Transporte de umidade na Amazônia e sua relação com a temperatura da superfície do mar dos oceanos adjacentes utilizando as simulações do CMIP5

• Ano de defesa: 2015
• Autor(a) principal: José Guilherme Martins dos Santos
• Orientador(a): Celso Von Randow, Gilvan Sampaio de Oliveira
• Banca de defesa: Prakki Satyamurty, Sâmia Regina Garcia Calheiros
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Ciência do Sistema Terrestre
• País: BR
• Resumo em Inglês: Studies on numerical modeling in Amazonia show that the models fail to capture important aspects of climate variability in this region and it is important to understand the reasons for this drawback. This work used the general circulation models of the Coupled Model Intercomparison Project Phase 5 (CMIP5) results to evaluate the inter- relations between regional precipitation, moisture convergence and Sea Surface Temperature (SST) in the adjacent oceans, to assess how flaws in the representation of these processes can translate into biases in simulated rainfall in Amazonia. Using reanalysis (GPCP, CMAP, ERSST.v3, ERAI and evapotranspiration) and 21 numerical simulations from CMIP5 during the present climate (1979-2005) in June, July and August (JJA) and December, January and February (DJF), respectively, to represent dry and wet season characteristics, are evaluate how the models simulate precipitation, moisture transport and convergence, and vertical velocity in different regions of Amazonia. Thus, it is possible to identify areas of Amazonia that are more or less influenced by adjacent ocean SSTs. The results showed that most of the CMIP5 models have poor skill in adequately representing some aspects observed. The regional rainfall analysis showed that on average the underestimation in the dry season (JJA) were higher than in the rainy season. It was found that Atlantic and Pacific SSTs modulate the northern sector of Amazonia during JJA due to the influence of the inter-hermispheric gradient, while in DJF Pacific SST only influences the eastern sector of the region due to the influence of the El Niño-Southern Oscillation (ENSO). The analysis of moisture transport in JJA showed that moisture preferentially enters the Amazon through the eastern edge by Atlantic Subtropical High (ASH). On the other hand, in the DJF entry was either from northern edge or the east via trade winds and ASH. The anual moisture balance was positive and the forest was considered as a sink (convergence) of atmospheric moisture during the rainy season and a source (divergence) in the dry season. In the annual average, the Amazon was considered as a sink (convergence) of local moisture to the atmosphere and a source for the South and Southeast regions of Brazil and northern Argentina transported by Low Level Jet. Additionally, the results showed that during DJF the simulations in northeast sector of Amazonia showed a bias in precipitation and an underestimation of moisture convergence due to the influence of biases in the Pacific SST. On the other hand, during JJA, a strong precipitation bias was observed in the southwest sector associated, also with a negative bias of moisture convergence, but with weaker influence of SSTs of adjacent oceans. The poor representation of precipitation mechanisms in Amazonia by the models and the difficulty of adequately representing the variability of SSTs in the Pacific and Atlantic oceans may be responsible for these underestimates in Amazonia. Some limitations associated with the models were presented as for example, difficulty in simulating the intensity of zonal circulation pattern and the representation of more intense ITCZ adjacent oceans that contributed to dry conditions in the Amazon. Based on the assessment of rainfall, SST and circulation were selected the best (ACCESS1-0, BCC-CSM1.1, CNRM-CM5, HadGEM2-CC, HadGEM2-ES, MIROC5 and MIROC-ESM) and the worst models (CSIRO-MK3-6-0, FGOALS-G2, GISS-E2-R, INM-CM4, MRI-CGCM3). Some items have been suggested as factors responsible for such a model is better than another represent precipitation, i.e., precipitation mechanisms producers, satisfactory representation of the annual cycle ofprecipitation and the variability of SST adjacent oceans. Some points have been suggested as factors responsible for one model is better than the other to represent the precipitation, thats is, precipitation mechanisms, satisfactory representation of the annual cycle of precipitation and variability of SST adjacent oceans.
• Link de acesso: http://urlib.net/sid.inpe.br/mtc-m18/2015/02.27.16.42

Os estudos sobre modelagem numérica na Amazônia mostram que os modelos não conseguem capturar aspectos importantes da variabilidade do clima nesta região, por isso, é importante entender as razões que causam essa dificuldade. Neste trabalho são utilizados os resultados de Modelos de Circulação Geral do Coupled Model Intercomparison Project Phase 5 (CMIP5) com o objetivo de avaliar as interrelações entre a precipitação regional, a convergência de umidade e a Temperatura da Superfície do Mar (TSM) nos oceanos adjacentes, para estudar como a falha na representação por parte dos modelos pode traduzir-se em bias na precipitação simulada na Amazônia. Utilizando dados de reanálise (GPCP, CMAP, TSM, ERAI e evapotranspiração) e 21 simulações numéricas do CMIP5 durante o clima atual (1979-2005), em junho, julho e agosto (JJA) e dezembro, janeiro e fevereiro (DJF), respectivamente, para representar as características das estações seca e chuvosa, são avaliados como os modelos simulam a precipitação, o transporte e a convergência de umidade, e a velocidade vertical em diferentes regiões da Amazônia. Assim, é possível identificar áreas que são mais ou menos influenciadas pela TSM dos oceanos adjacentes. Os resultados mostraram que a maioria dos modelos do CMIP5 tiveram dificuldade em representar adequadamente alguns aspectos observados. As análises regionais de precipitação mostraram que na média a subestimativa e o erro padrão da média (SEM) no período seco (JJA) foram maiores do que no período chuvoso. Verificou-se que a TSM do Atlântico e do Pacífico tropical modularam o setor norte da Amazônia durante JJA devido a influência do gradiente inter-hermisférico, enquanto em DJF a TSM do Pacífico influenciou somente a parte leste desta região devido a influência do El Niño-Oscilação Sul (ENOS). A análise do transporte de umidade em JJA mostrou que ela preferencialmente entra na Amazônia através da borda leste pela Alta Subtropical do Atlântico Sul (ASAS). Por outro lado, em DJF a entrada ocorreu tanto pela borda norte quanto pela leste via ventos alísios e ASAS. O balanço de umidade anual foi positivo e a floresta funcionou como sumidouro (convergência) de umidade atmosférica na estação chuvosa e fonte (divergência) na estação seca. Na média anual, a Amazônia atuou como sumidouro (convergência) de umidade atmosférica e fonte para as regiões Sul e Sudeste do Brasil e norte da Argentina sendo a umidade transportada pelo Jato de Baixos Níveis. Além disso, os resultados mostraram que durante DJF as simulações no setor nordeste da Amazônia apresentaram um bias na precipitação e subestimativa da convergência de umidade devido a influência do bias na TSM do Pacífico. Durante JJA, um bias na precipitação foi observado no setor sudoeste associado também com um bias negativo de convergência de umidade, mas com menor influência da TSM dos oceanos adjacentes. A dificuldade em representar os mecanismos produtores de precipitação na Amazônia por parte dos modelos e em simular adequadamente a variabilidade da TSM nos oceanos Pacífico e Atlântico podem ser responsáveis por essas subestimativas na Amazônia. Algumas limitações associadas aos modelos foram apresentadas, como por exemplo, dificuldade em simular a intensidade do padrão de circulação zonal e a representação da ZCIT mais intensa nos oceanos adjacentes que contribuiu para condições secas na Amazônia. Com base na avaliação das variáveis precipitação, TSM e circulação foram selecionados os melhores (ACCESS1-0, BCC-CSM1.1, CNRM-CM5, HADGEM2-CC, HADGEM2-ES, MIROC5 e MIROC-ESM) e os piores modelos (CSIRO-MK3-6-0, FGOALS-G2, GISS-E2-R, INM-CM4, MRI-CGCM3). Alguns pontos foram sugeridos como os fatores responsáveis para que um modelo seja melhor do que o outro em representar a precipitação, isto é, mecanismos produtores de precipitação, representação satisfatória do ciclo anual de precipitação e a variabilidade da TSM dos oceanos adjacentes.