre la HS y la ET durante el verano
1992-3. En este capítulo se buscó profundizar dicho resultado y explorar otras
estaciones, en períodos anómalamente secos ó húmedos, y para otras variables,
principalmente la PP.
Una de las principales hipótesis del estudio de procesos suelo-atmósfera es que la HS
tiene la potencialidad de influir mayormente sobre la PP en zonas de transición
climática entre climas húmedos y secos (p.e. Koster y otros 2004, 2006; Guo y otros,
2006; Guo y Dirmeyer, 2013). Por lo tanto, se determinaron estas zonas a nivel
continental durante el período 1980-99. Una de las condiciones planteadas para hallar
las zonas de transición fue que la variabilidad interanual relativa de la disponibilidad de
agua en el suelo del modelo debía ser alta. Con ésta única condición se descartaron
zonas climatológicamente húmedas (p.e noroeste de Amazonia) y esto es consistente
con el hecho de que en este tipo de regiones, la ET no es sensible a las condiciones de
suelo (resultado Cap.3) y por ende no podría establecerse acople suelo - atmósfera. La
segunda condición fue que la variabilidad diaria de la ET sea alta y de ésta forma se
descartaron zonas climatológicamente áridas (p.e. sur de la Patagonia). La región
definida en este capítulo por el rectángulo SESA2 se mostró como una zona de
transición durante todas las estaciones, excepto JJA en donde la variabilidad de la ET es
muy baja.
75
Luego de haber determinado que SESA2 es una zona potencial para la existencia de
acople del suelo a la atmósfera durante SON, DEF y MAM, se buscaron períodos con
condiciones medias extremas en la situación hídrica del suelo en el período 1980-99.
Las estaciones anómalamente secas en SESA2 se definieron para SON, DEF y MAM del
período 1988-9; y las húmedas para SON de 1985 y DEF-MAM del período 1997-8.
Estos períodos coinciden en general con períodos caracterizados por anomalías
extremas de la temperatura de la superficie del mar en la región del Pacífico este,
principalmente el evento El Niño 1997-98 fue uno de los más intensos del siglo XX
habiendo generado condiciones húmedas extremas en el sudeste de Sudamérica
(Camilloni y Barros, 2000; Zhou y Lau, 2002). Sin embargo, el período SON – 1985
definido como húmedo para SESA2, no tuvo una correspondencia temporal directa con
eventos ENSO. A su vez, la anomalía negativa estacional de precipitación fue débil y
hacia el noreste de la región dicha anomalía se mostró positiva (Fig.4C). Por lo tanto,
los resultados obtenidos para el caso SON-1985 son válidos, aunque para poder
confirmar que realmente fue una primavera húmeda debería de analizarse con otro
modelo y/ó base de datos. Cabe remarcar que la condición de anomalía seca ó
húmeda del suelo, fue establecida a través de la disponibilidad de agua en el suelo en
el esquema de suelo del modelo. Esta variable refleja la combinación de la PP, la ET y el
escurrimiento y por ende provee una medida más precisa de las condiciones húmedas
del suelo, que si se hubiese tomado la anomalía de PP solamente.
Con el objeto de aislar la influencia de la HS sobre la PP (u otra variable atmosférica) en
el proceso de interacción suelo-atmósfera, se implementó la metodología del CS. Esta
métrica se aplicó independientemente para cada una de las estaciones secas y
húmedas definidas anteriormente. Un resultado importante fue que el sudeste de
Sudamérica fue identificada como una zona de alta EA durante un verano
anómalamente seco. En el caso de otras estaciones ó para el caso de un verano
húmedo las eficiencias de acople resultaron más débiles y por ende con menos
probabilidades de que se produzca acople del suelo con la PP. La máxima eficiencia de
acople entonces es resultado de un acople entre la HS y ET elevado junto con una alta
variabilidad diaria de ET y esto ocurre durante veranos preferentemente más
extremos. El hecho de que el acople (CS) sea máximo durante verano está de acuerdo
76
con la mayoría de los estudios de interacción suelo-atmósfera, ya que es cuando
dominan los procesos locales de convección (p.e. Guo y otros, 2006). Por otro lado, el
hecho de que CS sea mínimo (o casi nulo) cuando el suelo tiene una anomalía húmeda
es consistente con que en esas condiciones la ET está regulada principalmente por la
atmósfera y no por el suelo (resultado capítulo anterior). Otros trabajos encontraron
resultados similares respecto al grado de influencia del suelo sobre la ET en
condiciones extremas de humedad (p.e. Wei y Dirmeyer, 2012). Guo y otros (2006, su
Figura 3a) mostraron efectivamente que la intensidad del acople CS[HS,ET] decrece
monótonamente con el aumento de la humedad media del suelo.
Aunque el noreste de Brasil no es objeto de estudio de esta Tesis, se encontró que es
una zona de transición y con hot spots de ET durante MAM 1998 y DEF 1988-9. El
período MAM98/DEF88-9 fue definido como húmedo/seco para SESA2 pero debido al
primer patrón de variabilidad del campo de PP, resulta ser un período seco/húmedo
para el noreste de Brasil. El primer caso es consistente con que el acople es mayor en
condiciones secas de la superficie. En el segundo, puede entenderse que esta región es
muy seca durante el verano (no se muestra) y el hecho de tener condiciones anómalas
húmedas durante ese dicho período transformó a la zona en una zona de transición.
Esto es consistente con otros trabajos que encontraron que la influencia de la HS sobre
la ET es mayor en zonas secas durante períodos húmedos (p.e. Wei y Dirmeyer, 2012;
Guo y Dirmeyer, 2013).
Más allá que el acople HS – ET se vea maximizado cuando el suelo está más seco de lo
normal, en la práctica lo que realmente interesa saber es si las anomalías de la HS
pueden propagarse hacia la atmósfera y tener impacto sobre el inicio y/ó desarrollo de
la PP. La medida estadística de la intensidad del acople de la HS con la PP, resultó de
manera esperada en patrones espaciales menos robustos e intensos que los de ET. En
cuanto a SESA, el hot spot más destacado de PP se presentó también durante el verano
seco, aunque solo en la región este (Buenos Aires, partes del Litoral Argentino,
Uruguay y una pequeña región del sur de Brasil). Para entender el por qué de dicha
ubicación espacial se calcularon otros acoples, i.e. otros patrones de CS, entre la HS y
distintas variables de superficie y atmósfera que se relacionan en menor o mayor
medida con la PP.
77
Mientras que los acoples con el cociente de Bowen y con la profundidad de la capa
límite resultaron elevados sobre toda SESA, el acople con el flujo neto de calor emitido
a la atmósfera (sensible más latente) solo resultó máximo hacia el centro-este de SESA.
Esto genera a su vez, acople con la energía estática húmeda en la capa límite así como
también con su gradiente vertical sobre el este de SESA. El gradiente vertical de la
energía estática húmeda parece estar afectando la PP a través del acople con el flujo
vertical de humedad fuera de la capa límite (asumiendo que este flujo vertical crece en
condiciones inestables favoreciendo la convección). También se observó que el acople
con la energía estática húmeda es máximo sobre Uruguay y sur de Brasil, cercano al
máximo de acople con la presión a nivel del mar, sugiriendo que en esta región la HS
podría afectar la circulación en los niveles más bajos de la atmósfera. Esto lleva a la
conclusión de que la PP, en SESA y durante el verano seco de 1988-9, está conectada
con la HS a través de la energía estática húmeda.
La métrica de la intensidad del acople (CS) contempla todos los aspectos en donde el
campo de HS puede influir sobre la PP, como ser a través de procesos de reciclado (p.e.
Trenberth 1999), procesos locales indirectos como mecanismos termodinámicos (p.e.
Beljaars y otros, 1996) y no locales como la advección de humedad externa hacia la
región (p.e. Spracklen y otros, 2012). Cabe mencionar que aunque la EA es
comúnmente considerada una condición necesaria para la existencia de alto acople CS
entre la HS con la PP, se encontraron regiones en donde esta condición no aplica,
como ser el centro y norte de Brasil durante el período DEF 1988-9. Esto es indicativo
de impactos no locales de la HS sobre la PP como la advección húmeda de una fuente
remota como sugiere Goessling y Reick (2011). Wei y Dirmeyer (2012) estimaron que
el acople remoto entre estas dos variables de superficie es de alrededor del 20% del
acople global total y, van der Ent y Savenije (2011) encontraron que el 70% de los
recursos de agua en el sudeste de Sudamérica provienen de la ET de la selva húmeda
amazónica.
Como se discutió en la sección 1.1.1, el hecho de que A acople B no implica que A
tenga una influencia positiva (ó negativa) en B, sino que sólo influye. En éste contexto,
distintos autores presentan hipótesis contradictorias sobre el signo del acople entre la
HS y la PP. En relación al gradiente vertical de la energía estática húmeda, mientras
78
que Eltahir (1998) sugiere una influencia positiva sobre la PP, Cook y otros (2006)
proponen que un aumento en el gradiente vertical de energía estática húmeda llevaría
a reducir la PP a través del incremento en la estabilidad atmosférica. Los resultados
aquí presentados están basados en el índice CS, el cual no distingue entre influencias
positivas ó negativas. La correlación serial entre el gradiente vertical de energía
estática húmeda y la PP fue calculada para todos los puntos de retícula de SESA en
donde CS es mayor que 0.025. En el 83% de los puntos la correlación es positiva,
indicando que el gradiente vertical de energía estática húmeda influye positivamente
sobre la PP. Los hot spots, tanto de la energía estática húmeda como de la PP, junto
con la correlación positiva entre dichas variables, son evidencias de un mecanismo de
retroalimentación positivo sobre el este de SESA durante un verano seco.
79
5. INTERACCIÓN SUELO – ATMÓSFERA
EN DISTINTOS MODELOS CLIMÁTICOS
REGIONALES
5.1. MOTIVACIÓN
Investigar la interacción suelo – atmósfera con RCA4 durante un período
climatológico y comparar resultados con otros modelos climáticos regionales.
5.2. INTRODUCCIÓN
Como se describió en el capítulo anterior, el índice estadístico CS cuantifica el
acople, aislando la influencia de una variable sobre otra y mide la “causalidad” en un
sentido más preciso. Sin embargo, tiene la desventaja de que es una metodología
costosa computacionalmente debido a que requiere de ensambles de simulaciones y
aún más si se usa un conjunto de modelos para su intercomparación. Por otra parte,
en la literatura se presentan otras metodologías de análisis estadístico, que pueden ser
aplicadas sobre todo tipo de bases de datos, y permiten la comparación de resultados
(ver sección 1.4. . U a de esas etodologías es la del í di e Γ, ue ua tifi a la
interacción entre el suelo y la atmósfera (Zeng y otros, 2010),
E este apítulo, Γ es al ulado o RCA o uat o MCRs ue pa ti ipa o e el
proyecto CLARIS-LPB (ver sección 1.3).
5.3. MODELOS Y METODOLOGÍA GENERAL
Los datos de PP y ET empleados en este capítulo son tomados de (1) la simulación
climatológica 1980-99 realizada con RCA4 (en su configuración de la sección 2.2) y (2)
cuatro simulaciones continuas del clima presente de algunos de los MCRs del proyecto
CLARIS-LPB. Estos modelos son: RCA3.5, RegCM3, PROMES y LMDZ (ver Tabla 5.1 para
80
mayor descripción). La versión RCA3.5 es distinta y previa a la de RCA4, aunque
posterior a RCA3-E. La base de datos de salidas de los modelos tiene resolución
horizontal de aproximadamente 50 km x 50 km y temporal de un mes (i.e. medias
mensuales). Los modelos de CLARIS-LPB usan como condición inicial y de borde los
reanálisis ERA-I te i Dee ot os, o esolu ió espa ial de . ⁰ . ⁰
(excepto LMDZ que fue forzado por ERA-I te i o esolu ió de . ⁰ “ol a
otros, 2013)). Las condiciones de borde son actualizadas cada 6 horas. El dominio de
integración cubre toda Sudamérica y el período de análisis es 1990-2008. Los modelos
comparten una resolución horizontal similar, aunque los métodos numéricos,
parametrizaciones, y esquemas de superficie son distintos. Para una mayor descripción
de los MCRs de CLARIS-LPB el lector puede referirse a Solman y otros (2013). Las
figuras 5A y 5B del apéndice muestran los valores medios y la dispersión de la ET y PP
del ensamble de modelos respectivamente.
El análisis se realiza sobre series de valores estacionales (con tendencia lineal filtrada)
de ET y PP.
5.4. METODOLOGÍA DE LA INTERACCIÓN
A continuación se presentan los pasos metodológicos más relevantes de la teoría
(el lector puede referirse a Zeng y otros (2010) para mayor detalle).
Para cada punto del espacio (ó punto de retícula), la ecuación de balance de agua en la
atmósfera puede escribirse como = + (ec.5.1)
Donde PP es la precipitación, ET es la evapotranspiración y C representa la
contribución a la PP de todas las fuentes de agua no superficiales (advección horizontal
de humedad y variación de agua precipitable). La ecuación (ec.5.1) también es válida
para anomalías ′ = ′ +′ (ec.5.2)
Multiplicando por PP’ a ambos lados de la igualdad, y teniendo en cuenta que los datos
son series temporales de N datos, la ec.5.2 puede reescribirse como
81
∑ ′2 ==1 ∑ ′′=1 + ∑ ′ ′=1 (ec.5.3)
El parámetro de interacción superficie – at ósfe a Γ se defi e o o:
Γ≡∑ ′=1 ′ ∑ ′2=1⁄ (e.c.5.4)
Γ ep ese ta la f a ión de varianza de PP que contribuye a la covarianza de PP y ET.
La e ua ió . es la defi i ió de Γ o supo e i gu a o di ió espe to a la escala
temporal.
Reescribiendo la ecuación 5.4 (ver deducción en apéndice) ésta se puede expresar
como:
Γ = , . (ec.5.5)
Donde rPP,ET es correlación temporal entre las series de valores estacionales de PP y ET,
σET σPP) es la desviación estándar de la ET (PP) que representa la variabilidad
interanual de la ET (PP). La e ua ió . e p esa de ot a fo a a Γ, i di a do el
producto de la correlación temporal entre PP y la ET con la variabilidad interanual de
ET, normalizado por la variabilidad interanual de PP.
La defi i ió de Γ dada po la e ua ió . di e ue el sig o de Γ vie e dado po el
signo de la correlación entre PP y la ET (rPP,ET). Si un punto de retícula tiene un rPP,ET
positivo (negativo) es indicador de que la ET está controlada por la humedad de suelo
(atmósfera) (ver sección 3.5). Por lo tanto, una condición necesaria para que exista
interacción entre el suelo y la atmósfera, a través de la HS, es ue Γ sea positivo. Por
otra parte, para que la atmósfera sea sensible a cambios en la superficie es necesario
que la variabilidad temporal de la ET (σET) sea no despreciable (Guo y otros, 2006). Una
forma de cuantificar dicha variabilidad es comparándola con σPP. Cabe a la a ue Γ
puede ser alto solo por el hecho de que σPP sea bajo (ver ec.5.5), como por ejemplo
so e los desie tos. Po eso es o ve ie te esta le e valo es de Γ e pu tos de
retícula en donde σPP supere cierto umbral.
5.5. RESULTADOS
82
E la Fig. . a se uest a los apas esta io ales de Γ de RCA , o valo es
significativos al 99% (dado por la significancia en la correlación, ver abajo). Los hot
spots más robustos se presentan en el sudeste de Sudamérica y en NeB-EB, durante
DEF y SON y con menor intensidad en MAM. JJA muestra algunas pequeñas zonas de
máximos. Los valores negativos significativos alcanzan poca extensión espacial y tienen
baja magnitud, como por ejemplo en el centro del continente en DEF. La Fig.5.1b
muestra los mapas estacionales de los distintos componentes estadísticos que
o fo a a Γ. Los pa eles supe io es uest a los pat o es de o ela ió te po al
entre las series de valores estacionales de PP y la ET (rPP,ET) en aquellos puntos en
do de ésta es sig ifi ativa al %. Allí se o fi a ue el sig o de Γ vie e dado po el
signo de rPP,ET ue los valo es egativos de Γ se de e a o di io es hú edas de la
superficie continental, como por ejemplo en el centro del continente en DEF en donde
el SAMS está en su fase madura (ver sección 1.2.2). En la mayoría de las zonas y
estaciones rPP,ET se muestra positivo, indicando donde y cuando la ET está
principalmente controlada por las condiciones del suelo, es decir en regiones con
condiciones de HS bajas a medias (ver sección 3.4 y 3.5), como la Patagonia durante
todo el año excepto JJA. Los paneles centrales de la Fig.5.1b muestran la variabilidad
interanual de la ET (σET) en cada estación. La contribución de σET a Γ es odula la
intensidad de rPP,ET y establecer donde y cuando las anomalías de la superficie pueden
propagarse a la atmósfera, como en en el sudeste de Sudamérica durante DEF y SON.
Por último, la variabilidad interanual de PP (σPP) se observa en los paneles inferiores de
la Fig.5.1b. Como se mencionó en la sección anterior, se define un umbral mínimo de
0.5mm/día en σPP pa a el ál ulo de Γ. El o ie te e t e a as va ia ilidades σET/σPP)
modula la correlación rPP,ET, descartando zonas como la Patagonia y la mayor parte del
continente en JJA y dando como resultado los hot spots de la Fig.5.1a. Cabe aclarar que
otros umbrales para σPP (0.2, 0.3 ó 0.4 mm/día) solo expanden levemente los hot
spots, sin que se observe un cambio brusco en sus patrones.
Para las mismas condiciones fijadas de significancia estadística (al 99%) y sentido físico
(variabilidad de PP a o a . /día se ealiza los ál ulos de Γ pa a ada u o de
los MCRs de CLARIS-LPB (Fig.5C del apéndice). Para resumir la información, la Fig.5.2
muestra la cantidad de modelos (entre ninguno y cuatro) que superan dos umbrales de
83
Γ . . , valo es otivados e los esultados de la Fig. . a, e )e g ot os
y en la métrica CS del Capítulo 4. Los mapas indican que el sudeste de Sudamérica es
un hot spot robusto durante DEF y SON y en menor grado en MAM (i.e. los cuatro
odelos uest a pu tos de etí ula o Γ>= . . En la misma región, el hot spot
durante SON tiene máxima intensidad de la interacción, mientras que durante MAM la
intensidad es mínima (exceptuando JJA). NeB-EB es un hot spot durante todo el año
excepto JJA, estación que no muestra un patrón indicativo de existencia de interacción
suelo – atmósfera.
A diferencia de los resultados obtenidos por Zeng y otros (2010), donde los hot spots
se desplazan geográficamente según la estación, en este ensamble de modelos parece
ser que el sudeste de Sudamérica y NeB-EB son las únicas zonas de interacción suelo –
atmósfera en Sudamérica (exceptuando puntos aislados).
5.6. DISCUSIÓN Y CONCLUSIONES
Una métrica estadística de interacción suelo - atmósfera se aplicó a distintos
odelos li áti os egio ales a ivel li atológi o / años . Di ha ét i a Γ
cuantifica la correlación temporal ET - PP, relativa a una alta variabilidad de la ET. La
primera condición (rPP,ET) permite identificar, zonas que están fuera de condiciones
húmedas en donde la atmósfera se ve desacoplada del suelo. La segunda condición
σET) establece que la variabilidad del conector suelo - atmósfera, i.e. la ET, sea elevada
ta ié así la p opaga ió de las a o alías es a o . Es de i , Γ ep ese ta el efe to
de la PP sobre la ET, a través de la HS, y puede implícitamente reflejar parte del efecto
de la ET sobre la PP a través de la variabilidad de la ET (Zeng y otros, 2010).
Esta métrica permitió comparar resultados entre modelos, a diferencia de la
metodología más compleja del capítulo 4, la cual tiene un mayor costo computacional.
Sin embargo, la interpretación de los resultados en esta sección debe tener en cuenta
ue u valo alto de Γ: i es u a o di ió e esa ia, au ue o sufi ie te, pa a la
existencia de acople suelo-atmósfera; (ii) indica que la interacción es alta pero no
brinda información sobre la “causalidad” (ver sección 1.1) y (iii) puede ser debido a un
forzante común de ambas variables (ver sección 1.1).
84
El Sudeste de Sudamérica y el noreste y este de Brasil se identificaron como hot spots
de interacción suelo – at ósfe a, ost a do valo es altos positivos de Γ, ta to e
RCA4 como en el ensamble de modelos de CLARIS-LPB. Todos los modelos mostraron
que JJA es un período en donde el suelo se ve desacoplado de la atmósfera, al menos a
través de la ET. Esas dos zonas fueron identificadas también como zonas de transición
climática (ó potenciales para la existencia de acople suelo – atmósfera) en el capítulo
anterior.
Según Zeng y otros (2010), los hot spots en Sudamérica ocurren durante DEF en
Argentina, y durante JJA en las planicies centrales del continente. El hot spot en DEF
sobre el sudeste de Sudamérica es evidente en RCA4 y en los cuatro modelos, así como
en otros trabajos (ver sección 1.4.2). Sin embargo, JJA no muestra un patrón robusto
de hot spots e los odelos a uí a alizados i.e. i gú pu to de etí ula uest a u Γ
mayor a 0.25 en los cuatro modelos). Este resultado muestra cierta consistencia con
otros estudios que muestran discrepancias en la localización de los hot spots (ver
sección 1.4.2), i.e. no hay resultados robustos en JJA.
Como se comentó en la sección 1.4 de la Introducción, algunos índices estadísticos
i lu e do a Γ puede e plea se so e ual uie ase de datos, i lusive
observacionales. Sin embargo, debido a que el sentido físico de la metodología se basa
en el empleo de la ET y PP, ambos datos tendrían que pertenecer a una misma base,
p.e. un mismo reanálisis. Si así no fuese, no tendría sentido el cálculo ya que no habría
consistencia entre las variables, por haber sido medidas/calculadas en diferentes
contextos.
85
6. RESUMEN, DISCUSIÓN Y
CONCLUSIONES FINALES
En esta Tesis doctoral se abordó el tema de la interacción entre el suelo y la atmósfera,
desde un punto de vista de los procesos físicos que involucran variables hidrológicas
como la humedad del suelo (HS), la evapotranspiración (ET) y la precipitación (PP). La
región de estudio fue el continente sudamericano, y en particular el sudeste de
Sudamérica.
El capítulo 1 fue un resumen general de: (1) algunos conceptos teóricos y físicos
vinculados a la temática; (2) las características climáticas de la región de estudio; (3)
algunas herramientas de investigación, junto con sus ventajas y desventajas y; (4) los
antecedentes respecto a las metodologías existentes y a los resultados obtenidos hasta
el momento sobre la región.
En el capítulo 2, se describió y validó la última versión del modelo climático regional
desarrollado en Rossby Centre, Suecia (RCA4), el cual fue aquí empleado por primera
vez sobre Sudamérica para estudios de procesos físicos. La temperatura a 2 metros en
valor medio estacional es mejor representada por RCA4 que por RCA3-E, como
consecuencia de algunas mejoras al esquema de superficie. La validación para la PP y
la ET, se realizó comparando con ensambles de observaciones y, se discutió que aún
hay mucho por mejorar en estas variables simuladas sobre el continente. Por ejemplo,
sería conveniente, redefinir el esquema de baldosas dado que la baldosa de nieve es
casi nula en nuestra región. De manera complementaria, el incorporar datos de
fisiografía, vegetación, profundidad y textura del suelo, albedo, emisividad, etc. que
sean más representativos de la región sudamericana, tendría un impacto diferente en
los resultados y seguramente mejoraría el clima simulado por RCA4.
Independientemente de la calidad de las simulaciones, todavía existen zonas en donde
la incertidumbre observacional es alta y por ende ambos aspectos deben mejorar en el
campo de la climatología.
86
En el capítulo 3 se enfatizaron diferentes aspectos hidrológicos vinculados con el
proceso de la interacción entre la superficie continental y la atmósfera durante un
verano en SESA1 (definida en el rectángulo [20-40°S, 45-65°O]): (1) El estudio por
subregiones comprobó que la ET se ve regulada por las condiciones del suelo (de la
atmósfera) en zonas en donde la eficiencia de acople (EA) es alta (baja),
independientemente de la intensidad de la PP. (2) La memoria de la HS se encontró en
SESA1: (i) mayor para la capa de suelo más profunda; (ii) influenciada por la
persistencia de las lluvias, aunque no por su intensidad y (iii) anticorrelacionada con la
EA. (3) En una primera aproximación a la temática de cómo la HS podría influir sobre
los extremos de PP, se encontró que los días previos a un evento extremo, el gradiente
horizontal de la HS de la capa superficial es casi el doble del valor medio estacional, i.e.
elevado. Este resultado es interesante de validar en trabajos a futuros utilizando datos
de sensores remotos.
El Capítulo 4 amplió la búsqueda de zonas con acople entre la HS y la atmósfera hacia
todas las estaciones. En primer lugar se buscaron, a escala continental, las zonas de
transición climática entre climas húmedos y secos ya que son zonas en donde la HS
tiene la potencialidad de influir sobre la PP (p.e. Koster y otros 2006). El sudeste de
Sudamérica se mostró como una de estas zonas en todas las estaciones, excepto
durante JJA. En segundo lugar, se buscaron un verano, un otoño, y una primavera con
condiciones anómalamente secas y un verano, un otoño, y una primavera con
condiciones anómalamente húmedas de la superficie continental en SESA2 (definida
en el rectángulo [28-43°S, 55-70°O]). Estos 6 casos de estudio fueron propicios para
desarrollar, en tercer lugar, experimentos realizados con RCA4 y aplicar la metodología
de la intensidad del acople. Un resultado importante fue que el sudeste de Sudamérica
fue identificada en gran parte de su extensión como una zona de alta EA durante el
verano anómalamente seco. En dicho contexto, el acople HS – PP también se mostró
máximo pero solamente sobre el este la región. A través de distintos cálculos se llegó a
la conclusión de que la PP está influenciada por la HS a través de la energía estática
húmeda y su gradiente vertical, como resultado del flujo total en superficie.
Por último, en el capítulo 5 se analizó la interacción suelo - atmósfera en Sudamérica
con una metodología diferente y en un contexto más amplio, i.e. en distintos modelos
87
climáticos regionales (incluyendo RCA4) y durante un período climatológico. En los
resultados obtenidos, el sudeste de Sudamérica vuelve a ser identificado como un hot
spot de interacción suelo – atmósfera durante todo el año excepto JJA.
A continuación se vinculan los resultados encontrados a los objetivos de esta Tesis:
El sudeste de Sudamérica es identificado como un hot spot de interacción entre la
superficie y la atmósfera, durante las estaciones de verano (Diciembre-Enero-
Febrero), otoño (Marzo-Abril-Mayo) y primavera (Septiembre-Octubre-
Noviembre). Lo mismo ocurre con el noreste – este de Brasil (NeB-EB).
Estas dos regiones fueron definidas previamente como zonas de transición
climática (ZTCs) entre climas húmedos y secos en las mismas estaciones climáticas.
Por lo tanto este resultado está de acuerdo con la hipótesis de otros trabajos (p.e.
Koster y otros, 2004; Guo y otros, 2006). Estas zonas suelen darse en donde las
condiciones de HS son intermedias, i.e. fuera de zonas permanentemente húmedas
(p.e. oeste Amazónico) ó áridas (p.e. Patagonia Argentina). Sin embargo, no
necesariamente un hot spot se aloja en una ZTC: (1) Un ejemplo pudo verse en los
hot spots de PP sobre el centro de continente, principalmente en verano. (2) Por
otro lado, influyen los factores antropogénicos ó extremos climáticos: debido a que
las condiciones de la superficie pueden ser modificadas por cambios en el uso del
suelo, inundaciones, sequías, etc., podrían establecerse nuevos hot spots sin que
estas zonas estén definidas previamente como ZTCs entre climas húmedos y secos
(p.e. Goessling y Reick, 2011).
El sudeste de Sudamérica es un hot spot suelo –atmósfera más robusto que NeB-
EB, de acuerdo al análisis hecho con varios modelos climáticos regionales. Otros
trabajos realizados a escala global (p.e. Zeng y otros, 2010) no mostraron la
robustez del hot spot en el sudeste del continente durante varias estaciones. Es por
eso que es importante realizar estudios en escala regional ya que muchos de los
procesos físico-climáticos que ocurren en Sudamérica no existen en otras zonas del
planeta.
En estaciones anómalamente secas ó húmedas en SESA2, se determinó que el
acople de la HS con la ET/PP es máximo durante el verano que tuvo una anomalía
seca en la superficie continental. Es decir, la predictibilidad atmosférica sobre SESA
88
está vinculada con la de la superficie continental principalmente durante los
veranos que sufren períodos secos.
El acople de la humedad del suelo con la precipitación en el este de SESA (definida
en el rectángulo [20-43°S, 45-70°O]) durante un verano seco, se debe a la
influencia del flujo de calor superficial total emitido a la atmósfera el cual afecta la
energía estática húmeda y consecuentemente la inestabilidad atmosférica.
La memoria de la HS en profundidad se vio en gran parte de SESA1 relacionada en
forma inversa con el acople entre la HS y ET (i.e. a mayor acople, menor memoria).
Esto es consistente desde el punto de vista de que la interacción del suelo con la
atmósfera altera los estados del suelo, en particular de la humedad. Sin embargo,
es un inconveniente desde el punto de vista de la predictibilidad ya que tanto el
acople tanto como la memoria deben ser elevados. Sin embargo, hubo excepciones
como Uruguay, el sur de Brasil y parte del este de Argentina que mostraron alto
acople y alta memoria. Por ende, una mejor representación de las condiciones
iniciales de HS en estas zonas, podría mejorar la predictibilidad de variables de
superficie en la escala mensual.
Diversas son las metodologías de estudio que se aplican en el contexto de la
interacción suelo – atmósfera. Desde los análisis estadísticos sobre bases de datos
(aquí desarrollado en el capítulo 5), pasando por experimentos diagramados con
modelos climáticos (aquí desarrollado en el capítulo 4) hasta trabajos más teóricos que
investigan cómo detectar y cuantificar la causalidad en un sistema complejo, en
particular el climático (p.e. Runge y otros, 2014).
Dentro de los estudios que diseñan experimentos con modelos, algunos realizan
simulaciones climatológicas. Por ejemplo Seneviratne y otros (2006b) estudian la
intensidad del acople (CS) entre la HS y la temperatura en superficie usando un modelo
climático regional en un período de 20años. Los miembros del ensamble son los años
dentro del período elegido y la HS es un forzante climatológico, i.e. con ciclo anual
pero sin variabilidad interanual. De esta forma investigan cómo influye el filtrado la
variabilidad interanual de la HS en la variabilidad interanual de la temperatura. Sin
embargo, esta metodología consta de dos “problemas”: (1) debido a que emplean un
89
modelo climático regional, los bordes laterales otorgan una variabilidad interanual de
los forzantes en cuestión (p.e. temperatura de la superficie del mar) y (2) al usar un
campo climatológico de HS se filtran las variabilidades espaciales propias de cada año
de estudio. Respecto a (1) los ensambles del capítulo 4 se desarrollaron, para cada
experimento en sí, en un mismo año, y por ende todos sus miembros tienen el mismo
forzante en los bordes laterales. Respecto a (2) el hecho de haber usado campos de HS
prescriptos de la simulación control, asegura que es un forzante para la simulación en
cuestión, pero manteniendo su variabilidad espacial y temporal.
Los procesos de interacción entre la superficie y la atmósfera son difíciles de medir en
el mundo real debido a la complejidad del sistema climático. El uso de modelos
climáticos permite aislar procesos de interés como por ejemplo el acople de la HS a la
PP. Sin embargo, aunque los modelos intentan reproducir de la manera más fehaciente
la realidad tienen limitaciones inherentes a que ésta está representada de manera
idealizada y que además no modelan todos los procesos existentes en la naturaleza,
entre otras cuestiones (resolución espacial y temporal, aproximaciones,
parametrizaciones, etc.). Hasta los modelos más recientes como los de CMIP5, aún no
logran mejorar la representación de variables de superficie como la ET, PP y
temperatura (p.e. Mueller y Seneviratne, 2014).
Una de las limitaciones con los modelos climáticos es la interacción de la vegetación
con el clima. Hoy en día existen modelos con vegetación dinámica aunque todavía no
son empleados para simular procesos en Sudamérica. La vegetación puede influir en la
PP y, por lo tanto en el acople suelo – atmósfera así como en la memoria de la HS. Dos
mecanismos que involucran a la vegetación y a la PP han sido propuestos
recientemente en la literatura. Sus implicaciones deben ser consideradas para
Sudamérica debido al alto porcentaje de terreno cubierto de bosques y a la alta
intensidad de su ciclo hidrológico: (1) una masa de aire que fue expuesta a una
superficie boscosa influencia en mayor grado a las lluvias posteriores que aquella masa
de aire que no ha atravesado superficies con mucha vegetación, debido a que
transporta mayor humedad evapotranspirada del bosque (Spracklen y otros, 2012).
Este mecanismo puede afectar principalmente regiones que reciben flujo de humedad
desde regiones con mucha vegetación (p.e. SESA desde la región Amazónica). (2)
90
Makarieva y Gorshkov (2007) presentaron una teoría que implica que la ET y posterior
condensación de vapor de agua están asociadas a una disminución en la presión del
aire en la baja atmósfera y por lo tanto esto tendría un impacto sobre la dinámica
atmosférica. Este efecto podría ser importante sobre la Cuenca del Amazonas y,
debido a la menor densidad de área forestal, en menor grado en La Cuenca del Plata.
Otra dificultad radica en las diversas retroalimentaciones (ó feedbacks) que se
establecen entre las variables climáticas, las cuales dependen de la región y de las
condiciones atmosféricas o del suelo, entre otros. Hay diversidad de trabajos que
estudian los feedbacks, mostrando resultados contradictorios sobre si el feedback HS -
PP es positivo ó negativo. En esta Tesis se analizó la cadena HS –ET - PP. El feedback
HS-ET puede ser bien entendido a través del resultado de la sección 3.4, siendo
positivo (negativo) cuando la ET está limitada por las condiciones de suelo (atmósfera).
En cambio, la complejidad del asunto se presenta al querer establecer el signo del
feedback ET-PP (ver como ejemplo Guillod y otros, 2014). Este tema no fue abordado
en esta Tesis, pero sí se abordó el tema del acople entre la cadena de eslabones por el
cual la HS podría acoplar a la PP, i.e. más allá del signo del feedback.
Mi trabajo post-doctoral continúa con la temática interacción suelo – atmósfera.
Algunas de las cuestiones pendientes que quiero abordar son:
Mejorar la representación de parámetros y variables de superficie en el suelo
sudamericano (textura del suelo, topografía, albedo, etc.);
Realizar nuevos experimentos de sensibilidad con RCA4;
Implementar otros modelos climáticos y bases de datos;
Analizar la memoria de la humedad del suelo a escala continental, en distintas
estaciones y escalas temporales;
Y explorar el acople suelo – atmósfera en proyecciones de Cambio Climático.
91
7. REFERENCIAS BIBLIOGRÁFICAS
Adler RF, y otros. 2003. The Version 2 Global Precipitation Climatology Project (GPCP) Monthly Precipitation Analysis (1979-Present). Journal of Hydrometeorology 4: 1147–1167. DOI: http://dx. DOI.org/10.1175/1525-7541(2003)004<1147:TVGPCP>2.0.CO;2
Alexander P, Ruscica R, Sörensson AA, Menéndez CG. 2011. Gravity wave momentum flux generation close to mid-latitude Andes in mesoscale simulations of late 20th and 21st centuries, Advances in Space Research, Volume 48, Issue 8. Pages 1359-1370, ISSN 0273-1177. DOI: http://dx. DOI.org/10.1016/j.asr.2011.06.020.(http://www.sciencedirect.com/science/article/pii/S0273117711004571).
Alexandru A, de Elia R y Laprise R. 2007: Internal Variability in Regional Climate Downscaling at the Seasonal Scale. Mon. Wea. Rev., 135, 3221–3238. DOI: http://dx.doi.org/10.1175/MWR3456.1.
Antic S, Laprise R, Denis B, de Elía R. 2004. Testing the downscaling ability of a one-way nested regional climate model in regions of complex topography. Clim Dyn, 23:473–493.
Baldocchi D, y otros. 2001. FLUXNET: A New Tool to Study the Temporal and Spatial Variability of Ecosystem–Scale Carbon Dioxide, Water Vapor, and Energy Flux Densities. Bull. Amer. Meteor. Soc., 82, 2415–2434. DOI: http://dx. DOI.org/10.1175/1520-0477(2001)082<2415:FANTTS>2.3.CO;2
Barreiro M. 2010. Influence of ENSO and the south Atlantic ocean on climate predictability over Southeastern South America. Clim. Dyn., 35, 1493-1508. DOI: 10.1007/s00382-009-0666-9.
Barreiro M, Díaz N. 2011. Land–atmosphere coupling in El Niño influence over South America. Atmos. Sci. Lett., 12: 351–355. DOI: 10.1002/asl.348.
Bart J, Van den Hurk M y Van Meijgaard. 2010. Diagnosing Land–Atmosphere Interaction from a Regional Climate Model Simulation over West Africa. J. Hydrometeor, 11, 467–481. DOI: http://dx. DOI.org/10.1175/2009JHM1173.1
Bechtold P, Bazile E., Guichard F., Mascart P, Richard E. 2001. A mass-flux convection scheme for regional and global models. Quarterly Journal of the Royal Meteorological Society, 127: 869-886.
Beljaars ACM, Viterbo P, Miller MJ, Betts AK. 1996. The anomalous rainfall over the United States during July 1993: sensitivity to land surface parameterization and soil moisture anomalies. Monthly Weather Review 124: 362–383. DOI: 10.1175/1520-0493(1996)124< 0362:tarotu>2.0.co;2.
Berbery EH y Collini EA. 2000. Springtime precipitation and water vapor flux over southeastern South America. Mon. Wea. Rev., 128, 1328–1346.
Berbery EH y Barros VR. 2002. The hydrologic cycle of the La Plata basin in South America. J. Hydrometeor., 3, 630-645.
Berg P, Döscher R, y Koenigk, T. 2013. Impacts of using spectral nudging on regional climate model RCA4 simulations of the Arctic. Geosci. Model Dev., 6, 849-859. DOI:10.5194/gmd-6-849-2013.
Blázquez J y Nuñez MN. 2013. Performance of a high resolution global model over southern South America. Int. J. Climatol., 33: 904–919. DOI: 10.1002/joc.3478.
92
Bonan GB. 2002. Ecological Climatology: Concepts and Applications, Cambridge University Press, Cambridge, 690 pp (file:///D:/doc/Ecological%20Climatology%20by%20Gordon%20Bonan/index-2002.htm ).
Boulanger J-P, y otros. 2010. The European CLARIS Project: A Europe-South America Network for Climate Change Assessment and Impact Studies. Climatic Change, 98, 307-329. DOI: 10.1007/s10584-009-9734-8.
Brinkop S y Roeckner E. 1995: Sensitivity of a general circulation model to parameterizations of cloud-turbulence interactions in the atmospheric boundary layer. Tellus, 47A, 197-220.
Caffera RM y Berbery EH. 2006. Climatología de la Cuenca del Plata . Capítulo II. En El cambio climático en La Cuenca del Plata (Barros, V., Clarke, R. y Silva Dias, P. Ed.), CONICET: 19-38.
Camilloni I y Barros V. 2000: The Paraná River response to El Niño1982–83 and 1997–98 Events. Journal of Hydrometeorology, 1:412–430.
Carril AF, y otros. 2012. Performance of a multi-RCM ensemble for South Eastern South America. Clim. Dyn. 39(12): 2747–2768, DOI: 10.1007/s00704-009-0165-2.
Carvalho LMV, Jones C, Posadas A, Quiroz R, Bookhagen B, Liebmann B. 2012. Precipitation characteristics of the South American monsoon system derived from multiple datasets. J. Clim. 25: 4600–4620, DOI: 10.1175/JCLI-D-11-00335.1.
Cazes-Boezio G, Robertson AW y Mechoso CR. 2003. Seasonal dependence of ENSO teleconnections over South America and relationships with precipitation in Uruguay. J. Climate, 16, 1159–1176.
Chen JL, Wilson CR, Tapley BD, Longuevergne L, Yang ZL, Scanlon BR. 2010. Recent La Plata basin drought conditions observed by satellite gravimetry. Journal of Geophysical Research 115:D22. Online publication date: 1-Jan-2010.
Chen M, y otros. 2008. Assessing objective techniques for gauge-based analyses of global daily precipitation. J. Geophys. Res., D: Atmos. 113, DOI: 10.1029/2007jd009132.
Cherchi A, Carril AF, Menéndez CG y Zamboni L. 2014. La Plata Basin precipitation variability in spring: Role of remote SST forcing as simulated by GCM experiments. Climate Dynamics, 42, 1-2, 219-236, DOI: 10.1007/s00382-013-1768-y.
Christensen JH, Carter TR, Rummukainen M y Amanatidis G. 2007. “Evaluating the performance and utility of regional climate models: the PRUDENCE project,” Climatic Change, vol. 81, no. 1, pp. 1–6.
Collini EA, Berbery EH, Barros VR, Pyle ME. 2008. How does soil moisture influence the early stages of the south American monsoon? J. Clim., 21: 195–213, DOI: 10.1175/2007jcli1846.1.
Cook BI, Bonan GB, Levis S. 2006. Soil moisture feedbacks to precipitation in Southern Africa. Journal of Climate 19: 4198–4206. DOI: 10.1175/JCLI3856.1.
Crow WT, y otros. 2012. Upscaling sparse ground-based soil moisture observations for the validation of coarse-resolution satellite soil moisture products, Rev. Geophys., 50, RG2002, DOI:10.1029/2011RG000372.
Cuijpers JWM y Duynkerke PG. 1993. Large eddy simulations of trade wind with cumulus clouds. J. Atmos. Sci., 50, 3894–3908.
Cuxart J, Bougeault P y Redelsperger JL. 2000. A turbulence scheme allowing for mesoscale and large-eddy simulations. Q. J. R.Meteorol. Soc. 126, 1–30.
93
da Rocha RP, Morales CA, Cuadra SV, Ambrizzi T. 2009. Precipitation diurnal cycle and summer climatology assessment over South America: an evaluation of regional climate model version 3 simulations. J Geophys Res 114:1–19. doi:10.1029/ 2008JD010212.
Dee DP y otros. 2011. The ERA-Interim reanalysis: Configuration and performance of the data assimilation system. Quart. J. R. Meteorol. Soc., 137, 553-597. DOI: 10.1002/qj.828.
Diaz G, Doyle M y Brizuela A.. 2014. Calibración de un modelo hidrológico unidimensional para las estaciones de Diamante y Paraná, Entre ríos. Meteorológica [online]. vol.39, n.1 [citado 2014-12-19], pp. 41-57. Disponible en: <http://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S1850-468X2014000100003&lng=es&nrm=iso>. ISSN 1850-468X.
Dirmeyer PA, Koster RD y Guo Z. 2006. Do global models properly represent the feedback between land and atmosphere? J. Hydrometeor., 7, 1177–1198.
Dirmeyer PA, Schlosser CA, Brubaker KL. 2009. Precipitation, recycling, and land memory: an integrated analysis. J. Hydrometeorol. 10: 278–288, DOI: 10.1175/2008jhm1016.1.1
Dirmeyer PA, Yan Jin, Bohar Singh y Xiaoqin Yan. 2013. Trends in Land–Atmosphere Interactions from CMIP5 Simulations. J. Hydrometeor, 14, 829–849. DOI: http://dx. DOI.org/10.1175/JHM-D-12-0107.1.
Domínguez M, Gaertner MA, de Rosnay P, Losada T. 2010. A regional climate model simulation over West Africa: parameterization tests and analysis of land-surface fields. Clim Dyn 35:249–265. DOI:10.1007/s00382-010-0769-3
Dudek MP, Xin-Zhong Liang, y Wei-Chyung Wang. 1996. A Regional Climate Model Study of the Scale Dependence of Cloud-Radiation Interactions. J. Climate, 9, 1221–1234. DOI: http://dx. DOI.org/10.1175/1520-0442(1996)009<1221:ARCMSO>2.0.CO;2.
Durkee J, L Mote T y Marshall Shepherd J. 2009. The Contribution of Mesoscale Convective Complexes to Rainfall across Subtropical South America. J. Climate, 22, 4590–4605. DOI: http://dx. DOI.org/10.1175/2009JCLI2858.1.
Ek MB y Holtslag AAM. 2004. Influence of Soil Moisture on Boundary Layer Cloud Development. J. Hydrometeor, 5, 86–99. DOI: http://dx. DOI.org/10.1175/1525-7541(2004)005<0086:IOSMOB>2.0.CO;2.
Eltahir EAB. 1998. A soil moisture–rainfall feedback mechanism: 1. Theory and observations. Water Resources Research 34(4): 765–776, DOI: 10.1029/97WR03499.
Emori S. 1998. The interaction of cumulus convection with soil moisture distribution: An idealized simulation. J. Geophys. Res., 103, 8873–8884.
Fischer EM y Schär C. 2009. Future changes in daily summer temperature variability: driving processes and role for temperature extremes. Climate dynamics, 33.7-8: 917-935.
Frye JD y Mote LT. 2009. The Synergistic Relationship between Soil Moisture and the Low-Level Jet and Its Role on the Prestorm Environment in the Southern Great Plains. J. Appl. Mete.Climatol., 49,775–791.
Garreaud RD, y otros. 2008. Present-day South American climate, Paleogeogr. Palaeoclimatol. Palaeoecol. DOI: 10.1016/j.palaeo.2007.10.032.
Garreaud RD y Aceituno P. 2007. Atmospheric circulation and climatic variability. Chapter 3 in The Physical Geography of South America. T. Veblen, K. Young and A. Orme Eds). Oxford University Press.
94
Goessling HF y Reick CH. 2011. What do moisture recycling estimates tell us? Exploring the extreme case of non-evaporating continents. Hydrology and Earth System Sciences 15: 3217–3235, DOI: 10.5194/hess-15-3217-2011.
Grimm AM, Ferraz SET y Gomes J. 1998. Precipitation anomalies in southern Brazil associated with El Niño and La Niña events. J. Climate, 11, 2863–2880.
Grimm AM y Tedeschi RG. 2009. ENSO and Extreme Rainfall Events in South America. J. Climate, 22, 1589–1609. DOI: http://dx. DOI.org/10.1175/2008JCLI2429.1.
Guillod BP, y otros. 2014. Land-surface controls on afternoon precipitation diagnosed from observational data: uncertainties and confounding factors, Atmos. Chem. Phys., 14, 8343-8367, DOI:10.5194/acp-14-8343-2014.
Guo Z, Dirmeyer PA, Koster RD, Bonan G, Chan E y otros. 2006. GLACE: the global land–atmosphere coupling experiment. Part II: analysis. J. Hydrometeor. 7, 611–625.
Guo Z y Dirmeyer PA. 2013. Interannual Variability of Land–Atmosphere Coupling Strength. J. Hydrometeor, 14, 1636–1646. DOI: http://dx. DOI.org/10.1175/JHM-D-12-0171.1.
Hillel D. 1980. Fundamentals of Soil Physics. Academic Press, New York.
Hirschi M, Mueller B, Dorigo W y Seneviratne SI. 2014. Using remotely sensed soil moisture for land-atmosphere coupling diagnostics: The role of surface vs. root-zone soil moisture variability Remote Sensing of Environment., 154 ; 246-252.
Hourdin F, y otros. 2009. The LMDZ4 general circulation model: climate performance and sensitivity to parameterized physics with emphasis on tropical convection. Clim Dyn 27:787–813.
Holton JR y Hakim GJ. 2012. An introduction to dynamic meteorology (5th edition). Academic Press, ISBN: 978-0123848666.
Jacob D, y otros. 2007. An inter-comparison of regional climate models for Europe: model performance in present-day climate. Clim. Change, 81(Suppl.1), 31–52.
Jankov I, William A. Gallus Jr., Moti Segal, Brent Shaw, y Steven E. Koch. 2005. The Impact of Different WRF Model Physical Parameterizations and Their Interactions on Warm Season MCS Rainfall. Wea. Forecasting, 20, 1048–1060. DOI: http://dx. DOI.org/10.1175/WAF888.1
Jones PD, Lister DH, Harpham C, Rusticucci M, Penalba O. 2013. Construction of a daily precipitation grid for southeastern South America for the period 1961–2000. International Journal of Climatology, 33:2508–2519.
Jones C, Willen U, Ullerstig A y Hansson U. 2004. The Rossby Centre regional atmospheric climate model part I: model climatology and performance for the present climate over Europe. Ambio 33(4–5), 199–210.
Jung M, y otros. 2010. Recent decline in the global land evapotranspiration trend due to limited moisture supply. Nature 467, 951–954, DOI:10.1038/nature09396.
Kain JS y Fritsch JM. 1990. A one-dimensional entraining/detraining plume model and its application in convective parameterization. J. Atmos. Sci., 47, 2784–2802.
Kain JS y Fritsch JM. 1993. Convective parameterizations for Mesoscale Models: The Kain-Fritsch scheme. In: The representation of cumulus convection in numerical models, Eds: K.A. Emanuel and D.J. Raymond. AMS Monograph, 46, 246 pp.
95
Kodama, Y. 1992. Large scale common features of subtropical precipitation zones (the Baiu frontal zone, the SPCZ, and the SACZ). Part I: Characteristics of subtropical frontal zones. J. Meteor.Soc., Japan, 70(4), 813-836.
Koster RD, Suarez MK y Heiser M. 2000. Variance and Predictability of Precipitation at Seasonal-to-Interannual Timescales. J. Hydrometeor, 1, 26–46. DOI: http://dx. DOI.org/10.1175/1525-7541(2000)001<0026:VAPOPA>2.0.CO;2.
Koster RD y Suarez MJ. 2001: Soil Moisture Memory in Climate Models. J. Hydrometeor, 2, 558–570. DOI: http://dx. DOI.org/10.1175/1525-7541(2001)002<0558:SMMICM>2.0.CO;2.
Koster RD, y otros. 2002. Comparing the degree of land– atmosphere interaction in four atmospheric general circulation models. J. Hydrometeor., 3, 363–375.
Koster RD, Guo Z y Dirmeyer PA. 2003. GLACE: Quantifying Land-Atmosphere Coupling Strength Across a Broad Range of Climate Models. CLIVAR Exchanges 28:1-3
Koster RD y otros .2004. Regions of coupling between soil moisture and precipitation. Science, 305, 1138–1140.
Koster RD, y otros 2006. GLACE: The Global Land–Atmosphere Coupling Experiment. Part I: Overview. J. of Hydromet., 7, 590-610.
Koster R, Zhichang G, Yang R, Dirmeyer P, Kenneteth M, Puma M. 2009. On the Nature of Soil Moisture in Land Surface Models. J. of Climate, 22:4322-4335.
Koster RD, y otros. 2011. The second phase of the Global Land-Atmosphere Coupling Strength Experiment: soil moisture contributions to subseasonal forecast skill, J. Hydrometeorology. 12, 805-822.
Lange S, Rockel B, Volkholz J y Bookhagen B. 2014. Regional climate model sensitivities to parametrizations of convection and non-precipitating subgrid-scale clouds over South America. Climate Dynamics, 1-19.
Laprise R. 2008. Regional climate modelling. J Comput Phys, Special issue on “Predicting weather, climate and extreme events” 227:3641–3666.
Lawrence DM y Slingo Julia M. 2005. Weak Land–Atmosphere Coupling Strength in HadAM3: The Role of Soil Moisture Variability. J. Hydrometeor, 6, 670–680. DOI: http://dx. DOI.org/10.1175/JHM445.1
Lenderink G y De Rooy W. 2000. A Robust mixing length formulation for a TKE-l turbulence scheme. Hirlam Newsletter, 36, 25-29.
Lenderink G y Holtslag AAM. 2004. An updated lengthscale formulation for turbulent mixing in clear and cloudy boundary layers Quart. J. Royal Meteorol. Soc., 130, 3405-3427. DOI: 10.1256/qj.03.117.
Lenters JD y Cook KH. 1997. On the origin of the Bolivian High and related circulation features of the South American climate. J. Atmos. Sci.,54, 656-677.
Li L. 1999. Ensemble atmospheric GCM simulation of climate interannual variability from 1979 to 1994. J Clim 12:986–1001.
Liebmann B y Marengo JA. 2001. Interannual variability of the rainy season and rainfall in the Brazilian Amazon Basin. J. Climate, 14, 4308-4318.
Liebmann B y Mechoso CR. THE SOUTH AMERICAN MONSOON SYSTEM. Capítulo 9 de Global Monsoon System: Research and Forecast (2nd Edition) edited by Chih-Pei Chang et al. Copyright © 2011 World Scientific Publishing Co.
96
Lorenz P y Jacob D. 2005. Influence of regional scale information on the global circulation: A two-way nesting climate simulation. Geophysical research letters, 32(18):L18706. (cf p. 92, 96, 97 et 116).
Ma HY, Mechoso CR, Xue Y, Xiao H, Wu CM, Li JL, de Sales F. 2011. Impact of land surface processes on the South American warm season climate. Clim. Dyn. 37: 187–203, DOI: 10.1007/s00382-010- 0813-3.
Makarieva AM y Gorshkov VG. 2007. Biotic pump of atmospheric moisture as driver of the hydrological cycle on land. Hydrol. Earth Syst. Sci. 11: 1013–1033, DOI: 10.5194/hess-11-1013-2007.
Makarieva AM, Gorshkov VG, Sheil D, Nobre AD, Li BL. 2013. Where do winds come from? A new theory on how water vapor condensation influences atmospheric pressure and dynamics. Atmos. Chem. Phys. 13: 1039–1056, DOI: 10.5194/acp-13-1039-2013.
Marengo JA y Ambrizzi T. “Use of regional climate models in impacts assessments and adaptations studies from continental to regional and local scales: the CREAS (Regional Climate Change Scenarios for South America) initiative in South America,” in Proceedings of the 8th International Conference on Southern Hemisphere Meteorology and Oceanography (ICSHMO ’06), pp. 291–296, 2006.
Martinez JA y Dominguez F. 2014. Sources of Atmospheric Moisture for the La Plata River Basin. J. Climate, 27, 6737–6753. DOI: http://dx. DOI.org/10.1175/JCLI-D-14-00022.1
Matsuura K y Willmott CJ. 2009. Terrestrial air temperature: 1900–2008 gridded monthly time series (version 2.01). Center for Climatic Research, Dep. of Geography, University of Delaware, Newark. http://climate.geog.udel.edu/*climate/.
Mearns L, y otros. 2009. A regional climate change assessment program for North America. EOS Transactions American Geophysical Union, vol. 90, no. 36, pp. 311–312.
Mechoso RC. 2001. Climatology and hydrology of the La Plata Basin. Document of VAMOS/CLIVAR document, 55.
Mechoso CR, Robertson AW, Ropelewski CF y Grimm AM. 2005. The American monsoon systems: An introduction. The Global Monsoon System: Research and Forecast, Chap. 13. WMO /TD No. 1266 (TMRP Report No. 70), (Eds.) C.-P. Chang y otros. 197-206.
Mei R, Wang Guiling y Gu Huanghe. 2013. Summer Land–Atmosphere Coupling Strength over the United States: Results from the Regional Climate Model RegCM4–CLM3.5. J. Hydrometeor, 14, 946–962. DOI: http://dx. DOI.org/10.1175/JHM-D-12-043.1
Menéndez CG, y otros. 2010. Downscaling extreme month-long anomalies in southern South America. Climatic Change, vol. 98, no. 3, pp. 379–403.
Michetti M y Zampieri M. 2014. "Climate–Human–Land Interactions: A Review of Major Modelling Approaches," Land, MDPI, Open Access Journal, vol. 3(3), pages 793-833, July.
Mitchell TD, Jones PD. 2005. An improved method of constructing a database of monthly climate observations and associated highresolution grids. Int J Climatol, 25:693–712. DOI: 10.1002/joc.1181.
Monin AS y Obukhov AM. 1954. Basic laws of turbulent mixing in the surface layer of the atmosphere. Contrib. Geophys. Inst. Acad. Sci., USSR, (151), 163–187 (in Russian).
Montecinos A, Daz A y Aceituno P. 2000. Seasonal Diagnostic and predictability of Rainfall in Subtropical south America Based in Tropical Pacific SST. J. Climate., 13, 746-758.
97
Montroull N, Saurral R, Camilloni I, Sörensson A, Menéndez C, Ruscica R. 2013. Escenarios hidrológicos futuros en la región de los esteros del Iberá en el contexto del cambio climático. Meteorologica. 38, 3-20.
Mueller, y otros. 2013. Benchmark products for land evapotranspiration: LandFlux-EVAL multi-dataset synthesis, Hydrol. Earth Syst. Sci. Discuss., 10, 769-805, DOI:10.5194/hessd-10-769-2013.
Mueller B y Seneviratne SI. 2014. Systematic land climate and evapotranspiration biases in CMIP5 simulations, Geophys. Res. Lett., 41, 128–134, DOI:10.1002/2013GL058055.
New M, Hulme M, Jones P. 1999. Representing twentieth-century space-time climate variability. Part I: development of a 1961–90 mean monthly terrestrial climatology. J. Clim. 12: 829–856.
New M, Hulme M, Jones P. 2000. Representing twentieth-century space-time climate variability. Part II: Development of 1901–1996 monthly grids of terrestrial surface climate. J. Clim. 13: 2217–2238.
Nikulin G, y otros. 2012: Precipitation Climatology in an Ensemble of CORDEX-Africa Regional Climate Simulations. J. Climate, 25, 6057–6078. DOI: http://dx. DOI.org/10.1175/JCLI-D-11-00375.1.
Nogués-Paegle J y Mo K. 1997. Alternating Wet and Dry Conditions over South America during Summer. Mon. Wea. Rev., 125, 279–291. DOI: http://dx.doi.org/10.1175/1520-0493(1997)125<0279:AWADCO>2.0.CO;2.
Nogués-Paegle J, y otros. 2002: Progress in Pan American CLIVAR research: Understanding the South American monsoon. Meteorologica, 27, 3-32.
Notaro M. 2008. Statistical identification of global hot spots in soil moisture feedbacks among IPCC AR4 models, J. Geophys. Res., 113, D09101, DOI:10.1029/2007JD009199.
Ookouchi Y, Segal M, Kessler RC y Pielke RA. 1984. Evaluation of Soil Moisture Effects on the Generation and Modification of Mesoscale Circulations. Mon. Wea. Rev., 112, 2281–2292. DOI: http://dx. DOI.org/10.1175/1520-0493(1984)112<2281:EOSMEO>2.0.CO;2.
Orlowsky B y Seneviratne SI. 2010. Statistical analyses of land atmosphere feedbacks and their possible pitfalls. J Clim. 23, 3918–3932, DOI:10.1175/2010JCLI3366.1.
Pal JS y otros. 2007. The ITCP RegCM3 and RegCNET: regional climate modeling for the developing World. Bull Am Meteorol Soc 88:1395–1409.
Pántano VC, Spescha LB, Penalba OC y Murphy GM. 2014. Influencia de la variabilidad de temperatura y precipitación en la situación hídrica del suelo, en la región oriental de secano de la Argentina. Meteorologica [online]. vol.39, n.2 [citado 2014-12-18], pp. 21-36. Disponible en: http://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S1850-468X2014000200002&lng=es&nrm=iso>. ISSN 1850-468X.
Penalba OC, Rivera JA y Pántano VC. 2014. The CLARIS LPB database: Constructing a long-term daily hydro-meteorological dataset for La Plata basin, southern South America. Geosci. Data J., 1, 20–29, DOI:10.1002/gdj3.7.
Pessacg NL y Solman S. 2012. Effects of land-use changes on climate in southern South America. Clim Res 55:33-51.
Pessacg N.L. 2012. Impacto de las condiciones de suelo en el clima del sur de América del Sur en diferentes escalas temporales. Tesis doctoral, Universidad de Buenos Aires: Buenos Aires, Argentina.
98
Pessacg NL, y otros. 2014: The surface radiation budget over South America in a set of regional climate models from the CLARIS-LPB project. Climate Dynamics, 43, 1221-1239. DOI:10.1007/s00382-013-1916-4.
Pielke RA. 2001. Influence of the spatial distribution of vegetation and soils on the prediction of cumulus convective rainfall. Rev. Geophys. 39: 151–177, DOI: 10.1029/1999rg000072.
Piva ED, Manoel AG y Brahmananda R. 2010. Energetics of Winter Troughs Entering South America. Mon. Wea. Rev., 138, 1084–1103. DOI: http://dx. DOI.org/10.1175/2009MWR2970.1
Raia A y Cavalcanti IFA. 2008. The Life Cycle of the South American Monsoon System. Journal of Climate. 21, 6227-6246.
Rasch PJ y Kristjansson JE. 1998. A Comparison of the CCM3 Model Climate Using Diagnosed and Predicted Condensate Parameterizations. Journal of Climate. 11:1587-1614.
Rodell M, y otros. 2004. The Global Land Data Assimilation System. Bull. Amer. Meteor. Soc. 85, 381–394, DOI:10.1175/BAMS-85-3-381.
Rudolf B y Schneider U. 2005. Calculation of gridded precipitation data for the global land-surface using in situ gauge stations. In: Proceedings of the 2nd workshop of the international precipitation working group IPGW. Monterey. Oct 2004, pp 231–247.
Rummukainen M. 2010. State-of-the-art with regional climate models. WIREs Clim Change. 1: 82–96. DOI: 10.1002/wcc.8.
Runge J, Petoukhov V y Kurths J. 2014. Quantifying the Strength and Delay of Climatic Interactions: The Ambiguities of Cross Correlation and a Novel Measure Based on Graphical Models. J. Climate. 27, 720–739. DOI: http://dx. DOI.org/10.1175/JCLI-D-13-00159.1.
Ruscica RC, Sörensson AA y Menéndez CG. 2014a. Pathways between soil moisture and precipitation in southeastern South America. Atmosph. Sci. Lett. DOI: 10.1002/asl2.552.
Ruscica RC, Sörensson AA y Menéndez CG. 2014b. Hydrological links in South Eastern South America: Soil Moisture memory and coupling within a hot spot. Int J Climatol. DOI: 10.1002/joc.3930.
Rӓisӓ e P, Ru ukai e M y Rӓisӓ e J. . Modifi atio of the HIRLAM adiatio s he e for use in the Rossby Centre regional atmospheric climate model, Reports Meteorology and Climatology 49. Department of Meteorology, University of Helsinki, Finland.
Salio P, Nicolini M y Zipser EJ. 2007. Mesoscale Convective Systems over Southeastern South America and Their Relationship with the South American Low-Level Jet. Mon. Wea. Rev. 135, 1290–1309. DOI: http://dx. DOI.org/10.1175/MWR3305.1.
Samuelsson P, Gollvik S y Ullerstig A. 2006. The land-surface scheme of the Rossby Centre regional atmospheric climate model (RCA3). Report in Meteorology 122, SMHI. SE-601 76 Norrköping, Sweden.
Samuelsson P, Kourzeneva E y Mironov D. 2010. The impact of lakes on the European climate as simulated by a regional climate model. Boreal Env. Res. 15. 113–129.
Samuelsson P, y otros. 2011. The Rossby centre regional climate model RCA3: model description and performance. Tellus 63A 63:4–23. doi:10.1111/j.1600-0870. 2010.00478.x.
99
Sánchez E, Gaertner MA, Gallardo C, Padorno E, Arribas A, de Castro M. 2007. Impacts of a change in vegetation description on simulated European summer present-day and future climates. Clim Dyn 29:319–332
Sánchez-Gómez E, Somot S y Déqué M. 2008. Ability of an ensemble of regional climate models to reproduce weather regimes over Europe-Atlantic during the period 1961–2000. Clim. Dyn. 33, 723–736, DOI:10.1007/s00382-008-0502-7.
Santanello JA, y otros. 2011. Diagnosing the Sensitivity of Local Land–Atmosphere Coupling via the Soil Moisture–Boundary Layer Interaction. J. Hydrometeor. 12, 766–786. DOI: http://dx. DOI.org/10.1175/JHM-D-10-05014.1.
Sass BH, Rontu L, Savijärvi H y Räisänen P. 1994. HIRLAM-2 Radiation scheme: Documentation and tests. Hirlam technical report No 16. SMHI, SE-60176 Norrköping, Sweden, 43 pp.
Saulo C, Ferreira L, Noguées-Paegle J, Seluchi M y Ruiz J. 2010. Land atmosphere interactions during a northwestern Argentina low event. Mon. Weather Rev. 138: 2481–2498, DOI: 10.1175/2010mwr3227.1.
Savijärvi H. 1990. A fast radiation scheme for mesoscale model and short-range forecast models. J. Appl. Met. 29. 437-447.
Seluchi M, Saulo AC, Nicolini M y Satyamurty P. 2003. The northwestern Argentinean low: A study of two typical events. Mon. Wea. Rev., 131, 2361–2378.
Seneviratne SI, y otros. 2006a. Soil Moisture Memory in AGCM Simulations: Analysis of Global Land–Atmosphere Coupling Experiment (GLACE) Data. J. Hydrometeor. 7, 1090–1112. DOI: http://dx. DOI.org/10.1175/JHM533.1.
Seneviratne SI, Lüthi D, Lits hi M, “ hӓr C. 2006b. Land–atmosphere coupling and climate change in Europe. Nature 443:205–209.
Seneviratne SI, y otros. 2010. Investigating soil moisture-climate interactions in a changing climate: a review. Earth Sci. Rev. 99(3–4): 125–161. DOI: 10.1016/j.earscirev.2010.02.004.
Smith B, Samuelsson P, Wramneby A y Rummukainen M. 2011. A model of the coupled dynamics of climate, vegetation and terrestrial ecosystem biogeochemistry for regional applications. Tellus A. 63: 87–106. DOI: 10.1111/j.1600-0870.2010.00477.x.
Solman SA y Pessacg NL. 2012. Evaluating uncertainties in regional climate simulations over SouthAmerica at the seasonal scale. Climate Dynamics. vol. 39, no. 1, pp. 59–76.
Solman SA, y otros. 2013. Evaluation of an ensemble of regional climate model simulations over South America driven by the ERA-Interim reanalysis: model performance and uncertainties. Climate Dynamics. 41, 1139-1159. DOI:10.1007/s00382-013-1667-2.
Solman SA. 2013. Regional Climate Modeling over South America: A Review. Advances in Meteorology. vol. 2013, Article ID 504357, 13 pages, 2013. DOI:10.1155/2013/504357.
Sörensson AA. 2010. Analysis of Land Surface-Atmospheric Feedbacks in South America using a New Regional Climate Model, PhD thesis. Universidad de Buenos Aires. Buenos Aires, Argentina.
Sörensson AA., Menéndez CG, Ruscica R, Alexander P, Samuelsson P y Willen U. 2010. Projected precipitation changes in South America: a dynamical downscaling within CLARIS. Meteorologische Zeitschrift. vol. 19, no. 4, pp. 347–355.
Sörensson AA y Menéndez CG. 2011. Summer soil-precipitation coupling in South America. Tellus Ser. A: Dyn. Meteorol. Oceanogr. 63: 56–68, DOI: 10.1111/j.1600-0870.2010.00468.x.
100
Sörensson AA y Berbery EH. 2014. A note on soil moisture memory and interactions with surface climate for different vegetation types in the La Plata Basin. Journal of Hydrometerology. In press.
Spennemann P, Rivera JA, Saulo C y Penalba O. 2014. A Comparison of GLDAS Soil Moisture Anomalies against Standardized Precipitation Index and Multisatellite Estimations over South America. Journal of Hydrometeorology. e-View. DOI: http://dx. DOI.org/10.1175/JHM-D-13-0190.1.
Spracklen DV, Arnold SR y Taylor CM. 2012. Observations of increased tropical rainfall preceded by air passage over forests. Nature. 489: 282–285, DOI: 10.1038/nature11390.
Sun S y Wang G. 2012. The complexity of using a feedback parameter to quantify the soil moisture-precipitation relationship. J. Geophys. Res. 117, D11113, DOI:10.1029/2011JD017173.
Tawfik AB y Steiner AL. 2011. The role of soil ice in land-atmosphere coupling over the United States: A soil moisture-precipitation winter feedback mechanism. Journal of Geophysical Research-Atmospheres 116.
Taylor CM, y otros. 2011. Frequency of Sahelian storm initiation enhanced over mesoscale soil-moisture patterns. Nature Geoscience. 4 (7), 430–433. DOI:10.1038/ngeo1173.
Tencer B, Rusticucci M, Jones P, Lister D. 2011. A Southeastern South American Daily Gridded Dataset of Observed Surface Minimum and Maximum Temperature for 1961–2000. Bulletin of the American Meteorological Society. 92: 1339–1346.
Trenberth KE. 1999. Atmospheric moisture recycling: role of advection and local evaporation. Journal of Climate. 12: 1368–1381. DOI: 10.1175/1520-0442(1999)012<1368:AMRROA>2.0.CO;2.
van den Hurk B, Viterbo P, Beljaars A y Betts A. 2000. Off-line validation of the ERA40 surface scheme. European Centre for Medium-Range Weather Forecasts Tech. Memo. 295, 42 pp.
van der Ent RJ y Savenije HHG. 2011. Length and time scales of atmospheric moisture recycling. Atmospheric Chemistry and Physics. 11: 1853–1863. DOI: 10.5194/acp-11-1853-2011.
Vera C, Vigliarolo PK y Berbery EH. 2002. Cold Season Synoptic-Scale Waves over Subtropical South America. Mon. Wea. Rev. 130, 684–699. DOI: http://dx. DOI.org/10.1175/1520-0493(2002)130<0684:CSSSWO>2.0.CO;2.
Vera C, y otros. 2006a. The South American Low-Level Jet Experiment. Bull. Amer. Meteor. Soc. 87, 63–77. DOI: http://dx. DOI.org/10.1175/BAMS-87-1-63.
Vera C, y otros. 2006b. Toward a Unified View of the American Monsoon Systems. J. Climate. 19, 4977–5000. DOI: http://dx. DOI.org/10.1175/JCLI3896.1.
Verbist K, Santibañez F, Gabriels D y Soto G. 2010. Atlas of Arid and Semi Arid Zones of Latin America and the Caribbean. Technical Documents of the UNESCO. PHI-LAC. N , I“BN 978-92-9089-164-2.
Wang Y, y otros. 2004. Regional climate modelling: Progress, Challenges, and Prospects. JMeteorol Soc Japan. 82:1599–1628.
Wang G, Yeonjoo K y Dagang Wang. 2007. Quantifying the Strength of Soil Moisture–Precipitation Coupling and Its Sensitivity to Changes in Surface Water Budget. J. Hydrometeor. 8, 551–570. DOI: http://dx. DOI.org/10.1175/JHM573.1.
101
Wei J, Dickinson RE y Chen H. 2008: A Negative Soil Moisture–Precipitation Relationship and Its Causes. J. Hydrometeor, 9, 1364–1376. DOI: http://dx. DOI.org/10.1175/2008JHM955.1.
Wei J, Dirmeyer PA, Guo Z, Zhang L y Misra V. 2010a. How Much Do Different Land Models Matter for Climate Simulation? Part I: Climatology and Variability. J. Climate, 23, 3120–3134. DOI: http://dx.doi.org/10.1175/2010JCLI3177.1.
Wei J, Dirmeyer PA y Zhichang G. 2010b. How Much Do Different Land Models Matter for Climate Simulation? Part II: A Decomposed View of the Land–Atmosphere Coupling Strength. J. Climate. 23, 3135–3145. DOI: http://dx. DOI.org/10.1175/2010JCLI3178.1.
Wei J y Dirmeyer PA. 2010. Toward understanding the large-scale land-atmosphere coupling in the models: Roles of different processes. Geophys. Res. Lett. 37, L19707, DOI:10.1029/2010GL044769.
Wei J y Dirmeyer PA. 2012. Dissecting soil moisture-precipitation coupling, Geophys. Res. Lett. 39, L19711. DOI:10.1029/2012GL053038.
Wilks DS. 2006. Statistical Methods in the Atmospheric Sciences. International Geophysics Series, 2nd edn. Academic Press (Elsevier): Massachusetts, MA; California, CA and London.
Wolters D, van Heerwaarden CC, de Arellano JVG, Cappelaere B y Ramier D. 2010. Effects of soil moisture gradients on the path and the intensity of a West African squall line. Quart. J. R. Meteorol. Soc.,136: 2162–2175. DOI: 10.1002/qj.712.
Yamada TJ, Koster RD, Kanae S y Oki T. 2007. Estimation of Predictability with a Newly Derived Index to Quantify Similarity among Ensemble Members. Mon. Wea. Rev.,135, 2674–2687.
Yamada TJ, Kanae S, Oki T y Koster RD. 2013. Seasonal variation of land–atmosphere coupling strength over the West African monsoon region in an atmospheric general circulation model. Hydrological Sciences Journal. 58, 6: 1276–1286.
Zaninelli PG, Carril AF y Menéndez CG. 2014a. Explorando temperaturas máximas y mínimas en diferentes reanálisis. Parte 1: Campos medios estacionales METEOROLOGICA. Lugar: Buenos Aires.
Zaninelli PG, Menéndez CG y Carril AF. 2014b. Explorando temperaturas máximas y mínimas en diferentes reanálisis. Parte 2: Variabilidad en diferentes escalas temporales METEOROLOGICA. Lugar: Buenos Aires.
Zeng X, Barlage M, Castro C y Fling K. 2010. Comparison of Land–Precipitation Coupling Strength Using Observations and Models. J. Hydrometeor. 11, 979–994. DOI: http://dx. DOI.org/10.1175/2010JHM1226.1.
Zhang J, Wang WC y Wei J. 2008. Assessing land-atmosphere coupling using soil moisture from the Global Land Data Assimilation System and observational precipitation. J. Geophys. Res.,113, D17119, DOI:10.1029/2008JD009807.
Zhang L, Dirmeyer PA, Wei J, Guo Z y Cheng-Hsuan L. 2011. Land–Atmosphere Coupling Strength in the Global Forecast System. J. Hydrometeor. 12: 147–156. DOI: http://dx. DOI.org/10.1175/2010JHM1319.1.
Zhou JY y Lau KM. 1998. Does a monsoon climate exist over South America?. J Clim. 11, 1020–1040.
Zipser, y otros. 2006. Where are the most intense thunderstorms on Earth?. Bull. Am. Meteorol. Soc. 87, 1057–1071.
102
Zubler EM, y otros. 2011. Implementation and evaluation of aerosol and cloud microphysics in a regional climate model. J. Geophys. Res., 116, D02211. DOI:10.1029/2010JD014572.
103
TOMO II
TABLAS, FIGURAS Y APÉNDICE
TABLAS
2
TABLAS CAPÍTULO 2
# Capa Espesor capas de suelo (m)
Temperatura Humedad del suelo
1 0.01 0.072
2 0.062 0.21
3 0.21 Profundidad de raíces-0.072-0.21
4 0.72 No aplica
5 1.89
Profundidad total
2.892 Depende de la profundidad de las raíces y está acotada por la profundidad del suelo, definido por ECOCLIMAP
2.1: Profundidad de cada capa de suelo y el total para la temperatura y humedad del suelo.
Parámetros del esquema de
superficie continental
Que SI dependen del tipo de vegetación
Que NO dependen del tipo de vegetación
Que SI dependen del mes
Albedo (suelo + vegetación), emisividad, IAF*, fracción de
vegetación, longitud de rugosidad
-
Que NO dependen del
mes
Fracción de tipo de baldosa, profundidad total de suelo,
profundidad de raíces, albedo de suelo con vegetación, mínimo y
máximo de IAF, resistencia estomatal mínima
Fracción de agua (lago y mares), orografía, albedo de suelo sin vegetación, fracción de arena,
fracción de arcilla, carbón en suelo, textura del suelo e información de
lagos
2.2: características tomadas de ECOCLIMAP para cada parámetro del esquema de superficie de RCA4. *Índice de área foliar.
3
TABLAS CAPÍTULO 3
Configuración
Dominio espacial Sudamérica y océanos adyacentes
Proyección Rotada con polo norte en (55°N,70°O)
Resolución horizontal 0.5° x 0.5°
Tamaño (lat x lon) 155x134
Coordenada vertical Híbrida
Niveles verticales 24 (primeros 5 por debajo de la isobara de 900 hPa)
Bordes laterales Cada 6hs, ERA40 (Uppala y otros, 2005)
Parametrizaciones
Advección Semi-Lagrangiana
Convección Kain y Fritsch (1993)
Microfísica de nubes Rasch y Kristjansson (1998)
Radiación Savijärvi (1990), Sass y otros (1994)
Superficie Samuelsson y otros (2006)
Esquema de suelo
Tipos de vegetación Baja, bosque coníferas y caducifolio (ECOCLIMAP*)
Parámetros de vegetación Índice de área foliar, albedo, rugosidad, profundidad de raíces (valores mensuales constantes)
Capas de temperatura 5
Capas de humedad 2 (7cm, profundidad de raíces)
3.1: Características varias de la versión RCA3-E usada en este capítulo. *Masson y otros (2003).
R1 R2 R3
C“[H“,ET]*σET < 0.2 > 0.2 > 0.2
IMP > Percentil 75 > Percentil 75 < Percentil 25
3.2: Criterios para la definición de las subregiones (R1, R2 y R3) en el sudeste de Sudamérica, basados en las Figs.3.4a-b. Ver texto para las definiciones de CS[H“,ET]*σET e IMP.
Fracción campo abierto/bosque Albedo z0* (m) Profundidad de raíces (m) IAF+
R1 0.47/0.53 0.16 1.15 2.05 3.09
R2 0.79/0.21 0.18 0.32 1.39 2.52
R3 0.85/0.15 0.17 0.17 1.28 2.65
3.3: Valores medios en cada región de distintos parámetros de suelo (tomados de ECOCLIMAP, ver Cap.2). *rugosidad en superficie; + índice de área foliar.
r(HS,ET) r(T2m,ET) r(ET,PP) r(HS,PP) r(HS,HS+) r(PP,PP+)
R1 -0.29 (-0.02) 0.38 -0.32 0.59 (0.16) 0.88 (0.99) 0.63
R2 0.61 (0.61) -0.42 0.12 0.52 (-) 0.85 (0.97) 0.56
R3 0.78 (0.70) -0.26 0.19 0.43 (0.12) 0.82 (0.96) 0.31
3.4: Promedio areal de correlaciones diarias significativas al 99%. HS: humedad del suelo; ET: evapotranspiración; T2m: temperatura a 2m; PP: precipitación. Los valores entre paréntesis
refieren a la capa más profunda de HS (HSs en texto). El signo + indica un desfasaje de 1 día. (-) indica que no hay valor significativo al 99%.
4
TABLAS CAPÍTULO 4
Períodos SON DEF MAM
Casos SECO 1988 1988-9 1989
Casos HÚMEDO 1985 1997-8 1998
4.1: Casos anómalamente secos ó húmedos en el sudeste de Sudamérica (definido como SESA2 en el texto principal), para las tres estaciones analizadas.
EA=CS[HS,ET]*σET SON DEF MAM
Casos SECO
SA 0.02 0.12 0.04
SESA2 0.05 0.45 0.10
Casos HÚMEDO
SA 0.03 0.04 0.03
SESA2 0.05 0.09 0.03
4.2: Promedios espaciales sobre Sudamérica (SA) y sudeste de Sudamérica (SESA2) de la eficiencia del acople (EA) positiva, para SON, DEF y MAM.
5
TABLAS CAPÍTULO 5
RCA3.5 RegCM3 PROMES LMDZ
Referencias Samuelsson
y otros, 2011
Pal y otros, 2007; da Rocha y otros,
2009
Sánchez y otros, 2007;
Domínguez y otros, 2010
Hourdin y otros, 2009; Li,
1999
Instituciones SMHI. Suecia USP. Brasil ECLM. España IPSL. Francia
Spin up (meses) 11 12 12 12
Niveles verticales en la atmósfera
40 18 37 19
Capas de temperatura del suelo
5 3 7 11
Capas de humedad del suelo
2 2 2 2
5.1: Características generales de los cuatro modelos climáticos regionales empleados en el estudio (Solman y otros, 2013).
6
FIGURAS
7
FIGURAS CAPÍTULO 1
8
Fig.1.1:yEjemplosyesquemáticosyreferidosyaylosyconceptosydeyacopley(a),y
retroalimentacióny(b)yyeyinteraccióny(c)yentreydosyvariablesy(A,yB).y
(d)yTodosylosyprocesosyinvolucradosyconycuatroyvariablesy(A,yB,yC,yyD).yElyanchoydeylasy
flechasyindicaylayintensidadydelyacopleyyylosynúmerosycadayunoydeylosyprocesos.
a
b
c
d
9
Fig.1.2:CEsquemaCdeClasCecuacionesCdeCbalanceCdeCenergiahCradiaciónCyCagua
CenClaCsuperficieCterrestrehCyCcomoCseCvinculanCentreCsíCporCalgunasCvariables0
ElCbalanceCdeCcarbonoCestáCfueraCdelCobjetivoCdeCestaCTesis0
=
OndaCCortaC
entrante
1
OndaCCortaC
saliente
1
OndaCLargaC
salienteC
1
OndaCLargaC
entrante
=
λ0EvapoétranspiHración
=
Precipitación
1
Escurrimiento
superficial
1
Escurrimiento
subSsuperficial
1
cambiosCenCelC
contenidoCdeCagua
enCelCsuelo
RadiaciónC
netaC
flujoCdeC
calor
sensible
flujoCdeC
calor
latente
flujoCdeC
calorCen
elCsueloC
1 1 1
Energético
Radiativo Hídrico
=flujoCdeC
carbonoC
=
Carbono
Fig.1.3:CEjemplificaciónCdeClaCFig0101hCpara
representarCinteraccionesCentreClaChumedad
delCsueloCéHSHhClaCevapotranspiraciónCéETHh
laCprecipitaciónCéPPHCyClaCconductividadC
termalCdelCsueloCéCTHCC
10
Fig.1.5:gSudestegdegSudaméricag8SESA/5gLagCuencagdelgPlatag8LCP/
ygpaísesgqueglagcomponen.g
DosgsubregionessegdefinengcomoSESA1gygSESA2gagfinesgdeglosg
capítulosgsiguientes.g
CP
SESA
11
-65 -60 -55 -50 -45
-35
-40
-30
-25
-20
-70
Fig.1.4:gCamposgmediosgdegprecipitacióngobservadaganualg8a/gygestacional8b3e/.gPeríodog1981399g8mm/día/.gElgrectángulogindicaglagregióngSESAg
8vergFig.1.5gygCap.1.2.3/.
SESA
8a/ 8b/ 8c/
8d/ 8e/
FIGURAS CAPÍTULO 2
12
Fig.2.1: Dominio y topografía continental de la versión RCA4.
13
PuntoAdeAretícula
Campo abierto, Ts ra
con veg. Ai rs sin veg. rs
Bosque, ra
Nieve sobre
campo abierto,
Ts Tn Al An ranieve
Ts Tn Al Ansuelo, Ts rs
Canopia, Ts Ai rs
Fig.2.2:AEsquemaAdeAbaldosasAyAsubdivisiones,AjuntoAconAalgunasA
variablesAdeApronóstico:ATemperaturaAenAsuperficieA(Ts)AyAdebajoAdeA
nieveA(Tn),AaguaAlíquidaAdeAnieveA(Al)AyAequivalenteAdeAaguaAdeAnieveA
(An)AyAaguaAdeAlluviaAinterceptadaAporAvegetacionAbaja/forestalA(Ai).ALasA
resistenciasAaerodinámicaA(ra)AyAdeAsuperficieA(rs)AsonAdiferentesAparaA
cadaAbaldosa.
14
Fig.2.3:1Biases1de1la1media1estacional1de1la1temperatura1a121metrosentre1RCA31-E1y1CRU1(paneles1superiores)1y1entre1RCA41y1CRU1(paneles1
inferiores),1en1el1período11980-99.
15
16
Fig.2.4a:uCamposumediosuestacionalesudeuprecipitaciónuuobservadau%mOBS57uenueluperíodou1981-99.
Fig.2.4b:uBiasesurelativosu%aumOBS5udeupreciptiaciónumediauestacionaluusimuladauporuRCA3-Euu%panelesusuperiores5uyuRCA4u%panelesuinferiores57
uenueluperíodou1981-99.
3.3y -15.6y -63.1y
20y -6.5y 17.9y-68.7y
15.6y
Fig.2.5a: Bias8absoluto8entre8RCA48y8mOBS jpaneles8superioresz8e8incertidumbre8observacional88jpaneles8inferioresz8
para8la8precipitación8media8estacional,8en8el8período81981-99.
Fig.2.5b:8Zonas8de8Sudamérica8en8donde8la8pecipitación8media8estacional8de8RCA4:8tiene8un8bias8significativo8jrojoz,8es8imposible8de8validar8jazulz8ó8
es8simulada8de8manera8aceptable8jblancoz,8en8el8período81981-99.17
Fig.2.6:8Campos8medios8estacionales8de8evapotranspiración8(mm/día).8RCA48(paneles8superiores),8ensamble8de8observaciones8(paneles8centrales)8e
8incertidumbre8observacional8(paneles8inferiores),8en8el8período81989-99.
18
FIGURAS CAPÍTULO 3
19
Fig.3.1:.(a).Intensidad.del.acople.(CS).entre.la.humedad.del.suelo.(HS).y.la.evapotranspiración.(ET),.(b).desviación.estándar.de.la.ET
y.(c).eficiencia.del.acople.definida.como.el.producto.entre.ambos..El.rectángulo.en.(c).indica.la.región.de.estudio.(SESA1)..
Los.valores.sobre.regiones.con.topografía.superior.a.1200m.no.se.muestran.
20
Fig.3.2: Precipitaciónumediauestacional.u1a2uModelouRCA3-Eu1mm/día2.u1b2uBiasurelativourespectouauCPC-uniu1y2.u
1c2uDiferenciaurelativauentreulasubasesudeuCRUuyuCPC-uniu1y2
Precipitaciónumedia
RCAu1mm/día2
Biasu1y2
1RCAu-uCPC2/CPC
Incertidumbreuuu1y2
1CRU-CPC2/CPC
Frecuenciaurelativau1y2Biasuuu1y2
1RCA-CPC2/CPC
Fig.3.3: Frecuenciaudeuprecipitaciónumayoruau1mm/día.u1a2uModelouRCA3-E.u1b2uBiasurelativourespectouauCPC-uniu1y2.
21
Fig.3.4:3va43Intensidad3media3de3precipitación3vIMPH3mm/día4*33vb43Eficiencia3del3acople3vmm/díaH3rectángulo3de3la3Fig*3*1c4*
vc43Subregiones3analizadas3en3este3estudio3vR1H3R23y3R34H3determinadasa3partir3de3las3figuras3va43y3vb43y3de3la3Tabla33*23vver3sección33*44*
IMPvmm/día4 SubregionesCS[HSHET]CσET3vmm/día4
22
Fig.3.5:GEvoluciónGestacionalGdeGlaGmediaGarealGdelGlogaritmoGdeGlaGprecipitaciónGdiariaGparaGcadaGmiembroGdelGensambleGenGlasGsubregionesGR1G7a5hGR2G7b5GyGR3G7c5jG
20 40 60 80
2
4
6
8
10
En
se
mb
leRM
em
be
rs
days
R1(a)
20 40 60 80
2
4
6
8
10
days
R2(b)
20 40 60 80
2
4
6
8
10
days
R3(c)
RuscicaRR.RFigureR5
10 (d)
days days days
0 0.5 1 1.5 2 2.5 3 3.5 4
10 (e) 10 (f)
días días días
Mie
mb
rosG
en
sam
ble
Fig.3.6:GGráficosGdeGdispersiónGdeGlaGmediaGarealGdeGlaGevapotranspiraciónG7ET5GyGdeGlaGdisponibilidadGdeGaguaGenGelGsueloG7DAS5GenGvaloresGdiariosGen
GR1G7a5hGR2G7b5GyGR3G7c5jGAquellosGcasosGenGdondeGlaGlluviaGsuperaGelGpercentilG75G7yGademásGelGpercentilG955GestánGrepresentadosGporGpuntosGenGgrisGclaroG7oscuro5jG
LosGvaloresGmediosGdeGETGyGDASGestánGindicadosGporGlíneasGhorizontalesGyGverticalesGrespectivamentejGLasGcurvasGenGrojoGsonGresultadoGdeGvaloresGmediosGdeGETGparaG
10GintervalosGigualesGsobreGelGejeGhorizontalGenGcadaGrangoGdeGdatosGdeGDASj
23
0 0.5 10
2
4
6
8
10
DAS
(a)
ET
R(m
m/d
ía)
0 0.5 10
2
4
6
8
10
DAS
(b)
0 0.5 10
2
4
6
8
10
DAS
(c)
Fig.3.7: Persistencia temporal de la precipitación (días), calculada como la cantidad promedio de días consecutivos con
precipitación mayor ó igual a 1mm
Persistencia de la precipitación diaria
24
0 10 20 300
0.2
0.4
0.6
0.8
1
R1(a)
To
pFS
M
0 10 20 300
0.2
0.4
0.6
0.8
1
R2(b)
0 10 20 300
0.2
0.4
0.6
0.8
1
R3(c)
0 10 20 300
0.2
0.4
0.6
0.8
1(d)
days
Ro
ot−
zo
ne
FSM
0 10 20 300
0.2
0.4
0.6
0.8
1(e)
days
0 10 20 300
0.2
0.4
0.6
extoF0.8
1(f)
days
28 19 20
26 9 12
días díasdías
HS
sH
Sp
Memoriazdezhumedadzdelzsuelo
Fig.3.8:zFuncioneszdezautocorrelaciónzdezlazhumedadzdelzsuelozenzsuperficiezúHSs,zpaneleszsuperioresvzyzenzprofundidadzúHSp,zpaneleszinferioresv
zdezcadazpuntozdezretículazenzlasztreszsubregioneszúR1zizq.,zR2zcent.,zR3zder.v.zLazlíneazinferiorzpunteadazindicazlazsignificanciazestadísticazalz99Lzy
zlosznúmeroszenzlazesquinazsuperiorzderechazindicanzlazmemoriazpromediozenzdíaszenzcadazsubregiónzúverztextozparazsuzdefiniciónv.zz
25
Fig.3.9:LMemoriaLdeLlaLhumedadLdelLsueloLparaLlaLcapaL(a)LenLsuperficieLyL(b)Lprofunda.LElLvalorLdeLmemoriaLesLdefinidoLcomoLelLdesfasajeL(óLdía)L
paraLelLcualLlaLautocorrelaciónLdeLhumedadLdelLsueloLesLsignificativaLalL99S.LLosLpuntosLenLcolorLnegroLindicanLqueLlaLmemoriaL
esLdeLalLmenosL30LdíasLconLunaLsignificanciaLestadśiticaLdelL99S.L
MemoriaLdeLHSsL(días) MemoriaLdeLHSpL(días)
(a) (b)
26
27
MemoriatdetHSst0díasy
Fig.3.10:t0aytMemoriatdetlathumedadtdeltsuelotparatlatcapatentsuperficie0idemtFigz3z9ayzt0bytAutocorrelacióntdesfasadatent5,tdetlatserietde
precipitacióntmediatdet6Edíaszt0cytCorrelacióntdesfasadatent5,tentretlasseriestdetvalorestmediostent6Edíastdetlathumedadtdeltsuelotent
superficiet0Pytytlatprecipitaciónt05,yztLostpuntostentgristent0bytyt0cytmostrarontvalorestnotsignificativostalt95-ztEltcírculotenttodastlastfigurastresaltatlatzonatentdondetlatmemoriatdetla
humedadtdeltsuelotentsuperficietestátcontroladatportlatpropiatpersistenciatdetlatprecipitaciónzt
0ay
r0PP6días%PP6días5y r0HSst6días%PP6días5y
0by 0cy
Fig.3.12:DAnomaííasDrelativasDdeDlaDheterogeneidadDespacialDdeDlaDhumedadDdelDsueloenDsuperficie:D(a)DdosDdíasDprevios;D(b)DunDdíaDprevioDyD(c)DelDmismoDdía,DqueDlos
eventosDdeDprecipitacionDextrema.D
DíaD-2 DíaD0DíaD-1
Fig.3.11:DAnomalíaDrelativaD
deDlaDprecipitaciónDextrema
(verDtextoDparaDsuDdefinición).
28
FIGURAS CAPÍTULO 4
29
31
Fig.4.1: 2Panelesfsuperiores8fCocientefentreflafvaribilidadfinteranualfyfelfvalorfmediofestacionalfdeflafdisponibilidadfdefaguafenfelfsuelof2DAS8Of
2Panelesfcentrales8fVariabilidadftemporalfdiariafdeflafevapotranspiraciónO2Panelesfinferiores8fZonasfdeftransiciónfclimática4fcuyosfpuntosfdefretículacumplenfconftenerfvaloresfsuperioresfaf1O5ftantofenflosfpanelesfsuperiores
comofenflosfcentralesOfElfrectángulofrojofenflosfpanelesfinferioresindicanflafregiónfdefinidafcomofSESA2f228°743°S455°771°O8Of
Elfperíodofanalizadofesf9981799Off
60° O
45° S
0° S
30° S
15° S
31
Fig.4.2: SeriesytemporalesydeylayanomalíayestacionalydeylaydisponibilidadydeyaguayenyelysueloypromedioyenylayregiónySESA2y
parayDEFy:av/yMAMy:bvyyySONy:cvydurantey1980-99.
Media:y0.23Desv.yest.:0.064Desv.est/Media:0.28
Media:y0.21Desv.yest.:0.042Desv.est/Media:0.2
Media:y0.38Desv.yest.:0.08Desv.est/Media:0.2
Fig.4.3: EsquemahconceptualhtemporalhdehunahsimulaciónhcontrolhxCTLhIIFhejehsuperiorOhhyhelhensamblehcorrespondientehxENShIIOFhparahlahvariablehhumedadhdel
hsuelohxHSOhhenhalgúnhnivelhdehsuelohhyhenhunhúnicohpuntohdehretícula2hDehéstehensamblesehextrajeronhloshtreshensambleshempleadoshenhloshcasoshSECOhdehlahTablah421
Fig.4.4: IdemhquehFig2423hperohparahelhensamblehSFhenhdondehlahhumedadhdelhsueloheshtomadahdehlahsimulaciónhcontrol2h
32
33
Fig.4.5: Eficiencia(del(acople(CS[HS.ET]zσET(sobre(Sudamérica(para(condicionesanómalamente(húmedas(OaDcN(y(secas(OdDfN(en(el(sudeste(de(Sudamérica(OSESAÚ
en(rectánguloN.(durante(SON(OizqFN.(DEF(OcentFN(y(MAM(OderFN
CS[HS.ET]zσET(OmmMdíaN
SESA
Ú(H
ÚM
EDO
SESA
Ú(S
ECO
SON MAMDEF
Fig.4.6: Intensidad,del,acople,entre,la,humedad,del,suelo,y,la,evapotranspiración,para,condiciones,anomalamente
húmedas,Ma-c3,y,secas,Md-f3,en,SESA2,Mrectángulo3bdurante,SON,Mizq.3b,DEF,Mcent.3,y,MAM,Mder.3.
34
Fig.4.7: Variabilidad,temporal,diaria,de,la,evapotranspiración,para,condiciones,anomalamente,
húmedas,Ma-c3,y,secas,Md-f3,en,SESA2,Mrectángulo3b,durante,SON,Mizq.3b,DEF,Mcent.3,y,MAM,Mder.3.
j;
Fig.4.8a:FVariabilidadFtemporalFdeFlaevapotranspiraciónFOpanelesFsuperiores.:FIntensidadFdelFacopleFentreFlaFhumedaddelFsueloFyFlaFevapotranspiraciónOpanelesFcentrales.FyFsuFproductodefinidoFcomoFefienciaFdelFacopleFOEA:FpanelesFinferiores.:duranteFDEFFg*]]z*FOcasoFSESARFSECO.qFTodasFlasFmétricasFfueonFcalculadasFsobreFseriesFdeFvalores/FdiariosFOizqq.FypromedioFenF*zdíasFOderq.qElFrectánguloFindicaFlaFregiónFSESARq
Fig.4.8b:FRangosFtemporalesFqueFcontienenFaFlasseriesFdiariasFOabajoFizqq.FyFsinópticasFOabajoFderq.FdeFlaFevapotranspiraciónFparaFambosFensamblesFOW/Fazul°FS/Frojo.FenFunFpuntoFdeFretículaFenFSESARFOizqq.FdeterminadoFporFunFaumentoFdeFlaFintensidadFdelFacopleFduranteFDEFFg*]]z*qq
60° O
30°S
CS
[HS
:ET
]Tσ E
TFO
mm
ídía
.C
S[H
S:E
T]
σ ET
FOm
míd
ía.
OR*°SFzF[g°O.
gzdía *zdías
gzdía *zdías
36
Fig.4.9: Idem)Fig.4.5)para)la)intensidad)del)acople)de)precipitación)NCS[HS,PP])
CS[HS,PP]
SESA
2)H
ÚM
EDO
SESA
2)S
ECO
SON MAMDEF
37
Fig.4.10: Eslabones entre la humedad del suelo y la precipitación(adaptado de Elthair, 1998).
/-
Fig.4.11: Intensidadfdelfacoplef+CSgfentreflafhumedadfdelfsuelof+HSgfy[fagfelfCocientefdefBowenf+BRgEf
bgflafprofundidadfdeflafcapaflímitefatmosféricaf+BLDgEcgfelfflujofdefcalorfsensiblefmásflatentef+SHFMLHFgEf
dgflafenergíafestáticafhúmedaf+MSEgfenf.0qhPaEfegfelfgradientefverticalfdefEEHfentref.0qfyf-qPhPaf+Δ+MSEg5ΔzgE
fgfelfflujofdefhumedadfverticalf+wqgfenf.0qhPaEfggflafpresiónfafnivelfdelfmarf+SLPgfyf
hgflafprecipitaciónf+PPgfenfelfsudestefdefSudaméricafdurantefelfveranofsecofdefv.--9.2
egfCS[HSEΔ+MSEg5Δz] hgfCS[HSEPP]ggfS[HSESLP]fgfCS[HSEwq]
bgfCS[HSEBLD]agfCS[HSEBR] dgfCS[HSEMSE]cgfCS[HSESHFMLHF]
FIGURAS CAPÍTULO 5
39
r P
P,E
Tσ E
T (
mm
/día
) σ P
P (
mm
/día
)
DEF SONMAM JJAΓ
Fig.5.1:E(a)EMétricaEdeEinteracciónEΓEenElasEcuatroEestacionesEyE(b)E
susEcomponentesEestadísticos,EparaERCA4:EcorrelaciónEentreEseriesEdeEvaloresE
estacionalesEdeElaEprecipitaciónE(PP)EyElaEevapotranspiraciónE(ET)E
(panelesEsuperiores);EvariabilidadEinteranualEdeElaEevapotranspiraciónE
(panelesEcentrales)EyEdeElaEprecipitaciónE(panelesEinferiores).
(a)
(b)
40
60° O
45° S
0° S
30° S
15° S
Fig.5.2:2Cantidad2de2modelos2climáticos2regionales2que2superan2ó2igualan2
la2métrica2estadística2de2interacción2superficie2-2atmósfera2Γ22(significativa2al299>)2
de2valor20.252(paneles2superiores)2y20.52(paneles2inferiores).
41
Γ2>
=20
.5Γ2
>=
20.2
5
60°O
45°S
30°S
0°S
15°S
APÉNDICE
42
APÉNDICE TEXTO
Deducción de ec.5.4 a ec.5.5:
Γ≡∑ ′=1 ′ ∑ ′2==1⁄ (e.c.5.4)
= (1 − )(1 − ) + … + ( − )( − )
(1 − )2 + … + ( − )2=
= 1
1
=
= 12
1
=
= 1 =
= ( ,) (ec.5.5)
43
APÉNDICE FIGURAS
44
Fig.2A:.Campos.medios.estacionales.de.evapotanspiración.simulados.por.RCA3-E.(paneles.superiores).y.RCA4.(paneles.inferiores).durante.el.periodo.1989-99..
45
Fig.3A: SeriesgtemporalesgdeglosgíndicesgNiñog3g(superior)gygNiñog3.4g(inferior).gTomadogdegghttp://www.cgd.ucar.edu/cas/catalog/climind/Nino_3_3.4_indices.html
46
Fig.3B: SimilitudAentreApatronesAdeAlluvia.Aa)AIntensidadAmediaAyAb)AextremosdiariosA(percentilA80AyA95).AModeloARCA3-E
47
Fig.3C: BoxplotsLparaLlasLvariablesLpromedio:La)LprecipitaciónL(enLescalaLlogarítmica)),b)LevapotranspiraciónLyLc)LdisponibilidadLdeLaguaLenLelLsueloLenLsuperficie,LenLcadaL
unaLdeLlasLtresLsubregionesL(R1,LR2,LR3).LLosLboxplotsLindicanLlaLmedianaL(líneaLenLrojo),LlosLpercentilesL25LyL75L(bordesLdeLlosLboxes),LelLrangoL(líneaLpunteada)LyLlos
outliersL(crucesLenLrojo),LteniendoLenLcuentaLdistribucionesLnormales.
48
Fig.3D: Funcioneszdezautocorrelaciónzdezlazhumedadzdelzsuelozpromediozenzsuperficiez4líneaszllenas)zyzenzprofundidadz4líneaszpunteadas)zenzlasztres
subregionesz4R1zenzrojo,zR2zenznegrozyzR3zenzazul).zLazlíneazinferiorpunteadazindicazlazsignificanciazestadísticazalz99úzyzlosznúmeroszindican
lazmemoriazenzdíaszenzcadazcasoz4verztextozparazsuzdefinición).
49
Fig.3E: Memoriazdezlazhumedadzdelzsuelozparazlazcapazsuperficialz(paneleszsuperiores)yzlazcapazprofundaz(paneleszinferiores).zElzvalorzdezmemoriazeszdefinidozcomozelz
desfasajez(ózdía)zparazelzcualzlazautocorelaciónzdezhumedadzdelzsuelozeszsignificativaalz80Lz(izq.),z90Lz(centrozizq.),z95Lz(centrozder.)zyz99Lz(der.).zLoszpuntoszcuyoszvaloresz
sonzmayoreszaz30ztienenzporzdefiniciónzunazmemoriazdezalzmenoszz30zdías
50
Fig.3F: Anomalías9relativas9de9la9heterogeneidad9espacial9de9la9humedad9del9suelo9en9superficie:9dos9días9(izq.)9y9un9día9(der.)9previo9al9evento9extremo9de9precipitación.9Un9evento9extremo9de9precipitación9se9define9a9partir9del9
percentil9909(paneles9superiores)9y9809(paneles9inferiores).9
51
Día -2 Día -1
Pe
rde
ntil 9
0P
erd
en
til 8
0
Fig.3G: Fracción de bosque en el esquema de superficie y subregiones analizadas en el capítulo.
52
Fig.4A: Valor medio estacional de la disponibilidad de agua en el suelo (DAS, paneles superiores) y variabilidad temporal interanual de DAS
(paneles inferiores).
53
60°O
45°S
30°S
0°S
15°S
Fig.4A: Valor medio estacional de la disponibilidad de agua en el suelo (DAS, paneles superiores) y variabilidad temporal interanual de DAS
(paneles inferiores).
53
60°O
45°S
30°S
0°S
15°S
Fig.4B: ZonasMdeMtransiciónMclimática,MconMcotasMmínimasMmásMelevadasMqueM0.5mm/díaMparaMlaMvariabilidadMdiariaMdeMlaMevapotranspiración.
54
DEF MAM JJA SON
60°O
45°S
30°S
0°S
15°S
Fig.4C: Camposáanómalosádeálaáprecipitaciónáparaálosáañosádefinidoscomoásecosá5izq.)áyáhúmedosá5der.)áenálaáregiónáSESA2á5rectángulo),
duranteáDEFá5superior),áMAMá5centro)áyáSONá5inferior).á
55
SO
ND
EF
MA
M
60°O
45°S
30°S
0°S
15°S
Fig.5A:-Campos-estacionales-de-evapotranspiración-8mm5díaD:-
Media-8paneles-superioresD-y-dispersión-8paneles-inferioresD-del-ensamble-de-
cuatro-modelos-de-CLARISNLPBJ-Período-1996N2668
DEF SONJJAMAM
Me
dia
Dsi
pe
rsió
n
DEF SONJJAMAM
Me
dia
Dis
pe
rsió
n
Fig.5B:-Campos-estacionales-de-precipitación-8mm5díaD:-
Media-8paneles-superioresD-y-dispersión-8paneles-inferioresD-del-ensamble-de-
cuatro-modelos-de-CLARISNLPBJ-Período-1996N2668
56
Fig.5C: Métrica estadística de interacción Γ (significativa al 99%)
en las cuatro estaciones (columnas) y
para los cuatro modelos climáticos regionales empleados en el estudio (filas).
57
60°O
45°S
30°S
0°S
15°S