Número 3 Opinión Científica Reportajes y Entrevistas Volumen 2

Observatorios de flujos de calor y gases de efecto invernadero: midiendo el pulso y aliento de los ecosistemas

Acceso Libre | Opinión Revisada por Pares

Print Friendly, PDF & Email

 

Susana Alvarado Barrientos1 PhD – [email protected]

1CONACYT – El Colegio de la Frontera Sur, Unidad Chetumal, México

*Ilustracion de torre de flujo: Fuente: https://www.licor.com/env/products/eddy_covariance/images/ec-illustration.jpg

Cita:  Alvarado, M.S. (2017). Observatorios de flujos de calor y gases de efecto invernadero: midiendo el pulso y aliento de los ecosistemas.  Revista Yu’am 2(3): 64-69 pp.
Recibido:  27/6/2017
Aceptado: 1/8/2017
Publicado: 1/9/2017

Las características y procesos de la superficie terrestre (como el color y rugosidad, así como la evapotranspiración, fotosíntesis y respiración) determinan el intercambio de calor y gases de efecto invernadero (GEI) con la atmósfera. De tal manera que la superficie terrestre determina las características térmicas, hídricas, químicas y aerodinámicas de la tropósfera, es decir, la parte más baja de la atmósfera que contiene el aire que respiramos y donde se producen los fenómenos meteorológicos. Por esta razón, modificaciones severas a la superficie, debido a actividades antropogénicas o causas naturales, producen alteraciones en los procesos atmosféricos (Nicholson, 1988; Betts et  al., 1996; Bonan, 2008; Pielke et al., 2011). En consecuencia, el monitoreo continuo y estudio detallado de las interacciones de la superficie con la atmósfera, particularmente los ciclos del agua y carbono, ganan cada vez más importancia en el contexto del cambio climático (Mahmood et al., 2010).

Actualmente existe tecnología para medir de manera directa, constante y precisa los flujos de calor y GEI desde y hacia una superficie de la Tierra en particular. Varios instrumentos especializados son combinados en lo que se denomina “torres de flujos”. Se podría decir que éstas miden los signos vitales de los ecosistemas como su pulso y aliento. Existen cientos de torres operando alrededor del mundo, sin embargo, los ecosistemas neotropicales no Amazónicos no están bien representados: solamente hay torres en la selva tropical seca de Yucatán, en dos manglares (Quinatana Roo y Chiapas), en un cafetal bajo sombra de Veracruz y en la selva tropical húmeda de Costa Rica y Panamá (http://fluxnet.fluxdata.org/sites/site-summary; Hargrove et al., 2003). Esto quiere decir que la mayoría de los ecosistemas naturales mesoamericanos no están representados, e implica que no existe información cuantitativa directa de los flujos de calor y GEI para la mayor parte de la región. Sin esta información nuestro conocimiento del funcionamiento de ecosistemas, por ejemplo, para determinar cuándo y en qué condiciones un ecosistema es sumidero o emisor de GEI, es muy limitado. Así mismo, conocer el impacto climático e hidrológico de la conversión de un uso de suelo a otro resulta inasequible.

En este artículo se describe brevemente los procesos y atributos determinantes del ciclo del agua y carbono que pueden ser medidos con torres de flujos. También se describen los instrumentos y el método para analizar la información que proveen las torres, resaltando el conocimiento que se genera. Finalmente, se expone la necesidad de incrementar el financiamiento local y la cooperación transfronteriza para aumentar la representatividad de los ecosistemas mesoamericanos en la red global de torres de flujos.

Interacciones superficie-atmósfera: ciclo del agua y carbono

La superficie de la Tierra interacciona con la atmósfera al intercambiar energía y masa a través de procesos que sustentan la vida. La energía en forma de radiación proveniente del Sol es absorbida por la superficie terrestre en un ~47%. Las características de la superficie determinan en qué se transformará la energía disponible en la superficie: la mayor parte se reparte en calentar el aire circundante (“calor sensible”) y en vaporizar el agua disponible (“calor latente”), mientras que una fracción muy pequeña es almacenada en forma de calor en el suelo y otra más pequeña es utilizada en procesos biológicos como la fotosíntesis (Trenberth et al., 2009). Las características de la superficie que más influyen en cómo se distribuye la energía son: su color, rugosidad, contenido de humedad, área cubierta por vegetación y las características fisiológicas de esta vegetación (Monteith & Unsworth, 2008).

La mayor parte de la masa que se intercambia entre la superficie y la atmósfera es agua. El agua regresa a la atmósfera en forma de vapor a través del proceso de evapotranspiración. Otros gases que se intercambian entre la superficie y la atmósfera son los que contienen carbono, como el dióxido de carbono (CO2) y el metano (CH4) ya que son producto de procesos biogeoquímicos como la fotosíntesis, respiración y descomposición de materia orgánica (Lambers et al., 2006). Éstos son también llamados gases traza, porque en comparación con el vapor de agua, sus concentraciones son mucho más pequeñas en la atmósfera. Tanto el vapor de agua como el CO2 y CH4 son los GEI más importantes por su capacidad de absorber la radiación solar en la atmósfera y absorber calor emitido por procesos de superficie evitando que éste se escape al espacio exterior (Monteith & Unsworth, 2008).

El cambio en el uso del suelo implica transformaciones importantes a las características de la superficie, que alteran a su vez la partición de energía y la cantidad neta de GEI emitidos, influyendo finalmente en las propiedades de la atmósfera (Bonan, 2008; Pielke et al., 2011). Así, al conocer en detalle las características de la superficie, el balance de energía y cuantificar el intercambio de GEI, se puede determinar si un ecosistema, o en general, las distintas superficies de la Tierra (por ejemplo, urbanización, basurero, potrero, selva, lago, etc.), son emisoras o sumideros de GEI (Le Quere et al., 2009). También se puede conocer cómo afecta la variabilidad estacional en el estatus de emisor o sumidero (e.g. Ham & Knapp, 1998; Baldocchi et al., 2004; Holwerda et al., 2016), o si por ejemplo, al cambiar alguna práctica agropecuaria se altera el balance de energía (Holwerda et al., 2016) o se reducen las emisiones de GEI (Smith et al., 2008). Así mismo, es posible examinar el impacto climático e hidrológico de la conversión de un uso de suelo a otro (van der Molen et al., 2006).

Medición directa de flujos de calor y gases de efecto invernadero  

Hasta hace algunas décadas nuestro conocimiento sobre las interacciones biofísicas superficie-atmósfera era muy limitado derivado de la falta de observaciones directas, y a la escala temporal y espacial adecuada, para poder examinar a detalle estas interacciones. No era posible evaluar cuantitativamente el papel de la biósfera en la circulación y composición de la atmósfera a nivel global y regional (Eagleson, 1981; Sellers et al., 1997), por lo que nuestro conocimiento de cómo afecta la deforestación al clima, por ejemplo, era más limitado. Gracias a importantes avances tecnológicos y de capacidad computacional, ahora existen torres de flujos que están instrumentadas para medir en campo los componentes del balance de energía de la superficie y concentraciones de GEI a escala de ecosistema (Aubinet et al., 2012). Las observaciones directas han arrojado conocimiento tal que ahora la superficie terrestre es un componente clave en los modelos climáticos y de circulación global (Pitman, 2003). Sin embargo, aún es necesario obtener información detallada para afinar el conocimiento a escala local e informar modelos numéricos que integran procesos biogeoquímicos (Pielke et al., 2002). De no contar con información para una superficie en particular, un modelo busca información para otra superficie que parezca similar. Así, la selva del Petén podría ser representada por atributos y procesos que fueron observados en la selva Amazónica, por ejemplo (Zhao et al., 2005). Qué tanto impacto puede tener esta simplificación en los resultados de un modelo solo se podría examinar con datos directamente observados en la selva del Petén.

Las torres de flujos tienen instalados dos tipos de sensores: unos que miden muy rápidamente (10 o 20 veces por segundo) las fluctuaciones turbulentas de parámetros meteorológicos, y otros que miden más despacio (1 vez cada segundo) pero con alta precisión y exactitud los parámetros. Los sensores rápidos son: anemómetro sónico que mide la velocidad del viento en tres dimensiones, analizadores ópticos de gases que miden la densidad de un GEI en el aire, y termopares que miden la temperatura del aire. Los sensores lentos son: piranómetro que mide radiación solar de onda corta incidente y reflejada, pirgeómetro que mide radiación de onda larga incidente y emitida, sensor cuántico que mide la radiación fotosintéticamente activa, sondas que miden temperatura y humedad relativa del aire, sondas que miden temperatura y humedad del suelo, termistores para medir el flujo de calor en el suelo, y pluviómetro que mide precipitación. En la Figura 1 se muestran ejemplos de torres típicas y en la Figura 2 se muestran ejemplos de sensores instalados en el campo.

torres de flujo

Figura 1. Ejemplo de torres de flujos típicas: A) selva seca baja, Sisal, Yucatán, México; B) cafetal bajo sombra, Xalapa, Veracruz, México; C) manglar costero, Puerto Morelos, Quintana Roo, México. Fotografías: Ma. Susana Alvarado Barrientos.

Figura 2. Acercamiento a los sensores instalados típicamente: a) analizador de gas CO2/H2O de canal abierto (LI-COR, LI-7500RS); b) anemómetro sónico (Gill, WindMaster Pro); c) analizador gas CH4 de canal abierto (Li-COR, LI-7700); d) sensor de humedad relativa y temperatura (Vaisala, HMP155); e) radiómetro de cuatro componentes (Kipp & Zonnen, CNR4); f) sensor cuántico (LI-COR, Quantum Sensor); g) pluviómetro (Texas Electronics, TR-525M); y, h) placas de flujo de calor en el suelo (Hukseflux, HFP01SC).

Fotografías: Ma. Susana Alvarado Barrientos.

Los sensores se colocan varios metros por encima del dosel de la superficie de interés caracterizando el microclima y los flujos turbulentos desde y hacia un parche de varios cientos de metros de la superficie que está viento arriba de la localización de la torre, es decir, en dirección en la que viene el viento predominantemente (Figura 3; Aubinet et al., 2012). Los datos colectados son analizados con un método estadístico denominado “covarianza de turbulencias” para determinar con alta precisión y exactitud el balance de energía, los flujos turbulentos y las concentraciones de GEI. Este método se basa en la interpretación de la covarianza entre las fluctuaciones de la concentración de un escalar (agua, CO2, CH4, momento, etc.) y las fluctuaciones de la velocidad del viento en dirección normal a la superficie (vertical) como flujo hacia o desde la superficie de interés (Monteith & Unsworth; Aubinet et al., 2012). Este método es el de referencia utilizado en todas las torres de flujo a nivel mundial (http://ameriflux.lbl.gov/; Guy et al., 2007), así que existen protocolos de colecta, tratamiento, correcciones y análisis de datos examinados frecuentemente para mejorar la precisión de los resultados (Zastrow et al., 2017).

Figura 3. Ilustración de una torre de flujos instalada para medir el balance de radiación, los flujos turbulentos (calor sensible y calor latente) y concentraciones de gases de efecto invernadero sobre un bosque. El viento está compuesto de torbellinos de distintos tamaños que se mueven en general con una dirección predominante.

Fuente: https://www.licor.com/env/products/eddy_covariance/images/ec-illustration.jpg

Gracias a esta estandarización es posible utilizar las grandes bases de datos para estudios de síntesis de procesos, es decir, estudios comparativos de distintas superficies para extraer conocimiento de cómo funcionan los procesos (Guy et al., 2007; Richardson et al., 2012). Conocimiento que luego se abstrae para insertarlo en modelos computarizados que recrean estos procesos (Rosenzweig et al., 2008; Richardson et al., 2012). También, es posible informar adecuadamente modelos de productividad primaria neta de los ecosistemas para los que se cuenta con datos medidos en campo (Richardson et al., 2012; Baldocchi et al., 2005). Esta información es necesaria para la implementación de políticas relacionadas a la reducción de emisiones por cambio de uso del suelo como REDD+ (Gibbs et al., 2007; Corbera & Schroeder 2011).

Sin la tecnología de las torres de flujo solamente es posible medir directamente los reservorios no así los flujos. Por ejemplo, sólo podemos medir el carbono que es almacenado en la vegetación y el suelo pero con métodos destructivos (e.g. Schmitt-Harsh et al., 2012) o a través de estimaciones derivadas de observaciones indirectas (e.g. Saatchi et al., 2011).

Más observatorios para la región mesoamericana

La falta de torres de flujo en la región mesoamericana es debida en parte, por la gran inversión que se requiere (~150,000 USD). Por otro lado, se requiere de personal especializado tanto para darles mantenimiento, como para analizar y publicar los datos generados. La fuente de financiamiento en la región ha sido variada con resultados mixtos. En el caso de las torres donadas por instituciones ajenas al país donde están instaladas, sin que exista un investigador principal local especializado, es muy probable que no se genere información esperada y eventualmente algún fallo deje a la torre fuera de operación. Este ha sido el caso de algunas torres instaladas en México con apoyo e iniciativa extranjera. En contraste, las torres mexicanas que están en operación continua (o estuvieron en campañas cortas de medición específicas) aportando datos y conocimiento pertinente, han sido instaladas por iniciativa de investigadores locales que contaron con financiamiento significativo también local.

Recientemente se instalaron dos nuevas torres en el sureste de México con financiamiento nacional: una en la selva seca al noroeste de Yucatán (bajo operación del Instituto de Ingeniería de la Universidad Nacional Autónoma de México) y otra en un manglar en la costa norte de Quintana Roo (bajo operación de El Colegio de la Frontera Sur). Así mismo, se está trabajando para consolidar un consorcio de investigación para integrar a todos los sitios con torres de flujos en México –MexFlux (Vargas et al., 2013). Es de esperar que con estos nuevos esfuerzos se genere más personal local capacitado en estos temas. Es necesario sin embargo, unir más fuerzas a través de las fronteras mesoamericanas con el fin de apalancar financiamiento local e internacional, crear oportunidades de capacitación local, e incrementar la representatividad de los ecosistemas monitoreados.

Las superficies antropogénicas en ambientes tropicales como agroecosistemas o zonas urbanas tampoco han sido suficientemente instrumentadas, y podrían ser objeto de campañas de medición específicas en caso de no ser posible instrumentar observatorios permanentes (e.g. Holwerda et al., 2016). Claro, es imposible instrumentar todos los distintos tipos de superficies existentes tomando en cuenta la heterogeneidad de los paisajes mesoamericanos. Así que es necesario que las bases de datos generadas por las torres de flujos sean utilizadas para la validación y desarrollo de modelos y productos de percepción remota. Así, la información obtenida en algunas pocas áreas es extendida y puede informar sobre los procesos a mayores escalas (e.g. Xiao et al., 2011; Heinsch et al., 2006; Alvarado-Barrientos & Orozco-Medina, 2016). De esta manera, existirá información y conocimiento pertinente y confiable para mejorar las acciones bajo leyes y políticas públicas de mitigación y adaptación al cambio climático.

Literatura citada

Alvarado-Barrientos, M. S., & Orozco-Medina, I. (2016). Comparison of satellite-derived potential evapotranspiration (MOD16A3) with in situ measurements from Quintana Roo, Mexico. 2016 IEEE 1er Congreso Nacional de Ciencias Geoespaciales (CNCG), 7-9 Dec.

Aubinet, M., Vesala, T., & Papale, D. (2012). Eddy covariance: a practical guide to measurement and data analysis. Springer Science & Business Media, New York.

Baldocchi, D. D., Xu, L., & Kiang, N. (2004). How plant functional-type, weather, seasonal drought, and soil physical properties alter water and energy fluxes of an oak–grass savanna and an annual grassland. Agricultural and Forest Meteorology, 123(1), 13-39. doi: http://dx.doi.org/10.1016/j.agrformet.2003.11.006

Baldocchi, D. D., Black, T. A., Curtis, P. S., Falge, E., Fuentes, J. D., Granier, A., Gu, L., Knohl, A., Pilegaard, K., Schmid, H. P., Valentini, R., Wilson, K., Wofsy, S., Xu, L., & Yamamoto, S. (2005). Predicting the onset of net carbon uptake by deciduous forests with soil temperature and climate data: a synthesis of FLUXNET data. International Journal of Biometeorology, 49(6), 377-387. doi: 10.1007/s00484-005-0256-4

Betts, A. K., Ball, J. H., Beljaars, A. C. M., Miller, M. J., & Viterbo, P. A. (1996). The land surface-atmosphere interaction: A review based on observational and global modeling perspectives. Journal of Geophysical Research: Atmospheres, 101(D3), 7209-7225. doi: 10.1029/95jd02135

Bonan, G. B. (2008). Forests and Climate Change: Forcings, Feedbacks, and the Climate Benefits of Forests. Science, 320(5882), 1444-1449. doi: 10.1126/science.1155121

Corbera, E., & Schroeder, H. (2011). Governing and implementing REDD+. Environmental Science & Policy, 14(2): 89-99.

Eagleson, P.S. (1981) Report of the JSC study conference on land surface processes in atmospheric general circulation models. World Meteorological Organization, WCP46, Geneva, Switzerland.

Gibbs, H. K., Brown, S., Niles, J. O., & Foley, J. A. (2007). Monitoring and estimating tropical forest carbon stocks: making REDD a reality. Environmental Research Letters, 2(4).

Guy, G. A., Kosugi, T., & Sulzman, E. (2007). AmeriFlux network aids global synthesis. Eos, 88(28).

Ham, J. M. & Knapp, A.K. (1998) Fluxes of CO2, water vapor, and energy from a prairie ecosystem during the seasonal transition from carbon sink to carbon source. Agricultural and Forest Meteorology, 89(1), 1-14.

Hargrove, W. W., Hoffman, F. M., & Law, B. E. (2003). New analysis reveals representativeness of the AmeriFlux network. Eos, Transactions American Geophysical Union, 84(48), 529-535. doi: 10.1029/2003eo480001

Heinsch, F. A., Zhao, M., Running, S. W., Kimball, J. S., Nemani, R. R., Davis, K. J., …, Flanagan, L. B. (2006). Evaluation of remote sensing based terrestrial productivity from MODIS using regional tower eddy flux network observations. IEEE Transactions on Geoscience and Remote Sensing, 44(7), 1908-1923.

Holwerda, F., Alvarado-Barrientos, M.S., & González-Martínez, T.M. (2016) Surface energy exchange in a tropical montane cloud forest environment: flux partitioning, and seasonal and land cover-related variations. Agricultural and Forest Meteorology, 228-229, 13-28.

Lambers, H., Chapin, F.S. & Pons, T.L. (2006) Plant Physiological Ecology. & Business Media, New York. 540 pp.

Le Quere, C., Raupach, M. R., Canadell, J. G., Marland, G., & et al. (2009). Trends in the sources and sinks of carbon dioxide. Nature Geosciences, 2(12), 831-836.

Mahmood, R., Quintanar, A. I., Conner, G., Leeper, R., Dobler, S., Sr., R. A. P., . . . Syktus, J. (2010). Impacts of Land Use/Land Cover Change on Climate and Future Research Priorities. Bulletin of the American Meteorological Society, 91(1), 37-46. doi: 10.1175/2009bams2769.1

Monteith, J.L., & Unsworth M.H. (2008) Principles of environmental physics. 3era Edición. Academic Press, Oxford. 418 pp.

Nicholson, S.E. (1988) Land surface atmosphere interaction: physical processes and surface changes and their impact. Progress in Physical Geography, 12, 36–65.

Pielke, R. A., Marland, G., Betts, R. A., Chase, T. N., Eastman, J. L., Niles, J. O., . . . Running, S. W. (2002). The influence of land-use change and landscape dynamics on the climate system: relevance to climate-change policy beyond the radiative effect of greenhouse gases. Philosophical Transactions of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 360(1797), 1705-1719. doi: 10.1098/rsta.2002.1027

Pielke, R. A., Pitman, A., Niyogi, D., Mahmood, R., McAlpine, C., Hossain, F., . . . de Noblet, N. (2011). Land use/land cover changes and climate: modeling analysis and observational evidence. Wiley Interdisciplinary Reviews: Climate Change, 2(6), 828-850. doi: 10.1002/wcc.144

Pitman, A. J. (2003) The evolution of, and revolution in, land surface schemes designed for climate models. International Journal of Climatology, 23, 479–510.

Richardson, A. D., Anderson, R. S., Arain, M. A., Barr, A. G., Bohrer, G., Chen, G., Xue, Y. (2012). Terrestrial biosphere models need better representation of vegetation phenology: results from the North American Carbon Program Site Synthesis. Global Change Biology, 18(2), 566-584. doi: 10.1111/j.1365-2486.2011.02562.x

Saatchi, S. S., Harris, N. L., Brown, S., Lefsky, M., Mitchard, E. T. A., Salas, W., Morel, A. (2011). Benchmark map of forest carbon stocks in tropical regions across three continents. Proceedings of the National Academy of Sciences, 108(24), 9899-9904. doi: 10.1073/pnas.1019576108

Schmitt-Harsh, M., Evans, T. P., Castellanos, E., & Randolph, J. C. (2012). Carbon stocks in coffee agroforests and mixed dry tropical forests in the western highlands of Guatemala. [journal article]. Agroforestry Systems, 86(2), 141-157. doi: 10.1007/s10457-012-9549-x

Sellers, P. J., Dickinson, R. E., Randall, D. A., Betts, A. K., Hall, F. G., Berry, J. A., . . . Henderson-Sellers, A. (1997). Modeling the exchanges of energy, water, and carbon between continents and the atmosphere. Science, 275(5299), 502-509. doi: 10.1126/science.275.5299.502

Smith, P., Martino, D., Cai, Z., Gwary, D., Janzen, H., Kumar, P., . . . Smith, J. (2008). Greenhouse gas mitigation in agriculture. Philosophical Transactions of the Royal Society B: Biological Sciences, 363(1492), 789-813. doi: 10.1098/rstb.2007.2184

Trenberth, K.E., Fasullo, J.T., & Kiehl, J. (2009) Earth’s Global Energy Budget. Bulletin of American Meteorological Society, 90, 311-323.

van der Molen, M. K., Dolman, A. J., Waterloo, M. J., & Bruijnzeel, L. A. (2006). Climate is affected more by maritime than by continental land use change: A multiple scale analysis. Global and Planetary Change, 54(1-2), 128-149. doi: 10.1016/j.gloplacha.2006.05.005

Vargas, R., Yépez, E. A., Aandrade, J. L., Ángeles, G., Arredondo, T., Castellanos, A. E., Delgado-Balbuena, J., Garatuza-Payán, J., González del Castillo, E., Oechel, W., Rodríguez, J. C., Sánchez-Azofeifa, A., Velasco, E., Vivoni, E. R., & Watts, C. (2013). Progress and opportunities for monitoring greenhouse gases fluxes in Mexican ecosystems: the MexFlux network. Atmósfera, 26(3), 326-336.

Xiao, J., Zhuang, Q., Law, B. E., Baldocchi, D. D., Chen, J., Richardson, A. D., . . . Torn, M. S. (2011). Assessing net ecosystem carbon exchange of U.S. terrestrial ecosystems by integrating eddy covariance flux measurements and satellite observations. Agricultural and Forest Meteorology, 151(1), 60-69. doi: https://doi.org/10.1016/j.agrformet.2010.09.002

Zastrow, M. (2017), Global atmospheric observations may need tweaking for turbulence, Eos, 98, https://doi.org/10.1029/2017EO075455. Published on 14 June 2017.

Zhao, M., Heinsch, F. A., Nemani, R. R., & Running, S. W. (2005). Improvements of the MODIS terrestrial gross and net primary production global data set. Remote Sensing of Environment, 95(2), 164-176. doi: http://dx.doi.org/10.1016/j.rse.2004.12.011

defensores de la naturaleza

rain forest alliance

ICC

Universidad del valle de Guatemala

Suscríbete a nuestra revista

Con el apoyo de: