Sistemas agroflorestais e mudanças na qualidade do solo em ...
Modelagem das Mudanças no Uso do Solo em Áreas de Cultivo ... · Modelagem das Mudanças no Uso...
114
UNIVERSIDADE DE SÃO PAULO INSTITUTO DE ASTRONOMIA, GEOFÍSICA E CIÊNCIAS ATMOSFÉRICAS DEPARTAMENTO DE CIÊNCIAS ATMOSFÉRICAS Roger Delavi Araújo Modelagem das Mudanças no Uso do Solo em Áreas de Cultivo de Cana-de-açúcar São Paulo 2010
Transcript of Modelagem das Mudanças no Uso do Solo em Áreas de Cultivo ... · Modelagem das Mudanças no Uso...
UNIVERSIDADE DE SÃO PAULO
INSTITUTO DE ASTRONOMIA, GEOFÍSICA E CIÊNCIAS ATMOSFÉRICAS
DEPARTAMENTO DE CIÊNCIAS ATMOSFÉRICAS
Roger Delavi Araújo
Modelagem das Mudanças no Uso do Solo em Áreas de
Cultivo de Cana-de-açúcar
São Paulo
2010
ii
Roger Delavi Araújo
Modelagem das Mudanças no Uso do Solo em Áreas de
Cultivo de Cana-de-açúcar
Dissertação apresentada ao Programa de Pós-Graduação em Meteorologia do Instituto de Astronomia, Geofísica e Ciências Atmosféricas da Universidade de São Paulo, como condição parcial para obtenção do título de Mestre em Ciências.
Área de concentração: Meteorologia Orientador: Prof. Dr. Edmilson Dias de Freitas
SÃO PAULO
2010
iii
AGRADECIMENTOS
________________________________________________________________
Primeiramente ao Prof. Dr. Edmilson Dias de Freitas, pela orientação, sugestões e
apoio na realização deste trabalho.
Aos meus pais, Filinto e Eliane, pelo imenso carinho, confiança e incentivo em todas
as etapas de minha vida. Agradeço também aos meus irmãos Régis e Roberto, pelo
companheirismo e momentos de descontração.
Agradecimento especial à minha namorada e companheira Camila Carpenedo, pelo
imensurável apoio, paciência e carinho em todos os momentos e em todos os sentidos.
Aos meus tios, Dênis, Luizinho e Jairo, pelo incentivo aos estudos, conselhos e ajuda.
Aos colegas e amigos do laboratório MASTER: Bruno, Enzo, Fabrício, América,
Pedro, “tia” Inês, Melissa, Marcos, Daniel e Jean, pelos momentos de trabalho, ajuda e
descontração. Agradeço também ao Demerval Soares Moreira, pelos esclarecimentos e dicas
sobre o funcionamento do GEMTM.
Aos colegas do Laboratório de Clima e Biosfera, principalmente ao meu amigo
Jonathan Mota, pelas sugestões, fornecimento de dados e troca de informações.
Aos meus colegas de departamento: Luiz, Angélica, Ana Carolina, Fabio, Vanessa,
Mário, João, Diego, Ivan e Rodrigo, pela ajuda e amizade.
Ao projeto Canasat/INPE (http://www.dsr.inpe.br/canasat/) e ao Dr. Bernardo F.
Theodor Rudorff, pelo fornecimento dos dados com as informações dos locais de cultivo de
cana-de-açúcar.
Ao Instituto de Astronomia, Geofísica e Ciências Atmosféricas, pela oportunidade de
realização do mestrado.
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPQ) pelo
auxílio financeiro, tornando possível a realização deste trabalho (Processos: 133003/2008-6 e
136108/2008-3).
A todos os meus amigos que, de uma forma ou outra, contribuíram na minha formação
acadêmica e moral.
iv
RESUMO
________________________________________________________________
ARAÚJO, R. D. Modelagem das mudanças no uso do solo em áreas de cultivo de cana-de-açúcar. 114 p. Dissertação de Mestrado – Instituto de Astronomia, Geofísica e Ciências Atmosféricas, Universidade de São Paulo, São Paulo, 2010. Através da modelagem numérica, foram estudados neste trabalho os efeitos causados pela
mudança no uso do solo em áreas de cultivo de cana-de-açúcar na região norte do Estado de
São Paulo. Utilizou-se o modelo de mesoescala BRAMS acoplado ao modelo GEMTM para
simular a interação dinâmica entre o dossel e a atmosfera em diferentes fases de
desenvolvimento da cana-de-açúcar. Dois cenários foram criados: (1) vegetação nativa do
Estado de São Paulo (CTL); (2) vegetação nativa com adição da cultura de cana-de-açúcar
(CANA). As simulações realizadas compreenderam o período entre 10 de janeiro a 25 de
dezembro de 2007, com saídas a cada hora. Para realizar as simulações foram consideradas
duas grades aninhadas. A grade externa foi alimentada pela condição inicial e de contorno
proveniente dos campos de análise do GFS. Os resultados obtidos revelaram significativas
diferenças entre as simulações. Primeiramente, constatou-se que a condição da umidade nas
camadas do solo teve grande importância nos resultados. No cenário em que a cana-de-açúcar
foi inserida o solo apresentou um maior secamento, contribuindo para que essa menor
quantidade de água nas camadas e a maior exposição do solo, devido ao menor índice de área
foliar desta vegetação, facilitassem a elevação da temperatura do ar próximo à superfície. O
secamento mais pronunciado se deu, em geral, na região central da área de estudo, um dos
locais em que a presença da cana-de-açúcar é dominante. O albedo manteve-se maior na
simulação CANA em todo o período. Entretanto, houve um maior saldo de radiação sobre a
cana-de-açúcar, provavelmente devido à menor cobertura de nuvens gerada pelo modelo,
contribuindo para uma maior oferta de radiação incidente na superfície. Em geral, os valores
médios de temperatura foram maiores com a adição da cana-de-açúcar, principalmente nas
regiões central e noroeste da área de estudo. Os fluxos de calor sensível e latente tiveram um
comportamento concordante com a situação esperada para as vegetações estudadas. Em geral,
foram observados maiores valores de LE na simulação CTL e maiores valores de H na
simulação CANA. A precipitação durante o ano de 2007 mostrou-se, em geral,
significativamente maior quando a cana-de-açúcar é inserida no arquivo de uso do solo do
v
modelo. O escoamento horizontal do ar sobre o cenário CTL apresentou-se, em geral, menos
intenso devido à maior rugosidade da vegetação correspondente à Mata Atlântica em relação à
cana-de-açúcar, principalmente na região central da área de estudo. A utilização do módulo
vegetativo dinâmico para simular a cana-de-açúcar demonstrou que, quando este módulo está
desativado, a umidade nas camadas do solo tende a diminuir ainda mais, pois o índice de área
foliar não varia com o tempo e o solo continua mais exposto à radiação, gerando um
conseqüente secamento, que é mais significativo na superfície. Em consequência disso, foi
observado que a temperatura média foi maior em todo o domínio de estudo, chegando a
superar em até 1,1 °C os resultados da simulação em que o módulo GEMTM foi ativado.
Palavras-chave: Modelagem Atmosférica, Mudanças no Uso do Solo, Balanço de Energia,
BRAMS, GEMTM.
vi
ABSTRACT
___________________________________________________________________________ ARAÚJO, R. D. Modeling of land use change over sugarcane crop areas. 114 pp. Master Dissertation – Institute of Astronomy, Geophysics and Atmospheric Sciences, University of São Paulo, São Paulo, 2010. The effects caused by land use change over sugarcane crop areas in the northern region of São
Paulo state were studied throughout numerical modeling. The BRAMS mesoscale model was
used coupled with the GEMTM (General Energy and Mass Transport Model) model to
simulate the dynamic interaction between the canopy and the atmosphere in different phases
of the sugarcane development. Two scenarios were created: (1) native vegetation of Sao Paulo
state (CTL); (2) native vegetation with addition of sugarcane (CANA). The simulations were
carried out from January, 10th to December, 12th, 2007, with hourly outputs. To perform the
simulations two nested grids were considered. The initial and boundary conditions for the
coarse grid were provided by GFS analysis. The results revealed significant differences
between the simulations. First, it was found that moisture conditions in soil layers were very
important to the results. In the scenario where sugarcane was inserted into the land use
database there was a faster loss of moisture, contributing to a lower amount of water in the
first soil layers. This feature and the increased soil exposure due to lower leaf area index
facilitated the air temperature rise near to the surface. The more pronounced soil drying was
observed, in general, in the central study area, one of the places where the presence of
sugarcane is dominant. The albedo was higher in the CANA simulation during the entire
period. However, net radiation was higher over the sugarcane, probably due to cloud cover
generated by the model, contributing to a greater supply of radiation on the surface. In
general, the mean values of temperature were higher with the sugarcane addition, mainly over
the central and northwestern study area. The sensible (H) and latent (LE) heat fluxes had a
behavior that was consistent with the situation that is expected for the types of vegetation
studied. In general, higher values of LE were observed in the CTL simulation and higher
values of H in the CANA simulation. The precipitation during 2007 was generally higher
when the sugarcane was inserted into the model’s land use database. The horizontal air flow
in the CTL scenario was less intense due to the higher vegetation roughness correspondent to
the Mata Atlantica in relation with sugarcane, especially in the central area of study. The use
vii
of the dynamic vegetation module to simulate the sugarcane evolution has shown that when
the module is turned off, the moisture in the soil layers tends to decrease faster, as the leaf
area index does not vary with time and the soil remains more exposed to radiation, causing a
consequent drying up, which is more significant near to the surface. Consequently, a higher
average temperature was observed over the entire grid domain, overcoming up to 1.1 °C the
results of the simulations where the GEMTM module was activated.
Keywords: Atmospheric Modeling, Land Use Changes, Energy Budget, BRAMS, GEMTM.
viii
SUMÁRIO
________________________________________________________________
RESUMO IV
ABSTRACT VI
SUMÁRIO VIII
LISTA DE FIGURAS X
LISTA DE TABELAS XIII
LISTA DE SIGLAS E ABREVIATURAS XIV
LISTA DE SÍMBOLOS XVI
CAPÍTULO 1: INTRODUÇÃO 17
1.1 Aspectos sobre a cultura de cana-de-açúcar 18
1.2 Estudos anteriores sobre mudanças no uso do solo 25
1.3 Objetivos 27
CAPÍTULO 2: DESCRIÇÃO DO MODELO BRAMS E DO MÓDULO GEMTM 28
2.1 O modelo BRAMS 28
2.1.1 Inicialização homogênea ou heterogênea 29
2.1.2 Estrutura da grade 30
2.1.3 Condições de contorno 31
2.1.4 Parametrização de turbulência 32
2.1.5 Parametrização de convecção 34
2.1.6 Parametrização de microfísica 35
2.1.7 Parametrização de radiação 36
2.1.8 Parametrização de superfície (vegetação) 37
2.2 O modelo GEMTM 39
2.3 O sistema de modelagem acoplado 41
CAPÍTULO 3: CENÁRIOS E SIMULAÇÕES 43
ix
3.1 Cenários 43
3.2 Simulações 46
3.3 Teste de significância estatística t-Student 48
CAPÍTULO 4: RESULTADOS 51
4.1. Análise da variabilidade espacial 52
4.2. Análise do impacto da utilização do modelo GEMTM 72
CAPÍTULO 5: CONCLUSÕES 86
5.1. Sugestões para trabalhos futuros 88
REFERÊNCIAS BIBLIOGRÁFICAS 89
APÊNDICE A 99
x
LISTA DE FIGURAS
________________________________________________________________
Figura 1.1 Área total de cana-de-açúcar cultivada (hectares) no Estado de São Paulo (Fonte: Canasat, 2010) ..................................................................................... 21
Figura 1.2. Mapa do Estado de SP da área ocupada pela cana-de-açúcar nas safras de (a) 2003/2004 e (b) 2009/2010 (Fonte: Canasat, 2010) ......................................... 21
Figura 1.3 Representação esquemática das fases fenológicas da cana-de-açúcar (Adaptado de Doorembos & Kassan, 1979; Gasho & Shih, 1983) ................................... 23
Figura 1.4 Acúmulo de matéria seca nas folhas e índice de área foliar em dois cultivares de cana-de-açúcar, Piracicaba (SP), 1978-79 (Fonte: Machado, 1987) .......... 24
Figura 2.1 Esquema geral das trocas de energia em uma única célula no LEAF-3. Os fluxos entre os principais componentes são indicados com H (fluxo de calor sensível), LE (fluxo de calor latente), M (fluxo de momentum) e W (fluxo de vapor d’água) (Adaptado de Campo et al., 2009) ........................................... 38
Figura 2.2 Diagrama conceitual do acoplamento LEAF-GEMTM. (Adaptado de Beltrán, 2005) ................................................................................................................ 42
Figura 3.1 Cenários (a) CTL e (b) CANA, nos quais: 0 - Água; 1 – Mata Atlântica do Interior; 2 – Mata Atlântica; 3 – Cerrado; 4 – Área urbana; e 5 – Cana-de-açúcar ................................................................................................................ 44
Figura 3.2 Área de domínio das grades utilizadas nas simulações e topografia (m). O ponto preto indica local onde as duas grades foram centradas nas simulações 47
Figura 4.1 Precipitação acumulada mensal (mm) para o ano de 2007 (Fonte: Climanálise, 2007) ................................................................................................................ 52
Figura 4.2 Precipitação acumulada (mm) nas simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student ................................................. 53
Figura 4.3 Umidade do solo média (m3 m-3) a 1 m abaixo da superfície nas simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student ............... 54
Figura 4.4 Albedo médio nas simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student ................................................................................. 55
Figura 4.5 Irradiância solar incidente média (W m-2) nas simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student ........................................... 56
xi
Figura 4.6 Saldo de radiação (Rn) médio (W m-2) para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student ........................................... 57
Figura 4.7 Fluxo de calor sensível (H) médio (W m-2) para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student .................................. 58
Figura 4.8 Fluxo de calor latente (LE) médio (W m-2) para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student .................................. 59
Figura 4.9 Temperatura média para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student ................................................................ 60
Figura 4.10 Campos médios da magnitude (sombreado) e direção (vetores) do vento horizontal (m s-1) para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student ................................................................ 61
Figura 4.11 Campos médios de razão de mistura de vapor d’água (g kg-1) para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student .............................................................................................................. 62
Figura 4.12 Área de análise do comportamento temporal das variáveis, onde x e y indicam os intervalos dos pontos da grade utilizados para o cálculo dos valores médios, totalizando 81 pontos de grade (~1024 km2) ................................................... 63
Figura 4.13 Índice de área foliar (a) e albedo (b) para os experimentos CANA e CTL. A linha vermelha tracejada representa o dia do corte da cana-de-açúcar (24/10/07) ............. 65
Figura 4.14 Umidade do solo a 1 m de profundidade e precipitação para as simulações (a) CANA e (b) CTL .............................................................................................. 66
Figura 4.15 Temperatura média mensal das simulações CANA e CTL .............................. 66
Figura 4.16 Médias mensais do fluxo de calor sensível (a) e do fluxo de calor latente (b) para os experimentos CANA e CTL ................................................................. 67
Figura 4.17 Fluxo de calor latente (W m-²) e umidade do solo (m3 m-3) nas nove camadas das simulações CANA (a) e CTL (b). A parte superior das Figuras corresponde ao fluxo de calor latente e a inferior à umidade do solo em relação à profundidade (m) ............................................................................................. 68
Figura 4.18 Ciclo diurno médio da temperatura para as simulações CANA e CTL nos meses de fevereiro e agosto .............................................................................. 69
Figura 4.19 Ciclo diurno médio do saldo de radiação (Rn), fluxo de calor sensível (H), fluxo de calor latente (LE) e fluxo de calor no solo (G), W m-2. Para as simulações CANA e CTL nos meses de fevereiro e agosto ............................. 71
Figura 4.20 Ciclo diurno médio da irradiância solar incidente (W m-2) para as simulações CANA e CTL, nos meses de (a) fevereiro e (b) agosto .................................... 72
xii
Figura 4.21 Precipitação acumulada (mm) para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student ................................................. 73
Figura 4.22 Umidade do solo média a 1 metro abaixo da superfície do solo para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student .............................................................................................................. 74
Figura 4.23 Albedo médio para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student .............................................................................. 75
Figura 4.24 Irradiância solar incidente (Ki) média para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student ........................................... 76
Figura 4.25 Rn médio para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student .............................................................................. 77
Figura 4.26 Fluxo de calor sensível (H) médio para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student ................................................. 78
Figura 4.27 Fluxo de calor latente (LE) médio para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student ................................................. 79
Figura 4.28 Temperatura média para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student ................................................................ 80
Figura 4.29 Vento horizontal médio para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student ................................................................ 81
Figura 4.30 Campos médios de razão de mistura de vapor d’água para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student ............... 82
Figura 4.31 Índice de área foliar (a) e albedo (b) para os experimentos GON e GOFF. A linha preta tracejada indica o dia do corte da cana na simulação GON. .......... 83
Figura 4.32 Temperatura média mensal das simulações GON e GOFF .............................. 83
Figura 4.33 Médias mensais de H (a) e LE (b) para os experimentos GON e GOFF ......... 84
Figura 4.34 Umidade do solo a 1 metro de profundidade e precipitação para as simulações (a) GON e (b) GOFF ........................................................................................ 85
Figura 4.35 Ciclo diurno médio da temperatura para as simulações GON e GOFF nos meses de fevereiro e agosto .............................................................................. 85
Figura A.1. Rede de resistências do balanço de energia da superfície e do dossel.............................................................................................................. 102
xiii
LISTA DE TABELAS
________________________________________________________________
Tabela 3.1 Tipos de vegetações utilizadas nos cenários e correspondência nas simulações com a vegetação primitiva do Estado de SP ..................................................... 44
Tabela 3.2 Parâmetros biofísicos adotados no modelo de vegetação do BRAMS ............. 45
Tabela 3.3 Principais opções utilizadas para as duas simulações no modelo BRAMS ..... 48
Tabela 4.1 Médias mensais dos acumulados de precipitação (mm) na Região Norte do estado de SP, referente aos dados do TRMM e das simulações CTL, CANA e GOFF, entre 25/01/07 e 25/12/07 ..................................................................... 64
xiv
LISTA DE SIGLAS E ABREVIATURAS
________________________________________________________________
BATS Biosphere-Atmosphere Transfer Scheme
BRAMS Brazilian Regional Atmospheric Modeling System
CANA Cenário com vegetação nativa e com locais onde há informação do cultivo de cana-de-açúcar para a safra de 2007
CAPE Convective Available Potential Energy
CSU Colorado State University
CTDA Centro de Tecnologia e Desenvolvimento Agroindustrial
CTL Cenário com vegetação nativa
FPAR Fração fotossinteticamente ativa da radiação
GEF The Global Ecosystems Framework
GEMBRAMS Modelos GEMTM e BRAMS acoplados
GEMTM General Energy and Mass Transport Model
GFS Global Forecast System
GLAI Índice de área de folhas verdes
GOFF Simulação com o módulo GEMTM desativado
GON Simulação com o módulo GEMTM ativado
ha Hectare
IAF Índice de área foliar
IBGE Instituto Brasileiro de Geografia e Estatística
INPE Instituto Nacional de Pesquisas Espaciais
IPCC Intergovernmental Panel on Climate Change
LDAS Land Data Assimilation Systems
LEAF-3 Land Ecosystem-Atmosphere Feedback Model, version 3
xv
LES Large Eddy Simulation
NASA National Aeronautics and Space Administration
NCL Nível de condensação por levantamento
NDVI Normalized Difference Vegetation Index
RAMS Regional Atmospheric Modeling System
RFA Radiação fotossinteticamente ativa
Ri número de Richardson
SiB2 Simple Biosphere Model, version 2
SP São Paulo
TAI Índice de área total
TRMM Tropical Rainfall Measuring Mission
Unaerp Universidade de Ribeirão Preto
USGS U.S. Geological Survey
USP Universidade de São Paulo
ZCAS Zona de Convergência do Atlântico Sul
xvi
LISTA DE SÍMBOLOS
________________________________________________________________
CO2 Dióxido de Carbono
*c Velocidade de fase
G Fluxo de calor no solo
H Fluxo de calor sensível
H2O Água
Ki Irradiância solar incidente
LE Fluxo de Calor Latente
n Tamanho das amostras
in Número de amostras de cada grupo
Rn Saldo de radiação
S Variância
t t-Student
X Valor médio do grupo X
Y Valor médio do grupo Y
sz Altura da superfície em relação ao nível médio do mar
θ Umidade volumétrica do solo
sθ Umidade volumétrica de saturação do solo
zσ Coordenada sigma-z
17
Capítulo 1: Introdução
A atmosfera e a superfície terrestre encontram-se em constante interação. A vegetação
é fortemente influenciada pelo tempo e pelo clima, adaptando-se ao ambiente e limitando as
suas funcionalidades através da disponibilidade de energia, água e variações de temperatura.
O microclima local é reflexo dos distintos ecossistemas terrestres devido às respostas da
vegetação aos padrões do balanço de energia em superfície, que podem controlar o clima
regional e os processos hidrológicos (ROCHA, 2004).
O impacto da atividade humana sobre o clima é um dos grandes assuntos da
atualidade. A comunidade científica mundial vem tentando definir quais seriam essas
mudanças, estudando, por exemplo, os efeitos do desmatamento e da modificação no uso da
terra em diversas regiões do globo. Nesse contexto, o panorama internacional da cultura
canavieira e seus produtos industrializados são extremamente interessantes, principalmente
para o Brasil, maior produtor mundial de açúcar e de etanol proveniente da cana. O Estado de
São Paulo (SP), maior produtor do país, demonstra disposição empresarial e política para a
expansão agrícola e industrial da cana-de-açúcar (MARQUES et al., 2007).
Como consequência da expansão das áreas de plantio desta cultura, modificações
significativas no sistema solo-vegetação-atmosfera podem ser esperadas. Embora exista na
literatura informação acerca dos impactos causados pela mudança do uso do solo em grande
escala, estudos regionais ainda são necessários para elucidar aspectos considerados
divergentes nos diversos assuntos realizados até o momento.
Desta forma, a utilização de modelos regionais que representem os diferentes tipos de
uso do solo e possuam parametrizações adequadas para a representação dos processos
envolvidos, apresenta-se como uma importante ferramenta para a avaliação dos possíveis
impactos causados pelas mudanças no uso do solo. Nesse contexto, o presente estudo utiliza o
18
modelo de mesoescala BRAMS (Brazilian Regional Atmospheric Modeling System). Este
modelo possui uma série de parametrizações adequadas para o estudo, com destaque para o
módulo de interação solo-vegetação-atmosfera, o LEAF (Land Ecosystem Atmosphere
Feedback model), em sua terceira geração, e o modelo GEMTM (General Energy and Mass
Transport Model) adaptado a partir do LEAF para simular a interação dinâmica (em
diferentes fases de desenvolvimento de culturas) entre a superfície (dossel) e a atmosfera. O
acoplamento entre os modelos GEMTM e BRAMS será referido neste trabalho como
GEMBRAMS.
A busca para melhorar a compreensão das interações entre a superfície terrestre e a
atmosfera cresceu consideravelmente pelos recentes problemas de mudanças climáticas
globais. Atualmente, grande parte dos modelos atmosféricos (modelos de circulação geral e
mesoescala), em suas parametrizações de superfície, considera a vegetação estática, ou seja,
assume-se que a distribuição espacial da cobertura vegetal, área foliar e rugosidade são
invariantes com o tempo (SELLERS et al., 1990; HENDERSON-SELLERS & PITMAN,
1992). Na natureza, as variações sazonais e anuais na vegetação são típicas de muitos
ecossistemas terrestres. A natureza estática da superfície terrestre nos atuais modelos
atmosféricos é obviamente irrealista, podendo resultar em simulações de tempo e de clima
seriamente erradas (HENDERSON-SELLERS & PITMAN, 1992). Modelos realistas de
superfície, interativos e dinâmicos, são necessários para resolver as interações bidirecionais
entre a superfície terrestre e a atmosfera.
1.1 Aspectos sobre a cultura de cana-de-açúcar
A cana-de-açúcar (Saccharum spp., Poaceae) é uma planta monocotiledônea, alógama,
de ciclo semi-perene e própria de climas tropicais e subtropicais. Possui diferentes espécies,
19
sendo diferenciadas através da cor e da altura do caule, que atinge em torno de 4 m de altura e
2 a 5 cm de diâmetro (DANIELS & ROACH, 1987).
De acordo com Lineu (1753, apud MONTEIRO 2009), a cana-de-açúcar é procedente
das Índias, onde já era utilizada desde 1500 a.C. e a partir dos anos 300 a.C. tornou-se uma
cultura de grande importância econômica (ARANHA & YAHN, 1987). Nesta mesma época,
há indícios de que a cana-de-açúcar também era utilizada na China (JAMES, 2004), mas sua
verdadeira origem possivelmente tenha sido na Nova Guiné, onde foram encontrados registros
com mais de 8000 anos. No Brasil, a cana-de-açúcar chegou logo após o descobrimento, mas
somente a partir da segunda metade do século XVI a cultura ganhou importância econômica,
quando os engenhos do Nordeste Brasileiro passaram a operar em Pernambuco, Bahia,
Alagoas, Sergipe e Paraíba. No século XVII, o cultivo de cana-de-açúcar expandiu-se para o
Amazonas e o Pará, onde os engenhos destinavam-se à produção de cachaça, além de atender
aos interesses de Portugal, pois era um item altamente lucrativo na Europa (CANABRAVA,
2005).
No século XIX, a importância do Brasil no mercado mundial de produção de açúcar
foi comprometida pela expansão mundial dos pólos produtores. Neste mesmo período, os
Estados do Rio de Janeiro e São Paulo firmaram-se como pólos fornecedores para as Regiões
Sul e Sudeste. Com o intuito de regular a produção interna e desenvolver pesquisas sobre a
cultura, em 1933 foi criado o Instituto de Açúcar e Álcool. Em 1975 (DECRETO Nº 76.593,
DE 14 DE NOVEMBRO DE 1975), com a crise do petróleo, o Brasil criou o Programa
Nacional do Álcool (Pró-Álcool) com o objetivo de inserir o etanol na matriz energética
brasileira.
O Brasil é o maior produtor mundial de cana-de-açúcar, seguido pela Índia, Tailândia
e Austrália. As regiões de cultivo são Sul, Sudeste, Centro-Oeste e Nordeste, abastecendo os
20
mercados interno e externo com a produção de açúcar e etanol (UNICA, 2010). Entre os anos
de 2005 e 2008, a área de cana-de-açúcar no Brasil aumentou de 6,1 para 8,7 milhões de
hectares, ou seja, uma expansão de 44,2 %. No país destaca-se o Estado de São Paulo como o
maior produtor desta cultura, onde originalmente tinha-se uma região predominantemente
constituída por Cerrado e Mata Atlântica, mas que atualmente é dominada por cana-de-
açúcar, pastagens, milho e soja. Na safra 2008/2009, cultivou-se um total de 4,9 milhões de
hectares de cana-de-açúcar no Estado, onde foram processadas 346,3 milhões de toneladas
pelas usinas, produzindo 16,7 bilhões de litros de etanol e 19,7 milhões de toneladas de açúcar
(UNICA, 2010). A Figura 1.2 mostra os locais de expansão das áreas de cultivo de cana no
Estado de SP entre as safras 2003/2004 e 2009/2010.
O Estado de SP possui condições climáticas adequadas para o cultivo da cana-de-
açúcar, pois apresenta um período seco e de baixas temperaturas, que são ideais para a cultura
atingir a maturidade e o maior acúmulo de sacarose. A temperatura é um dos fatores
climáticos mais importantes na produção de cana-de-açúcar. Com temperaturas do ar abaixo
de 20 °C, a cana geralmente apresenta queda significativa na taxa de crescimento, sendo que
sob temperaturas inferiores a valores entre 16 °C e 18 °C o crescimento da cultura torna-se
praticamente nulo. Ao contrário, quando submetidas a temperaturas entre 30 e 34 °C, as taxas
de crescimento são máximas. Com temperaturas acima de 35 °C pode ocorrer estresse térmico
e acima de 38 °C o crescimento é praticamente nulo (BARBIERI & VILLA NOVA, 1977;
DOORENBOS & KASSAN, 1979; MAGALHÃES, 1987).
21
Figura 1.1. Área total de cana-de-açúcar cultivada (hectares) no Estado de SP (Fonte: Canasat, 2010).
Figura 1.2. Mapa do Estado de SP da área ocupada pela cana-de-açúcar nas safras de (a) 2003/2004 e (b) 2009/2010 (Fonte: Canasat, 2010).
Fauconier & Bassereau (1970) descrevem que sob condições térmicas variando entre
23 °C e 32 °C, a atividade fotossintética da cana aumenta, caindo a partir deste ponto. Já a
respiração é máxima entre 36 °C e 38 °C. Segundo os autores, a determinação exata da
temperatura base, i.e., a temperatura abaixo da qual não há crescimento vegetativo, é
complexa, embora alguns pesquisadores relatem que não há desenvolvimento vegetativo da
cana-de-açúcar sob temperaturas menores que 16 °C.
(a) (b)
22
A cana-de-açúcar desenvolve-se sob a forma de touceiras, cuja parte aérea é formada
por folhas, colmos, inflorescências e sementes, enquanto a parte subterrânea é composta por
raízes e rizomas (MOZAMBANI et al., 2006). A cana possui sistema radicular ramificado, do
tipo fasciculado, com maior quantidade de raízes nas camadas mais superficiais do solo. Em
torno de 85 % da massa radicular total situa-se nos primeiros 50 cm de profundidade e cerca
de 60 % nos primeiros 30 cm de profundidade (MONTEIRO, 2009). Os principais tipos de
raízes da cana podem ser agrupados em: raízes que dão sustentação à planta, alcançando
profundidade de aproximadamente 1,5 m; raízes superficiais, mais finas e com alta
capacidade de absorção de água e nutrientes; e raízes muito profundas, que podem chegar a 6
m de profundidade (EVANS, 1936) e têm como função principal abastecer a planta com a
água das camadas mais profundas do solo em períodos de estiagem prolongada (SMITH,
2005).
A cana-de-açúcar tem como principais características um rápido crescimento,
reprodução abundante e o aproveitamento econômico de grande parte da planta. O suco da
cana é utilizado para produção de sacarose e fermentação de produtos como, por exemplo, o
etanol e o ácido acético. O bagaço da cana também pode ser usado como aditivo de ração
animal e produção de bebidas. Das fibras remanescentes do bagaço, pós-extração do suco, é
possível gerar a energia utilizada nas usinas de moagem da cana (PARANHOS, 1987;
LINGLE, 1998).
É uma planta de metabolismo fotossintético C4, tendo como principal característica a
elevada taxa fotossintética, ou seja, possui eficiência na conversão de energia radiante em
energia química (OLIVEIRA et al., 2004). Classicamente a cana-de-açúcar possui quatro
fases distintas de crescimento: brotação e emergência, estabelecimento e perfilhamento,
crescimento intenso e maturação (Figura 1.3) (CÂMARA & OLIVEIRA, 1993), tendo como
23
suas principais características o perfilhamento abundante na fase inicial de crescimento e o
acúmulo de sacarose no interior dos colmos na fase de maturação.
Eventos Germinação e emergência
Perfilhamento e estabelecimento
Elongação do colmo; Crescimento intenso; Início do acúmulo de sacarose
Intenso acúmulo de sacarose
Fase Emergência Estabelecimento Desenvolvimento Maturação
Duração 30 a 60 dias 60 a 90 dias 180 a 210 dias 60 a 90 dias
Figura 1.3. Representação esquemática das fases fenológicas da cana-de-açúcar (Adaptado de Doorembos & Kassan, 1979; Gasho & Shih, 1983).
A evolução do crescimento da cana é do tipo sigmóide: inicialmente lento, depois
rápido e lento novamente (MACHADO, 1987) (Figura 1.4). As variações de crescimento
aparecem em função da variedade, clima, oferta d’água, manejo do solo, adubação, etc.
(ROCHA, 1998). As folhas são diretamente responsáveis pela transformação de energia solar
em energia química através da fotossíntese. O índice de área foliar (IAF) foi definido por
Watson (1947) como sendo a área foliar integrada do dossel por unidade de superfície
projetada no solo (m2 de folha por m2 de solo). O desenvolvimento foliar durante o ciclo da
cultura pode ser relacionado com o acúmulo de graus-dia e ao déficit hídrico (TERUEL et al.,
1997). Para cada estágio da cultura existem valores distintos do IAF, como verificado por
Leme et al. (1984), além da variação espacial presente nos ambientes de produção.
24
Figura 1.4. Acúmulo de matéria seca nas folhas e índice de área foliar em dois cultivares de cana-de-açúcar, Piracicaba (SP), 1978-79 (Fonte: Machado, 1987).
Fisiologicamente, a maturação da cana-de-açúcar se inicia pelos internódios inferiores
do colmo e pode ser influenciada por fatores como o tempo, solo, tratos culturais e cultivar. É
necessário que haja uma deficiência térmica ou hídrica para que a cana-de-açúcar entre em
maturação, caso contrário ela permanece se desenvolvendo sem acumular sacarose. Solos
argilosos, com maior capacidade de retenção hídrica, podem retardar a maturação. Por outro
lado, em solos arenosos, mais permeáveis, a maturação pode ser antecipada e acelerada
(MARQUES et al., 2007).
Além de ser uma fonte alternativa para substituição de combustíveis fósseis,
estimativas feitas pelo Centro de Tecnologia e Desenvolvimento Agroindustrial (CTDA) da
Unaerp (Universidade de Ribeirão Preto) sugerem que cada tonelada de cana-de-açúcar
cultivada para a produção de álcool hidratado e de álcool anidro combustível, evita a emissão
de 0,17 a 0,25 toneladas de dióxido de carbono (CO2), respectivamente. Essas já incluem as
emissões pelo processo industrial de transformação e da queima do álcool no funcionamento
25
dos motores dos veículos, o que torna a produção ainda mais atrativa, uma vez que esta pode
diminuir as emissões de carbono para a atmosfera. Além da cana-de-açúcar, o álcool etílico
ou etanol pode ser obtido a partir de outros vegetais ricos em açúcar, como as frutas que
contêm amido, extrato de mandioca e celulose extraída principalmente dos eucaliptos. A
maior parte do álcool produzido no Brasil é obtida através da cana-de-açúcar, mas existe uma
tendência de crescimento da produção a partir do eucalipto. Um comparativo do rendimento
da produção de álcool de cana e eucalipto mostra que 1 ha de cana-de-açúcar produz 3.350
litros de álcool e 1 ha de eucalipto, que possui em média 20 toneladas, produz 2.100 litros.
Com uma muda de cana é possível alcançar de 4 a 5 safras subseqüentes, porém, com
perda progressiva de produtividade. A variação nos resultados da colheita depende, além das
condições naturais, do equipamento técnico dos produtores. Na safra 2009, o Estado de São
Paulo teve uma produtividade de 86,9 toneladas por ha, seguido pelos estados do Paraná e
Mato Grosso do Sul, com 86,2 e 83,9 toneladas por ha, respectivamente. A média brasileira
ficou em 81,3 t/ha (CONAB, 2009).
1.2 Estudos anteriores sobre mudanças no uso do solo
Na região amazônica, vários estudos com modelos de circulação geral têm avaliado o
impacto da substituição total da floresta por pastagem (por exemplo, NOBRE et al. 1991,
MANZI & PLANTON, 1996). De uma forma geral, os resultados apontam para o aumento da
temperatura do ar próximo à superfície e diminuição da precipitação e evapotranspiração
sobre a região. Entretanto, estudos numéricos regionais sobre os efeitos do desmatamento na
Amazônia, com enfoque principal sobre a região de Rondônia (SILVA DIAS et al., 2002) e
no leste da Amazônia (GANDU et al., 2004), apresentam resultados diferentes. No leste da
Amazônia foram observados importantes aspectos do processo de desmatamento, ressaltando
26
efeitos que não foram anteriormente simulados em modelos de Circulação Geral. Ao contrário
de estudos com modelos de grande escala, o desmatamento na região leste da Amazônia
parece não provocar uma diminuição generalizada na precipitação. De forma geral, os
resultados mostram que, em simulações de mais alta resolução, a topografia, o litoral e
sistemas de grandes rios têm um papel importante nos padrões anômalos de precipitação,
ventos e energia.
O efeito do desmatamento da floresta Amazônica na atividade convectiva é ainda
polêmico. De uma forma geral, simulações climáticas consideram um vasto cenário de
desflorestamento da Amazônia, com substituição integral por pastagem ou cerrado e indicam
que a precipitação é consideravelmente reduzida. Por outro lado, alguns trabalhos sugerem
um aumento da convecção profunda no período chuvoso em regiões desmatadas, como por
exemplo, o estudo observacional de Durieux et al. (2003). Entretanto, Negri et al. (2004)
observam esta característica somente no período seco. Chagnon et al. (2004) mostram um
aumento da cobertura de nuvens baixas em regiões desflorestadas. Machado et al. (2004)
comparam a atividade convectiva entre regiões de floresta, savana e desflorestadas e
encontram as maiores diferenças na época seca. A grande dificuldade em obter resultados
precisos sobre o efeito do desflorestamento na precipitação é devida ao reduzido número de
medidas na região e aos efeitos orográficos que mascaram o efeito da mudança na cobertura
vegetal. Cabral (2008) realizou uma série de experimentos sobre a substituição da floresta por
pastagem e cultivo de soja e, de maneira geral, verificou que após o desmatamento há uma
modificação substancial do padrão das chuvas na região, com um aumento da precipitação
média na área que foi desmatada.
Cabral et al. (2003) e Negrón-Juarez (2004) mostraram que nas áreas de cultivo de
cana-de-açúcar, um dos substitutos do Cerrado em SP, houve uma pequena redução do saldo
27
de radiação e da evapotranspiração na estação chuvosa. Regionalmente, uma análise mais
recente e detalhada de Tatsch (2006) mostra que em Ribeirão Preto e Campinas, na escala
decadal, ocorreu uma significativa redução da amplitude térmica diária nos últimos 58 anos,
devido, principalmente, a maior taxa de aumento da temperatura mínima do ar. O autor
também destaca as diferenças de produtividade líquida do ecossistema, comparando a cana-
de-açúcar e o Cerrado e indicando a superioridade nas taxas de evapotranspiração neste
último. Experimentos realizados por Negrón-Juarez (2004) mostram que a troca da vegetação
primitiva da região Sudeste pela cana-de-açúcar pode controlar variações regionais na
temperatura do ar e no regime de precipitação.
Devido à expansão das áreas de cultivo de cana-de-açúcar, são esperadas modificações
nos padrões de precipitação nas regiões envolvidas e, consequentemente, surge a necessidade
de estudos que possam fornecer subsídios para o melhor entendimento dos efeitos locais
associados às mudanças no uso do solo mencionadas.
1.3 Objetivos
O objetivo principal deste trabalho é examinar como as alterações no uso da terra
podem influenciar o regime de precipitação em áreas de cultivo de cana-de-açúcar ao longo
das diferentes fases de desenvolvimento dessa cultura e após a colheita da mesma, através do
GEMBRAMS. Nesse sentido, serão abordados os impactos do uso da terra sobre o
comportamento das variáveis meteorológicas, em especial os efeitos nos fluxos de superfície e
da precipitação na região norte do Estado de SP, com modelagem em alta resolução espacial.
Como objetivos específicos:
a) Criação de arquivos de ocupação do solo (cenários de vegetação nativa e inclusão de
áreas de plantio de cana-de-açúcar) para a representação da região de estudo;
b) Avaliação do impacto da vegetação dinâmica (aplicação do modelo GEMTM).
28
Capítulo 2: Descrição do modelo BRAMS e do módulo GEMTM
2.1 O modelo BRAMS
O BRAMS, desenvolvido por algumas instituições brasileiras, como o Instituto
Nacional de Pesquisas Espaciais (INPE) e a Universidade de São Paulo (USP), é baseado no
modelo atmosférico RAMS (Regional Atmospheric Modeling System, PIELKE et al., 1992;
COTTON et al., 2003), desenvolvido pela Universidade do Estado do Colorado (CSU –
Colorado State University). É um modelo numérico abrangente, desenvolvido nas linguagens
computacionais C e FORTRAN, com o qual é possível simular circulações atmosféricas que
vão desde a micro até a grande escala. A partir deste, é possível obter informações
prognósticas, aplicadas à previsão de tempo, e diagnósticas, como, por exemplo, em estudos
de casos voltados para a pesquisa.
O modelo foi construído com o conjunto de equações primitivas que governam a
evolução do estado da atmosfera, com base nas leis de movimento de Newton e na
termodinâmica de um fluido, incluindo parametrizações dos diversos processos físicos
presentes nestas equações. É equipado com um esquema de aninhamento múltiplo de grades,
permitindo que as equações do modelo sejam resolvidas simultaneamente sob qualquer
número de grades computacionais com diferentes resoluções espaciais. Grades de maior
resolução são utilizadas para modelar detalhes dos sistemas atmosféricos de menor escala, tais
como escoamento sobre terrenos complexos e circulações termicamente induzidas pela
superfície. As grades maiores, de menor resolução, são utilizadas para modelar o ambiente
destes sistemas menores, fornecendo assim as condições de fronteira para as grades mais
finas. As grades de menor resolução também são utilizadas para modelar os sistemas
29
atmosféricos de larga escala, os quais interagem com os sistemas de mesoescala resolvidos
nas grades mais finas. As opções físicas e parametrizações de cada simulação são feitas a
partir de um arquivo do tipo lista de variáveis (namelist), chamado de RAMSIN, que é
dividido em cinco partes. Na primeira parte são definidos: o tamanho de cada grade e suas
localizações; a quantidade de grades utilizadas; o número de pontos de grade e o espaçamento
horizontal; o número de níveis verticais e de camadas de solo; o espaçamento vertical e o
tempo de simulação. Na segunda parte são definidos: o tipo de condição inicial, homogênea
(através do uso de uma sondagem) ou heterogênea (utilizando dados de análises); parâmetros
relacionados com o nudging horizontal e vertical; freqüência de geração de arquivos de saída;
arquivos de topografia, ocupação e uso do solo e temperatura da superfície do mar. Na
terceira parte são definidas: as opções físicas e numéricas do modelo, como por exemplo, o
tipo de condição de fronteira lateral; as parametrizações de convecção, radiação, difusão
turbulenta e; o modelo de solo e microfísica, entre outras. A quarta parte é destinada à
inclusão de sondagens no caso de inicialização homogênea, e a quinta parte está relacionada
com a impressão de resultados para verificação das simulações. A versão do BRAMS
utilizada neste trabalho foi a 4.0, que tem como base a versão 5.0 do RAMS.
2.1.1 Inicialização homogênea ou heterogênea
Os principais dados de entrada do modelo BRAMS, a partir dos quais é possível
realizar uma simulação, são: a temperatura do ar; a umidade do ar; o geopotencial e o vento
horizontal (dividido em componentes zonal e meridional). Esses dados de entrada podem ser
originados a partir de observações em superfície e altitude, modelos numéricos, derivados de
produtos de satélites, entre outros. Para os dados serem corretamente lidos pelo modelo é
preciso que os mesmos possuam um formato específico, conhecido como “dprep”. O dprep
30
pode ser definido como um arquivo no formato texto, escrito a cada intervalo de tempo em
que existam dados disponíveis, com uma ordem específica das variáveis de entrada e seus
respectivos níveis verticais.
A inicialização pode ser homogênea, quando só há um valor do dado de entrada para
cada nível, e este valor é atribuído à grade do modelo igualmente na horizontal, obedecendo
apenas critérios de conservação de massa (considerando efeitos topográficos, por exemplo). A
inicialização pode também ser heterogênea, quando os dados de entrada são interpolados para
a grade do modelo, apresentando não só variação na vertical, mas também na horizontal. A
técnica utilizada para a interpolação é uma análise objetiva proposta por Barnes (1964) que
consiste em obter um valor interpolado para cada ponto de grade, através de uma média
ponderada da informação do dado original.
2.1.2 Estrutura da grade
A grade utilizada pelo BRAMS é alternada, do tipo C de Arakawa (MESINGER &
ARAKAWA, 1976), onde as variáveis termodinâmicas e de umidade são definidas nos
mesmos pontos de grade, enquanto que as componentes u, v e w do vento são intercalados em
Δx/2, Δy/2 e Δz/2, respectivamente.
A projeção horizontal utilizada é a estereográfica, cujo pólo de projeção fica próximo
ao centro da área de domínio. Na vertical existem duas opções de projeção. A primeira utiliza
um sistema de coordenadas que segue as oscilações do terreno, chamada zσ , de acordo com a
Equação 2.1.
( )(
sz
s
z zHH z
σ⎡ ⎤−
= ⎢ ⎥−⎣ ⎦ (2.1)
31
na qual, zσ é a coordenada transformada, sz é a altura da superfície em relação ao nível
médio do mar e H é a altura do topo do modelo (TRIPOLI & COTTON, 1982). A segunda
coordenada vertical, chamada de shaved-ETA (TREMBACK & WALKO, 2004) é uma grade
cartesiana, em que as células de grade interceptam a topografia.
2.1.3 Condições de contorno
As condições de contorno lateral são aplicadas para permitir a passagem de ondas de
gravidade e outros fenômenos que chegam à fronteira da grade do modelo, com o intuito de
eliminar (ou minimizar) a reflexão para o interior da área de domínio. A propagação da onda
em uma dimensão é dada pela Equação 2.2:
*u uct x
∂ ∂⎛ ⎞= − ⎜ ⎟∂ ∂⎝ ⎠ (2.2)
em que ut
∂∂ é a taxa de variação temporal da velocidade, normal à fronteira, u
x∂
∂ é a
variação espacial da velocidade normal à fronteira e *c u c= + é a velocidade de fase. No
BRAMS existem algumas condições de fronteira disponíveis e estas têm como principal
fundamento a obtenção de *c . Uma delas foi proposta por Orlanski (1976), calculada no passo
de tempo anterior e no primeiro ponto inferior à fronteira (Equação 2.3).
( )( )
*u
tcu
x
∂∂=
∂∂
(2.3)
32
Outro modo de calcular *c é aplicando o valor da média vertical segundo Orlanski,
para toda a coluna do domínio (KLEMP & LILLY, 1978). Klemp & Wilhelmson (1978 a, b)
sugerem o uso de um valor típico para a velocidade de fase da onda de gravidade.
A condição de contorno no topo do modelo difere da condição lateral pelo fato de que
a propagação da onda de gravidade na vertical ter velocidade de fase oposta à velocidade de
grupo, podendo ocorrer efeito de propagação em direção à superfície. Apesar de algumas
opções fornecidas pelo modelo, o nudging no topo elimina a necessidade de utilizar essas
opções, passando esta a ser a condição de contorno aplicada.
A condição de contorno na base está relacionada às trocas de calor, momentum e
massa entre a superfície e a atmosfera logo acima desta. Essas trocas são consideradas em
diferentes tipos de superfícies, que podem ser água, solo sem cobertura vegetal ou solo
vegetado, conforme será visto posteriormente na seção 2.1.8.
2.1.4 Parametrização de turbulência
Estão disponíveis no BRAMS quatro opções de parametrização dos coeficientes de
difusão turbulenta na vertical e na horizontal. A primeira dessas opções é baseada na
formulação de Smagorinsky (1963) para os coeficientes de difusão horizontal. De acordo com
essa formulação, os coeficientes de difusão são calculados como produto da taxa de
deformação horizontal (gradientes horizontais da velocidade do vento) e do quadrado da
escala de comprimento. A escala de comprimento é o produto do espaçamento de grade
horizontal por um fator de multiplicação que depende das dimensões da grade utilizada. Nessa
opção, a difusão vertical é parametrizada seguindo o esquema de Mellor & Yamada (1982)
através da energia cinética turbulenta prognosticada pelo modelo. A diferença da segunda
opção para a primeira está apenas na parametrização vertical, sendo usado o análogo
33
unidimensional do esquema de Smagorinsky. A deformação vertical é obtida dos gradientes
verticais do vento horizontal (cisalhamento vertical) e a escala de comprimento é o
espaçamento vertical local multiplicado por um fator que depende das dimensões da grade
utilizada. A primeira e a segunda opção são apropriadas para o caso onde o espaçamento
horizontal da grade é muito maior que na vertical, tal que os movimentos convectivos
dominantes não sejam resolvidos.
São utilizadas algumas modificações nos coeficientes de difusão verticais devido à
estabilidade atmosférica, baseados nas formulações de Lilly (1962) e Hill (1974). A
modificação de Lilly é na forma de um fator de multiplicação que depende do número de
Richardson (Ri) e da razão entre os coeficientes de difusão de temperatura e momento na
vertical. Este fator multiplicativo é maior do que um em casos instáveis e menor do que um
em casos estáveis. A modificação de Hill aplica-se somente a regiões de lapse-rate instáveis e
consiste na adição do valor absoluto do quadrado da freqüência de Brunt-Vaisala à taxa de
deformação, com o intuito de obter uma escala de tempo modificada para o cálculo dos
coeficientes de difusão. Na terceira opção, os coeficientes de difusão na vertical e na
horizontal são calculados como um produto entre o tensor tensão de cisalhamento em três
dimensões e o quadrado da escala de comprimento. A quarta opção utiliza o esquema de
Deardorff (1980) e faz uso da energia cinética turbulenta para o cálculo dos coeficientes de
difusão vertical e horizontal. Este esquema é destinado somente para simulações de grandes
turbilhões (LES – Large Eddy Simulation), os quais consideram que os movimentos
resolvidos pelo modelo realizam a maior parte do transporte turbulento.
34
2.1.5 Parametrização de convecção
A parametrização de convecção é utilizada para redistribuir verticalmente calor e
umidade em uma coluna de ar atmosférica quando o modelo cria uma região convectivamente
instável e a resolução horizontal da grade é muito baixa para o modelo gerar sua própria
circulação convectiva.
Para que o modelo resolva uma circulação de convecção profunda, é necessário que
alguns pontos de grade na horizontal incluam a circulação convectiva em questão, para que as
correntes ascendentes possam ser criadas na escala da grade. Essas correntes convectivas são
da ordem de poucos quilômetros a dezenas de quilômetros. Assim, a resolução da grade na
horizontal precisaria ser da ordem de centenas de metros a poucos quilômetros para poder
simular explicitamente a convecção. Ao utilizar uma grade mais grosseira esse tipo de
circulação não será explicitamente resolvida, impossibilitando as trocas verticais diretas de
calor e umidade, assim como a conversão de energia potencial disponível para convecção
(CAPE - Convective Available Potential Energy) em outras formas de energia. Torna-se
necessária a utilização de uma parametrização convectiva na mesma filosofia da
parametrização de turbulência, como um fenômeno de escala subgrade. Os esquemas
disponíveis atuais foram elaborados para grades com resolução em torno de 20 km ou
maiores, fazendo com que exista um intervalo de resolução (entre 2 e 20 km) em que nenhum
esquema convectivo funciona adequadamente. Para resoluções menores do que 2 km a
parametrização de microfísica tende a resolver explicitamente os processos convectivos.
Cada esquema de parametrização de convecção adota hipóteses de fechamento
diferenciadas para resolver a questão da interação entre as escalas, o que leva a uma vasta
possibilidade de soluções. A primeira parametrização introduzida no RAMS, utilizada neste
trabalho, foi a do tipo Kuo (KUO, 1974), em que a convecção atua para eliminar a
35
instabilidade gerada por efeitos de grande escala e evaporação local. As equações da
tendência termodinâmica e da tendência de umidade para a convecção úmida são dependentes
da instabilidade atmosférica, da velocidade vertical no nível de condensação por levantamento
(NCL) e da convergência de umidade na camada abaixo da nuvem.
2.1.6 Parametrização de microfísica
A parametrização de microfísica de nuvens presente no modelo especifica a
complexidade dos processos de mudança de fase que serão utilizados para os cálculos
explícitos em cada ponto de grade, simulando todas as mudanças de fase que ocorrem com a
água em seus três estados (sólido, liquido e gasoso), incluindo as trocas de calor envolvidas
nas mudanças. As seguintes categorias são consideradas:
fase gasosa: vapor d’água;
fase líquida: gotículas de nuvem e gotas de chuva;
fase sólida: gelo primário, neve e agregados;
fase mista entre líquido e sólido: granizos e pequenos granizos.
A inclusão ou não de cada uma das categorias acima em uma simulação é de escolha
do usuário, que define o nível de complexidade da microfísica que será utilizada:
nível 0: o modelo é integrado “seco”, sem qualquer consideração de umidade;
nível 1: é ativada a advecção, difusão e fluxo de água na superfície, mas toda a
substância água contida na atmosfera é considerada vapor d’água, mesmo que ocorra
supersaturação;
nível 2: ocorre condensação do vapor d’água em gotículas de nuvem quando a
supersaturação é alcançada. A quantidade de vapor d’água que é convertido em água
líquida é puramente diagnóstica neste caso. Os efeitos positivos de flutuação do
36
vapor e da água líquida são incluídos na equação do movimento vertical. Nenhum
outro tipo de hidrometeoro é considerado;
nível 3: ativa toda a microfísica. Todos os tipos de hidrometeoros são
considerados e o processo de precipitação é incluído.
Na parametrização de microfísica do BRAMS (MEYERS et al., 1997) são levados em
consideração os diferentes processos microfísicos, como a colisão e coalescência, nucleação,
sedimentação e conversão de uma categoria para outra. As gotículas são consideradas
pequenas o suficiente para não precipitarem através da nuvem, enquanto que as outras
categorias precipitam. A nucleação direta a partir do vapor d’água só é permitida para
gotículas e gelo primário (este último só cresce por deposição). Os agregados são definidos
como partículas de gelo que se formam por colisão e coalescência de gelo primário e neve.
Gelo primário, neve e agregados possuem baixa densidade e pequena velocidade de queda,
enquanto que pequenos granizos possuem densidade intermediária e forma aproximadamente
esférica.
2.1.7 Parametrização de radiação
No BRAMS existem três métodos de parametrização de radiação utilizados que se
diferem basicamente pela consideração ou não dos efeitos das interações com as nuvens.
Mahrer & Pielke (1977) avaliam empiricamente o espalhamento da radiação de onda curta
pelo oxigênio, ozônio e dióxido de carbono e a absorção pelo vapor d’água; também é
avaliada a quantidade de emissão no infravermelho e absorção pelo vapor d’água e dióxido de
carbono em onda longa, mas nenhuma interação com nuvens ou material condensado é
considerada. Este esquema é o mais simples e com menor custo computacional. O segundo
37
esquema (CHEN & COTTON, 1988) para a radiação de onda curta é uma solução completa
da equação de transferência radiativa, permitindo que o conteúdo de água líquida e o vapor
presentes na atmosfera influenciem os fluxos de radiação solar e terrestre. Nesse esquema é
possível avaliar a emissão de onda longa em atmosfera limpa, com nuvens ou mista. Os
processos de espalhamento, absorção, transmissão e reflexão de onda curta por nuvens
também são considerados.
O terceiro esquema é o de Harrington (1997), sendo mais completo que os demais.
Neste esquema são consideradas as diferentes fases da nuvem (diferenciando o efeito se
houver somente água ou se houver gelo), também considera um perfil de ozônio que terá
efeito na absorção da radiação solar. Teoricamente o esquema de Harrington é mais eficiente,
contudo, tem um custo computacional maior.
2.1.8 Parametrização de superfície (vegetação)
O BRAMS utiliza o LEAF-3 (Land Ecosystem-Atmosphere Feedback Model,version
3,WALKO & TREMBACK, 2005) para a condição de fronteira inferior. Alguns aspectos
sobre o LEAF-3 serão apresentados neste item. Maiores informações podem ser encontradas
em Walko et al. (2000) e Freitas (2003).
No LEAF-3 a condutância estomática é calculada utilizando fatores de estresse
ambiental, que dependem da temperatura, do déficit de vapor de água, radiação de ondas
curtas e do potencial hídrico do solo. A Figura 2.1 apresenta um esquema geral dos
componentes considerados no LEAF-3 para uma única célula e destaca os fluxos de energia
trocados entre os diferentes componentes, onde, para os três tipos de patch (água, solo nu e
solo vegetado) diferentes temperaturas e balanço de massa de água são computados.
38
A principal diferença do LEAF-3 e as versões anteriores é a inclusão do índice de
vegetação normalizado (NDVI – Normalized Difference Vegetation Index) para a definição
dos parâmetros da vegetação, permitindo uma variação sazonal das propriedades da
vegetação, aspecto não considerado anteriormente.
Figura 2.1. Esquema geral das trocas de energia em uma única célula no LEAF-3. Os fluxos entre os principais componentes são indicados com H (fluxo de calor sensível), LE (fluxo de calor latente), M (fluxo de momentum) e W (fluxo de vapor d’água) (Adaptado de Campo et al., 2009).
Para a definição dos parâmetros da vegetação, o LEAF-2 utilizava uma associação
entre o BATS (Biosphere-Atmosphere Transfer Scheme, DICKINSON et al., 1986) e os
parâmetros fornecidos pela National Aeronautics and Space Administration/Land Data
Assimilation Systems (NASA/LDAS). Na versão LEAF-3, assim como no modelo SiB2
(Simple Biosphere Model, SELLERS et al., 1996), o NDVI é utilizado para o cálculo de
alguns parâmetros relacionados à vegetação, tais como, a fração da radiação
fotossinteticamente ativa (FPAR), o índice de área de folhas verdes (GLAI), o índice de área
39
total (TAI) e o comprimento de rugosidade ( 0z ). Além disso, a dependência do albedo e da
transmissividade da vegetação ao GLAI e TAI, como descrito no SiB2, é combinada com a
formulação anteriormente utilizada no LEAF-2 para a obtenção de expressões para o albedo e
a fração de cobertura da vegetação como uma função de GLAI, TAI e as classes do LEAF-3.
O conjunto de classes existentes (BATS, LDAS e SiB2) foi reduzido, formando 21 classes,
combinando as classes similares. Os documentos do GEF (The Global Ecosystems
Framework, OLSON, 1994), com suas referências cruzadas entre as tabelas de Olson, BATS
e SiB2 foram utilizados como um guia para a combinação das classes de uso do solo entre
BATS, LDAS e SiB2. As classes de uso do solo utilizadas no LEAF-3 são apresentadas em
Walko & Tremback (2005). É importante ressaltar que a utilização de atualização do NDVI é
uma opção do modelo e neste trabalho esta ferramenta não foi ativada, cabendo ao GEMTM
fazer com que as variações ao longo do tempo, principalmente do índice de área foliar, fossem
consideradas nas simulações.
2.2 O modelo GEMTM
Considerando a interação dinâmica existente entre o solo, a vegetação e a atmosfera,
foi utilizado neste trabalho, acoplado ao modelo BRAMS, o modelo GEMTM (CHEN &
COUGHENOUR, 1994).
O GEMTM é composto por vários submodelos para a representação de aspectos
como: (a) microclima do dossel; (b) dinâmica térmica do solo; (c) dinâmica da água no solo;
(d) crescimento da planta, incluindo a fotossíntese e a condutância estomática da folha;
(e) produção de biomassa; (f) dinâmica de distribuição espacial da raiz; e (g) respiração do
solo.
40
No GEMTM, a fotossíntese do dossel é calculada utilizando as frações de folhas
iluminadas pelo sol e sombreadas. A quantidade de carbono avaliada é distribuída entre as
folhas, caules, raízes e reprodução orgânica, com coeficientes de partição variável, que são
funções das condições de água no solo. À medida que aumenta o estresse hídrico, a fração
alocada ao crescimento da raiz aumenta. A manutenção, a respiração de crescimento e a
mortalidade de cada um destes componentes da biomassa são calculadas através de relações
empíricas baseadas na temperatura do ar e do solo e na umidade do solo. A quantidade de
carbono da folha está relacionada ao índice de área foliar da vegetação.
Diariamente, nestas simulações, às 00Z um novo valor de IAF total é estimado,
através do crescimento diário da biomassa foliar. Além disso, o perfil da raiz é atualizado
diariamente através dos processos de ramificação, extensão e morte (CHEN & LIETH, 1993).
As trocas de água e CO2 entre a planta e a atmosfera são reguladas pela condutância
estomática, sendo esta calculada utilizando a relação linear semi-empírica de Ball-Berry,
baseada na fotossíntese líquida, umidade relativa e CO2 foliar (BALL et al., 1987). De acordo
com Eastman et al. (2001), na versão do GEMTM utilizada para o acoplamento com o
BRAMS destacam-se alguns aspectos importantes:
• As taxas de fotossíntese são calculadas a cada passo de tempo da simulação;
• A taxa de fotossíntese é calculada para a radiação fotossinteticamente ativa (RFA),
considerando assim as áreas que estão recebendo a radiação direta e as áreas sombreadas
que recebem radiação difusa;
• A radiação fotossinteticamente ativa é calculada usando vários níveis do dossel;
• A taxa de fotossíntese também depende do potencial de água da planta, da temperatura da
vegetação e da razão de mistura do vapor d’água;
41
• As atualizações da alocação de biomassa, da respiração das plantas e das taxas de
crescimento e de mortalidade são baseadas na umidade do solo e na temperatura do ar e do
solo;
• Existência de um modelo espacial de raízes para efluxo e retenção, incluindo algoritmo de
ramificações e alongamento das raízes;
• Assume-se que a taxa de respiração é igual à de retenção de água pelo solo no cálculo do
potencial de água da planta.
Descrições mais detalhadas das principais componentes do GEMTM podem ser
encontradas no Apêndice A.
2.3 O sistema de modelagem acoplado
O GEMBRAMS foi utilizado nas simulações para estudar os impactos das mudanças
no uso da terra sobre a atmosfera. Vários componentes do GEMTM foram acoplados ao
BRAMS: transferência de radiação no dossel, crescimento de plantas e raízes, dinâmica da
água no solo, produção de biomassa, e respiração do solo. Estes componentes requerem um
conjunto adicional de parâmetros, na maior parte dependente da vegetação, para caracterizar
esses processos biológicos. No GEMBRAMS, a biosfera e a atmosfera próxima à superfície
podem interagir dinamicamente através do balanço de energia da superfície e do dossel.
Eastman (1999) e Eastman et al. (2001) descrevem em detalhes como o acoplamento entre o
GEMTM e o BRAMS é feito. Um esquema do sistema acoplado é mostrado na Figura 2.2.
Nesta, as linhas verdes representam a componente GEMTM-Planta, as linhas azuis
representam o caminho da água e as setas marrons simbolizam as conexões entre o BRAMS,
o LEAF e o GEMTM.
42
O GEMTM fornece para o BRAMS: a atualização da condutância estomática, o IAF, a
rugosidade e a fração de cobertura do solo. Precipitação, temperatura do ar do dossel,
temperatura do solo, umidade, ventos, bem como os fluxos de superfície (por exemplo, calor
sensível e latente) são previstos pelo BRAMS. O efeito do estresse hídrico sobre a taxa de
assimilação é também considerada e estimada por meio de funções empíricas dependentes da
vegetação (COUGHENOUR, 1984). O valor de ponderação destas funções para um solo
relativamente úmido é igual a um, com uma diminuição linear até um valor igual a zero para
valores de potencial de água da planta baixos o suficiente para cessar a fotossíntese.
Figura 2.2. Diagrama conceitual do acoplamento LEAF-GEMTM (Adaptado de BELTRÁN, 2005).
43
Capítulo 3: Cenários e Simulações
Este capítulo faz uma apresentação sobre os cenários construídos para as análises de interesse
dessa dissertação, bem como uma descrição das configurações utilizadas para a realização das
simulações na região de estudo.
3.1 Cenários
Foram realizadas simulações com o modelo GEMBRAMS para a região norte do
Estado de SP. Desta forma, os efeitos de alterações na vegetação sobre as condições
atmosféricas locais foram considerados. É importante enfatizar que a região de estudo sofreu
grandes mudanças no que se refere à substituição da vegetação nativa por cultivos de interesse
econômico.
Para a avaliação destes efeitos, dois cenários foram propostos. O primeiro, prescrito a
partir de informações contidas em Negrón-Juárez (2004) (Tabela 3.1), refere-se à vegetação
nativa do Estado de SP (referenciado como cenário CTL), o qual utilizou como base o mapa
da vegetação do Brasil apresentado por Joly et al. (1999) e dos biomas da América do Sul
publicado pelo IPCC (2000). O segundo cenário representa a vegetação nativa com a adição
dos locais onde há informação do cultivo de cana-de-açúcar para a safra do ano de 2007
(referenciado como cenário CANA). O arquivo de topografia utilizado, com aproximada-
mente 1 km de espaçamento horizontal, foi obtido do U.S. Geological Survey (USGS).
44
Tabela 3.1 – Tipos de uso do solo utilizados nos cenários e correspondência nas simulações com a vegetação primitiva do Estado de SP.
Tipo de vegetação Classificação segundo o BRAMS
0. Corpos de água 0. Water Bodies
1. Mata Atlântica do Interior - Floresta Ombrófila decídua 6. Deciduous Broadleaf Tree
2. Mata Atlântica - Floresta Ombrófila densa 7. Evergreen Broadleaf Tree
3. Cerrado 14. Mixed Woodland
4. Área Urbana 19. Urban and Built up
5. Cana-de-açúcar 11. Sugarcane
Para a criação do cenário com a cana-de-açúcar foram obtidos arquivos do projeto
Canasat/INPE (CANASAT, 2009) contendo informações a respeito dos locais onde houve
cultivo de cana-de-açúcar no Estado de SP e nos estados vizinhos durante a safra de 2007. A
partir destas informações, os arquivos de vegetação foram construídos seguindo o formato
utilizado pelo modelo BRAMS. Desta forma, foram inseridas informações sobre a presença
de plantações de cana-de-açúcar no arquivo topográfico fornecido pelo USGS. A diferença
entre o arquivo utilizado nas simulações do cenário CTL e CANA pode ser verificada através
de uma inspeção na Figura 3.1.
(a)
(b)
Figura 3.1. Cenários (a) CTL e (b) CANA, nos quais: 0 - Água; 1 – Mata Atlântica do Interior; 2 – Mata Atlântica; 3 – Cerrado; 4 – Área urbana; e 5 – Cana-de-açúcar.
45
Os tipos de vegetação prescritos seguiram a classificação utilizada pelo BRAMS, com
a tentativa de representar os biomas que existem no Estado de SP. Contudo, é importante
enfatizar que os parâmetros biofísicos para a cana-de-açúcar foram alterados no submodelo
LEAF-3. O submodelo requer a prescrição dos parâmetros biofísicos da superfície, para cada
ponto de grade, admitidos como uma representação média do tipo de vegetação e solo na área
associada à grade.
Para a representação da nova vegetação, foram definidos valores típicos considerando
a cana-de-açúcar no início de seu desenvolvimento, durante a estação chuvosa (mês de
janeiro) e na época em que a cana foi cortada. Também foram apresentados os valores dos
parâmetros da vegetação de Mata Atlântica, pois esta é a vegetação predominante na
simulação CTL na área que será definida mais adiante para comparação da evolução temporal
dos campos analisados. Os valores utilizados são apresentados na Tabela 3.2.
Tabela 3.2 – Parâmetros biofísicos adotados no modelo de vegetação do BRAMS.
Parâmetro Cana plantio (*) Cana corte (*) Mata Atlântica
Albedo verde (%) 0,20 0,18 0,12
Albedo marrom (%) 0,24 0,22 0,18
Índice de área total máximo (m2 m-2) 5,00 1,00 6,50
Índice de área dos galhos (m2 m-2) 1,00 1,00 1,00
Fração vegetal (%) 0,80 0,00 0,90
Altura do dossel (m) 3,00 0,30 32,00
Profundidade das raízes (m) 1,50 1,50 2,50
Resistência estomática mín. (s m-1) 175,00 175,00 250,00
(*): Valores ajustados numericamente ao longo do estudo através de testes e em relação aos valores de outras classes de vegetação do LEAF. Cana plantio refere-se aos valores dos parâmetros adotados para o início da simulação, assim como Cana corte refere-se aos valores dos parâmetros biofísicos utilizados para simular o corte da cana no modelo (24/10/07).
Os valores dos parâmetros biofísicos adotados para representar a cultura da cana-de-
açúcar foram obtidos através de testes ao longo do período de estudo. O ajuste dos parâmetros
46
do tipo de vegetação é importante para a busca da representação adequada do ciclo diurno e
sazonal da temperatura, vento em superfície, umidade e dos fluxos de momemtum, energia e
água.
O albedo, ou coeficiente de reflexão, é definido pela razão entre a radiação solar
refletida e a radiação solar incidente. No modelo são considerados dois valores distintos de
albedo, diferenciando-se a porção verde (folhas) da vegetação (albedo verde) da porção
marrom (ramos, caules) da vegetação (albedo marrom). O índice de área total máximo refere-
se à soma do IAF e o índice de área dos galhos da planta. O IAF foi definido por Watson
(1947) como sendo a área foliar integrada do dossel por unidade de superfície projetada no
solo (m2 de folha por m2 de solo). O IAF é computado ao considerar-se a superfície de apenas
uma das faces das folhas. A fração vegetal representa a fração de terreno coberta por
vegetação, e possui um valor alto tanto para a Mata Atlântica quanto para plantações de cana-
de-açúcar. A altura da vegetação considerada para a cana-de-açúcar foi inicialmente de 3 m e
após o corte passou a ser de 0,30 m, a profundidade das raízes adotada foi de 1,5 m.
Para a realização da fotossíntese, as plantas abrem seus estômatos para captar CO2 do
ar. Contudo, durante este processo, ocorrem perdas de água pelas folhas. Esta perda é
controlada pelos estômatos a partir do seu grau de abertura e o controle é atribuído à
condutância estomática foliar, definida como o inverso da resistência estomática. Uma
resistência estomática mais alta indica maior controle dos estômatos sobre a perda de água da
planta e quanto melhor a condição hídrica de uma região, menor será a resistência estomática
das plantas.
3.2 Simulações
As simulações realizadas compreenderam o período entre 10 de janeiro e 25 de
dezembro de 2007, sendo os primeiros 15 dias removidos para prover um período de
47
equilíbrio da umidade do solo, resultando assim em um período de análise dos resultados de
25 de janeiro a 25 de dezembro de 2007, com saídas a cada hora. Devido ao tempo de
integração ter sido muito longo, a cada 744 horas (31 dias) a continuação da simulação no
modelo GEMBRAMS foi dada a partir da opção chamada History. Esta é uma opção para a
definição da condição inicial de uma simulação que considera as condições do último instante
simulado pelo modelo, continuando, a partir de um ponto intermediário, até completar todo o
período desejado de simulação.
Para realizar as simulações foram consideradas duas grades aninhadas (Figura 3.2). A
grade externa, com espaçamento horizontal de 16 km, foi alimentada pela condição inicial e
de contorno proveniente dos campos de análise do GFS (Global Forecast System, do National
Centers for Environmental Prediction), com 1° de espaçamento horizontal em intervalos de 6
horas. A grade interna foi configurada com espaçamento horizontal de 4 km e cobriu uma
área equivalente a 61.504 km2. Ambas as grades foram centradas em 21° S e 48° W. Um
resumo das principais configurações utilizadas nas simulações é apresentado na Tabela 3.3.
Figura 3.2. Área de domínio das grades utilizadas nas simulações e topografia (m). O ponto preto indica o local onde as duas grades foram centradas nas simulações.
48
Tabela 3.3 – Principais opções utilizadas para as duas simulações no modelo BRAMS.
3.3 Teste de significância estatística t-Student
Foram realizados testes estatísticos do tipo t-Student, com o objetivo de discutir a
significância estatística dos impactos da mudança no uso do solo com a adição das áreas de
plantio de cana-de-açúcar.
Simulações Grade 1 Grade 2
Período de Integração 10/01/2007 a 25/12/2007 (349 dias)
Período de análise dos resultados 25/12/2007 a 25/12/2007 (334 dias)
Tempo descartado para spin-up 15 dias
nº de grades 2
Pontos de grade em x 32 62
Pontos de grade em y 32 62
Níveis Verticais 34 34
Primeiro nível vertical 19.1 metros
Espaçamento dos pontos de grade (km) 16 4
Inicialização da umidade do solo Homogênea
Número de camadas de solo 9
Tipo de solo, em todo o domínio tipo 6 (Sandy Clay Loam)
Profundidade das camadas do solo (cm) 10/25/50/75/100/125/150/175/200
Grau de saturação das camadas do solo 0.48/0.49/0.50/0.51/0.52/0.53/0.55/0.57/0.60
Param. Radiação Chen & Cotton (1983)
Param. Convectiva Desligada
Nível de microfísica 3 (WALKO et al., 1995)
Parametrização de Turbulência Deformação Anisotrópica (SMAGORINSKY, 1963)
Atualização dos dados NDVI Desligada
49
1 22 2
1 2
1 2
X XtS Sn n
−=
+
O teste t-Student é um teste que verifica se os valores médios entre dois grupos
diferem estatisticamente, levando-se também em consideração a variabilidade da distribuição
de cada grupo. Além da diferença entre as médias de cada amostra, o teste-t leva em
consideração a variância (S) e o número de graus de liberdade (n-1), que dependem do
tamanho das amostras (n). A fórmula utilizada é:
(3.1)
em que X é o valor médio do grupo X; Y é o valor médio do grupo Y; in é o número de
amostras de cada grupo, para X 1( )n e Y 2( )n , respectivamente; e 2iS é a variância de cada
grupo, respectivamente para X 1( )S e Y 2( )S .
Para a análise dos resultados, o teste-t necessita da escolha de um intervalo de
confiança e o número de graus de liberdade. Os intervalos de confiança iguais ou maiores que
90 %, 95 % e 99 % foram adotados para que as diferenças fossem consideradas significativas
estatisticamente. A partir destes níveis de confiança e do número de graus de liberdade (n-1)
obtém-se um valor de referência rt , o qual pode ser obtido em Anderson & Finn (1996). A
hipótese de que dois grupos são estatisticamente diferentes é corroborada se t for maior que
rt .
Os campos médios de cada variável apresentam variação espacial de acordo com os
pontos de grade no domínio de estudo. O teste-t analisa a diferença entre os grupos, porém
restritos à mesma posição na grade de cada cenário. Portanto, o teste-t utilizado é chamado de
pareado e é empregado especialmente quando cada dado de um grupo apresenta uma relação
única com o seu correspondente do outro grupo analisado, formando um par.
50
O teste-t torna-se confiável para grupos com distribuições normais. Para grupos com
número de amostras alto e, principalmente, quando o número de graus de liberdade é superior
a 30, a distribuição é aproximadamente normal. O número de amostras utilizado neste
trabalho foi de 8.017, referente à quantidade de dados horários do período completo de
análise, resultando em 8.016 graus de liberdade.
51
Capítulo 4: Resultados
Neste capítulo será inicialmente apresentada uma breve análise do comportamento da
precipitação no ano de 2007 e os resultados obtidos através das simulações realizadas com o
GEMBRAMS. A primeira parte dos resultados refere-se às comparações entre as simulações
CANA e CTL, iniciando-se com campos médios nas áreas experimentais e em seguida
apresentando o comportamento temporal das variáveis em uma área escolhida através da
aplicação do teste estatístico t-Student, indicando onde as diferenças entre as simulações são
significativas. Na segunda parte os resultados são apresentados de forma semelhante à
primeira, contudo, as comparações são feitas entre a simulação com o módulo GEMTM
ativado (GON) e outra com este módulo desativado (GOFF). É importante ressaltar que a
simulação GON corresponde à mesma simulação denominada CANA. No entanto, a
modificação de nomenclatura objetiva explicitar o impacto da utilização do módulo
vegetativo dinâmico nas simulações.
No Sudeste do Brasil predomina uma variação na precipitação de 1.500 a
2.000 mm ano-1, com máximos na região litorânea e mínimos no norte de Minas Gerais. O
trimestre mais seco se dá entre os meses de junho e agosto, e o mais úmido de dezembro a
fevereiro (NEGRÓN-JUÁREZ, 2004). A precipitação no litoral do Sudeste do Brasil varia de
3.500 a 4.000 mm ano-1, principalmente no litoral norte do Estado de SP, sem uma estação
seca bem definida (SILVA DIAS & MARENGO, 1999).
Durante o ano de 2007, a Região Sudeste apresentou índices pluviométricos acima da
média climatológica nos dois primeiros meses do ano (meses de maior atividade convectiva).
A partir de março verificou-se uma redução significativa da precipitação. Essas anomalias
negativas persistiram até o mês de novembro, quando a Zona de Convergência do Atlântico
52
Sul (ZCAS) começou a atuar nesta região. Ressalta-se que em julho seis sistemas frontais
penetraram na Região Sudeste, provocando um aumento na precipitação. Em geral, as
temperaturas apresentaram-se acima da média climatológica neste ano (CLIMANÁLISE,
2009). Na Figura 4.1 observam-se os campos mensais de precipitação acumulada em 2007.
Figura 4.1. Precipitação acumulada mensal (mm) para o ano de 2007 (Fonte: CLIMANÁLISE, 2009).
4.1. Análise da variabilidade espacial
Foram realizadas análises referentes aos campos médios para o período total de estudo
(25/01/07 a 25/12/07). Os campos gerados referem-se à segunda grade (resolução horizontal
de 4 km) e ao primeiro nível vertical do modelo (19,1 m acima da superfície). Os níveis de
significância estatística foram obtidos utilizando o teste t-Student para verificar se a diferença
53
(CANA – CTL) de uma variável apresentou significância estatística. Foram considerados
8016 (8017-1) graus de liberdade, com níveis de significância de 90 %, 95 % e 99 %.
A Figura 4.2 exibe os campos de precipitação acumulada nas simulações CANA e
CTL, o resultado da diferença entre as duas simulações e os campos de significância do teste
estatístico. Os menores índices pluviométricos foram encontrados nas regiões oeste e central,
os quais são os setores menos elevados da área de estudo (Figuras 4.2a, 4.2b). Verificou-se
que, em geral, a simulação CANA apresentou valores acumulados de precipitação superiores
em relação à simulação CTL (Figura 4.2a). As maiores diferenças foram detectadas nas
regiões norte e sul da grade, chegando a 1200 mm (Figura 4.2c). Predominou significância
inferior ao nível de 90 % (Figura 4.2d).
(a) (b)
(c) (d)
Figura 4.2. Precipitação acumulada (mm) nas simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student.
54
A umidade do solo média a 1 m de profundidade apresentou padrões consistentes com
a precipitação (Figuras 4.3a, 4.3b), ou seja, os locais com maiores valores de umidade do solo
estão relacionados com os locais onde o acumulado de precipitação ao longo do ano também
foi maior. As diferenças mais pronunciadas entre as duas simulações foram observadas no
setor central da grade (Figura 4.3c), com valores de até 0,15 m3 m-3 e -0,12 m3 m-3. Verificou-
se que a simulação CANA apresentou valores médios menores de umidade do solo,
principalmente na região central e oeste da área de estudo, com decréscimo mais acentuado na
umidade do solo ao longo do ano (Figura 4.3a). A significância estatística foi
predominantemente superior ao nível de 99 % (Figura 4.3d).
(a) (b)
(c) (d)
Figura 4.3. Umidade do solo média (m3 m-3) a 1 m abaixo da superfície nas simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student.
55
Em relação ao albedo médio, verificou-se que os maiores valores foram encontrados
na simulação CANA (Figura 4.4a), principalmente no setor central da área de estudo, com
diferenças que chegaram a 0,06. Os menores valores de albedo localizam-se na divisa entre os
Estados de SP e MG devido à presença do rio Grande, o qual faz fronteira entre estes estados.
As diferenças entre as duas simulações apresentaram significância estatística superior ao nível
de 99 % em praticamente toda a área de estudo (Figura 4.4d).
(a) (b)
(c) (d)
Figura 4.4. Albedo médio nas simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student.
Nos campos de valores médios de irradiância solar incidente (Ki) verifica-se que nas
simulações CANA e CTL os menores valores foram observados principalmente na região
central da grade, sendo os campos de Ki da simulação CTL inferiores (Figura 4.5a, 4.5b). As
56
diferenças chegaram a 14 W m-2 na região central (Figura 4.5c), onde a vegetação original foi
substituída por cana-de-açúcar. Na região central da grade a significância estatística
apresentou limiares acima de 90 % (Figura 4.5d).
(a) (b)
(c) (d)
Figura 4.5. Irradiância solar incidente média (W m-2) nas simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student.
O saldo de radiação (Rn) médio apresentou valores similares nas duas simulações
(Figuras 4.6a, 4.6b), sendo os maiores valores encontrados na simulação CTL, devido ao
menor albedo da vegetação predominante deste cenário, com Rn de até 165 W m-2 no setor
norte. As diferenças chegaram a 20 W m-2 na região central da grade (Figura 4.6c), local em
que foram identificadas as maiores significâncias estatísticas (Figura 4.6d).
57
(a) (b)
(c) (d)
Figura 4.6. Saldo de radiação (Rn) médio (W m-2) para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student.
Os campos médios dos fluxos de calor sensível (H), fluxo de calor latente (LE) e
temperatura são apresentados nas Figuras 4.7, 4.8 e 4.9. Maiores (menores) valores de H (LE)
foram encontrados no setor oeste (Figuras 4.7a, 4.7b, 4.8a, 4.8b). Para essas duas variáveis,
foram observadas maiores diferenças entre as simulações CANA e CTL nas latitudes entre
20,4° e 20,7° S e as longitudes entre 48,3° e 48,6° W (Figuras 4.7c, 4.8c), com significância
ao nível de 99 % (Figuras 4.7d, 4.8d). A simulação CANA apresentou maiores valores de
temperatura em relação à simulação CTL em todo o domínio da área de estudo (Figura 4.9c).
Os setores com maiores (menores) valores de temperatura e H (LE), em geral coincidiram
com os locais de menores valores médios de umidade do solo. Esta condição possivelmente
58
contribuiu para um aumento de temperatura da atmosfera adjacente, como observado nas
diferenças de temperatura de até 0,9 °C (significância ao nível de 99 %) justamente no setor
central/noroeste, onde houve maior secamento do solo.
(a) (b)
(c) (d)
Figura 4.7. Fluxo de calor sensível (H) médio (W m-2) para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student.
59
(a) (b)
(c) (d)
Figura 4.8. Fluxo de calor latente (LE) médio (W m-2) para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student.
60
(a) (b)
(c) (d)
Figura 4.9. Temperatura média (ºC) para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student.
A direção predominante do vento horizontal (vetores) e magnitude (sombreado) a 19,1
m acima da superfície são apresentados na Figura 4.10. Verifica-se que o vento foi
predominantemente de leste nas duas simulações (Figuras 4.10a, 4.10b). A simulação CANA
apresentou as maiores magnitudes, atingindo velocidades de até 2,4 m s-1 principalmente no
setor oeste (Figura 4.10a). A simulação CTL possui uma vegetação com dossel mais elevado
(32 m), resultando em maior atrito do escoamento do ar com esta vegetação e possivelmente
contribuindo para uma menor magnitude do vento horizontal médio na simulação CTL
(Figura 4.10b). As diferenças mais expressivas foram de 0,8 m s-1 nas regiões oeste, sul e
61
central (Figura 4.10c), com significância estatística superior ao nível de 99 % em
praticamente toda a grade (Figura 4.10d).
(a) (b)
(c) (d)
Figura 4.10. Campos médios da magnitude (sombreado) e direção (vetores) do vento horizontal (m s-1) para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student.
A razão de mistura de vapor d’água (rv) apresentou maiores valores na fronteira entre
os Estados de SP e MG, estendendo-se deste local em direção ao centro da área de estudo,
com magnitude mais pronunciada na simulação CTL de até 14,7 g kg-1 (Figuras 4.11a, 4.11b).
As maiores diferenças de rv foram encontradas entre as latitudes 20,4° e 20,7º S e entre as
longitudes 48,3° e 48,6º W (Figura 4.11c), indicando que na simulação CANA o ambiente é
mais seco, coincidindo com o local onde a umidade do solo média foi menor e a temperatura
62
média foi maior. O resultado do teste t-Student mostrou diferenças significativas, acima do
nível de 99 %, em quase todo o domínio (Figura 4.11d).
(a) (b)
(c) (d)
Figura 4.11. Campos médios de razão de mistura de vapor d’água (g kg-1) para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student.
Para avaliar a evolução temporal do comportamento das variáveis estudadas, foi
selecionada uma área interior ao domínio da grade. Antes de ser escolhida, esta área passou
por uma verificação, avaliando qual região apresentou a maior quantidade de campos médios
com diferenças entre as simulações CANA e CTL com significância estatística. Desta forma,
a área escolhida compreende as latitudes 20,4° - 20,7° S e as longitudes 48° – 48,3° W
(Figura 4.12).
63
Figura 4.12. Área de análise do comportamento temporal das variáveis, onde x e y indicam os intervalos dos pontos da grade utilizados para o cálculo dos valores médios, totalizando 81 pontos de grade (~1024 km2).
As médias mensais dos acumulados de precipitação (Tabela 4.1) das simulações CTL,
CANA e GOFF foram calculadas utilizando o valor médio da área apresentada na
Figura 4.12. Estes resultados foram comparados aos dados do Tropical Rainfall Measuring
Mission (TRMM, versão 3B42-V6, com espaçamento horizontal de 0,25º x 0,25º. detalhes em
http://disc2.nascom.nasa.gov/Giovanni/tovas/TRMM_V6.3B42_daily.shtml1). O satélite
TRMM foi lançado em dezembro de 1997 e tem como objetivo monitorar diversas
características da precipitação em regiões tropicais e subtropicais, preenchendo uma lacuna
existente em relação à aquisição de dados.
O comportamento da precipitação nas três simulações (CTL, CANA e GOFF)
apresentou, em geral, valores superestimados quando comparados aos dados do TRMM. Nos
meses mais chuvosos foram verificadas as maiores superestimativas de precipitação pelo
modelo e, durante a estação seca, verificou-se uma redução significativa da precipitação
simulada. 1 Último acesso em 29/10/2010.
64
Tabela 4.1 - Médias mensais dos acumulados de precipitação (mm) na Região Norte do estado de SP, referente aos dados do TRMM e das simulações CTL, CANA e GOFF, entre 25/01/07 e 25/12/07.
Dados JAN* FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ**
TRMM 52 218 93 74 83 03 64 01 07 100 179 185
CTL 87 298 210 171 30 05 23 01 01 174 487 336
CANA 102 373 328 137 27 04 21 00 00 158 518 503
GOFF 158 340 230 257 28 02 19 00 05 236 524 373
* Foram considerados 07 dias do mês (de 25 a 31 de janeiro).
** Foram considerados 25 dias do mês (de 01 a 25 de dezembro).
A Figura 4.13 apresenta a evolução temporal do IAF e do albedo médio. Por se tratar
de uma comparação entre duas simulações com vegetações diferentes, espera-se que o
crescimento destas seja distinto. A cobertura vegetal predominante na simulação CTL é a do
tipo 7 (Evergreen broadleaf tree), que corresponde à vegetação chamada “Mata Atlântica”,
enquanto que na simulação CANA a vegetação predominante na área escolhida é a do tipo 11
(Sugarcane), corresponde à vegetação que representa a “cana-de-açúcar”, inserida no mapa de
vegetação do modelo.
O IAF da simulação CTL manteve-se maior em todo o período simulado, resultando
em uma região onde a radiação solar incide em menor proporção sobre o solo, devido à maior
cobertura foliar (Figura 4.13a). O albedo da simulação CANA apresentou valores superiores
ao CTL em todo o período, com um aumento mais expressivo a partir do mês de agosto
(Figura 4.13b). Em 24/10/07 houve uma queda no valor do albedo devido ao corte da cana-de-
açúcar. Assim, os valores dos parâmetros biofísicos da vegetação cana foram alterados nesta
data. Após ser cortada, a altura da cana-de-açúcar passou para 30 cm e o albedo caiu para
cerca de 0,14. Nota-se que em ambas as simulações os valores de IAF apresentaram uma
queda na mesma época em que o corte da cana foi feito. Isto ocorreu provavelmente devido ao
retorno da ocorrência das chuvas nesta época do ano. O solo estava secando até o mês de
outubro, quando o período chuvoso retornou, reabasteceu as camadas do solo (Figura 4.14) e
65
fez o IAF de ambas as vegetações diminuírem. O “corte” da cana-de-açúcar resultou em um
auxílio na queda do IAF, pois, se os parâmetros não estivessem sido alterados no código do
modelo, seria visualizada a queda no IAF da simulação CANA de qualquer maneira. No
entanto, esta queda seria menos brusca, semelhante ao comportamento da vegetação da
simulação CTL.
(a)
(b)
Figura 4.13. Índice de área foliar (a) e albedo (b) para os experimentos CANA e CTL. A linha vermelha tracejada representa o dia do corte da cana-de-açúcar (24/10/07).
A umidade do solo a 1 metro de profundidade apresentou variações diretamente
ligadas aos períodos de maior ocorrência de chuva, contribuindo para o abastecimento de
água nas camadas do solo (Figura 4.14). Observa-se que nas duas simulações os valores da
umidade do solo chegaram ao limiar de 0,42 m3 m-3. Esse valor representa a quantidade
máxima de água que este tipo de solo (Sandy Clay Loam) consegue armazenar.
66
(a) (b)
Figura 4.14. Umidade do solo a 1 m de profundidade e precipitação para as simulações (a) CANA e (b) CTL.
A Figura 4.15 apresenta os valores de temperatura média mensal para todo o período
de simulação. Os valores médios mensais resultantes da simulação CANA foram superiores
aos da simulação CTL em todos os meses do ano. A maior diferença foi encontrada no mês de
outubro, com valor de 1,8 °C. Apesar do albedo da simulação CANA ter sido
predominantemente maior que o CTL, a temperatura média mensal foi maior na simulação
CANA devido ao solo nesta região ter secado mais do que na simulação CTL. Uma menor
quantidade de água no solo contribui para um maior aquecimento do ar devido à diferença na
capacidade térmica existente entre a água e a terra, sendo a da primeira em torno de quatro
vezes maior que a da segunda.
Figura 4.15. Temperatura média mensal das simulações CANA e CTL.
67
No que se refere a H e LE médios mensais, foi possível observar que na simulação
CANA, os valores de H foram superiores aos verificados para a simulação CTL praticamente
durante o ano todo, exceto na metade de junho (Figura 4.15a). O comportamento do LE
mostrou que em praticamente todo o período os valores da simulação CTL foram superiores,
sendo a maior diferença, de 95 W m-2, encontrada no mês de setembro (Figura 4.15b).
(a)
(b)
Figura 4.16. Médias mensais do fluxo de calor sensível (a) e do fluxo de calor latente (b) para os experimentos CANA e CTL.
Na Figura 4.17 é apresentado o perfil da umidade do solo nas nove camadas, variando
de 10 cm a 2 m de profundidade, e do fluxo de calor latente. Nas duas simulações verifica-se
que o comportamento de LE segue um padrão com maiores (menores) valores nos períodos
mais úmidos (mais secos) do ano. O perfil da umidade mostra que na simulação CANA o solo
68
teve uma maior perda de água, principalmente nas camadas mais rasas, contribuindo para um
maior aumento da temperatura do ar próximo à superfície. Os valores de LE da simulação
CANA foram menores que os da simulação CTL, provavelmente devido ao fato de que a
vegetação do cenário CTL apresentou uma densidade de cobertura foliar maior, resultando em
uma maior quantidade de estômatos, favorecendo a evapotranspiração, causando também um
maior sombreamento do solo, com conseqüente diminuição do aquecimento deste. O
secamento mais significativo ocorreu entre os meses de agosto e outubro, chegando a atingir o
valor mínimo de 0,12 m3 m-3 na simulação CANA. No mês de novembro o regime de chuvas
aumentou e contribuiu para o reabastecimento de água em todas as camadas do solo.
(a) (b)
Figura 4.17. Fluxo de calor latente (W m-²) e umidade do solo (m3 m-3) nas nove camadas das simulações CANA (a) e CTL (b). A parte superior das figuras corresponde ao fluxo de calor latente e a inferior à umidade do solo em relação à profundidade (m).
69
O ciclo diurno médio da temperatura (Figura 4.18) apresentou um comportamento
bem marcado, com valores máximos às 16 h e mínimos às 7 h. Em fevereiro a temperatura
variou entre 22,6 e 27,7 ºC na simulação CANA e entre 22,2 e 27,2 ºC na simulação CTL. Em
agosto, como esperado, as temperaturas foram menos elevadas, variando entre 16,4 e 24,1 ºC
na simulação CANA e entre 15,9 e 23,3 ºC na simulação CTL.
A Figura 4.19 apresenta os ciclos diurnos médios de Rn, H, LE e fluxo de calor no
solo (G) para as simulações CANA e CTL, nos meses de fevereiro (representando o período
chuvoso) e agosto (representando o período seco), para o ano de 2007. Ressalta-se que G foi
obtido a partir do resíduo do cálculo do balanço de energia (G = Rn – H – LE). Os resultados
referem-se aos valores médios da área indicada na Figura 4.12.
Figura 4.18. Ciclo diurno médio da temperatura para as simulações CANA e CTL nos meses de fevereiro e agosto.
Essas variáveis apresentaram um ciclo diurno bem definido, onde no mês de fevereiro
foi observado valor máximo de Rn de 632 W m-2 na simulação CANA e de 576 W m-2 na
simulação CTL (Figuras 4.19a, 4.19b), indicando a quantidade de radiação disponível que é
utilizada pelo sistema solo-vegetação para os processos de aquecimento do ar e do solo, para
evapotranspiração e fotossíntese. H e LE da simulação CANA (CTL) apresentaram valores
máximos de 186 (186) e 422 (430) W m-2, respectivamente. Em relação ao fluxo de calor no
70
solo, na simulação CANA verificou-se maior variação, de -112 a 54 W m-2, enquanto que na
simulação CTL variou entre -67 e 12 W m-2. No mês de agosto, Rn apresentou valor máximo
de 596 W m-2 na simulação CANA e de 644 W m-2 na simulação CTL (Figuras 4.19d, 4.19e).
H e LE da simulação CANA (CTL) apresentaram valores máximos de 113 (119) e 382 (489)
W m-2, respectivamente. Observa-se que G variou entre -117 e 146 W m-2 na simulação
CANA, e na simulação CTL de -84 a 84 W m-2. G apresentou uma maior variação no mês de
agosto, mostrando-se ser um termo importante no balanço de energia, tendo em vista sua
magnitude comparável a de H.
Nota-se através das figuras das diferenças (Figuras 4.19c e 4.19f) que Rn teve
praticamente os mesmos valores durante o período noturno, tanto em fevereiro quanto em
agosto. Contudo, no período diurno esta variável apresentou valores maiores na simulação
CANA no mês de fevereiro, e no mês de agosto esses valores foram maiores na simulação
CTL. Em geral, H foi maior na simulação CANA e LE maior na simulação CTL. Este
resultado mostra uma maior quantidade de energia disponível para o processo de
evapotranspiração na simulação CTL, como pode ser observado na Figura 4.17b. G foi maior
na simulação CANA durante o dia em fevereiro e agosto.
71
Figura 4.19. Ciclo diurno médio do saldo de radiação (Rn), fluxo de calor sensível (H), fluxo de calor latente (LE) e fluxo de calor no solo (G), em W m-2. Para as simulações CANA e CTL nos meses de fevereiro e agosto.
O ciclo diurno médio de Ki (Figura 4.20) indica uma maior incidência de radiação na
simulação CANA no mês de fevereiro. Isto contribui para explicar que embora a simulação
CANA tenha um maior albedo, observou-se maior magnitude de Rn (Figura 4.19c).
Provavelmente, essa diferença de Ki está relacionada a uma maior cobertura de nuvens na
72
simulação CTL em fevereiro, contribuindo para diminuir a quantidade de energia radiante
incidente na superfície.
(a)
(b)
Figura 4.20. Ciclo diurno médio da irradiância solar incidente (W m-2) para as simulações CANA e CTL, nos meses de (a) fevereiro e (b) agosto.
4.2. Análise do impacto da utilização do modelo GEMTM
Foram realizadas simulações com o intuito de avaliar o efeito da utilização do modelo
de vegetação dinâmica. As duas simulações possuem as informações da cana-de-açúcar e têm
as mesmas características e parâmetros biofísicos do cenário CANA analisado no item 4.1. O
que difere entre as duas simulações neste item é a utilização do modelo de vegetação
73
dinâmica, tendo sido a primeira simulação realizada com o GEMTM ativado (GON) e a
segunda simulação com o modelo GEMTM desativado (GOFF).
Nota-se que a precipitação acumulada nas duas simulações teve uma distribuição
semelhante, com maiores valores em ambas as simulações abrangendo os setores norte e
nordeste da área de estudo (Figuras 4.21a e 4.21b). As diferenças de acumulados chegaram a
1200 mm, com o predomínio de locais onde a precipitação na simulação GON foi maior
(Figura 4.21c). Foi observada uma predominância de significância estatística inferior ao nível
de 90% (Figura 4.21d).
(a) (b)
(c) (d)
Figura 4.21. Precipitação acumulada (mm) para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student.
74
A umidade do solo média na camada a 1 m de profundidade (Figura 4.22) revela que
na simulação GOFF o solo secou mais, sendo a região central da grade a de maior diminuição,
local coincidente com a região do domínio de estudo onde a precipitação atingiu os menores
valores acumulados. As diferenças de umidade do solo chegaram a 0,15 m3 m-3 (Figura 4.22c)
e a significância do teste t-Student apresentou-se predominantemente superior ao nível de 90
% (Figura 4.22d).
(a) (b)
(c) (d)
Figura 4.22. Umidade do solo média (m3 m-3) a 1 metro abaixo da superfície do solo para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student.
Os valores médios do albedo das duas simulações são apresentados na Figura 4.23.
Apesar de serem cenários iguais e a diferença estar no crescimento da vegetação na simulação
GON, a diferença entre os valores de albedo médio chegaram apenas a 0,01. Mesmo
75
apresentando pouca distinção, o resultado do teste t-Student indicou significância estatística
ao nível de 99 % em praticamente toda a área de estudo (Figura 4.23d). Enquanto uma
vegetação é estática, a outra está crescendo e, assim, sofrendo alterações em suas
características. Consequentemente, mudanças nos valores do albedo são esperadas. A
irradiância solar incidente (Figuras 4.24a, 4.24b) praticamente não apresentou diferenças entre
as simulações GON e GOFF (Figura 4.24c). O teste t-Student não apresentou significância
estatística acima de 90 % em nenhum local da área de estudo (Figura 4.24d).
(a) (b)
(c) (d)
Figura 4.23. Albedo médio para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student.
76
(a) (b)
(c) (d)
Figura 4.24. Irradiância solar incidente (Ki) média (W m-2) para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student.
O Rn médio variou entre 120 e 165 W m-2 nas simulações GON e GOFF (Figuras
4.25a, 4.25b), sendo as maiores diferenças, de até 12 W m-2, localizadas nas regiões central e
oeste da grade. A significância estatística do teste t-Student apresentou-se em geral abaixo de
90 % (Figura 4.25d).
77
(a) (b)
(c) (d)
Figura 4.25. Rn médio (W m-2) para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student.
Os campos médios de H e LE são apresentados nas Figuras 4.26 e 4.27. Os maiores
(menores) valores H (LE) foram, em geral, encontrados no setor oeste da área de estudo
(Figuras 4.26a, 4.26b, 4.27a, 4.27b). Para as duas variáveis as maiores diferenças foram
encontradas principalmente no setor oeste (Figuras 4.26c, 4.27c). A significância do teste t-
Student apresentou-se predominantemente ao nível de 99 % (Figuras 4.26d, 4.27d).
78
(a) (b)
(c) (d)
Figura 4.26. Fluxo de calor sensível (H) médio (W m-2) para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student.
79
(a) (b)
(c) (d)
Figura 4.27. Fluxo de calor latente (LE) médio (W m-2) para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student.
A temperatura média a 19,1 m acima da superfície mostrou o comportamento típico
dessa variável nessas simulações, com os maiores valores nas regiões noroeste e oeste,
estendendo-se em direção ao centro da área de estudo (Figuras 4.28a e 4.28b). A utilização do
módulo vegetativo dinâmico resultou em diferenças de até 1,1 ºC, predominando os maiores
valores de temperatura média na simulação GOFF em todo o domínio (Figura 4.28c),
provavelmente, devido ao fato de em GOFF o índice de área foliar não variar, estando o
módulo GEMTM desativado nessa simulação, resultando em uma vegetação menos
80
desenvolvida e propiciando o maior aquecimento da superfície através da radiação solar. A
significância do teste t-Student apresentou-se superior a 99 % em toda a grade (Figura 4.28d).
(a) (b)
(c) (d)
Figura 4.28. Temperatura média (ºC) para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student.
O vento horizontal médio (Figura 4.29) evidencia o regime dos ventos de leste como
encontrado anteriormente na Figura 4.10. As diferenças chegaram a 0,4 m s-1 na região norte
do domínio. Em geral, as menores diferenças no escoamento do vento entre as simulações
GON e GOFF foram sobre as regiões sul e leste da área de estudo (Figura 4.29c).
81
(a) (b)
(c) (d)
Figura 4.29. Vento horizontal médio para as simulações (a) GON, (b) GOFF, (c) diferença (GON – GOFF) e (d) teste t-Student.
A razão de mistura de vapor d’água (g kg-1) indicou maiores magnitudes na simulação
GON (Figuras 4.30a e 4.30b). As maiores diferenças foram encontradas na região oeste da
área de estudo, chegando a 1,2 g kg-1 (Figura 4.30c). A significância do teste t-Student
apresentou-se superior a 99 % em toda a grade (Figura 4.30d).
82
(a) (b)
(c) (d)
Figura 4.30. Campos médios de razão de mistura de vapor d’água (g kg-1) para as simulações (a) CANA, (b) CTL, (c) diferença (CANA – CTL) e (d) teste t-Student.
A partir da Figura 4.31 foi utilizada a mesma área da Figura 4.12, ou seja, os
resultados gerados são referentes à média na área que compreende as latitudes 20,4° – 20,7 °S
e as longitudes 48° - 48,3° W.
Na Figura 4.31, o IAF da simulação GOFF não varia com o tempo, devido ao módulo
GEMTM estar desativado. Mesmo com a vegetação estática, o que se pode notar é um
comportamento do albedo semelhante ao da simulação GON, evidenciando que não é apenas
o módulo vegetativo dinâmico que exerce influência no comportamento do albedo nas
simulações.
83
(a) (b)
Figura 4.31. Índice de área foliar (a) e albedo (b) para os experimentos GON e GOFF. A linha preta tracejada indica o dia do corte da cana na simulação GON.
A Figura 4.32 exibe os valores de temperatura média mensal (°C) para todo o período
de simulação. Os valores resultantes da simulação GOFF foram superiores na maior parte do
ano. A diferença mais significativa surgiu no mês de setembro, atingindo 1,6 °C. O fato de o
módulo vegetativo dinâmico estar desativado na simulação GOFF contribui para que o solo
mais exposto à radiação solar tenha um maior secamento das camadas e consequente
aquecimento do ar próximo à superfície terrestre.
Figura 4.32. Temperatura média mensal das simulações GON e GOFF.
84
Sobre a média mensal de H, nota-se que os maiores valores foram encontrados na
simulação GOFF durante o ano todo (Figura 4.33a), mas, contrariamente, falando-se de LE,
maiores magnitudes foram encontradas na simulação GON (Figura 4.33b), resultado que
apresenta a simulação GOFF como um ambiente mais seco.
(a)
(b)
Figura 4.33. Médias mensais de H (a) e LE (b) para os experimentos GON e GOFF.
A umidade do solo a 1 m de profundidade na simulação GOFF apresentou maior
secamento da camada ao longo do período de simulação (Figura 4.34b). Como visto
85
anteriormente, a menor cobertura foliar da simulação GOFF contribui para que o solo esteja
mais exposto e perca mais água devido ao aquecimento e conseqüente evaporação. A
precipitação demonstrou sua ação direta sobre o reabastecimento de água nas camadas do
solo. Na Figura 4.35, o ciclo diurno médio da temperatura mostra que no mês de fevereiro os
resultados das duas simulações foram muito próximos, mas em agosto as diferenças foram
maiores, principalmente durante o dia.
(a) (b)
Figura 4.34. Umidade do solo (m3 m-3) a 1 metro de profundidade e precipitação (mm) para as simulações (a) GON e (b) GOFF.
Figura 4.35. Ciclo diurno médio da temperatura (ºC) para as simulações GON e GOFF nos meses de fevereiro e agosto.
86
Capítulo 5: Conclusões
Este trabalho buscou analisar, por meio de experimentos de modelagem numérica da
atmosfera, com alta resolução horizontal, os possíveis impactos causados pela mudança no
uso do solo em áreas de cultivo de cana-de-açúcar para a região norte do Estado de São Paulo
e também o impacto da utilização do módulo vegetativo dinâmico, GEMTM, acoplado ao
modelo BRAMS nas simulações. Foram criados dois cenários e o ano de 2007 foi escolhido
como o período de análise, sendo os cenários simulados para o período entre 10 de janeiro e
25 de dezembro. Inúmeras simulações foram realizadas com o modelo e os parâmetros
biofísicos do módulo LEAF-3 foram modificados para a representação da cultura de cana-de-
açúcar. O teste t-Student foi aplicado com o intuito de identificar os locais em que as
diferenças entre as simulações apresentaram significância estatística.
Os resultados apresentados revelaram diferenças significativas entre as simulações.
Primeiramente, a comparação entre as simulações CANA e CTL demonstrou que a condição
da umidade nas camadas do solo foi de grande importância. No cenário em que a cana-de-
açúcar foi inserida, o solo apresentou um maior secamento e uma maior exposição devido ao
menor índice de área foliar deste tipo de vegetação, facilitando a elevação da temperatura da
atmosfera próximo à superfície. O secamento mais pronunciado se deu, em geral, na região
central da área de estudo, um dos locais onde a presença da cana-de-açúcar é dominante.
O albedo manteve-se maior na simulação CANA em todo o período, mas, mesmo
assim, foi observado um maior saldo de radiação sobre a cana-de-açúcar, possivelmente
devido à menor cobertura de nuvens simulada pelo modelo, contribuindo para uma maior
oferta de radiação próximo à superfície. Em geral, os valores médios de temperatura foram
mais elevados com a adição da cana-de-açúcar, principalmente nas regiões central e noroeste
87
da área de estudo. Os fluxos de calor sensível e latente tiveram um comportamento
concordante com a situação esperada para os tipos de vegetação estudados. Em geral, foram
observados maiores valores de LE na simulação CTL e maiores valores de H na simulação
CANA.
A distribuição de precipitação durante o ano de 2007 mostrou-se predominantemente
maior quando a cana-de-açúcar foi inserida no arquivo de uso do solo do modelo, ressaltando
que em alguns locais essas diferenças não são verificadas. As simulações CANA, CTL e
GOFF em geral superestimaram os valores médios mensais acumulados de precipitação
quando comparados aos dados do TRMM, principalmente durante o período chuvoso.
O escoamento horizontal do ar sobre o cenário CTL apresentou-se, em geral, menos
intenso devido à maior rugosidade da vegetação correspondente à Mata Atlântica em relação à
cana-de-açúcar, principalmente na região central da área de estudo.
A utilização do módulo vegetativo dinâmico para simular a cana-de-açúcar mostrou
que, quando este módulo está desativado a umidade nas camadas mais rasas do solo tendem a
diminuir ainda mais, pois o IAF não varia com o tempo e o solo continua mais exposto à
radiação solar, contribuindo para um secamento mais significativo próximo à superfície. Com
o módulo GEMTM desativado a temperatura média foi maior em todo o domínio de estudo,
chegando a superar em até 1,1 °C a temperatura obtida na simulação em que este módulo
esteve ativado.
Este trabalho demonstrou que estudos referentes às mudanças no uso do solo são
imprescindíveis para entendermos como os cenários atuais e futuros podem afetar o
comportamento do tempo e do clima da Terra, fazendo-nos buscar cada vez mais
esclarecimentos sobre estas questões de grande importância.
88
5.1. Sugestões para trabalhos futuros
Este trabalho apresentou um estudo de modelagem numérica referente às mudanças no
uso do solo em áreas de cultivo de cana-de-açúcar para o ano de 2007. Maiores testes com o
GEMBRAMS são necessários para detectar a capacidade deste modelo em simular
dinamicamente culturas ao longo de diferentes períodos.
Foram realizadas modificações nos parâmetros biofísicos da cana-de-açúcar. Estes
parâmetros necessitam de mais testes e de comparações para outras localizações do Brasil e
tipos de vegetação, visando ajustes dos mesmos para cada localidade de interesse.
A condição inicial da umidade do solo apresentou-se como um aspecto de extrema
importância, proporcionando um intenso secamento/umedecimento das camadas do solo
dependendo de como esses valores são fornecidos ao modelo. Esse fato necessita ser
analisado mais profundamente, objetivando buscar uma melhor representação da realidade.
Adicionalmente, uma melhoria na estrutura do código para permitir uma maior capacidade de
processamento em paralelo, utilizando uma maior quantidade de processadores, torna-se
necessária para a realização de simulações de longa duração.
89
Referências Bibliográficas
ANDERSON, T. W. & FINN, J. D. The new statistical analysis of data. Springer-Verlag,
New York, 1996. No. of pages: 712
ARANHA, C. & YAHN, C. A. Botânica da cana-de-açúcar. In: PARANHOS, S. B. (Coord.)
Cana-de-açúcar: cultivo e utilização. Campinas: Fundação Cargill, 1987. v. 1. p. 3-13.
BALL, J. T., I. E. WOODROW, and J. A. BERRY, 1987: A model predicting stomatal
conductance and its contribution to the control of photosynthesis under different
environmental conditions. Progress in Photosynthesis Research, J. Biggins, Ed., Martinus
Nijhof Publishers, IV, 221-224.
BARBIERI. V. & VILLA NOVA, N. A. Climatologia e a cana-de-açúcar. In: Planalsucar,
Coordenadoria Regional Sul. COSUL. Araras. 1977. p. 1-22.
BARNES, S. L. A Technique for maximing details in numerical weather map analysis. J.
Appl. Meteor., 3, 396-409, 1964.
BELTRÁN, A., Using a coupled atmospheric-biospheric modeling system (GEMRAMS) to
model the effects of land-use/land-cover changes on the near-surface atmosphere. Fort
Collins, 186 pp., 2005. Ph.D. Dissertation. Dept. of Atmos. Sci., Colorado State
University,
BEN MEHREZ, M., TACONET, O., VIDAL-MADJAR, D. AND SUCKSDORFF, Y.
Calibration of an energy flux model over bar soils during the HAPEX-MOBILHY
experiment. Agric. For. Meteorol., 58: 257-283, 1992.
BUSINGER, J.A.; WYNGAARD, J.C.; IZUMI. Y.; BRADLEY, E. F. Flux-profile
relationships in the atmospheric surface layer. J. Atmos. Sci., 28: 181-188, 1971.
CABRAL, F. C. Estudo numérico sobre os impactos da expansão de áreas de pastagem e
cultivo de soja nas circulações locais da região amazônica. São Paulo, 2008. 95f.
Dissertação de Mestrado – Instituto de Astronomia, Geofísica e Ciências Atmosféricas,
Universidade de São Paulo, São Paulo, 2008.
90
CABRAL, O.M.R., ROCHA, H. R., LIGO, M. A. V., BRUNINI, O., SILVA DIAS, M. A. F.
Fluxos Turbulentos de calor sensível, vapor de água e CO2 , sobre plantação de Cana-de-
açúcar em Sertãozinho-SP. Revista Brasileira de Meteorologia, 18, 61-70, 2003.
CÂMARA, G. M. S. & OLIVEIRA, E. A. M. Produção de cana-de-açúcar. Piracicaba:
ESALQ/USP, 1993.
CAMPBELL, G. S. A simple method for determining unsaturated conductivity from soil
moisture retention data. Soil Sci., 117:311-314, 1974.
CAMPBELL, G. S. An Introduction to Environmental Biophysics. Springer, New York, pp.
33-45, 1977.
CAMPO, L.; CASTELLI, F.; ENTEKHABI, D.; CAPARRINI, F. Land-atmosphere
interactions in an high resolution atmospheric simulation coupled with a surface data
assimilation scheme, Nat. Hazards Earth Syst. Sci., 9, 1613-1624, doi:10.5194/nhess-9-
1613-2009, 2009.
CANABRAVA, A. P. História econômica: estudos e pesquisas. São Paulo: Unesp, 2005.
320p.
CANASAT. 2009. Mapeamento de Cana via imagem de satélite de observação da Terra.
(http://www.dsr.inpe.br/mapdsr/). Acesso em: 18 de janeiro de 2009.
CHAGNON, F. J. F.; BRAS, R. L.; WANG, J. Climatic shift in patterns of shallow clouds
over the Amazon. Geophysical Research Letters, 31 (24): Art. No. L24212, 2004.
CHEN, C. & COTTON, W. R.A one dimensional simulation of the stratocumulus capped
mixed layer. Bound-Layer Meteor., 25, 289-3321, 1983.
CHEN, D.; COUGHENOUR, M. B. GEMTM: a general model for energy and mass transfer
of land surfaces and its application at the FIFE sites. Agric. For. Meteorol., vol. 68, no3-4,
pp. 145-171 (2 p.1/2), 1994.
CHEN, D.-X. & LIETH, J.H. Two-dimensional model of water transport in the root-zone and
plant for container-grown chrysanthemum. Agric. For. Meteorol., 59: 129-148, 1992.
CHEN, D.-X. & LIETH, J.H. A two-dimensional, dynamic model for root growth distribution
of potted plants. J. Am. Soc. Hort. Sci., 118 (2): 181 187, 1993.
91
CHEN, J. The reciprocity relation for reflection and transmission of radiation by crops and
other plane-parallel scattering media. Remote Sens. Environ., 13: 475-486, 1983.
CHEN, S. & COTTON, W. R. The sensitivity of a simulated extratropical mesoscale
convective system to long wave radiation and ice-phase microphysics. J. Atmos. Sci.,
45(24), 3897-3910, 1988.
CHOUDHURY, B. J. & MONTEITH, J. L. A four-layer model for the heat budget of
homogenous land surfaces. Q. J. R. Meteorol. Soc., 114: 373-398, 1988.
CLAPP, R.B. & HORNBERGER, G.H. Empirical equations for some soil hydraulic
properties. Water Resour. Res., 14: 601-604, 1978.
CLIMANÁLISE: Boletim de Monitoramento e Análise Climática. Cachoeira Paulista, SP,
Brasil, INPE/CPTEC, 1-12, 22 v., 2007.
CONAB - Companhia Nacional de Abastecimento. Acompanhamento de safra brasileira :
cana-de-açúcar, segundo levantamento, setembro/2009 / Companhia Nacional de
Abastecimento. Brasília, 2009.
COTTON, W. R.; PIELKE, Sr. R. A.; WALKO, R. L.; LISTON, G. E.; TREMBACK, C. J.;
JIANG, H.; MCANELLY, R. L.; HARRINGTON, J. Y.; NICHOLLS, M. E.; CARRIO,
G. G.; MCFADDEN, J. P. RAMS 2001: Current status and future directions. Meteor.
Atmos. Phys., v. 82, n. 1-4, p. 5-29, 2003.
COUGHENOUR, M. B. A mechanistic simulation analysis of water use, leaf angles and
grazing in East African graminoids. Ecol. Modeling., 26 203-230, 1984.
DANIELS, J. & ROACH, B. T.; Taxonomy and evolution. In: HEINZ, D. J. Sugarcane
improvement through breeding. New York: Elsevier. 1987, 84p.
DE VRIES, D.A. Heat transfer in soils. In: D.A. de Vries and N.H. Afgan (Editors), Heat and
Mass Transfer in the Biosphere 1. Transfer Processes in Plant Environment. Seripta Book
Company. Washington, DC, 1975, pp. 5 28.
DEARDORFF, J. W. Stratocumulus-capped mixed layers derived from a three dimensional
model. Boundary-Layer Meteorol., 18, 495 - 527, 1980.
92
DICKINSON, R. E.; Henderson-Sellers, A.; Kennedy, P. J.; Wilson, M. F. Biosphere–
Atmosphere Transfer Scheme for the NCAR Community Climate Model. NCAR Tech.
Rep. NCAR/TN 2751STR, 69pp., 1986. Available from NCAR, P. O. Box 3000, Boulder,
CO 80307-3000.
DOORENBOS, J. & KASSAN, A. H. Yield response to water. Rome, FAO, 1979. 193 p.
(Irrigation and drainage paper, 33).
DURIEUX, L.; MACHADO L.A.T.; LAURENT H. The impact of deforestation on cloud
cover over the Amazon arc of deforestation. Remote Sensing of Environment, 86 (1), 132-
140, 2003.
EASTMAN, J. L. Analysis of the effects of CO2 and landscape change using a coupled plant
meteorological model. Fort Collins, 1999, 148p. Ph.D. Dissertation, Department of
Atmospheric Science, Colorado State University.
EASTMAN, J.; COUGHENOUR M. B.; PIELKE R. A. Sr. The Regional Effects of CO2 and
Landscape Change Using a Coupled Plant and Meteorological Model. Global Change
Biology, 7, 797-815, 2001.
EVANS, H. The root-system of the sugar-cane: II. Some typical root-system. Empire Journal
of Experimental Agriculture, v. 4, p. 208-221, 1936.
FAUCONNIER, R. & BASSEREAU, D. La canne à sucre. Paris: Ed. Maisonneuve et Larose,
1970. (Collection techniques agricoles et productions tropicates).
FREITAS, E. D. Circulações locais em São Paulo e sua influência sobre a dispersão de
poluentes. 2003. 156p. Tese (Doutorado em Ciências Atmosféricas) – Instituto de
Astronomia, Geofísica e Ciências Atmosféricas, Universidade de São Paulo, São Paulo,
2003.
GANDU, A. W.; COHEN, J. C. P.; SOUZA, J. R. S. Simulation of deforestation in eastern
Amazonia using a high-resolution model. Theoretical and Applied Climatology, v. 78(1-
3), 123-135, 2004.
GARDNER, W.R. Dynamic aspects of water availability to plants. Soil Sci., 89: 63-73, 1960.
GASHO, G. J. & SHIH, S. F. Sugarcane in crop water relations. In: TEARE, I. D.; PEET, M.
M. (Ed.). Crop water relations. New York: John Wiley. 1983. p. 445-479.
93
GOUDRIAAN, J., 1977. Crop Micrometeorology: a simulation study. PUDOC, Wageningen.
HENDERSON-SELLERS, A. & PITMAN, A. J. Land-surface schemes for future climate
models: specification, aggregation, and heterogeneity. J. Geophys. Res., 97: 2687-2696,
1992.
HILL, G. E. Factors controlling the size and spacing of cumulus clouds as revealed by
numerical experiments. J. Atmos. Sci., 31, 3, 646-673, 1974.
HILLEL, D.; TALPAZ, H.; VAN KEULEN, H. A macroscopic scale model of water uptake
by a non uniform root system and of water and salt movement in the soil profile. Soil Sci.,
121: 240-255, 1976.
IPCC - Intergovernmental Panel on Climate Change. Impactos regionales del cambio
climatico. Evaluación de lavulnerabilidad. Capitulo 6: America Latina.Canziani, O. &
Diaz, S. (Editores), 2000.
JAMES, G. Introduction to sugarcane. In: JAMES, G. Sugarcane. Oxford: Wiley-Blackwell.
2004. p. 1-19.
JOLY, C. A.; AIDAR, M. P. M.; KLINK, C. A.; MCGRATH, D. G.; MOREIRA, A. G.;
MOUTINHO P.; NEPSTAD, D. C.; OLIVEIRA, A. A.; POTT, A.; RODAL, M. J. N;
SAMPAIO, E. V. S. B. Evolution of the Brazilian phytogeography classification systems:
implications for biodiversity conservation. Ciência e Cultura, 51(5/6): 331-348, 1999.
KLEMP, J. B. & LILLY, D. K. Numerical simulation of hydrostatic mountains waves. J.
Atmos. Sci., 35(1), 78-107, 1978.
KLEMP, J. B. & WILHELMSON, R. B. The simulation of three-dimensional convective
storm dynamics. J. Atmos. Sci., 35(6), 1070-1096, 1978a.
KLEMP, J. B. & WILHELMSON, R. B. Simulations of right and left-moving storms
produced through storms splitting. J. Atmos. Sci., 35(6), 1097-1110, 1978b.
KUO, H. L. Further Studies of the Parameterization of the Influence of Cumulus Convection
on Large-Scale Flow. J. Atmos. Sci., 31(5), 1232-1240, 1974.
LEME, E. J. A.; MANIERO, M. A.; GUIDOLIN, J. C. Estimativa da área foliar da cana-de-
açúcar. Cadernos Planalsucar, n.2, p.3-9, 1984.
94
LILLY, D. K. On the numerical simulation of buoyant convection. TELLUS, XIV, 2, 148-172,
1962.
LINGLE, S. E. Sugarcane. In: Smith, D. L.; Hamel, C. (eds.) Crop Yield: physiology and
processes. Canadá: Mc Gill University, 1998. cap. 9, p 287 – 306.
MACHADO, E. C. Fisiologia de produção de cana-de-açúcar. In: Cana-de-açúcar: cultivo e
utilização, Campinas, ed. S. B. Paranhos. Fundação Cargill, 1° volume, Campinas, SP, 56-
87, 1987.
MACHADO, L.A.T.; LAURENT, H.; DESSAY, N.; MIRANDA, I. Seasonal and diurnal
variability of convection over the Amazonia: A comparison of different vegetation types
and large scale forcing. Theoretical and Applied Climatology, 78 (1-3): 61-77, 2004.
MAGALHÃES, A. C. N. Ecofisiologia da cana-de-açúcar: aspectos do metabolismo do
carbono na planta. In: CASTRO, P. R. C.; FERREIRA, S. O.; TSUIOSHI. Y.
Ecofisiologia da produção agrícola. Piracicaba: POTAFOS, 1987. 249 p.
MAHRER, Y. & PIELKE, R. A. A numerical study of the airflow over irregular terrain.
BeitragezurPhysik der Atmosphare, 50, 98-113, 1977.
MANZI, O. & PLANTON, S. Calibration of a GCM using ABRACOS and ARME data and
simulation of Amazonian deforestation. In: Amazonian deforestation and climate. Gash,
J.H.C., Nobre, C.A., Roberts, J.M. & Victoria, R.L. (eds.) John Wiley and Sons, 1st ed, ,
1996, p. 505-530.
MARQUES, T. A.; GODINHO, A. M. M.; TIRITAN, C. S.; CRESTE, J. E.; MARQUES, M.
O. Parâmetros Biométricos e Tecnológicos de Cultivares de Cana-de-açúcar para o Oeste
Paulista. STAB, Vol. 26 nº 2, novembro – dezembro, 2007.
MELLOR, G. L. & YAMADA, T. Development of a turbulence closure-model for
geophysical fluid problems. Rev. Geophys., 20, 4, 851-875, 1982.
MESINGER, F. & ARAKAWA, A. Numerical methods used in atmospheric models. GARP
Publication Series, No. 17, WMO/ICSU Joint Organizing Committee, 64 p. 1976.
MEYERS, M. P.; WALKO R. L.; HARRINGTON J. Y.; COTTON W. R. New RAMS cloud
microphysics parameterization. Part II: The two-moment scheme. Atmos. Res., v. 45, n. 1,
p. 3-39, 1997.
95
MONTEIRO, J. E. Agrometeorologia dos cultivos: o fator meteorológico na produção
agrícola. Brasília, INMET, 2009. 530p.
MONTEITH, J. L. & UNSWORTH, M.H. Principles of Environmental Physics, 2nd edn.
Routledge, Chapman and Hall, New York, 1990. pp. 101-120.
MONTEITH, J. L. Principles of Environmental Physics. Edward Arnold, London, 1973. 241
pp.
MOZAMBANI, A. E.; PINTO, A. S.; SEGATO, V.; MATTIUZ, C. F. M. História e
morfologia da cana-de-açúcar. In: SEGATO, S. V. et al. Atualização em Produção de
cana-de-açúcar. Piracicaba: [s.n.], 2006. p. 11-18.
NEGRI, A. J.; ADLER, R. F.; XU, L. M.; SURRATT, J. The impact of Amazonian
deforestation on dry season rainfall. Journal of Climate, 17 (6): 1306-1319, 2004.
NEGRÓN-JUÁREZ, R. I. Variabilidade climática regional e controle da vegetação no
sudeste: um estudo de observações sobre cerrado e cana-de-açúcar e modelagem numérica
da atmosfera. São Paulo, 2004. 163 p, Tese de doutoramento do Departamento de
Ciências Atmosféricas do Instituto de Astronomia, Geofísica e Ciências Atmosféricas da
Universidade de São Paulo.
NOBRE, C.A.; SELLERS, P.; SHUKLA, J. Regional climate change and Amazonian
deforestation model. Journal of Climate, 4, n.10, 957-988, 1991.
OLIVEIRA, R. A.; DAROS, E.; ZAMBON, J. L. C.; WEBER, H.; IDO, O. T.;
ZUFFELLATORIBAS, K. C.; KOEHLER, H. S.; SILVA, D. K. T. Crescimento e
desenvolvimento de três cultivares de cana-de-açúcar, em cana-planta, no estado do
Paraná. Scientia Agraria, Curitiba, v. 5, n. 1/2, p. 87-94, 2004.
OLSON, J. S. Global ecosystem framework-definitions. USGS EROS Data Center Internal
Report, 37 pp, 1994.
ORLANSKI, I.A simple boundary condition for unbounded hyperbolic flows. J. Comput.
Phys., 21, 251-269, 1976.
PARANHOS, S. B. Cana-de-açúcar: cultivo e utilização. Campinas: Fundação Cargill, 1987.
v. 1, 431 p.
96
PAULSON, C.A. The mathematical representation of wind speed and temperature profiles in
the unstable atmospheric surface layer. J. Appl. Meteor., 9: 857-860, 1970.
PIELKE, R. A.; COTTON, W. R.; WALKO, L. R.; TREMBACK, C. J.; LYONS, W. A.;
GRASSO, L. D.; NICHOLLS, M. E.; MORAN, M. D.; WESLEY, D. A.; LEE, T. J.;
COPELAND, J. H. A comprehensive meteorological modeling system – RAMS.
Meteorol. Atmos. Phys., 49, 69-91, 1992.
ROCHA, H. R. Modelagem e Observações das Relações Biosfera-Atmosfera na Região
Sudeste. São Paulo, 1998, 142 pp. Tese de Doutoramento, Departamento de Ciências
Atmosféricas do Instituto de Astronomia, Geofísica e Ciências Atmosféricas da
Universidade de São Paulo,
ROCHA, H. R. Relações Funcionais de Clima e Biosfera no Brasil. Tese de Livre Docência
do Departamento de Ciências Atmosféricas do Instituto de Astronomia e Geofísica da
Universidade de São Paulo, 2004. 79 p.
SELLERS, P.J., HALL, F.G., STREBEL, D.E., ASRAR, G. AND MURPHY, R.E., 1990.
Satellite remote sensing and field experiments. In: R.J. Hobbs and H.A. Mooney (Editors),
Remote Sensing of Biosphere Functioning. Ecological Studies 79. Springer, New York,
pp. 169 219.
SELLERS, P.J.; RANDALL, D.A.; COLLATZ, G.J.; BERRY, J.A.; FIELD, C.B.;
DAZLICH, D.A.; ZHANG, C.; COLLELO, G.D.; BOUNOUA L. A revised land surface
parameterization (SiB2) for atmospheric GCMs. Part I: Model formulation. Journal of
Climate, v.9, p.676-705, 1996.
SHUTTLEWORTH, J. W. & WALLACE, J. S. Evaporation from sparse crops - an energy
combination theory. Q. J. R. Meteorol. Soc., 111: 839-855, 1985.
SILVA DIAS, M.A.F.; RUTLEDGE, S.; KABAT, P.; SILVA DIAS, P. L.; NOBRE, C. A.;
FISCH, G.; DOLMAN, A. J.; ZIPSER, E.; GARSTANG, M.; MANZI, A.; FUENTES, J.
D.; ROCHA, H.; MARENGO, J.; PLANA-FATTORI, A.; SÁ, L.; ALVALÁ, R.;
ANDREAE, M. O.; ARTAXO, P.; GIELOW, R.; GATTI, L. Cloud and rain processes in
a biosphere atmosphere interaction context in the Amazon Region. J. Geophys. Res, –
Atmos., LBA special issue, v. 107, n. D20, p. 39-1-39-18 , 2002.
97
SILVA DIAS, P. L. & MARENGO, J. A. Águas atmosféricas. In: REBOUÇAS, A. C. R.;
BRAGA, B.; TUNDIZI, J. G. Águas doces no Brasil. São Paulo: Ed. Escrituras, 1999.
Cap.3, p.75-115.
SMAGORINSKY, J. General circulation experiments with the primitive equations: 1. The
basic experiment. Mon Wea. Ver.,91, 99-164, 1963.
SMITH D. M.; INMAN-BAMBER, N. G.; THORBURN, P. J. Growth and function of the
sugarcane root system. Austrália: Elsevier B. V., 2005. 18 p.
TATSCH, J. D. Uma análise dos Fluxos de Superfície e do Microclima sobre Cerrado, Cana-
de-açúcar e Eucalipto, com Implicações para Mudanças Climáticas Regionais. São Paulo,
2006, 112 p. Dissertação de Mestrado do Departamento de Ciências Atmosféricas do
Instituto de Astronomia, Geofísica e Ciências Atmosféricas da Universidade de São Paulo.
TERUEL, D. A.; BARBIERI, V.; FERRARO JUNIOR, L. A. Sugarcane leaf area index
modeling under different soil water conditions. Scientia Agricola, Piracicaba, v.54, n.esp.,
p.39-44, 1997.
THOM, A. S. Momentum, mass and heat exchange of plant communities. In: J.L. Monteith
(Editor). Vegetation and the Atmosphere, Vol. 1. Academic Press, London, 1975, pp. 57-
109.
TREMBACK, C. J. & WALKO, R. L. Implementing Very-High Resolution Capabilities into
a Mesoscale Atmospheric Model: New Capabilities for the Regional Atmospheric
Modeling System (RAMS). In: MESOSCALE AND CFD MODELING FOR MILITARY
APPLICATIONS, 2004, Jackson, MS.
TRIPOLI, G. J. & COTTON, W. R. The Colorado State University three-dimensional cloud
mesoescale model – 1982. Part. I: General theoretical framework and sensitivity
experiments. J. Rech. Atmos., v. 16, n. 3, p. 185-220, 1982.
UNICA (União da Indústria de Cana-de-açúcar). Dados e cotações: estatísticas. Disponível
em: <http://www.unica.com.br/dadosCotacao/estatistica/>. Acesso em: 10/02/2010.
UNICA (União da Indústria de Cana-de-açúcar). O açúcar, o etanol e a bioeletricidade:
respostas as questões mais freqüentes. União da Indústria de cana-de-açúcar. São Paulo,
Brasil, 2009.
98
WALKO, R. L.; BAND, L. E.; BARON, J.; KITTEL, T. G. F.; LAMMERS, R.; LEE, T. J.;
OJIMA, D.; PIELKE, R. A.; TAYLOR, C.; TAGUE, C.; TREMBACK, C. J.; VIDALE,
P. L. Coupled atmosphere-biophysics-hydrology models for environmental modeling. J.
Appl. Meteor., 39 (6), 931-944, 2000.
WALKO, R. L.; COTTON, W. R.; MEYERS, M. P.; HARRINGTON, J. Y. New RAMS
cloud microphysics parameterization Part I: the single moment scheme. Atmos. Res., 38,
29 – 62, 1995.
WALKO, R. L. & TREMBACK, C. J. ATMET Technical Note 1, Modifications for the
Transition from LEAF-2 to LEAF-3, ATMET, LLC, Boulder, Colorado 80308-2195,
http://www.atmet.com/html/docs/rams/, 2005.
WATSON, D. J. Comparative physiological studies on growth of field crops. I. Variation in
net assimilation rate and leaf area between species and varieties, and within and between
years. Annals of Botany, Oxford, v.11, p.41-76, 1947.
WESTGATE, M. E. & BOYER, J. S. Osmotic adjustment and the inhibition of leaf, root,
stem and silk growth at lower potentials in maize. Planta, 164: 540-549, 1985.
99
APÊNDICE A
Descrição do modelo GEMTM
Extraído e adaptado de Chen & Coughenour (1994)
A.1. Descrição do modelo
A.1.1. Submodelo de microclima
Os processos de microclima considerados incluem a transferência de radiação no
dossel das plantas, balanço de energia na superfície e no dossel, transferência turbulenta
(perfis de vento ou resistências aerodinâmicas), camada limite (laminar) e resistências de
superfície (resistência do dossel e resistência da superfície do solo).
A.1.1.2. Transferência de radiação no dossel
O processo de transferência de radiação incidente no dossel das plantas é complicado
pela multireflexão entre as folhas e pelas interações entre a distribuição dos ângulos das
folhas e os ângulos de luz incidente. A capacidade de reflexão do sistema dossel-superfície-
solo é muito afetada por estes processos. A refletância do dossel também é dependente de
propriedades espectrais da folha e da superfície do solo.
Para modelar a distribuição de radiação e albedo do dossel, para diferentes bandas
espectrais de radiação, foi adotado o modelo de Goudriaan (1977), que é um modelo que
fornece detalhes para a transferência de radiação no dossel. A radiação incidente foi dividida
em visível, infravermelho próximo e radiação térmica. As equações gerais de diferenças
100
finitas para um dossel com qualquer distribuição do ângulo da folha são (Goudriaan, 1977;
Chen, 1983):
))],()),(1()(1,(
)),()),(1()(,([)()(),()()1,(9
11
ikikjiI
ikikjiIiMkBjkIkMjkI
u
di
idtd
ρεετ
τεερ
+−++
+−+=+ ∑− (A.1)
))],()),(1()(1,(
)),()),(1()(,()[()()1,()(),(9
11
ikikjiI
ikikjiIiMkBjkIkMjkI
u
idiutu
τεερ
ρεετ
+−−+
+−++= ∑− (A.2)
em que Id (k,j) e Iu(k,j) são as densidades de fluxo de radiação descendente e ascendente na
subcamada j; k é a classe de inclinação da radiação incidente; i é o índice da inclinação do
raio incidente; ρ e τ são os coeficientes de reflexão e de transmissão de folhas,
respectivamente; Mi(i) e Mt(k) são as probabilidades de interceptação e de penetração da
radiação com inclinação k ao passar por uma subcamada de folhas; Bl(k) é a distribuição zonal
da radiação espalhada por uma subcamada; ε nas equações (1) e (2) é a função de
distribuição da reflexão/transmissão ponderada pela distribuição do ângulo das folhas. O total
dos fluxos de radiação descendente e ascendente em qualquer subcamada no interior do
dossel, Itd(j) e Itu(j) foram encontrados pelo somatório de Id(k, j) e Iu(k, j) ao longo das nove
classes de inclinação:
∑=
=9
1),()(
kdtd jkIjI (A.3)
No topo do dossel (j=1),
∑=
=9
1),()(
kutu jkIjI (A.4)
⎩⎨⎧
+=
SbSdkBSdkB
kIu
ud )(
)()1,(
ISUNkISUNk
=≠ (A.5)
101
Na superfície do solo (j= M),
∑=
−=9
1)1,()(),(
kdusu MkIkBMkI ρ (A.6)
em que Sd é a radiação difusa e Sb é a radiação direta incidente no topo do dossel, ISUN é o
índice do ângulo da altura do sol; M é o número de camadas do dossel, igual à IAF/Ls no
modelo; Ls é o índice de área foliar de uma subcamada; sρ é o coeficiente de reflexão da
superfície do solo, que é função do conteúdo de água da superfície do solo.
A.1.1.3. Balanço de energia do dossel e da superfície do solo
O Solo, o dossel e a atmosfera foram agregados para o cálculo das trocas de energia e
massa. A condutância estomática afeta consideravelmente o particionamento de energia em
forma de calor sensível e latente, e é muito sensível à radiação recebida na superfície da folha.
Por isso, o dossel foi dividido em folhas sombreadas e iluminadas pelo sol, que foram tratadas
separadamente para obter estimativas mais precisas para a resistência do dossel.
A rede de resistência do sistema é mostrada na Figura A.1. Como na lei de Ohm, as
trocas de calor latente e sensível entre a superfície e a atmosfera podem ser descritas com as
seguintes equações:
1 1( ) [ ( ) ] /cp cp cp ss a p s cp aRA RB RS LE RA LE C e T eρ γ+ + + = − (A.7)
1 2 1( ) [ ( ) ] /cp ss ss ss a p s ss aRA LE RB RS RA RA LE C e T eρ γ+ + + + = − (A.8)
102
Figura A.1. Rede de resistências do balanço de energia da superfície e do dossel.
1 1( ) ( )cp cp ss a p cp aRA RB H RA H C T Tρ+ + = − (A.9)
1 1 2( ) ( )cp ss ss a p ss aRA H RA RA RB H C T Tρ+ + + = − (A.10)
em que cpLE e ssLE são os fluxos de calor latente no dossel e na superfície do solo,
respectivamente; cpH e ssH são os fluxos de calor sensível no dossel e na superfície do solo,
respectivamente; 1RA e 2RA são as resistências aerodinâmicas do dossel médio à altura de
referência e da parte inferior do dossel médio, respectivamente; cpRS e ssRS são as
resistências da superfície do dossel e da superfície do solo. cpRB e ssRB são as resistências da
camada limite do dossel e da superfície do solo (aqui as resistências para o vapor de água e
calor são consideradas iguais); ( )s cpe T e ( )s sse T são pressão parcial de vapor d'água saturados
na temperatura do dossel cpT e temperatura da superfície do solo ssT ; ae é a pressão de vapor
efetiva da água na altura de referência; pC é o calor específico do ar; aρ é a densidade do ar;
γ é o parâmetro psicrométrico.
103
Existem seis variáveis desconhecidas nas quatro equações acima, cpLE , ssLE , cpH ,
ssH , cpT e ssT , quando as resistências relevantes são dadas. Para fechar o sistema, a equação
do balanço de energia é aplicada para o dossel e a superfície do solo, respectivamente:
cp cp cp cpRNSW RNLW LE H+ = + (A.11)
ss ss ss ss ssRNSW RNLW LE H G+ = + + (A.12)
em que RNSW e RNLW são radiação líquida de ondas curtas e longas, respectivamente. Os
subscritos cp e ss representam o dossel e a superfície do solo. ssG é o fluxo de calor da
superfície do solo, que é obtido a partir do submodelo de dinâmica térmica do solo.
As radiações líquidas de ondas curtas do dossel e da superfície do solo foram
calculadas utilizando a saída do submodelo de transferência de radiação, ou seja, a refletância
do dossel e da superfície do solo, a transmissão e a refletância da superfície do solo para a
radiação de onda curta:
0 0(1 ) (1 )cp vcs vcp ics icpRNSW RNVS RNISρ τ ρ τ= − − + − − (A.13)
0 0(1 ) (1 )ss vss vcp iss icpRNSW RNVS RNISρ τ ρ τ= − ∗ + − ∗ (A.14)
em que 0RNVS e 0RNIS representam a radiação incidente no visível e infra-vermelho
próximo no topo do dossel, respectivamente; vcsρ , icsρ , vssρ e issρ são os coeficientes de
reflexão da superfície do solo e do dossel e superfície do solo para o visível e radiação no
infravermelho próximo, respectivamente; vcpτ e icpτ são os coeficientes de transmissão do
dossel para radiação na faixa do visível e infravermelho próximo, respectivamente. De acordo
104
com a lei de Stefan-Boltzmann, a radiação de onda longa líquida (térmica) para o dossel e a
superfície do solo pode ser descrita como:
4 4 4 4 4 4[( ) ( )(1 ) ( )]cp cp sky c cp sky c cp slRNLW T T f T T f T Tσ ε= − + − − + − (A.15)
4 4 4 4 4 4[( ) ( )(1 ) ( )](1 )ss ss sky c ss sky c ss cpRNLW T T f T T f T Tσ ε= − + − − + − − (A.16)
em que skyT é a temperatura aparente do céu, sendo estimada a partir de Monteith (1973) e
Goudriaan (1977) por:
21 0.2( 273) 02 1
a a csky
a c
T T fT
T f− + − =⎧ ⎫ ⎡ ⎤
= →⎨ ⎬ ⎢ ⎥− =⎩ ⎭ ⎣ ⎦ (A.17)
em que cf é a fração de céu claro, ε é o fator de sombreamento, calculado a partir de
Goudriaan (1977) através de:
1 bdk LAIeε −= − (A.18)
em que bdK é o coeficiente de extinção para a radiação térmica difusa.
A.1.1.4. Resistência aerodinâmica
A resistência aerodinâmica entre duas alturas 1z e 2z é descrita por Thom (1975)
como:
105
2
1
2 11 2 2
*
( )1( , )z
mz
u uRA z z dzK u
−= =∫ (A.19)
em que mK é o coeficiente de transporte turbulento; 1u e 2u são as velocidades do vento em
duas alturas e *u é a velocidade de atrito. Perfis de velocidade do vento acima do dossel são
descritos usando a função logarítmica:
*
0
ln mu z du
zκ⎛ ⎞−
= −Ψ⎜ ⎟⎝ ⎠
(A.20)
em que κ é a constante de Von Karman, igual a 0,4; d e 0z são, respectivamente, o
deslocamento do plano zero e a rugosidade da superfície. mΨ é uma função de correção de
estabilidade térmica do ar descrito por Businger et al. (1971) e Paulson (1970) como:
2 1
4.7( ) / / 0/ 02ln[(1 ) / 2] ln[(1 ) / 2] 2 tan ( ) / 2
ob obm
ob
z d L z d Lz d Lx x x π−
− − − >⎧ ⎫ ⎡ ⎤Ψ = →⎨ ⎬ ⎢ ⎥− <+ + + − + ⎣ ⎦⎩ ⎭
(A.21)
0.25[1 15( ) / ]obx z d L −= − − (A.22)
em que obL é comprimento de Monin-Obukhov, calculado por:
3* / ( )ob p a aL u C T gHρ κ= − (A.23)
em que g é aceleração da gravidade (9,8 ms-2), e H é o fluxo de calor sensível. Os perfis de
vento dentro do dossel são descritos utilizando uma função exponencial, de acordo com
Campbell (1977) e Goudriaan (1977), tal que:
(1 / )cz zcu u e α− −= (A.24)
106
em que cu é a velocidade do vento na altura do dossel cz ; α é o fator de extinção para a
velocidade do vento, sendo modelado a partir de Goudriaan (1977) por:
( ) / (2 )d c m wC LAIz L iα = (A.25)
em que dC é coeficiente de arrasto; wi é um parâmetro que representa a intensidade de
turbulência dentro do dossel (0.6); mL é a distância média entre as folhas e calculado pela
fórmula:
(4 ) / ( )m L cL w z LAIπ= (A.26)
em que Lw é a largura das folhas.
A.1.1.5. Resistência da camada limite (laminar) de folha única e superfície
de solo
A resistência laminar de uma superfície é uma função da velocidade do vento local e
do tamanho geométrico da superfície (Campbell, 1977; Monteith & Unsworth, 1990).
Segundo Goudriaan (1977), a resistência da camada limite de uma folha singular 1RB e da
superfície do solo ssRB é dada por:
0.51 90( / )LRB w u= (A.27)
0.5180( / )ss ssRB w u= (A.28)
107
em que ssw é a dimensão característica da superfície do solo. A resistência total da camada
limite do dossel cpRB é calculada com base em 1RB assumindo que as folhas do dossel estão
dispostas em paralelo.
A.1.1.6. Resistência do dossel e da superfície do solo ao vapor d’água
A resistência do dossel cpRS é calculada com base na condutância estomática de uma
única folha e resistência cuticular assumindo que o fluxo de transpiração é de um grande
número de folhas em paralelo (Shuttleworth & Wallace, 1985; Choudhury e Monteith, 1988):
1/ ( / )cp sl sl sh sh cutRS g LAI g LAI LAI R= + + (A.29)
em que slg e shg são a condutância estomática das folhas iluminadas pelo sol e folhas
sombreadas simuladas na fotossíntese e nos submodelos de condutância estomática. cutR é a
resistência cuticular da folha.
A resistência da superfície do solo à perda de vapor d'água, ssRS , foi uma função de
conteúdo relativo de solo-água na superfície do solo, modelada empiricamente a partir de
Chen & Lieth (1992) por:
0 ( / )nss ss sRS RS= Θ Θ (A.30)
em que 0ssRS é a resistência ao conteúdo de água no solo saturado, n é um parâmetro. sΘ é
a quantidade de água no solo saturado na superfície. Θ é o real conteúdo de água no solo na
superfície, que é a saída do submodelo de dinâmica de água no solo.
108
A.1.2. Submodelo de dinâmica térmica do solo
A temperatura do solo e sua distribuição desempenham papéis importantes, não só em
trocas de energia e massa entre a superfície terrestre e a atmosfera, mas também nos processos
biológicos e físico-químicos abaixo do solo, tais como a respiração e transformações da
matéria orgânica do solo. A dinâmica térmica do solo é modelada resolvendo a equação de
condução de calor em condições de contorno dadas. Para o transporte de calor na vertical, a
equação de condução é:
s sh h
T TC kt z z
∂ ∂∂ ⎛ ⎞= − ⎜ ⎟∂ ∂ ∂⎝ ⎠ (A.31)
em que sT é a temperatura do solo; hC é a capacidade térmica do solo; hk é a condutividade
térmica do solo; z é a profundidade do solo.
A capacidade térmica do solo hC ( 1 3JK m− − ) é uma função do conteúdo de água no
solo Θ e calculada de acordo com De Vries (1975):
6(0.3 ) 4.18 10hC = +Θ × × (A.32)
A condutividade térmica do solo hk (W 1m− 1K − ) é calculada de acordo com Ben
Mehrez et al.(1992):
0.50.06 0.5hk = + Θ (A.33)
Na superfície do solo, o fluxo de calor no solo ssG é dado por:
0/ |ss h s zG k T z == ∂ ∂ (A.34)
109
A.1.3. Submodelo de dinâmica de água-solo
O transporte de água no solo é modelado com base na lei de Darcy e da conservação
de massa. Quando apenas o movimento vertical da água é considerado, a equação é dada por:
w ww w
w
k St z z
∂Ψ ∂Ψ∂Θ ∂ ⎛ ⎞= − −⎜ ⎟∂Ψ ∂ ∂ ∂⎝ ⎠ (A.35)
em que wk é a condutividade hidráulica do solo; wΨ é o potencial total da água, que consiste
no potencial matricial do solo, mΨ , e no potencial da gravidade; wS é a taxa de absorção de
água pela raiz em uma unidade de volume do solo. A condutividade hidráulica do solo wk é
dependente do conteúdo de água e características hidráulicas do solo (ou textura). De acordo
com Campbell (1974), a condutividade hidráulica em solo não saturado, Θ , é modelada
como:
2 3( / ) bw s sk k += Θ Θ (A.36)
em que sΘ e sk são a quantidade de água no solo saturado e a condutividade hidráulica
saturada, respectivamente, e b é uma constante; sΘ , sk e b são dependentes da textura do
solo. Na literatura existem muitas formulações empíricas relativas ao potencial matricial do
solo ( mΨ ) para o conteúdo de água no solo. A partir de Campbell (1974) e Clapp e
Hornberger (1978), o potencial matricial do solo é modelado por:
/( / )/( / )( / 1)
bs is s
ms is s
wwm n
− Θ Θ ≤⎧ ⎫Ψ Θ Θ ⎡ ⎤⎪ ⎪Ψ = →⎨ ⎬ ⎢ ⎥Θ Θ >− Θ Θ − Θ Θ −⎪ ⎪ ⎣ ⎦⎩ ⎭ (A.37)
110
em que sΨ é o potencial matricial do solo saturado, que é uma função da textura do solo,
com b , sk e sΘ constantes; iw é o conteúdo solo-água relativo no ponto de inflexão do mΨ
(0,92). As expressões para os parâmetros m e n são dadas por:
2(1 ) / [ (1 )]2 / ( ) 1
i i i i i
i i i
m w b w wn w b mw
−= Ψ − − Ψ −= − Ψ −
(A.38)
em que iΨ é o potencial matricial correspondente à iw .
A captação de água pela raiz wS é uma função da diferença entre o potencial de água na
planta e do potencial de água no solo e das resistências ao longo da via de transporte de água,
modelado com a seguinte equação:
( ) / ( )w plant w soil rad xylS R R R= Ψ −Ψ + + (A.39)
em que wΨ , é o potencial hídrico do solo, plantΨ é o potencial hídrico da planta na base do
caule. soilR é a resistência hidráulica ao transporte de água do solo circundante médio à
superfície da raiz. radR é a resistência à água em toda a superfície da raiz ao xilema. xylR é a
resistência no xilema. Segundo Gardner (1960), soilR é uma função de densidade de
comprimento radicular RLD , raio da raiz rootr e condutividade hidráulica do solo wk e
modelado como:
2ln[1/ ( )] / (4 )soil root wR RLDr k RLD zπ π= Δ (A.40)
111
As resistências radR e xylR são simuladas empiricamente a partir de Chen & Lieth (1992) e
Hillel et al. (1976):
0
0
/ ( )/
rad rad
xyl xyl
R R RLD zR R z RLD
= Δ=
(A.41)
em que 0radR e 0xylR são parâmetros para uma única raiz.
A captação total de água pela raiz é igual à quantidade total de transpiração do dossel,
quando a capacidade de água da planta é ignorada. Então, o equilíbrio hídrico da planta é
dado por:
cp wE dl S dz=∫ ∫ (A.42)
em que cpE é a taxa de transpiração foliar e l é a área foliar.
Combinando as equações A.39 e A.42, o potencial de água na planta pode ser
encontrado com a seguinte equação:
/ ( )
1/ ( )w soil rad xyl c
plantsoil rad xyl
R R R dz E dl
R R R dz
Ψ + + −Ψ =
+ +∫ ∫
∫ (A.43)
A.1.4. Submodelo de crescimento da planta e produção de biomassa
O submodelo de crescimento da planta e produção de biomassa inclui: fotossíntese da
folha, condutância estomática, respiração da planta, particionamento de fotoassimilados,
desenvolvimento da planta (fenologia) e dinâmica de distribuição da zona de raízes. O
112
carbono entra no sistema através da fotossíntese e é distribuído entre as folhas, caules e raízes.
Uma porção é respirada na conversão da assimilação do material estrutural. A alocação de
fotoassimilados entre diferentes partes é dependente da fase de crescimento da planta
(fenologia) e das condições ambientais (como o estresse hídrico).
A.1.5. Dinâmica da distribuição espacial da raiz
A distribuição espacial das raízes, além do seu crescimento, é um importante
determinante de absorção de água e nutrientes, balanço de água e nutrientes das plantas. O
modelo de captação da água das raízes exige a distribuição do comprimento da raiz como
entrada. O padrão da distribuição espacial das raízes é resultado da interação entre a planta e o
solo. Vários fatores influenciam o crescimento das raízes e sua distribuição espacial,
incluindo a disponibilidade de fotoassimilados, umidade do solo, temperatura, nutrientes e
suas distribuições, salinidade, aeração e toxicidade química. Desses, apenas os efeitos da
umidade do solo, temperatura e disponibilidade de carboidratos foram considerados. O
crescimento radicular consiste em vários processos simultâneos, incluindo ramificações,
extensão e morte. A zona de raiz é dividida em várias camadas com profundidades que são
consistentes com as camadas de água do solo e temperatura. O crescimento do sistema
radicular e sua distribuição espacial são representados pela dinâmica da densidade de raízes
nessas camadas do solo. O peso seco total disponível para o crescimento da raiz, ou seja, a
taxa de crescimento de peso seco total da raiz dWr/dt, é atribuído a cada subcamada da zona
de raízes em proporção à sua força de escoamento.
A intensidade do desaparecimento do crescimento radicular (root growth sink
strength) é representado como a taxa de crescimento radicular potencial PRi de cada camada
com a seguinte equação:
113
i i i iPR B E D= + − (A.44)
em que Bi é a taxa de aumento de peso da raiz por ramificação, Ei é a taxa de aumento do peso
da raiz por extensão, e Di é a taxa de diminuição do peso da raiz por senescência e morte.
A taxa de ramificação Bi foi assumida como dependente da densidade radicular
existente RWDi, e influenciado pelo potencial matricial do solo ψ mi e pela temperatura do
solo Tsi com a seguinte relação:
1 2[1 ( / )] ( ) ( )i r i i m mi siB b RWD RWD RWD f f T= − Ψ (A.45)
em que RWDm é a densidade radicular máxima (peso seco de raiz por unidade de volume de
solo) e br é uma constante. As funções 1f e 2f representam os efeitos do potencial matricial
do solo e da temperatura no crescimento radicular, respectivamente. Seus valores variam de 0
a 1. A taxa de extensão Ei é modelada com a seguinte equação:
1 1 , 1 2 , 1 1max{( ),0}(1 / ) ( ) ( ) /i r i thr i m m i s iE e RWD RWD RWD RWD f f T z− − −= − − Ψ Δ (A.46)
em que e r é uma constante, e RWDthr é o limiar da densidade radicular para a extensão da raiz
em uma camada inferior adjacente. izΔ é a profundidade da camada i. Aqui a extensão da raiz
para cima é ignorada. Por razões de simplificação, a redução da densidade de raízes, devido à
senescência e morte foi assumida ser proporcional à densidade de raiz existente em peso:
1[1 ( )]i r i mD d RWD f= − Ψ (A.47)
Uma função exponencial decrescente com potencial matricial do solo foi adotada para
o modelo 1f (WESTGATE & BOYER, 1985; CHEN & LIETH, 1993), de modo que:
114
( )1( ) 1 m thr
mf e β− Ψ −ΨΨ = − (A.48)
em que thrΨ é o limiar de potencial matricial do solo para o crescimento da raiz, e β é um
coeficiente. A função do índice de temperatura do solo 2f foi modelada utilizando uma
equação de Arrhenius modificada (CHEN & LIETH, 1993):
1 2 3 32
1 2
[1 exp( / )]exp( / / )( )
1 exp( / )opt s opt
ss
a a T a T a Tf T
a a T+ − −
=+ −
(A.49)
em que a1, a2 e a3 são parâmetros, e Topt é a temperatura ideal para o crescimento da raiz. Estes
valores da taxa de crescimento potencial são normalizados, de modo que a força de
escoamento relativa Si ou a fração particionada para cada camada é:
1/i i j
jS PR PR
=
= ∑
(A.50)
A dinâmica da densidade de raízes em cada camada é dada por:
/ /i i rdRWD dt S dW dt= (A.51)
