Evaluación de la representación de la humedad del suelo con el modelo WRF-CIMA

Universidad de Buenos Aires

Facultad de Ciencias Exactas y Naturales

Departamento de Ciencias de la Atmósfera y los Océanos

Tesis de Licenciatura en Ciencias de la Atmósfera

“Evaluación de la representación de la humedad del suelo con el modelo

WRF-CIMA”

Tesista: Pablo Cristian Spennemann

Director: Dra. A. Celeste Saulo Dra. Lorena J. Ferreira

- Marzo 2010 -

Agradecimientos

A Celeste Saulo y a Lorena Ferreira por haberme dirigido en este trabajo y por todos los conocimientos que me transmitieron.

A Juan Ruiz por toda la ayuda y la buena onda.

A la Universidad de Buenos Aires, al Departamento de Ciencias de la Atmósfera y los Océanos, al CIMA y al proyecto CLARIS ya que hicieron que este trabajo fuera posible.

A la NASA's Earth Science Division, y al Goddard Earth Sciences (GES) Data and Information Services Center (DISC), al proyecto The Large Scale Biosphere- Atmosphere Experiment in Amazon, y a Laura Ferreras por los datos suministrados para esta Tesis.

A Nati, porque con tu apoyo y tu aliento llegue hasta acá.

A mi familia por el aliento y por bancarme estos años.

A mis compañeros y amigos de la facultad, por las tardes de estudio y buenos mates.

A mis amigos, por estar siempre ahí cuando se los necesita.

Índice

Resumen I

Índice de Figuras II

Índice de Tablas VII

Capítulo 1: Introducción

1.1. La importancia de la humedad del suelo en la interacción

entre la superficie y la atmósfera 1 1.2. Los datos o proxy-datos empleados para caracterizar

el estado del suelo 4 1.3. Antecedentes con énfasis en estudios sobre la región de interés 7 1.4. Objetivos y estructura del presente trabajo. 9

Capítulo 2: Modelos de suelo, base de datos y metodología utilizada

2.1. Modelos de suelo 11

2.1.1. Generalidades 11

2.1.2. El modelo de suelo NOAH 21 2.2. Global Land Data Assimilation System (GLDAS) 25 2.3. Modelo WRF-ARW, versión CIMA 27 2.4. Otros aspectos metodológicos 29

Capítulo 3: Descripción del comportamiento de la humedad de suelo en Sudamérica

3.1. Campos medios 33

3.2. Evolución temporal sobre dos sub-regiones de interés 41 3.2.2. Comparación de la humedad de suelo entre observaciones

y modelos 50

Capítulo 4: Análisis comparativo entre el modelo WRF-ARW y el GLDAS_NOAH

4.1. Campos medios 55

4.2. Evolución temporal de los pronósticos del WRF-ARW

sobre SESA y SACZ 64

Capítulo 5: Discusión y conclusiones 72

Apéndice A 82

Referencias Bibliográficas 84

I   

Resumen

La Humedad de Suelo desempeña un papel importante en el balance energético entre la superficie terrestre y la atmósfera como así también en la evolución del ciclo hidrológico. Una buena representación de esta variable en los pronósticos numéricos del tiempo es fundamental para una mejora en la predicción del tiempo. Los objetivos que plantea este trabajo de Tesis consisten en una caracterización de la humedad del suelo sobre Sudamérica para el periodo estival 2002-2003, a partir de los conjuntos de datos del GLDAS (Global Land Data Assimilation System) y del GDAS (Global Data Assimilation System), así como también a una identificación de cómo el modelo de pronóstico numérico WRF(Weather Research and Forecasting) la representa tanto en la condición inicial como en los pronósticos a distintos plazos.

A partir del análisis de la humedad de suelo en la región de Sudamérica, se identificó una buena coherencia espacial entre los campos medios de humedad de suelo del GLDAS y del GDAS. Asimismo, se mostraron las diferencias entre la condición inicial de humedad de suelo de ambas bases de datos, sus variaciones con la profundidad y su relación con la precipitación. Este análisis fue complementado con un análisis detallado en dos sub-regiones de interés, la región del Sudeste de Sudamérica y la región de Convergencia del Atlántico sur, lo que arrojaron detalles sobre el origen del comportamiento de la humedad del suelo.

Finalmente, se analizaron los campos medios de los pronósticos a corto plazo del modelo WRF mostrando patrones similares a los obtenidos con el GDAS y GLDAS, y se mostraron evidencias de cómo los pronósticos reaccionan a la incertidumbre en la condición inicial y también al error en la representación de los forzantes del modelo de suelo, fundamentalmente de la precipitación.

II   

Índice de Figuras

Figura 1.1. Representación esquemática de las interacciones entre el agua/humedad del suelo y la atmosfera. Tomado de Dooge (1992a)

Figura 1.2. Ciclo diario de la radiación neta Rnet (Wm^-2) y la fracción de evaporación (EF) (izquierda), temperatura T (°C) y humedad relativa a 2 m RH (%) (derecha), para distintos contenidos de humedad de suelo. Tomada de Betts (2009).

Figura 1.3. Comparación de la evolución temporal de la humedad del suelo obtenida a partir de tres conjuntos de datos –ver texto para más detalle-.

Figura 2.1.1. Esquema de los flujos asociados al balance diurno de energía en la superficie del suelo. Ver texto para el detalle de cada término. Tomada de Stensrud (2007).

Figura 2.1.2. Forzantes y parámetros necesarios para un modelo de suelo.

Figura 2.1.3. (a-d) Comparación entre la simulación del almacenaje total de agua en cuatro modelos de suelo y observaciones en 17 puntos de observación en Illinois, Estados Unidos. Tomada de Schaake et al (2004).

Figura 2.1.4. Promedio mensual de la humedad de suelo volumétrica (%), para Agosto de 2002. Primera fila, simulación de la humedad de suelo del modelo GLDAS_ MOSAIC forzada con la precipitación de Higgins (i.e. datos pluviométricos) y las cuatro filas siguientes son las diferencias en la humedad de suelo entre las simulaciones de Higgins y GEOS, PERSIANN, HUFFMAN, y CMAP (diversas estimaciones de precipitación). En contornos están las diferencias en los porcentajes de precipitación entre las distintas bases de datos. Tomada de Gottschalck et al. (2005).

III   

Figura 2.1.5. Número de pluviómetros por cada retícula de 2.5º x 2.5º, que utiliza el CMAP para estimar la precipitación. Tomada de Gottschalck et al. (2005).

Figura 2.1.2.1. Esquema de los procesos contemplados en el modelo NOAH, tomada de Chen y Dudhia (2001)

Figura 2.3.1. Dominio y topografía empleados en las simulaciones del modelo WRF- ARW. Proyección Lambert, con 40 km de resolución horizontal.

Figura 2.4.1: Distribución del número total de datos de precipitación en cajas de 40 km por 40 km, en el período comprendido entre el 15 de diciembre de 2002 y el 15 de febrero de 2003 para: (a) la red de precipitación SALLJEX y (b) la red de precipitación ANA. Tomada de Ruiz (2009).

Figura 2.4.2. Esquema de los pronósticos del modelo WRF-ARW.

Figura 3.1.1. Campo medio para el período SALLJEX de humedad de suelo GLDAS_NOAH (kg/m²) para el espesor 0-10 cm (izquierda) y de precipitación diaria GLDAS_CMAP (mm) (derecha). Las cajas corresponden a las regiones de SESA y SACZ.

Figura 3.1.2. Textura de suelo (izquierda) según USDA y clases de vegetación (derecha) usados en el GLDAS_NOAH, tomadas de Rodell et al. (2004).

Figura 3.1.3. Campo medio de humedad de suelo (kg/m²) del GDAS (izquierda), y la diferencia del valor medio en forma porcentual (derecha), para el período SALLJEX.

Figura 3.1.4. Campo medio de humedad de suelo (kg/m²) del GLDAS (izquierda), y la diferencia del valor medio normalizada en forma porcentual (derecha), para los niveles, 10-40 cm (superior), 40-100 cm (centro) y 100-200 cm (inferior). Período SALLJEX.

Figura 3.1.5. Campo medio para el período de estudio de la precipitación diaria observada (mm) (izquierda) y la diferencia con la precipitación GLDAS_CMAP (derecha).

IV   

Figura 3.2.1. Evolución temporal del promedio areal de la humedad de suelo (kg/m²) en SESA para el GDAS y GLDAS_NOAH, para los cuatro niveles. Período SALLJEX.

Figura 3.2.2. Promedio areal de la precipitación (mm) acumulada sobre SESA en 24 horas a partir de las estimaciones CMAP y las observaciones SALLJEX (barras). Las barras violetas indican la proporción en que coinciden ambos conjuntos de datos. Humedad de suelo (kg/m²) promediada arealmente en SESA para el espesor 0-10 cm a partir del GLDAS_NOAH (línea).

Figura 3.2.3. Idem Figura 3.2.1 pero para la región SACZ

Figura 3.2.4. Idem Figura 3.2.2 para SACZ

Figura 3.2.2.1. Imagen del Google Earth, en la cual se muestra el área donde se obtuvieron las mediciones de humedad de suelo. Los círculos blancos indican el lugar aproximado de las mediciones (estancias/parajes La Marta, La Lira y La Blanca) y el área (recuadro rojo) que se utilizó para calcular la humedad de suelo con el GLDAS_NOAH y el GDAS.

Figura 3.2.2.2. Serie de humedad de suelo (kg/m²) según los modelos GDAS y GLDAS_NOAH, para el espesor 0-10 cm, promediadas sobre la caja indicada en la Figura 3.2.2.1. Los puntos representan las observaciones.

Figura 3.2.2.3. Imagen del Google Earth, en la cual se muestra el lugar de las mediciones de humedad de suelo de Santarém, Brasil, marcado con un punto rojo, correspondiente a 54.9° O; 3° S.

Figura 3.2.2.4. Serie de humedad de suelo (m³ /m³) para el periodo SALLJEX, según las observaciones y para el GDAS y el GLDAS_NOAH, para el espesor 0-10 cm, para el punto mas cercano a (54.9° O; 3° S). En barras se muestra la precipitación diaria observada.

Figura 4.1.1. Campos medios de humedad de suelo (capa 0-10 cm) para los pronósticos a 24, 48, 72 y 96 horas del modelo WRF.

V   

Figura 4.1.2. Idem figura 4.1.1 para el capa 10-40 cm

Figura 4.1.3. Campos medios de precipitación acumulada en 24 horas para los pronósticos a 24, 48, 72 y 96 horas del modelo WRF.

Figura 4.1.4. Campos de BIAS (izquierda) y RMSEdb (derecha) de la humedad de suelo para los pronósticos a 24, 48, 72 y 96 horas del modelo WRF. Espesor 0-10 cm.

Figura 4.1.5. Idem Figura 4.1.4 para la precipitación (mm)

Figura 4.1.6. Diferencia del campo medio de humedad de suelo (kg/m²), entre el GDAS y GLDAS_NOAH para el espesor 0-10 cm.

Figura 4.2.1. Promedios areales de humedad de suelo (kg/m², línea) y precipitación (mm, barras) para el GLDAS_NOAH/CMAP y los pronósticos a 24, 48, 72 y 96 horas (de arriba hacia abajo respectivamente) del modelo WRF. Nivel 0-10 cm para la región de SESA.

Figura 4.2.2. Promedios areales de humedad de suelo (kg/m²) para el GLDAS_NOAH y los pronósticos a 24, 48, 72 y 96 horas del modelo WRF. Nivel 10-40 cm (superior) nivel 40-100 cm (centro) nivel 100-200 cm (inferior) para la región de SESA.

Figura 4.2.4. Idem figura 4.2.1 para la región de SACZ.

Figura 4.2.5. Idem figura 4.2.2 para la región de SACZ.

Figura 5.1. Evolución promedio cada 3hs de la humedad de suelo (kg/m²) desde la condición inicial hasta las 24 horas de pronóstico, para SESA y SACZ.

Figura 5.2. Evolución temporal de la humedad de suelo (kg/m²) 0-10 cm, para el mismo período del SALLJEX para distintos años, en SESA (panel superior) y SACZ (panel inferior).

VI   

Figura 5.3. Evolución anual del promedio areal humedad de suelo (kg/m²) en la capa 100-200 cm, para el período marzo 2002-marzo 2003 en la región SACZ. El área sombreada corresponde al período SALLJEX.

Figura 5.4. Campo medio de la humedad de suelo (kg/m²) en la capa 0-10 cm durante el período SALLJEX, para el modelo de suelo GLDAS_NOAH (izquierda) y el GLDAS_CLM (derecha).

VII   

Índice de Tablas.

Tabla 2.1.1. Diferencias entre el GLDAS y el WRF. Se muestra la configuración utilizada en esta Tesis (negrita).

Tabla 3.1.1. Detalle de la clase de textura de suelo (USDA) (izquierda), y tipo de vegetación dominante (UMD) (derecha).

Tabla 3.2.1. Desvíos estándar y valor medio del promedio areal de la humedad de suelo (kg/m²) sobre SESA.

Tabla 3.2.2. Diferencia normalizada del valor medio entre GDAS y GLDAS_NOAH en forma porcentual.

Tabla 3.2.3. Idem Tabla 3.2.1 para SACZ.

Tabla 3.2.4. Idem Tabla 3.2.2 para SACZ.

Tabla 4.2.1. Desvíos estándar (σ) y valor medio ( ) del promedio areal de la humedad de suelo, de GLDAS_NOAH y de los pronósticos a 24, 48, 72 y 96 horas para los distintos niveles. Región SESA.

Tabla 4.2.2. Idem tabla 4.2.1, para la región SACZ.

Tabla 5.1. Características de suelo del modelo WRF.

Tabla 5.2. Tipos desuelo que utiliza el WRF.

1

Capítulo 1

Introducción

1.1. La importancia de la humedad del suelo en la interacción entre la superficie y la atmósfera

Es ampliamente aceptado que las condiciones de la superficie terrestre y su representación en modelos numéricos, juegan un rol importante en la modulación de la circulación atmosférica en todas las escalas espacio-temporales. Esto se debe al control que ejercen sobre el balance energético, alterando la partición de energía entre calor sensible y latente, lo que indefectiblemente impacta en el ciclo hidrológico, al modificarse los mecanismos de interacción entre la superficie terrestre y la atmósfera. Consecuentemente, tanto el análisis de esos mecanismos como la evaluación de cómo son representados en los modelos de pronóstico, resulta de interés central para avanzar en la mejora de la calidad de los pronósticos a diversos plazos.

Las interacciones locales entre la superficie y la atmósfera vinculadas con el ciclo hidrológico, se pueden representar de una manera muy simplificada como en la Figura 1.1, tomada de Dooge (1992a). El diagrama ilustra el comportamiento del suelo y de la atmósfera durante un ciclo idealizado, determinado por la sucesión de un período húmedo y otro seco: luego de un extenso episodio de precipitación (punto A del diagrama), el agua en la zona de raíces del suelo es abundante, es decir, el suelo se encuentra en lo que se denomina su “capacidad de campo”. La evolución del suelo a partir de este estado (i.e. su secamiento) en este caso estará dominada por la evapotranspiración. Mientras el suelo esté en su capacidad de campo, la tasa de evaporación es controlada por el contenido de vapor de agua de la atmósfera cercano a la superficie, indicado en el diagrama como una fase de

“control atmosférico”.

2 Figura 1.1 Representación esquemática de las interacciones entre el agua/humedad del

suelo y la atmósfera. Tomado de Dooge (1992a)

A partir de un cierto nivel de humedad de suelo (punto B), los mecanismos fisiológicos de la plantas limitan el transporte de agua de las zonas de raíces a la atmósfera, y la evaporación comienza a disminuir por debajo de la tasa de evaporación potencial (valor máximo de evaporación que se da cuando el suelo esta a su capacidad de campo). Es decir que en esta fase, los intercambios son controlados por el estado del suelo (y/o de la vegetación). La ocurrencia de precipitación (punto C), encuentra un suelo suficientemente seco en las primeras instancias, de modo que la infiltración compensa la precipitación. El estado del suelo es nuevamente controlado por la atmósfera (concretamente por la tasa de precipitación), y en particular también la humedad de suelo, que se incrementará sostenidamente. Al superar un cierto valor de humedad de suelo (punto D), el suelo deja de tener la propiedad de infiltrar toda la precipitación, generando un

3 escurrimiento de agua superficial. En esta última fase, los intercambios son controlados nuevamente por el suelo, ya que su estado determina la tasa de infiltración. De acuerdo con Viterbo (2002), durante la estación cálida los momentos más cruciales de este ciclo desde el punto de vista de la atmósfera (en que hay una mayor demanda para evaporar), están entre los estados B y D.

Un modelo de suelo deberá, consecuentemente, poder representar adecuadamente estos distintos regímenes, así como también la transición entre ellos. Una variable clave para representarlos correctamente será la humedad del suelo. El modelo atmosférico, entre tanto, deberá plasmar adecuadamente la intensidad de precipitación y el estado de la atmósfera cerca de la superficie, que condicionará la intensidad de los flujos.

Resulta muy interesante contrastar con la realidad hasta qué punto el estado del suelo, representado por su contenido de humedad, condiciona el tipo predominante de interacciones superficie-atmósfera, la partición de energía y en definitiva el estado y ciclo diario de la temperatura y la humedad a 2 m. Esto se puede apreciar claramente en la Figura 1.2 tomada del trabajo de Betts (2009).

Figura 1.2. Ciclo diario de la radiación neta R_net (Wm^-2) y la fracción de evaporación (EF) (izquierda), temperatura T (°C) y humedad relativa a 2 m RH (%) (derecha), para distintos

contenidos de humedad de suelo. Tomada de Betts (2009).

4 La figura muestra los campos compuestos para 23 días despejados durante el verano de 1987 del experimento FIFE (First ISLSCP -International Satellite Land Surface Climatology Project- Field Experiment, Betts y Ball 1995, 1998). Estos días fueron agrupados según la cantidad de humedad volumétrica expresada en forma porcentual medida en la capa 0-10 cm (14,7, 18,8 y 29,9 %) y corresponden a una pradera con pasturas. El panel de la izquierda muestra la radiación neta y la fracción de evaporación, que es el cociente entre el calor latente y el sensible. Al aumentar el contenido medio de humedad de suelo se observa un aumento marcado de la fracción de evaporación, que representa la partición de energía. El impacto de esta variación en los flujos de superficie también se ve reflejado en el ciclo diario de la temperatura y de la humedad a 2 m, que sufren un claro amortiguamiento al aumentar la humedad del suelo, y también en el valor absoluto de ambas cantidades, a través de T mayores y HR menores asociados a los mínimos de humedad del suelo en las horas de máxima insolación.

1.2. Los datos o proxy- datos empleados para caracterizar el estado del suelo

La figura presentada en la sección anterior, pone de manifiesto otra dimensión importante de este problema. Dado que el estado del suelo condiciona fuertemente el estado de la atmósfera: ¿cuántos y cuán representativos son los datos que se utilizan para definir el estado del suelo? A diferencia de lo que ocurre con los datos que se utilizan para conocer el estado de la atmósfera, los datos referentes al suelo (tipo, uso, humedad en diversos niveles de profundidad, vegetación dominante, albedo, entre tantos otros) se miden en muy pocos puntos, y además no poseen continuidad en el tiempo. De hecho, muchos parámetros son medidos mensualmente, lo cual impide su utilización en la inicialización de modelos de pronóstico a corto y mediano plazo. Esta limitación se da a escala global, aunque, como sucede con todo tipo de redes observacionales, es aún más crítica en Argentina. La dificultad para medir el estado del suelo se traduce también en un obstáculo para validar modelos que simulen los procesos sobre la superficie terrestre.

5 A pesar de todo lo antedicho, puede reconocerse en la última década un progreso importante en el grado de entendimiento que se tiene tanto de los procesos a nivel del suelo como de sus interacciones con la atmósfera. Esto se ha traducido en el desarrollo de modelos de suelo más complejos, que han sido alimentados con datos derivados a partir de información satelital, los cuales, si bien no reemplazan las observaciones in-situ, constituyen la única alternativa para abordar el estudio de la interacción suelo-vegetación-atmósfera de manera regional o hasta global. Así, se han armado bases de datos más completas que describen el estado del suelo en base a la combinación de modelos de suelo, datos de la superficie terrestre y datos atmosféricos. Algunos ejemplos son los conjuntos GSWP-2 (Global Soil Wetness Project, versión 2, Dirmeyer et al. 2006), GOLD-2 (Global Offline Land-surface Dataset versión 2) y GLDAS (Global Land Data Assimilation System, Rodell et al.

2004). La característica común de todos ellos es que utilizan modelos de suelo en forma desacoplada de los modelos atmosféricos. Por lo tanto, son forzados con análisis atmosféricos y variables observadas -como por ejemplo la precipitación y la radiación de onda larga- con lo que no son tan afectados por los errores sistemáticos de los modelos atmosféricos globales (en el Capítulo 2 se realizará una discusión más profunda acerca de las ventajas relativas del GLDAS). Así, constituyen un conjunto de referencia que puede utilizarse, entre otros, para evaluar cómo los modelos operativos de pronóstico globales o regionales, representan los estados del suelo.

Una evaluación de la calidad de la representación de las variables del suelo en un pronóstico debe contemplar, necesariamente, tanto los posibles errores en la determinación del estado inicial, como aquéllos asociados con su predicción.

En relación con lo primero, la mayoría de los modelos regionales emplea como condición inicial del estado del suelo las provenientes del Global Data Assimilation System (GDAS). El GDAS adoptó distintos modelos de suelo, según la época. Durante el período de interés de esta Tesis, utilizaba el modelo de suelo OSU (Oregon State University, Pan y Mahrt 1987) para simular la evolución temporal de la humedad de suelo, temperatura, etc. Las mismas se inicializan cada 6 horas, empleando la asimilación de datos para combinar el campo pronosticado (i.e. campo preliminar) con estimaciones indirectas de las variables del suelo (ya que no se mide

6 ni humedad del suelo ni temperatura del suelo) espacialmente dispersas (Douville et al. 2000). Consecuentemente, la condición inicial de la humedad del suelo es una fuente importante de incertidumbre, como fue discutido por varios autores, como De Goncalves et al. (2006), Chen y Dudhia (2001), entre otros.

Para ejemplificar la incertidumbre en la determinación del estado del suelo, en la Figura 1.3, se presenta la evolución temporal de la humedad de suelo volumétrica en la capa 0-10 cm para la localidad de Santarem (54.9° O; 3° S), Brasil. Allí se muestra cómo es representada por el punto de retícula más cercano en 2 modelos corridos de manera desacoplada (CLM3.5 y el GLDAS_NOAH), y uno acoplado (GDAS_OSU), durante 2 meses del verano 2002-2003. En el Capítulo 3 se volverá sobre esta figura, para discutir el ajuste con las observaciones. Más allá de ese aspecto, se observa una gran discrepancia entre las distintas fuentes de información, que puede llegar al 50% del valor de la variable, lo cual refuerza la percepción de que se trabaja con datos (o proxy-datos) que son modelo- dependientes.

Figura 1.3. Comparación de la evolución temporal de la humedad del suelo volumétrica (m³ m^-3) obtenida a partir de tres conjuntos de datos –ver texto para más detalle-.

0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50

15-dic-02 18-dic-02 21-dic-02 24-dic-02 27-dic-02 30-dic-02 2-ene-03 5-ene-03 8-ene-03 11-ene-03 14-ene-03 17-ene-03 20-ene-03 23-ene-03 26-ene-03 29-ene-03 1-feb-03 4-feb-03 7-feb-03 10-feb-03 13-feb-03

GDAS GLDAS CLM3.5

Humedad de suelo vol. (m3m-3)

7 De lo expuesto, surgen dos cuestiones: la primera está relacionada con las incertidumbres en la física de los modelos y la segunda con las incertidumbres en la inicialización de la humedad de suelo. Ambas constituyen motivaciones centrales de este trabajo de tesis, que avanza en la cuantificación de las mismas durante un período particular.

1.3. Antecedentes con énfasis en estudios sobre la región de interés

Hay pocos antecedentes respecto al estudio de cómo son las interacciones suelo-atmósfera en Sudamérica. La gran mayoría están enfocados desde un punto de vista climático, a partir de campos medios mensuales y realizando estudios de sensibilidad a condiciones relativamente húmedas o secas a escala continental. En tal sentido, pueden citarse los trabajos de Xue et al. (2006), Grimm et al. (2007), Collini et al. (2008) y Sörensson et al. (2009), los que a su vez se concentran en estudiar cómo los cambios en la humedad del suelo pueden modular la evolución del Monzón Sudamericano. Si bien los resultados de estos trabajos no son estrictamente comparables, dada la variedad de enfoques experimentales y de períodos de estudio, lo cierto es que todos coinciden en señalar que el inicio de la estación lluviosa, así como también su duración e intensidad, son significativamente afectadas por las condiciones de la superficie.

Como ejemplo de un estudio cuyo énfasis tiene aspectos hidrológicos, se encuentra el trabajo de Saurral et al. (2008), en el cual se utiliza el modelo de suelo/hidrológico Variable Infiltration Capacity (VIC), para analizar si posibles cambios en el caudal del Río Uruguay pueden estar relacionados con el cambio en el uso del suelo. Allí concluyen que lo cambios en el caudal medio se deben a la precipitación, mientras que el desfasaje podría ser atribuido al cambio en el uso de suelo. Esto es un indicio del impacto que pueden generar las condiciones de superficie en el ciclo hidrológico.

Indagando de manera exploratoria la variabilidad de la precipitación y de la humedad del suelo sobre Sudamérica, Ferreira et al. (2009) documenta que, durante

8 la estación cálida 2002-2003, la variación de la humedad del suelo sobre la región de SESA (Sudeste de Sudamérica) presenta una respuesta en fase con el índice SASS (South American See-Saw, Gonzalez et al. 2008), en tanto que la humedad del suelo sobre la Zona de Convergencia del Atlántico Sur parece mucho menos modulada por esa actividad intraestacional.

En otra línea, se encuentra el trabajo de Saulo et al. (2010), que se concentra en un caso particular y analiza los mecanismos de retroalimentación entre la humedad del suelo y la precipitación asociada a escala diaria, mostrando el gran impacto que ejerce una variación del 50% en la humedad del suelo sobre la intensidad y la ubicación de la precipitación asociada a un caso de Baja del Noroeste Argentino. Este estudio constituye una motivación para esta Tesis, dado que sienta bases para justificar la búsqueda de los potenciales impactos de la humedad del suelo en escalas temporales relativamente cortas. Más allá de lo que surge de este estudio de sensibilidad, en Ruiz et al. (2010) también se ve que la calidad de los pronósticos de las variables de superficie (precipitación, temperatura, temperatura de rocío, presión a nivel del mar, etc.) es afectada por la elección del modelo de suelo. En particular, encuentran que tanto la temperatura a 2 m como la temperatura de rocío a 2 m son más sensibles a cambios en el tratamiento de la superficie que a cambios en otras parametrizaciones, siendo el modelo de suelo NOAH (National Centers for Environmental Prediction/Oregon State University/Air Force/Hydrologic Research Lab Model) el que mejores estimaciones presenta de todas las variables analizadas, salvo para la temperatura de rocío.

Con un enfoque diferente, y en línea con lo que se busca analizar en esta Tesis, se puede consignar el trabajo de De Goncalves et al. (2006), que evalúa el impacto que tiene el uso de distintos conjuntos de humedad del suelo en la calidad de pronósticos a corto plazo. Este estudio se circunscribe a sólo dos conjuntos de 7 pronósticos a 72 hs, uno para el verano y otro para el invierno, donde se concluye que los pronósticos a corto plazo son muy sensibles a la condición inicial que se emplea para la humedad del suelo. Este trabajo se enmarca en una iniciativa de colaboración entre la NASA (National Aeronautics and Space Administration) y el CPTEC (Centro de Previsao de Tempo e Estudos Climaticos) tendientes a generar lo que dio en llamarse el SALDAS (South American Land Data Assimilation System,

9 De Goncalves et al. 2009) y que sería la versión para Sudamérica del NLDAS (North American Land Data Assimilation System, Mitchell et al. 2004), que aún no se encuentra disponible a la comunidad científica.

De lo antes expuesto, surge que hay aspectos poco conocidos en relación con los procesos de superficie y con la caracterización de las variables del suelo, en particular sobre nuestra región, y que además, una mejor caracterización de los mismos tendría impactos favorables en la calidad de la predicción. Esta última idea se ve reforzada por lo discutido por Koster et al. (2006) y Dirmeyer et al. (2009) – entre otros-, en que se señala la importancia de identificar las regiones donde el grado de acople entre la superficie y la atmósfera es grande, dado que se asociarían con la potencialidad de mejorar la predictabilidad a partir de una mejor definición del estado del suelo. En tal sentido, el trabajo de Sörensson et al. (2009), provee algunas evidencias de que la intensidad del acople suelo-atmósfera es importante sobre la Cuenca del Plata durante la estación cálida.

1.4. Objetivos y estructura del presente trabajo

A pesar de los argumentos expuestos en relación con la importancia de la humedad del suelo, no hay a la fecha estudios exploratorios acerca de su comportamiento, ni una verificación detallada de cómo se la representa en los modelos de pronóstico, al menos a nivel regional. Probablemente, el impacto de la inicialización y evolución de la humedad del suelo en la calidad de los pronósticos a corto y a mediano plazo, no está cuantificado, debido a la escasez de observaciones y a las limitaciones en la representación de la superficie. Es importante enfatizar que, a pesar del hecho de que los pronósticos determinísticos no se extiendan más de 2 semanas, los modelos de suelo controlan escalas temporales más largas.

La presente Tesis tiene, entonces, dos objetivos fundamentales: el primero es la caracterización de la humedad del suelo sobre Sudamérica durante la temporada cálida 2002-2003, a partir de alguno de los conjuntos de datos (o Proxy-datos) disponibles. El segundo objetivo es identificar de qué manera el modelo WRF-ARW

10 (Weather Research and Forecasting-Advanced Research WRF), tal como se lo utiliza operativamente en la actualidad (Saulo et al. 2008), representa la humedad del suelo, no sólo en su condición inicial sino en los pronósticos a diversos plazos (hasta 96 hs) de manera tal de cuantificar en qué medida se mantiene o se deteriora la representación de esa variable. En ambos casos, constituye un trabajo exploratorio que se enmarca en una línea más amplia, la cual pretende identificar las oscilaciones básicas de la humedad del suelo y sus singularidades, evaluar cómo son representadas por los modelos y en definitiva comprender en mayor profundidad los mecanismos de acople suelo-atmósfera, con el objeto de mejorar su representación y consecuentemente la calidad de la predicción a corto y mediano plazo sobre la región.

Un resumen sobre las características generales de los modelos de suelo, en particular sobre el modelo de suelo NOAH y otros aspectos metodológicos, se incluyen en el Capítulo 2. Las características generales de la humedad de suelo sobre Sudamérica y sobre dos sub-regiones de interés, basadas en dos modelos de suelo durante la estación cálida 2002-2003, se describen en el Capítulo 3. El comportamiento de la humedad de suelo y de la precipitación a distintos plazos de pronóstico del modelo WRF-ARW, se analiza en el Capítulo 4. Finalmente en el Capítulo 5 se exponen las conclusiones de este trabajo.

11

Capítulo 2

Modelos de suelo, base de datos y metodología utilizada

En este capítulo se discuten los conceptos básicos sobre los que se asientan los modelos de superficie en general y el modelo NOAH en particular. Asimismo, se detallan las características de la base de datos de superficie GLDAS empleada como referencia y finalmente se presenta la configuración del modelo WRF con la que se generaron los pronósticos a diversos plazos.

2.1. Modelos de suelo

2.1.1. Generalidades

Las cuestiones más importantes que deben ser representadas a partir de las parametrizaciones en un modelo de suelo son:

 El rol de la vegetación en el control de la evapotranspiración y en la intercepción de la precipitación.

 Una adecuada descripción de los transportes de calor y de agua en el suelo.

 En latitudes altas y sobre regiones montañosas, la descripción de los intercambios de energía y agua que se dan en la criósfera.

Estos procesos son importantes para la representación del intercambio superficie-atmósfera, y centrales para el acoplamiento de los modelos de suelo con los modelos atmosféricos, para los cuales constituyen la condición de borde inferior, la que además, es la única condición de borde física existente en los modelos globales. La importancia de los modelos de suelo radica en la necesidad de poder representar adecuadamente la variabilidad sub-reticular de los flujos (calor latente, calor sensible) y su impacto ha crecido en los últimos años, debido a la implementación de esquemas más complejos de la capa límite planetaria (CLP), que

12 son sensibles a los flujos de superficie, y de parametrizaciones de la convección, que son sensibles a la CLP. Otro factor por el cual los modelos de suelo son importantes es que los modelos de pronóstico numérico, con el aumento sostenido de la resolución, necesitan representar las circulaciones de mesoescala forzadas por la variabilidad de parámetros y variables del suelo como, por ejemplo, el albedo, la humedad de suelo/temperatura, los usos de suelo y la distribución de nieve.

El desarrollo de las parametrizaciones de los modelos numéricos del suelo y de los modelos en general, sufrió un gran progreso en las últimas décadas. A continuación se detalla en forma cronológica los avances más importantes en la representación de la superficie dentro de los modelos atmosféricos:

Antes de 1960: No se tenían en cuenta los procesos entre la superficie y la atmósfera (el ciclo diario de la temperatura del suelo estaba prescrito).

Mediados de 1960: El modelo de superficie de suelo, se restringe sólo a la inclusión de la humedad de suelo, como un parámetro fijo en el tiempo.

Finales de 1960: La humedad de suelo puede variar espacial y temporalmente, en respuesta a la precipitación y al escurrimiento. (Bucket Model, Manabe 1969).

Mediados de 1970: Aparece la vegetación como una componente del modelo de suelo. Un ejemplo es el Modelo Big-Leaf, Deardorff (1978), que hace un tratamiento explícito de la vegetación, muy simplificada.

Finales de 1980: Se desarrollan modelos más sofisticados que incluyen procesos hidrológicos, biofísicos, bioquímicos y ecológicos.

Mediados de 1990: Se acoplan modelos de suelo mas avanzados en los principales centros operativos de predicción numérica del tiempo. Estos modelos incluyen la interacción suelo-vegetación-atmósfera, pero no representan cambios dinámicos de la vegetación.

13 En forma esquemática, la Figura 2.1.1, muestra las 4 cantidades fundamentales que los modelos de suelo deben proveer a los modelos atmosféricos.

Estas cantidades son los flujos de calor latente de la superficie QE, los de calor sensible QH, la radiación de onda larga saliente QLu, y la radiación de onda corta reflejada aQS ,donde a es el albedo de la superficie.

Figura 2.1.1. Esquema de los flujos asociados al balance diurno de energía en la superficie del suelo. Ver texto para el detalle de cada término. Tomada de Stensrud (2007).

Es interesante destacar en qué medida, cada una de estas cantidades es modificada por las características particulares de la superficie. La radiación de onda corta entrante QS, depende de la cantidad de energía radiante del sol que llega al tope de la atmósfera, de la nubosidad y de la pendiente de la superficie del suelo ya que ésta modifica el ángulo de incidencia de la radiación solar. El albedo (a) depende del tipo de suelo y de la vegetación. A su vez, la radiación de onda larga saliente QLu depende de la temperatura y de la emisividad de la superficie (de acuerdo con la Ley de Stefan-Boltzmann). La temperatura de la superficie estará condicionada por la radiación solar entrante, el albedo, la radiación de onda larga entrante, el tipo de suelo, el tipo de vegetación, la humedad de suelo y la temperatura del suelo por debajo de la superficie. Entre tanto, el flujo de calor en el suelo QG, depende de la temperatura de la superficie del suelo, del gradiente de la misma con la profundidad, del tipo de suelo, de la humedad del suelo y de la vegetación. El flujo de calor sensible QH, se define como la tasa de transferencia de calor por unidad de área de la superficie del suelo a la atmósfera, y depende fuertemente de la diferencia de temperatura entre el suelo y la atmósfera, así como de la velocidad del viento, su cortante y del gradiente de temperatura en la CLP. La

14 vegetación también puede modificar los flujos de calor sensible. Finalmente QE, definido como la tasa de transferencia de humedad por unidad de área de la superficie del suelo a la atmósfera, depende fundamentalmente del contenido de humedad en el suelo y además de la temperatura de la superficie del suelo y de la temperatura, la velocidad y cortante del viento y del gradiente de temperatura de la atmósfera. La vegetación juega un rol fundamental debido a que puede transferir humedad desde capas profundas del suelo directamente a la atmósfera. El tipo de suelo también es un factor importante ya que la capacidad de retención del agua depende del mismo.

En lo mencionado anteriormente, se ha destacado deliberadamente a la humedad de suelo, que tiene un rol importante en la determinación de los distintos flujos y es objeto de análisis en este trabajo de Tesis. Analizando esta variable con un poco más de detalle, se observa que la variación del contenido de agua volumétrico (Ө) en los modelos de suelo, depende, a grandes rasgos, de los siguientes términos:

𝑑Θ = 𝑃 − 𝑅 − 𝐸 (Ec. 2.1.1)

Donde: P es la precipitación, R es el escurrimiento y E es la evaporación. El término P - R se denomina infiltración (I).

Para producir las variables de “salida”, que incluyen a las 4 cantidades mencionadas más arriba además de la humedad de suelo, la temperatura de suelo y otras cantidades, los modelos de suelo necesitan tener definidos ciertos parámetros (que pueden ser variables o fijos en el tiempo) así como ciertas variables atmosféricas, que varían con el tiempo y que se denominan “forzantes” del modelo de suelo. Este proceso, y las cantidades que intervienen en cada caso, se esquematizan en la Figura 2.1.2

15 Figura 2.1.2. Forzantes y parámetros necesarios para un modelo de suelo.

Los parámetros que un modelo de suelo necesita son:

 Tipo y usos de suelo (vegetación, etc.).

 Textura del suelo.

 Topografía (pendiente).

 Parámetros secundarios que son especificados en función de estos 3 parámetros primarios (por ejemplo albedo, punto de marchitez, conductividad del suelo, etc.).

A continuación se analizan las características de los dos primeros:

16 Usos de suelo: Los modelos de suelo suelen utilizar 3 parámetros importantes para categorizar la vegetación, estos son la fracción verde de vegetación (σf), el índice de área foliar (LAI por sus siglas en inglés) y el tipo o clase de vegetación. La dificultad que presentan estos parámetros es que resulta casi imposible realizar mediciones rutinarias desde el suelo para cuantificarlos. Afortunadamente, mediante el uso de sensores remotos, se han podido diseñar algoritmos para estimar estos parámetros a partir, por ejemplo, del Normalized Difference Vegetation Index (NDVI) (Justice et al.1985), el cual está basado en las características del albedo del suelo desnudo y de la vegetación. Muchos de los modelos de suelo actuales utilizan clasificaciones de la vegetación basadas en información satelital que tienen 10 años de antigüedad.

Es interesante destacar el impacto que puede tener una mala representación de la vegetación, y en particular de la profundidad de las raíces, sobre la evapotranspiración y, consecuentemente sobre el estado de la atmósfera. Según Milly (1997) una disminución de un 14% en el volumen de suelo utilizado por las plantas para absorber agua (causado por una disminución de las raíces de las plantas) puede llegar a generar la misma sequedad durante el verano en latitudes medias, que el efecto de duplicar la concentración de CO2 respecto de los niveles actuales. E inversamente, un aumento de un 14% en el volumen de las raíces, podría compensar la tendencia de mayor frecuencia de días secos en verano respecto de un escenario global con el doble del contenido de CO2.

Textura del suelo: La información de la textura de suelo representa las proporciones relativas de arcilla (tamaño de las partículas ≤ 2µm), limo (2-50 µm), y arena (50-200 µm). Aparecen muchas incertezas cuando se utilizan bases de datos globales de la textura de suelo, ya que los mismos sólo pueden obtenerse a partir de mediciones in-situ, que son sumamente escasas. Además muchos modelos de suelo no tienen en cuenta el cambio de la textura del suelo con la profundidad, asumiendo una textura constante, tal como sucede con el modelo de suelo NOAH que se utiliza en el WRF.

De acuerdo a la textura de suelo, se define un valor de porosidad, que es el porcentaje de poros en el suelo que pueden ser ocupados por algún tipo de fluido (aire, agua, etc.), la cual, a su vez, define el valor máximo de humedad que puede tener un tipo de suelo en particular.

17 De lo expuesto, surge que la representación adecuada de los procesos de superficie no es una tarea sencilla, dada la gran variabilidad espacial y temporal de las variables de suelo, en particular de la humedad de suelo (Avissar y Pielke 1989;

Chen y Avissar 1994a, b), y de la alta complejidad de los procesos de suelo e hidrológicos. Frente a esta complejidad, y en el contexto de este trabajo de investigación, donde se busca evaluar la representación de la humedad del suelo en los modelos de pronóstico (tipo el WRF), teniendo estos últimos la posibilidad de emplear diversos modelos de suelo, surgen varias cuestiones. Una de ellas es

¿cuán sensibles son las variables de salida –i.e. contenido de humedad- a la elección de los modelos de suelo? Si bien esta es una pregunta muy amplia, el trabajo Schaake et al. (2004) permite tener una noción preliminar al respecto. Allí, se compara el almacenamiento total de agua, que es la suma de la humedad de suelo en cada nivel, para 4 modelos de suelo que fueron forzados con los mismos datos.

Esta comparación se realiza respecto a observaciones en la región de Illinois, Estados Unidos, lo cual es sumamente valioso, dada la falta de este tipo de datos para contrastar resultados. Los modelos utilizados son el SAC (Sacramento), NOAH, MOSAIC y el VIC y los detalles de cada uno pueden recabarse en Schaake et al (2004). La Figura 2.1.3 muestra la gran dependencia que exhibe la variable “agua almacenada” con el modelo de suelo, siendo el NOAH y el SAC los que mejor la representan en esa región y período en particular.

18 Figura 2.1.3. (a-d) Comparación entre la simulación del almacenaje total de agua en cuatro modelos de suelo y observaciones en 17 puntos de observación en Illinois, Estados Unidos.

Tomada de Schaake et al (2004).

Otra pregunta que surge es ¿cuán sensibles son los modelos de suelo a cambios en las especificaciones de los forzantes? -que son, en definitiva, el input que reciben de los modelos atmosféricos y/o de los datos observacionales-. Con el fin de ilustrar esta sensibilidad, se incluye la Figura 2.1.4, donde se muestran simulaciones realizadas con el sistema de asimilación de datos de suelo GLDAS_MOSAIC (ver Gottschalck et al. 2005 para los detalles acerca de esta configuración particular del GLDAS), en las cuales se modificó la precipitación, manteniendo el mismo modelo de suelo (i.e MOSAIC). A partir de allí, puede deducirse la gran sensibilidad de la humedad de suelo a cambios en el forzante, en este caso de la precipitación. Lo que se concluye del trabajo citado previamente es que, las diferencias porcentuales en el contenido de humedad en el suelo son menores a las diferencias porcentuales en la precipitación. Esto implica que el sistema GLDAS, en particular el GLDAS_MOSAIC, tiende a amortiguar las diferencias impuestas por la precipitación. Sin embargo, hay regiones sobre el

19 dominio de estudio (Norteamérica) donde las diferencias en la humedad de suelo son comparables con las diferencias en la precipitación. Las diferencias porcentuales encontradas en la humedad de suelo varían entre -75% y más de un 100% en ciertas regiones y son un 25% a un 75% menor a las diferencias en la precipitación.

En este trabajo también concluyen que el conjunto de datos de precipitación CMAP es el que mejores resultados presenta. Si bien estos resultados son para la región de Norteamérica, los autores asumen que, como la distribución de pluviómetros que ingresa al CMAP es bastante homogénea a escala global, salvo en algunas regiones puntuales (ver Figura 2.1.5), su performance sería similar en todo el globo. Es por esto que en esta Tesis se decidió trabajar con esta base de datos de precipitación, como forzante del modelo de suelo.

Evidentemente, los modelos de suelo presentan diferencias significativas y a su vez responden distinto, según sea el forzante. Entonces, cuando son acoplados a un sistema de pronóstico –que es el que va a proveer el forzante- estarán sujetos a las limitaciones de ese sistema de pronóstico (i.e errores en la determinación del forzante), así como también al problema de la inicialización de todas las variables que son pronosticadas por el modelo de suelo. Al respecto, sólo se mencionará aquí que en la actualidad no hay sistemas de asimilación de datos de suelo que trabajen en forma operativa, al tiempo que no hay mediciones rutinarias de las variables críticas para la inicialización del modelo de suelo, que son la humedad y temperatura del suelo y la cobertura de nieve/hielo. Recientemente, se han incorporado datos del sensor AVHRR (Advanced Very High Resolution Radiometer) del NOAA-15 (National Oceanic and Atmospheric Administration) para introducir la cobertura de nieve y hielo como dato que se ingresa al sistema de análisis a partir de la temperatura radiométrica de la superficie (infrarrojo, microondas) y/o a partir de la temperatura a 2m.

20 Figura 2.1.4. Promedio mensual de la humedad de suelo volumétrica (%), para Agosto de 2002. Primera fila, simulación de la humedad de suelo del modelo GLDAS_ MOSAIC forzada con la precipitación de Higgins (i.e. datos pluviométricos) y las cuatro filas siguientes son las diferencias en la humedad de suelo entre las simulaciones de Higgins y GEOS, PERSIANN, HUFFMAN, y CMAP (diversas estimaciones de precipitación). En contornos están las diferencias en los porcentajes de precipitación entre las distintas bases de datos.

Tomada de Gottschalck et al. (2005).

21 Figura 2.1.5. Número de pluviómetros por cada retícula de 2.5º x 2.5º, que utiliza el CMAP

para estimar la precipitación. Tomada de Gottschalck et al. (2005).

Los modelos globales operativos de pronóstico (por ejemplo el del NCEP o del ECMWF (European Centre for Medium-Range Weather Forecasts) adoptan diversas aproximaciones para inicializar las variables del suelo. La humedad del suelo se inicializa a partir de valores climatológicos y/o a partir de relaciones empíricas con la humedad a 2m y/o a partir de su relación con la precipitación observada, en tanto que la temperatura del suelo se determina a partir de la temperatura radiométrica de la superficie (infrarrojo, microondas) y/o a partir de la temperatura a 2m.

2.1.2. El modelo de suelo NOAH

Si bien no es el objetivo de este trabajo determinar cuál es el modelo de suelo más adecuado de los procesos de superficie, en la sección previa se han ofrecido algunas evidencias que sugieren que el modelo NOAH presenta una performance satisfactoria. Además cabe destacar que este modelo ha sido implementado y

22 testeado en forma exhaustiva tanto en forma desacoplada como acoplada a la atmósfera, ya que se lo utiliza en forma operativa en el National Centers for Environmental Prediction (NCEP). En particular se lo utilizó en el Project for Intercomparison of Land surface Parameterizations (PILPS), en el Global Soil Wetness Project (GSWP) (Dirmeyer et al. 1999), en el GSWP2 y en el proyecto de validación de Coordinate Energy and Water-cycle Observations (CEOP).

En relación a su utilización conjunta con el modelo WRF a nivel local, ya se lo ha empleado en la generación de los pronósticos operativos del CIMA (Saulo et al.

2008), se lo ha evaluado frente a otros posibles tratamientos del suelo (Ruiz et al.

2010) y se lo ha contrastado contra algunos datos regionales (Ferreira et al. 2009).

Por consiguiente, se considera que su uso en combinación con el WRF es adecuado para los fines que persigue esta Tesis ya que ofrece una opción representativa del estado del arte en lo que hace a la representación de la interacción suelo-atmósfera.

Asimismo, también se decidió utilizar el sistema GLDAS_NOAH, con el objeto de facilitar la comparación entre los mismos y los pronósticos. Es de suponer que los forzantes tendrán un mayor peso en las diferencias que puedan surgir, ya que la física es en los dos casos esencialmente la misma.

El modelo NOAH, (Chen y Dudhia, 2001), pertenece a lo que se denomina un modelo de suelo de última generación, que incluye las interacciones suelo- vegetación-atmósfera, de acuerdo con el esquema de la Figura 2.1.2.1. El mismo, parte del enfoque del acoplamiento diario de la evapotranspiración potencial de Penman según Mahrt y Ek (1984), del modelo de suelo con múltiples capas de Mahrt y Pan (1984), y en el modelo primitivo de canopia de Pan y Mahrt (1987). La resistencia de la canopia se calcula siguiendo el enfoque de Noilhan y Planton (1989), y Jacquemin y Nohlian (1990).

23 Figura 2.1.2.1. Esquema de los procesos contemplados en el modelo NOAH, tomada de

Chen y Dudhia (2001).

En su implementación actual, consta de 4 capas: 0-10 cm, 10-40 cm, 40-100 cm y 100-200 cm. La profundidad total del suelo en el modelo es de 200 cm, donde la zona de raíces varía de acuerdo con el tipo de vegetación. La capa más profunda (100-200 cm) actúa como reservorio de agua con un drenaje por gravedad en la base. Posee una capa de canopia y las siguientes variables de pronóstico: humedad de suelo y temperatura en los distintos niveles, almacenaje de agua en la canopia y almacenaje de nieve en el suelo.

La forma general de la ecuación de pronóstico para el contenido de humedad de suelo volumétrica (Ө) es:

𝜕Θ

𝜕𝑡

=

𝜕𝑧

𝐷

𝜕𝑧

+

𝜕𝑧

+ 𝐹

24 Donde D y κ, la difusividad del agua en el suelo y la conductividad hidráulica respectivamente, son funciones de Ө. El término FΘ representa las fuentes y sumideros de la humedad de suelo, como por ejemplo la precipitación, la evaporación y el escurrimiento. Esta forma difusiva de la ecuación de Richard se deriva de la ley de Darcy bajo la suposición de que el flujo de agua en el suelo es vertical, rígido, isotrópico, homogéneo y unidimensional. La conductividad hidráulica κ así como la difusividad D son altamente no lineales en su dependencia con la humedad de suelo. Este comportamiento es menos lineal cuanto más seco sea el suelo.

La temperatura superficial (“skin temperature”) es determinada de acuerdo a Mahrt y Ek (1984) aplicando una ecuación de balance de energía que representa la superficie suelo-vegetación en forma conjunta. El flujo de calor del suelo se representa mediante una ecuación de difusión de la ecuación de la temperatura (T):

𝐶(Θ)

𝜕𝑡

=

𝜕𝑧

Κ

(Θ)

𝜕𝑧 (Ec. 2.1.3)

Donde la capacidad calorífica volumétrica, C, y la conductividad térmica Kt, se formulan en función del contenido volumétrico de agua en el suelo (Ө).

En el modelo, estas ecuaciones se completan con los balances energéticos y de agua en superficie, que son las que permiten representar las Fuentes y Sumideros que estas ecuaciones tienen en cada profundidad.

25

GLDAS WRF

Resolución espacial

0.25°; 0.5°; 1.0°; 2.0° x 2.5° variable - 40 km

Modelo de suelo

MOSAIC; CLM2; NOAH; VIC RUC- 5L- NOAH

Forzantes

Precipitación: CMAP, GDAS, PERSIAN,TRMM, NRLP

Radiación: AFWA-AGREMET

U,V,T, PP,P (GDAS, GEOS, ECMWF)

WRF

WRF WRF Inicialización Valor climatológico de humedad de suelo GDAS

Asimilación de datos

Temperatura de superficie, cobertura de nieve. --

Clasificación de vegetación

UMD, 1 km de resolución, medida con MODIS (Hansen et al. 2000), con 11 tipos de vegetación

además de agua, suelo desnudo y coberturas urbanas.

USGS, 1km de resolución con 24 tipos de vegetación, 1 año de datos del AVHRR

- NOAA-15

Clasificación de suelos

USDA, resolución de 5', 11 categorías, Reynolds et al. (2000).

USGS, 1-km resolución 16 categorías, Miller y White

(1998).

Topografía GTOPO30, resolución de 1 km aprox., Verdin y Greenlee 1996, Gesch et al. (1999)

Topografía con una resolución horizontal de

1 km aprox.

Tabla 2.1.1. Diferencias entre el GLDAS y el WRF. Se muestra la configuración utilizada en esta Tesis (negrita).

2.2. Global Land Data Assimilation System (GLDAS)

El GLDAS (Rodell et al. 2004) es un sistema de asimilación de datos de superficie que fue desarrollado conjuntamente por la NASA, Goddard Space Flight Center (GSFC), la National Oceanic and Atmospheric Administration (NOAA) y el National Centers for Environmental Prediction (NCEP). GLDAS provee en forma global y en alta resolución, campos de flujos de calor sensible y latente, así como también estados de la superficie del suelo simulados por cuatro modelos de suelo.

Los cuatro modelos que utiliza son el:

 NOAH, Chen et al. (1996), Koren et al. (1999).

 Common Land Model (CLM); Bonan (1998), Dickinson et al. (1993), Dai y Zeng (1997).

26

 MOSAIC Model; Koster y Suarez (1996).

 VIC Model; Liang et al. (1994), Liang et al. (1996)

En principio, GLDAS es una interface que permite al usuario elegir el modelo de suelo y el conjunto de datos a emplear como forzantes, con el fin de obtener las variables que describen el estado del suelo. Sin embargo, hay un conjunto de corridas disponibles (ver Tabla 2.1.1) que corresponden a combinaciones específicas, realizadas con el objetivo de generar campos de superficie óptimos.

Para ello, las simulaciones de los cuatro modelos son forzadas mediante una combinación de análisis de campos atmosféricos provenientes del GDAS (Global Data Assimilation System), campos de precipitación elaborados por el Climate Prediction Center Merged Analysis of Precipitation (CMAP), y observaciones de radiación basadas en campos derivados de radiación de onda corta y larga utilizando el método #39 de la Air Force Weather Agency-Agricultural Meteorological modeling system (AFWA-AGRMET). Dentro de estas corridas óptimas, en esta tesis se decidió trabajar con el sistema GLDAS_NOAH, con una resolución espacial de 0.25º y una resolución temporal de 3 horas.

Cabe aclarar que los datos de precipitación del CMAP, que originalmente son datos pentádicos con una resolución espacial de 2.5º x 2.5º, fueron transformados para ser utilizados con mayor resolución temporal y espacial. Para ello son disgregados temporalmente e interpolados espacialmente utilizando los datos del GDAS. De acuerdo con Gottschalck et al. (2005), la disgregación temporal se realiza siguiendo los pasos que se detallan a continuación:

 Se calcula la suma de las péntadas de los datos del GDAS

 Se utilizan las estimaciones individuales cada 6 horas y los totales de las péntadas del GDAS y se calcula la tasa de precipitación total para un intervalo de 6 horas

 Finalmente estas tasas de precipitación cada 6 horas son aplicadas a los totales pentádicos del CMAP, para generar estimaciones de precipitación cada 6 horas.

27 El producto final de la precipitación así obtenida, es una combinación de datos de pluviómetros, satélites (infrarrojos- microondas) y modelos numéricos con una resolución espacial de 0.4º y una resolución temporal de 6 horas.

Dado que GLDAS emplea una base de datos de precipitación robusta lo que es fundamental puesto que esta variable es el principal forzante meteorológico de la humedad de suelo, sumado a que realiza una asimilación de datos de superficie y a que emplea entre sus opciones al modelo de suelo NOAH, es que se decidió tomar el conjunto de datos (GLDAS_NOAH) como conjunto de datos de referencia para el análisis que se efectúa en esta Tesis.

2.3. Modelo WRF-ARW, versión CIMA

La configuración del modelo WRF aquí empleada, es la que tiene el modelo operativo del CIMA (Saulo et al. 2008) y también coincide con la empleada en Ruiz et al. (2010), para hacer un conjunto de estudios de sensibilidad. Las corridas del modelo fueron realizadas con una resolución horizontal de 40 km y 30 niveles en la vertical, e inicializadas con los campos del GDAS/NCEP de las 12 UTC de 1º x 1º de resolución horizontal. Las condiciones de borde se actualizaron cada 6 horas con los pronósticos del Medium Range Forecast/NOAA de 2.5º x 2.5º. El período de análisis comprende parte del SALLJEX (South America Low Level Jet Experiment, Vera et al 2006), y cubre desde el 15 de diciembre de 2002 al 14 de febrero de 2003 (de aquí en adelante se referirá como período SALLJEX). El dominio empleado puede verse en la Figura 2.3.1. La única particularidad de las corridas del modelo WRF empleadas en esta tesis respecto de la corridas de control en Ruiz et al. (2010), es que se generaron pronósticos a 96 hs con salidas cada 3 hs, en tanto que los estudios previos corresponden a simulaciones a 48 hs.

28 Figura 2.3.1. Dominio empleado en las simulaciones del modelo WRF. Proyección Lambert,

con 40 km de resolución horizontal.

Otras características generales del WRF-ARW (Skamarock, 2005), y la configuración de diversas parametrizaciones adoptadas en la presente tesis, se indican a continuación:

Ecuaciones compresibles y no hidrostáticas.

Coordenada vertical sigma.

Retícula horizontal Arakawa de tipo C, con resolución horizontal variable.

Proyección: Se utilizó la proyección Lambert dado que reduce los problemas relacionados con la variación de la resolución horizontal dentro del dominio.

Radiación: Se utilizaron las parametrizaciones de Dudhia (1989) que considera una única banda y la interacción con la nubosidad para la onda corta y la