Análise do nível de similaridade alcançado entre temperatura e umidade e entre seus fluxos turbulentos no lago de Furnas, MG-Brasil

Abstract

Resumo: O monitoramento micrometeorológico tem sido utilizado em reservatórios para a medição dos fluxos de calor latente através do método de covariâncias turbulentas. Um dos principais resultados da Teoria de Similaridade de Monin-Obukhov - TSMO, é a constatação da similaridade entre os fluxos de calor e vapor d'água. Este resultado é utilizado na maioria dos modelos de transferência para calcular fluxos superficiais e está inserido no conceito da razão de Bowen. Campanhas intensivas de monitoramento micrometeorológico de curtos períodos (menores que 10 dias) tem sido amplamente utilizadas para a verificação da TSMO. Para monitoramentos de longos períodos (um mês ou mais), as complicações de se manter um sistema micrometeorológico ativo dificulta a obtenção de séries, e as hipóteses da TSMO geralmente são verificadas apenas para uma pequena parcela dos dados. Neste trabalho é estudado o efeito da similaridade entre temperatura e umidade nas razões de Bowen por fluxos e por gradientes e nos coeficientes de transferência de turbulência. A análise foi feita seguindo a ideia de número de fluxo de superfície introduzida por Cancelli et al. e aplicada em dados de médias micrometeorológicas de 30 minutos medidos para um período de 50 dias sobre o lago de Furnas, MG-Brasil. Os dados passaram por um controle de qualidade e pela avaliação da pista (fetch e footprint) de medição. Para o lago verificou-se que a análise individual dos números de fluxo de superfície identifica melhor a similaridade, com o número de fluxo de superfície para temperatura apresentando maior sensibilidade nos resultados de razão de Bowen e nos coeficientes de transferência, efeito também constatado pela análise do método de variância. Isto resultou em uma subestimativa da razão de Bowen por gradiente em comparação com a razão de Bowen medida pelos fluxos. Uma explicação possível é que o fluxo de calor sensível sofre interferência do fluxo de calor por advecção vindo de terra, favorecido pelo tempo seco e frio durante o período de medição, condição em que o fluxo de calor sensível de terra é muito maior que o fluxo de calor sensível do lago. Para a umidade o número de fluxo de superfície apresenta um comportamento mais estável. Neste trabalho também foi avaliado o desempenho do modelo de Rede Neural Artificial (RNA) backpropagation para as estimativas do fluxo de calor latente para o preenchimento das falhas nos dados medidos durante os 50 dias. A RNA foi aplicada utilizando vários conjuntos de parâmetros de entrada, estrutura de camadas e tempo de treinamento. O desempenho das estimativas do RNA foi comparado com o desempenho de duas parametrizações para o modelo de transferência de massa, uma de Brutsaert e outra de Verburg e Antenucci. Para avaliar o desempenho dos modelos foram utilizados a eficiência de Nash-Sutcliffe e o índice de concordância de Willmott. O modelo de RNA apresentou resultados para os índices melhores que os modelos de transferência. Os resultados demonstraram que a RNA poder ser utilizada com grande sucesso para o preenchimento das falhas apresentando estimativas de evaporação suficientemente relacionadas com as medições. Palavras-chave: razão de Bowen, número de fluxo de superfície, evaporação de lagos, similaridade de escalares, preenchimento de séries, redes neurais artificiais.

Abstract: Micrometeorology monitoring has been used in reservoirs for latent heat flux measurements by eddy covariance. The main results of Monin-Obukhov Similarity Theory, hereafter MOST, is the finding of heat and water vapor transport similarity. This result is used in most of transfer models applicable to calculate surface fluxes and is inserted in the Bowen ratio concept. Intensive short periods micrometeorological monitoring (less than 10 days) has been widely used for the verification of the MOST. For long periods monitoring (a month or more) the MOST is hardly to be maintained and the flux similarity is verified only for a small set of the data. This work study the effect of similarity between temperature and humidity in the Bowen ratio by fluxes and by gradients and the turbulence flux transfer coefficients. The analysis was done following the idea of Surface Flux number introduced by Cancelli et al. and applied to 30 min. average of micrometeorological data measures for a 50 days period at the Furnas lake, MG-Brazil. A quality control and evaluation of the measurement fetch and footprint conditions was applied to the data. It was found that the individual analysis of Surface Flux number is best predictor of the similarity and that for the lake the temperature Surface Flux number is more sensitive to the Bowen ratio and flux transfer coefficient results. This resulted in an underestimation of the Bowen ratio estimated by gradient compared to the Bowen ratio measured. One possible explanation is that the sensible heat flux is influenced by heat flux advected from the land portions, favored by dry conditions and cold during the measurement period, on condition that the surface heat flux from land is greater than the flux from lake. The humidity Surface Flux number provides a more stable behavior. In this work we assessed too the performance of a backpropagation Artificial Neural Network (ANN) Model to estimatives of latent heat fluxes to fill the gaps in the 50 days measurement dataset. The ANN was applied using various sets of input parameters, layer structures and trainning time. The performance of ANN estimatives were compared of two different mass transfer model parameterizations one by Brutsaert and another by Verburg e Antenucci. To evaluate models performance were used the Nash-Sutcliffe efficiency and the Willmott index of agreement. The ANN Model showed better index results than transfer models. The results showed that the ANN could be used with great performance to latent heat flux gap-filling and estimatives are sufficiently related to the measurements. Keywords: Bowen ratio, surface flux number, lake evaporation, scalar similarity, gapfilling, artificial neural network.