≫ Interacciones nube-radiación y sus contribuciones a la autoagregación convectiva

Kieran Papa – knpope@pgr.reading.ac.uk

La autoagregación convectiva es el proceso por el cual la convección inicialmente dispersa al azar se agrupa espontáneamente en el espacio a pesar de las condiciones iniciales uniformes. Este proceso se identificó por primera vez en modelos numéricos, sin embargo, es relevante para la convección del mundo real (Holloway et al., 2017). El clima tropical está dominado por la convección, y el grado de agregación convectiva tiene consecuencias importantes para el clima y el tiempo. Un régimen más organizado está asociado con una nubosidad reducida, una mayor emisión de onda larga al espacio (Bretherton et al., 2005) y una mayor frecuencia de eventos de precipitación extrema de larga duración (Bao y Sherwood, 2019).

Debido a su relevancia para el tiempo y el clima, la autoagregación ha sido el foco de muchos estudios recientes. Sin embargo, todavía hay mucho debate sobre los procesos que causan la agregación. Existe una gran variabilidad en la tasa y el grado de agregación entre los modelos, y sigue existiendo incertidumbre sobre cómo la agregación se ve afectada por el cambio climático (Wing et al., 2020). Estudios anteriores han demostrado que las retroalimentaciones entre la convección y la radiación de onda corta y onda larga son impulsores y mantenedores clave de la agregación (p. ej., Wing & Cronin 2016), y que la radiación interactiva en los modelos es esencial para que se produzca la agregación (Muller & Bony 2015).

Este blog resume los resultados del primer artículo de mi doctorado (Pope et al., 2021), donde desarrollamos y usamos un marco para analizar cómo las interacciones radiativas con diferentes tipos de nubes contribuyen a la agregación. Analizamos la autoagregación dentro de un conjunto de tres simulaciones idealizadas del Modelo Unificado (UM) de la Met Office del Reino Unido. Las simulaciones están configuradas en equilibrio radiativo-convectivo sobre tres temperaturas superficiales del mar (TSM) fijas de 295, 300 y 305 K. Son modelos que permiten la convección de 432 × 6048 km.² de tamaño con un espaciado de cuadrícula horizontal de 3 km. Las simulaciones ignoran la rotación de la tierra, por lo que representan aproximadamente la convección sobre los océanos tropicales dentro de un clima cálido.

Nuestro marco de análisis se basa en el utilizado por Wing y Emanuel (2014), que utiliza la varianza de la energía estática húmeda congelada integrada verticalmente (FMSE) como medida de agregación. FMSE es una medida de la energía total que tiene una parcela de aire si toda el agua (vapor y congelada) se convierte en líquido, despreciando su velocidad. Las variaciones en FMSE integrado verticalmente provienen de perturbaciones en la temperatura y la humedad. A medida que aumenta la agregación, las regiones húmedas se vuelven más húmedas y las regiones secas se vuelven más secas, por lo que aumenta la varianza de FMSE integrado verticalmente.

El problema de usar la varianza de FMSE como una métrica de agregación es que es muy sensible a la SST. Una atmósfera más cálida puede contener más vapor de agua a través de la relación Clausius-Clapeyron. Esto significa que hay una mayor diferencia en FMSE entre las regiones húmedas y secas para simulaciones de TSM más altas, por lo que la variación de FMSE suele ser mucho mayor para TSM más altas. Para dar cuenta de este problema, normalizamos FMSE entre límites hipotéticos superior e inferior que son funciones de SST. Esto da un valor de FMSE normalizado entre 0 y 1.

Wing y Emanuel (2014) derivan una ecuación de presupuesto para la tasa de cambio de la varianza de FMSE que muestra cómo los diferentes procesos contribuyen a la agregación. Al volver a derivar su ecuación para FMSE normalizado, obtenemos:

$displaystyle fracfrac = widehat_nLW'_n + widehat_nSW'_n + widehat_nSEF'_n - widehat_nnabla_hcdotwidehat$

dónde $widehat$ es FMSE integrado verticalmente, $LW$ y $SUDOESTE$ son las tasas netas de calentamiento de onda larga y onda corta de la columna atmosférica, $SEF$ es el flujo de entalpía superficial, formado por los flujos de calor superficial latente y sensible, y $nabla h cdot widehat$ es la divergencia horizontal de la $widehat$ flujo. Primos ( $'$ ) indican anomalías locales de la media del dominio instantáneo. El subíndice ( $_norte$ ) denota una variable normalizada que es la variable original dividida por la diferencia entre los límites superior e inferior hipotéticos de $widehat$ . La ecuación muestra que la tasa de cambio de $widehat_n$ la varianza (término del lado izquierdo) es impulsada por interacciones entre $widehat_n$ anomalías y anomalías en el calentamiento neto normalizado de onda larga, calentamiento de onda corta, flujos superficiales y advección.

Figura 1: Gráficas de Hovmöller de FMSE normalizado para cada SST
Figura 2: (a) Serie de tiempo de la varianza FMSE integrada verticalmente, (b) Serie de tiempo de la varianza FMSE normalizada integrada verticalmente para cada SST

Usamos la varianza de $widehat_n$ como nuestra métrica de agregación. Parcelas de Hovmöller de $widehat_n$ se muestran en la Figura 1 para cada uno de nuestros SST. En estas parcelas, $widehat_n$ se promedia a lo largo del eje corto de nuestros dominios. Los gráficos muestran cómo la convección inicialmente distribuida aleatoriamente se organiza en bandas que se expanden hasta el punto en que hay de 4 a 5 bandas casi estacionarias de regiones convectivas húmedas separadas por regiones subsidentes secas. Esto demuestra que una vez que nuestros dominios se agregan por completo, el grado de agregación parece similar. La Figura 2a muestra series temporales de cada una de las varianzas de $widehat_n$ y muestra que la varianza de no normalizada $widehat_n$ es ~4 veces mayor para nuestras simulaciones de 305 K en comparación con nuestra simulación de 295 K. La figura 2b muestra series de tiempo de la varianza de $widehat_n$ . A partir de esto, podemos ver que la convección se agrega más rápido a medida que aumenta la TSM, pero el grado de agregación sigue siendo similar a través de esta métrica una vez que la convección se agrega por completo. Valores de $widehat_n$ varianza alrededor de 10^-4 o menores corresponden a convección dispersa aleatoriamente, mientras que valores mayores a 10^-3 están asociados con la convección fuertemente agregada.

1686874338 928 Interacciones nube radiacion y sus contribuciones a la autoagregacion convectiva – — Figura 3: Mapas de (a) trayectoria de agua condensada en la nube, (b) anomalía de FMSE integrada verticalmente, (c) anomalía de calentamiento de onda larga, (d) anomalía de calentamiento de onda corta. Instantáneas en el día 100 de la simulación de 300 K.

Para comprender los procesos que contribuyen a la agregación, tenemos que observar la Ecuación 1. Nos enfocamos principalmente en los dos términos radiativos del lado derecho. Los términos muestran que las regiones en las que las anomalías radiativas y la $widehat_n$ las anomalías que tienen el mismo signo contribuyen a la agregación. Podemos comenzar a obtener una comprensión intuitiva de este concepto mirando los mapas de estas variables. La Figura 3b-d muestra mapas de $widehat_n$ , $LW'$ y $SUDOESTE'$ . Podemos ver $SUDOESTE'$ y $widehat$ están estrechamente relacionados ya que $SUDOESTE'$ está determinada principalmente por la absorción de onda corta por el vapor de agua. Las nubes tienen poco efecto en las tasas de calentamiento de onda corta, con ~90% de la tasa de calentamiento de onda corta en regiones nubladas debido a la absorción por el vapor de agua. $LW'$ está estrechamente relacionado con la trayectoria del agua condensada en la nube (Figura 3a). Esto se debe a que la mayoría de nuestras nubes son nubes de techo alto que, debido a sus cimas de nubes frías, pueden evitar que la radiación de onda larga se escape al espacio, por lo que están asociadas con anomalías de calentamiento de onda larga positiva.

La sensibilidad de los términos presupuestarios tanto a la agregación como a la SST se puede ver en la Figura 4. Esta figura se crea creando 50 contenedores de $widehat_n$ varianza y luego promediar los términos del presupuesto en espacio y tiempo para cada contenedor y para cada SST. Donde los términos son positivos, están ayudando a aumentar la agregación. Cuando son negativos, los términos se oponen a la agregación. Los términos tienden a aumentar en magnitud ya que cada término tiene $widehat_n$ como un factor, que aumenta con la agregación por definición.

1686874340 190 Interacciones nube radiacion y sus contribuciones a la autoagregacion convectiva – — Figura 4: Términos en la ecuación 1 frente a la varianza FMSE normalizada para cada SST

En general, encontramos que el término de onda larga es el impulsor dominante de la agregación, siendo insensible a la SST durante la fase de crecimiento de la agregación. Una vez que la agregación está madura, el término de onda larga sigue siendo el mantenedor dominante de la agregación, sin embargo, su contribución al mantenimiento de la agregación disminuye con la SST. El término de onda corta es inicialmente pequeño en los primeros momentos, pero se convierte en un mantenedor clave de la agregación dentro de entornos altamente agregados. Esto se debe a que las variaciones de humedad son inicialmente pequeñas, por lo que hay poca variación en el calentamiento de onda corta. Una vez que se agrega la convección, las regiones húmedas son muy húmedas y las regiones secas son muy secas, por lo que hay una gran diferencia en el calentamiento de onda corta entre húmedo y seco. regiones secas. Las variaciones en el calentamiento de onda corta siguen siendo muy similares con SST, lo que significa que las anomalías de calentamiento de onda corta contribuyen en la misma cantidad al calentamiento no normalizado. $widehat$ diferencia. Por lo tanto, el calentamiento de onda corta contribuye menos a la agregación en SST más altas porque contribuyen a una fracción más pequeña de $widehat$ anomalías Los términos radiativos están equilibrados por el término de flujo superficial (negativo porque hay una mayor evaporación en las regiones secas) y el término de advección (negativo porque las circulaciones tienden a suavizarse). $widehat_n$ gradientes). La disminución en la magnitud de los términos radiativos con la TSM se equilibra con el flujo superficial y los términos de advección que se vuelven más positivos con la TSM.

Para comprender el comportamiento del término de onda larga, definimos diferentes tipos de nubes en función del perfil vertical de la nube, asignando un tipo de nube por cuadro de cuadrícula de manera similar a Hill et al. (2018). Definimos un umbral de presión de nivel superior e inferior, asignando nubes por debajo del umbral inferior a una categoría «Baja», nubes por encima del umbral superior a una categoría «Alta» y nubes intermedias a una categoría «Media». Si la nube se presenta en más de una de estas capas, entonces se asigna a una categoría combinada. En total, hay ocho tipos de nubes: clara, baja, media, media y baja, alta, alta y baja, alta y media y profunda. Entonces podemos encontrar la contribución de cada tipo de nube al término de onda larga multiplicando la media de la nube [Equation] covarianza por su fracción de dominio.

Para ver cómo cambian las contribuciones del tipo de nube con la agregación, definimos una fase de crecimiento y una fase madura de agregación. La fase de Crecimiento tiene $widehat_n$ variación entre $3veces10^$ y $4veces10^$ y la fase Madura tiene $widehat$ variación entre $1,5veces10^$ y $2veces 10^$ . La contribución de las interacciones de onda larga con cada tipo de nube a la agregación durante estas dos fases se muestra en la Figura 5a, con su media $LW'timeswidehat$ covarianza y fracción mostradas en las Figuras 5b y c.

1686874342 307 Interacciones nube radiacion y sus contribuciones a la autoagregacion convectiva – — Figura 5: Media (a) contribución al término de onda larga en la Ecuación 1, (b) covarianza normalizada de onda larga-FMSE, (c) fracción de nube para la fase de crecimiento (puntos) y la fase madura (círculos abiertos). Los puntos de datos para cada categoría están en orden de aumento de SST hacia la derecha.

Encontramos que las interacciones de onda larga con nubes de cima alta y regiones claras impulsan la agregación durante la fase de Crecimiento (Figura 5a). Esto se debe a que las nubes altas son abundantes, tienen anomalías positivas de calentamiento de onda larga y ocurren en condiciones húmedas y altas. $widehat$ entornos. Las regiones claras son la categoría más abundante, tienen típicamente anomalías negativas de calentamiento de onda larga y tienden a ocurrir en bajas temperaturas. $widehat$ regiones, por lo que sus $LW'timeswidehat$ la covarianza es positiva. Durante la fase de Crecimiento, hay poca sensibilidad SST dentro de cada categoría. Durante la fase madura, las interacciones de onda larga con las nubes de cima alta siguen siendo el principal mantenedor de la agregación, sin embargo, su contribución disminuye con la TSM. Esta sensibilidad se debe principalmente a que hay una mayor disminución en la fracción de nubes de cima alta con agregación a medida que aumenta la TSM. Esto también tiene consecuencias para la $LW'timeswidehat$ covarianza de las regiones claras. A medida que se reduce la fracción de nubes de cima alta, aumenta el enfriamiento de onda larga de la media del dominio. Esto hace que el enfriamiento radiativo de las regiones claras sea menos anómalo, lo que resulta en un aumento negativo $LW'timeswidehat$ covarianza durante la fase madura a medida que aumenta la SST.

Existe una gran variabilidad en los grados de agregación dentro de los modelos numéricos, lo que tiene importantes consecuencias para la modelización meteorológica y climática (Wing et al. 2020). Dado que las interacciones entre la nube y la radiación son cruciales para la agregación, comprender cómo varían estas interacciones entre los modelos puede ayudar a explicar las diferencias en la agregación. Este estudio proporciona un marco mediante el cual se puede lograr una comparación de las interacciones nube-radiación y sus contribuciones a la autoagregación convectiva entre modelos y TSM.

Salto de página

REFERENCIAS

Bao, J. y Sherwood, Carolina del Sur (2019). El papel de la autoagregación convectiva en precipitaciones extremas instantáneas versus diarias. Revista de avances en el modelado de sistemas terrestres, 11(1), 19–33. https://doi.org/10.1029/2018MS001503

Bretherton, CS, Blossey, PN y Khairoutdinov, M. (2005). Un análisis del balance de energía de la autoagregación convectiva profunda por encima de la TSM uniforme. Revista de Ciencias Atmosféricas, 62(12), 4273–4292. https://doi.org/10.1175/JAS3614.1

Hill, PG, Allan, RP, Chiu, JC, Bodas-Salcedo, A. y Knippertz, P. (2018). Cuantificación de la contribución de diferentes tipos de nubes al balance de radiación en el sur de África Occidental. Diario del Clima, 31(13), 5273–5291. https://doi.org/10.1175/JCLI-D-17-0586.1

Holloway, CE, Wing, AA, Bony, S., Muller, C., Masunaga, H., L’Ecuyer, TS y Zuidema, P. (2017). Observando la agregación convectiva. Levantamientos en Geofísica, 38(6), 1199–1236. https://doi.org/10.1007/s10712-017-9419-1

Müller, C. y Bony, S. (2015). ¿Qué favorece la agregación convectiva y por qué? Cartas de investigación geofísica, 42(13), 5626–5634. https://doi.org/10.1002/2015GL064260

Pope, KN, Holloway, CE, Jones, TR y Stein, THM (2021). Interacciones nube-radiación y sus contribuciones a la autoagregación convectiva. Revista de avances en el modelado de sistemas terrestres, 13e2021MS002535. https://doi.org/10.1029/2021MS002535

Wing, AA y Cronin, TW (2016). Autoagregación de convección en geometría de canal largo. Revista trimestral de la Royal Meteorological Society, 142(694), 1–15. https://doi.org/10.1002/qj.2628

Ala, AA y Emanuel, KA (2014). Mecanismos físicos que controlan la autoagregación de la convección en simulaciones de modelos numéricos idealizados. Revista de avances en el modelado de sistemas terrestres, 6(1), 59–74. https://doi.org/10.1002/2013MS000269

Wing, AA, Stauffer, CL, Becker, T., Reed, KA, Ahn, M.-S., Arnold, N. y Silvers, L. (2020). Nubes y autoagregación convectiva en un conjunto multimodelo de simulaciones de equilibrio radiativo-convectivo. Revista de avances en el modelado de sistemas terrestres, 12(9), e2020MS0021380. https://doi.org/10.1029/2020MS0021380