Tesis Doctoral

Utilización de datos de altimetría

satelital para mejorar el
conocimiento de la circulación
oceánica en la Plataforma
Continental Argentina

Ruiz Etcheverry, Laura A.

2016-02-12

Este documento forma parte de la colección de tesis doctorales y de maestría de la Biblioteca

Central Dr. Luis Federico Leloir, disponible en digital.bl.fcen.uba.ar. Su utilización debe ser
acompañada por la cita bibliográfica con reconocimiento de la fuente.

This document is part of the doctoral theses collection of the Central Library Dr. Luis Federico
Leloir, available in digital.bl.fcen.uba.ar. It should be used accompanied by the corresponding
citation acknowledging the source.

Cita tipo APA:

Ruiz Etcheverry, Laura A.. (2016-02-12). Utilización de datos de altimetría satelital para mejorar
el conocimiento de la circulación oceánica en la Plataforma Continental Argentina. Facultad de
Ciencias Exactas y Naturales. Universidad de Buenos Aires.

Cita tipo Chicago:

Ruiz Etcheverry, Laura A.. "Utilización de datos de altimetría satelital para mejorar el
conocimiento de la circulación oceánica en la Plataforma Continental Argentina". Facultad de
Ciencias Exactas y Naturales. Universidad de Buenos Aires. 2016-02-12.

Di recci ón: Biblioteca Central Dr. Luis F. Leloir, Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires. Contacto: digital@bl.fcen.uba.ar
Intendente Güiraldes 2160 - C1428EGA - Tel. (++54 +11) 4789-9293
 UNIVERSIDAD DE BUENOS AIRES
Facultad de Ciencias Exactas y Naturales
Departamento de Ciencias de la Atmósfera y los Océanos

Utilización de datos de altimetría satelital para mejorar el

conocimiento de la circulación oceánica en la plataforma
continental Argentina

Tesis presentada para optar al título de Doctor de la Universidad de Buenos Aires en el

área Ciencias de la Atmosfera y los Océanos

Laura A. Ruiz Etcheverry

Director de tesis: Martin Saraceno

Consejero de Estudios: Martin Saraceno

Lugar de trabajo: Centro de Investigaciones del Mar y la Atmosfera (CIMA)-

CONICET/UBA, DCAO/FCEN, UMI IFAECI/CNRS

Ciudad Autónoma de Buenos Aires, 2016

  
 Resumen

La Plataforma Continental del Atlántico Sudoccidental (PCAS) es una de las más

grandes del hemisferio sur. Gracias a sus recursos pesqueros, es también una de las de
mayor importancia económica. La dinámica de la región relacionada a la circulación y a
la variación del nivel del mar ha sido estudiada principalmente con modelos numéricos.
El objetivo general de esta tesis es estudiar la altura del mar y la circulación de la región
con datos de altimetría satelital. Para ello validamos los datos satelitales con datos in-
situ de mareógrafos de la región a escala estacional. Esta validación también se hace a
escala global utilizando los mejores registros mareográficos disponibles. Luego, se
realiza un análisis de la amplitud y fase anual de la altura del mar en la Plataforma
Continental (36ºS-54ºS) y de la circulación estacional a través de las corrientes
geostróficas derivadas de la altura del mar. Además, se estudia la tendencia del nivel del
mar en la PCAS. A escalas de tiempo menores a la estacional, los datos altimétricos
pueden estar afectados por variabilidades de alta frecuencia como la marea o el forzante
atmosférico. En el caso específico del estuario del Río de la Plata, estudios previos han
mostrado que la circulación está forzada principalmente por la descarga del río y por el
viento. En esta región, el objetivo es comparar un modelo barotrópico global con dos
modelos regionales utilizados para simular la altura del mar debida al viento y a la
presión. Adicionalmente, se hace un análisis de los modelos de marea disponibles,
donde se comparan las amplitudes y fases de las principales cinco componentes de
marea con datos in-situ de dos estaciones. Por último, se estudia el desempeño de los
datos altimétricos a lo largo de dos trazas de alta resolución en la región norte del Río
de la Plata.

PALABRAS CLAVES: ALTIMETRIA, ANOMALIA DEL NIVEL DEL MAR,

PLATAFORMA CONTINENTAL, CICLO ESTACIONAL, RIO DE LA PLATA

  i  
   ii  
 Use of satellite altimetry data to improve understanding of ocean
circulation on the Continental Argentina Shelf

Abstract

The Southwestern Atlantic Continental Shelf (SWACS) is one of the largest

shelves in the Southern Hemisphere. The dynamic of the region, related to the
circulation and sea level variability, has been mainly studied by numerical
models. The main objective of this work is to study the circulation in the region
with satellite altimetry data. To accomplish this, we validate the data with in-situ
tide gauge data on a seasonal scale. This validation is also done at global scale
using the best tide gauges records available. Then we analyze the amplitude and
phase of the annual cycle of the sea level in the Continental Shelf (36ºS-54ºS)
and the seasonal circulation through geostrophic currents derived from sea level.
The temporal linear trend in the sea level anomaly is also presented over the
SWAS. A time scales lower than the seasonal, the altimetry data could be
affected by high frequencies variability such as tide and atmospheric forcing. In
the particular case of the Río de la Plata estuary, previous studies have shown
that the estuarine circulation is vulnerable to the river run-off and wind
variability, especially at sub-annual scales. The objective here is to compare a
global barotropic model that it is used to simulate the sea level due to wind and
atmospheric pressure and correct the altimetry data with two regional barotropic
models. In addition, an analysis of the available tide models is performed, to
compare the amplitudes and phases of the main five tide components with in-situ
data in two stations. Finally, we study the performance of two high-resolution
along track data in the upper Río de la Plata estuary.

KEYWORD: ALTIMETRY, SEA LEVEL ANOMALY, CONTINENTAL SHELF,

SEASONAL CYCLE, RIO DE LA PLATA

  iii  
   iv  
 Agradecimientos

A el proyecto MinCyT/CONAE-001 por otorgarme la beca por tres años para realizar la
primera parte del doctorado en la FCEyN.
A CONICET por otorgarme la beca tipo II de finalización del doctorado.
A los siguientes proyectos por financiar los congresos a los que asistí:
•   EUMETSAT/CNES DSP/OT/12-2118,
•   ANPCyT PICT 2012-0467,
•   CONICET PIP 112-20110100176,
•   PIO 133-20130100242, MinCyT/CONAE-001 y
•   UBACyT 20020100100840.
•   Inter-American Inst. (IAI) for Global Change Research and the US National Science
Foundation grant GEO-0452325, GEO-1128040.

A Virginia Palastanga, Gustavo Goni y Andrés Rivas por aceptar ser jurado, y por sus
sugerencias para mejorar el trabajo.
A Martin Saraceno por dirigirme y desafiarme a avanzar.
A Alberto Piola que fue casi como un co-director.
A Florence Birol y Jesús Gómez-Enri por recibirme en sus respectivos institutos, y
trasmitirme sus conocimientos sobre la altimetría costera.
A Claudia Simionato y Paula Etala por darme los datos de sus modelos para que pueda
realizar la última parte de la tesis.
A Enrique D’Onofrio por su ayuda, desde darnos datos hasta responder dudas.
A Walter Dragani y Diego Moreira por ayudarme a realizar los trámites que se requiere
para el doctorado.
A Camila Artana, Inés Leyba y Loreley Lago por hacer más divertida la oficina, y por
las tantas charlas para liberar las tensiones que genera la vida académica.
A Andrés Goya y Celeste López Abbate que me ayudaron a terminar la tesis cada vez
que dudaba con una frase o un párrafo.
A Laura Reiter y Diego Moreira por los almuerzos que compartimos que hicieron más
llevadero estos últimos meses.
A Guadalupe Alonso y Ramiro Ferrari por nuestros encuentros filosóficos para querer
salvar la oceanografía y el país.

  v  
A Paula Gonzalez Seligra, que aunque no nos vemos tan seguido como queremos, cada
vez que lo hacemos nos damos ánimo para seguir en esta carrera científica.

  vi  
 Para Andrés que me eligió en las buenas y en las malas.
A seguir creciendo juntos.

  vii  
   viii  
Tabla de Contenidos

Lista de Figuras ............................................................................................................. xii  

Listas de Tablas ............................................................................................................ xix  

Abreviaturas ................................................................................................................. xxi  

Capítulo 1: Introducción ................................................................................................ 1  

1.1  Motivación:  Altura  del  mar  .......................................................................................................................................  1  
1.2  Altimetría  satelital  .......................................................................................................................................................  5  
1.3  Sobre  la  altimetría  en  el  océano  abierto  y  las  regiones  costeras  .............................................................  9  
1.4  Zona  de  estudio  ..........................................................................................................................................................  11  
1.5  Objetivos  ........................................................................................................................................................................  13  
1.5.1 Objetivo general e hipótesis  ...........................................................................................................................  13  
1.5.2 Objetivos específicos  ........................................................................................................................................  14  

Capítulo 2: Comparación del ciclo anual del nivel del mar en áreas costeras
utilizando datos grillados de altimetría satelital y mareógrafos ............................... 17  
Resumen  ...............................................................................................................................................................................  17  
2.1  Introducción  ................................................................................................................................................................  17  
2.2  Datos  ...............................................................................................................................................................................  20  
2.2.1 Altimetría satelital.  ............................................................................................................................................  20  
2.2.2 Mareógrafos  .........................................................................................................................................................  21  
2.3  Metodología  .................................................................................................................................................................  22  
2.4  Resultados  y  discusión  ............................................................................................................................................  25  
2.4.1 Comparación global  ..........................................................................................................................................  25  
2.4.1.1  Corrientes  angostas  costeras  ............................................................................................................  26  
2.4.1.2 Hielo estacional  .........................................................................................................................................  27  
2.4.1.3 Ciclo semianual y topografía compleja  .............................................................................................  28  
2.4.1.4 Descarga de ríos  ........................................................................................................................................  28  
2.4.1.5 Aliasing por interpolación  .....................................................................................................................  29  
2.4.2 Islas versus Continentes  ...................................................................................................................................  30  
2.4.3 Extendiendo el número de mareógrafos considerado  ............................................................................  31  
2.4.4 Análisis en la PCAS  ..........................................................................................................................................  32  
2.4.4.1 PCAS: series mensuales  .........................................................................................................................  32  
2.4.4.2 PCAS: climatologías  ...............................................................................................................................  34  
2.4.4.3 PCAS: variabilidad interanual del ciclo estacional  .......................................................................  38  

  ix  
 2.5  Conclusiones  ................................................................................................................................................................  39  

Capítulo 3: Anomalía del nivel del mar en la Plataforma Continental del Atlántico
Sudoccidental: tendencias, patrón anual y corrientes geostróficas .......................... 43  
Resumen  ...............................................................................................................................................................................  43  
3.1  Introducción  ................................................................................................................................................................  44  
3.1.1 Circulación del Atlántico Sudoccidental  ....................................................................................................  44  
3.1.2 Altimetría satelital  .............................................................................................................................................  44  
3.1.3 ANM estacional  ..................................................................................................................................................  46  
3.1.4 Organización del capítulo  ...............................................................................................................................  47  
3.2  Datos  ...............................................................................................................................................................................  47  
3.2.1 Altimetría Satelital  .............................................................................................................................................  47  
3.2.2 Flujo neto de calor  .............................................................................................................................................  48  
3.2.3 Datos hidrográficos  ...........................................................................................................................................  49  
3.2.4 Viento  .....................................................................................................................................................................  49  
3.2.5 Temperatura superficial del mar  ...................................................................................................................  50  
3.3  Metodología  .................................................................................................................................................................  50  
3.3.1 Anomalía de la altura estérica  ........................................................................................................................  50  
3.3.2 Análisis armónico y tendencia lineal  ...........................................................................................................  51  
3.3.3 Transporte de Ekman  ........................................................................................................................................  52  
3.4  Resultados  y  discusión  ............................................................................................................................................  53  
3.4.1 Tendencia Lineal  ................................................................................................................................................  53  
3.4.2 Señal anual  ...........................................................................................................................................................  55  
3.4.2.1 Altura termo-estérica  ...............................................................................................................................  57  
3.4.2.2 Efecto del Viento  ......................................................................................................................................  60  
3.4.2.3 Altura halo-estérica  ..................................................................................................................................  63  
3.4.3 Velocidades geostróficas  .................................................................................................................................  65  
3.5.  Conclusiones  ...............................................................................................................................................................  70  

Capítulo 4: Altimetría satelital en el estuario del Río de la Plata: evento extremo 73  

Resumen  ...............................................................................................................................................................................  73  
4.1  Introducción  ................................................................................................................................................................  74  
4.2  Datos  ...............................................................................................................................................................................  76  
4.2.1 Modelos de corrección atmosférica dinámica  ..........................................................................................  76  
4.2.2 Datos in-situ  .........................................................................................................................................................  77  
4.2.3 Modelo de mareas  ..............................................................................................................................................  77  
4.2.4 Datos altimétricos  ..............................................................................................................................................  80  
4.2.5 Datos de geopotencial  ......................................................................................................................................  80  
4.3  Metodología  .................................................................................................................................................................  80  
4.3.1 Comparación entre datos satelitales e in-situ  ............................................................................................  80  

  x  
 4.3.2 Marea  .....................................................................................................................................................................  81  
4.4  Resultados  y  discusión  ............................................................................................................................................  82  
4.4.1 Análisis de las trazas de ENVISAT  .............................................................................................................  82  
4.4.2 Corrección de marea  .........................................................................................................................................  86  
4.4.3 Corrección atmosférica dinámica  .................................................................................................................  89  
4.4.4 Variabilidad del Río de la Plata: eventos extremos  ................................................................................  92  
4.5  Conclusiones  ................................................................................................................................................................  97  

Capítulo 5: Conclusiones Generales .......................................................................... 101  

5.1  Síntesis  y  discusión  del  Capítulo  2  ..................................................................................................................  101  
5.2  Síntesis  y  discusión  del  Capítulo  3  ..................................................................................................................  102  
5.3  Síntesis  y  discusión  Capítulo  4  .........................................................................................................................  107  
5.4  Aporte  científico  de  los  resultados  .................................................................................................................  109  

Apéndice A: Resolución espacial del FNC ................................................................ 113  

Apéndice B: Precisión de WOA ................................................................................. 117  

Apéndice C: Trabajos relacionados con la Tesis ..................................................... 121  

Referencias: ................................................................................................................. 123  

 

  xi  
Lista de Figuras

Figura 1.1: Esquema de los procesos que influencian el nivel del mar, adaptado de
Stammer et al. (2013). ............................................................................................... 1  
Figura 1.2: Altura del mar (cm) basado en datos de altimetría de Topex/Poseidon, Jason
1 y Jason 2 para el período 1993-2015
(http://www.aviso.altimetry.fr/en/applications/ocean/mean-sea-level-greenhouse-
effect/causes-of-rising.html). Los puntos azules y la línea roja representan las
series con un filtro a 2 meses y a 6 meses respetivamente. La línea azul representa
el ajuste lineal de donde se deriva la tasa de cambio de 3.32 mm/año ± 0.6 mm/año
(90% de confianza). .................................................................................................. 3  
Figura 1.3: Forma característica del eco de la forma de la onda de donde se obtienen
seis parámetros: tiempo a media altura (epoch at mid-height), pendiente dominante
(leading edge slope), P amplitud de la señal utilizable, Po ruido térmico, oblicuidad
(skewness) y camino de la pendiente (trailing edge slope)....................................... 6  
Figura 1.4: Principio de la altimetría satelital adaptado de AVISO. ASM: altura
superficial del mar (sea surface height), definida como la diferencia entre altitud
(satellite altitude) y rango (Range); TDA: topografía dinámica absoluta (dynamic
topography) se define como la diferencia entre ASM y el geoide (geoid). Elipsoide
(ellipsoid) es una superficie matemática de referencia. ............................................ 7  
Figura 1.5: Línea de tiempo de los satelitales altimétricos disponibles desde 1985 hasta
el presente. Además, se muestra las misiones que se han proyectado. ..................... 8  
Figura 1.6: Campo de TDA y velocidades geostroficas superficiales (vectores)
asociadas que se estimaron con 2 satélites (izquierda) y con 4 satélites (derecha).
La línea blanca representa la trayectoria de una boya de superficie. Se observa una
mejor concordancia en el panel de la derecha. Pascual et al. (2006). ....................... 9  
Figura 1.7: Esquema de cómo varia la ´forma de la onda´ (waveform) cuando el satélite
pasa de océano (curva azul) a continente (curva roja). ........................................... 10  
Figura 1.8: Esquema de la circulación del océano Atlántico Sudoccidental. Los colores
de fondo representan la PCAS (blanco), el Atlántico Sur para profundidades
mayores a 200 m (gris) y los principales ingresos de agua dulce en la PCAS
(celeste) (Matano et al., 2010). ............................................................................... 12  

  xii  
Figura 2.1: Mapa de las posiciones de los 478 mareógrafos disponibles de la base de
datos PSMSL considerados para la validación de los datos altimétricos. La barra
de color indica la magnitud del error cuadrático medio de la diferencia (cm) entre
el armónico anual de ANMtg y de ANMsat. El rectángulo negro indica la PCAS.
................................................................................................................................. 21  
Figura 2.2: Distribución de la amplitud anual (cm) de a) ANMtg y de b) ANMsat. ...... 24  
Figura 2.3: Distribución de la fase anual (días) de a) ANMtg y de b) ANMsat. La fase se
indica como el número de días a partir del primero de enero cuando el nivel del
mar llega al máximo observado. ............................................................................. 25  
Figura 2.4: Histograma del error cuadrático medio de la diferencia (ECMD) entre los
armónicos anuales de ANMsat y ANMtg (88.49% RCMD<3cm, 76.36% ECMD≤
2 cm). ...................................................................................................................... 26  
Figura 2.5: Ubicación de los mareógrafos considerados para la validación de los datos
altimétricos en la costa del mar Báltico (BS), Golfo de Botnia (GB), Golfo de
Finlandia (GF) y Estrecho Danés (DS). La barra de color indica la magnitud del
error cuadrático medio de la diferencia (cm) entre los armónicos anual de ANMtg
y ANMsat. ............................................................................................................... 27  
Figura 2.6: Ubicación de los mareógrafos disponibles de la base de datos PSMSL
considerados para la validación de los datos altimétricos en la costa de Japón. La
barra de color indica la magnitud del error cuadrático medio de la diferencia (cm)
de la ANM entre dos períodos de tiempo (1975-1985 y 1995-2005). .................... 31  
Figura 2.7: Ubicación de los mareógrafos considerados para la validación de los datos
altimétricos en el Atlántico Sudoccidental. Los nombres de las estaciones
mareográficas se indican en la Tabla 2.3. La barra de color indica la magnitud del
error cuadrático medio de las diferencias (cm) entre los ciclos anuales de la ANM
extraída de los datos grillados de altimetría y de los mareógrafos. El rombo
magenta indica la estación Porto do Río Grande. ................................................... 33  
Figura 2.8: Series mensuales de la ANM in-situ (azul) y altimétrica (negra) (cm). Los
datos in-situ corresponden al mareógrafo de Mar del Plata (38.033ºS-57.517ºW,
estación 9 Fig. 2.7). Los datos satelitales se extraen del punto de grilla más cercano
a la posición del mareógrafo. Período: enero 1993 –diciembre 2010..................... 35  
Figura 2.9: Climatología de la ANM derivada del mareógrafo (magenta) y del satélite
(azul) (cm) para cuatro estaciones. a) Rio de Janeiro, b) La Paloma, c) Mar del

  xiii  
 Plata y d) Quequén. Las barras de error indican la variabilidad respecto a la media
(± 1 desvío estándar). .............................................................................................. 36  
Figura 2.10: Climatología (azul), armónico semianual (negra) y armónico anual
(magenta) de la ANM para a) Palermo y b) Colonia. ............................................. 37  
Figura 2.11: Variabilidad interanual del error cuadrático medio de la diferencia
(ECMD) entre el armónico anual de la ANMsat y de la ANMtg en a) Mar del Plata
y en b) Port Stanley entre 1993 y 2010. .................................................................. 39  
Figura 2. 12: Promedio de 100 valores de ECMD de la ANM normalizado por su
máximo valor en función del número de años considerado para calcular las
climatologías. Cada ECMD normalizado se estimó entre una serie de tiempo
completa y otra con 20% de datos faltantes distribuidos aleatoriamente. .............. 40  

Figura 3.1: Circulación media en la región del Atlantico Sudoccidental derivado de la

topografía dinámica media (vectores negros). Además, se muestra la topografia del
fondo (en metros) de Smith y Sandwell (1997), version 8.2. ................................. 45  
Figura 3.2: Distribución de la tendencia lineal de la ANM (mm/año) para el período
enero 1993-diciembre 2013. La línea magenta representa la isobata de 200 metros.
................................................................................................................................. 54  
Figura 3.3: Distribución espacial de la a) amplitud anual (cm) y b) la fase anual (días)
de la ANM derivado de 21 años de altimetría satelital (1993-2013). La fase indica
cuando maximiza el nivel del mar observado como el número de días contando
desde el primero de enero. La línea magenta y negra indica las isobatas de 200 y 50
metros respectivamente. .......................................................................................... 56  
Figura 3.4: Distribución espacial de la a) amplitud anual (ºC) y de la b) fase anual (días)
de la TSM derivada de 11 años de MODIS (2003-2013). La fase indica cuando
maximiza la TSM observada como el número de días contando desde el primero de
enero. La línea negra indica la isobata de 200 metros. ........................................... 57  
Figura 3.5: Distribución espacial de la a) amplitud anual (cm) de la ANMFNC calculada
con la Ec. 3.5 y usando datos de FNC de NCEP CFSR. b) Tasa porcentual (%)
entre la amplitud anual de a anomalía de la altura estérica (ANMFNC) y la ANM
para cada pixel. Las estrellas negras indican las tasas mayores al 100%. La línea
magenta indica la isobata de 200 metros. ............................................................... 59  
Figura 3.6: Promedio de 9 años (2000-2008) de la magnitud de la tensión del viento
(Pa) y de los vectores derivado de los datos satelitales de QuikSCAT. Los puntos

  xiv  
 magenta muestran los puntos de grilla donde se extrajo las series de tiempo a lo
largo de la costa de la tensión del viento para computar el transporte de Ekman
perpendicular a la costa. La línea negra indica la isobata de 200 metros. .............. 60  
Figura 3.7: Climatología de: a-b) la componente a lo largo de la costa de la tensión del
viento (Pa) y c-d) el transporte de Ekman perpendicular a la costa (m2/seg) en
diferentes latitudes a lo largo de la plataforma. Los paneles superiores (inferiores)
corresponden a los puntos en la región norte (sur) de la plataforma (ver Fig. 3.6
para la ubicación). ................................................................................................... 61  
Figura 3.8: Modos EOF principales de la variabilidad anual de la ANM. Arriba: “factor
loading” correspondiente al a) primer modo (98.5%) y b) a el segundo modo
(1.5%). La línea magenta indica la isobata de 200 metros. Abajo: c) “factor scores”
correspondiente al primer modo (línea azul) y segundo modo (línea verde). Ambas
series de tiempo están normalizadas por el desvío estándar del modo 1. d) La
climatología del transporte de Ekman perpendicular a la costa (línea azul) a
37.75ºS (ver Fig. 3.6) y el Modo 2 multiplicado por -1 para facilitar la
comparación con el transporte de Ekman. .............................................................. 62  
Figura 3.9: Amplitud anual (cm) de la altura halo-estérica estimada con los datos de
WOA09. La línea negra indica la isobata de 200 metros. ...................................... 64  
Figura 3.10: Mapas de ciclo anual de la ANM+TDM (cm) y las velocidades
geostróficas (vectores) asociadas para enero a), febrero b), marzo c) y abril d). La
línea magenta indica la isobata de 200 metros. Las líneas punteadas negras indican
las latitudes de la Figura 3.11. ................................................................................ 66  
Figura 3.11: Vector (columna izquierda) y magnitud (columna derecha) de la velocidad
geostrófica en cm/seg derivado del ciclo anual de la ANM+TDM para marzo y
septiembre a lo largo de tres latitudes seleccionadas (ver Fig. 3.10a). ................... 70  

Figura 4.1: Mapa del estuario del Río de la Plata. Las líneas de puntos azules representa
las trazas de ENVISAT-RA2: #0493 y #0964. Las líneas de puntos rojos
representa las trazas de T/P-Jason 1-2: 11. Las flechas negras indican el sentido de
medición del altímetro. Las estaciones mareográficas de Palermo y Oyarbide se
indican con la estrella negra. ................................................................................... 75  
Figura 4.2: Correlación entre el mareógrafo de Palermo y los datos de altimetría a lo
largo de las trazas a) #0964 y b) #0493 variando los rangos disponibles: Ice 1

  xv  
 (azul), Brown (magenta), Ice 2 (negro), SeaIce (rojo). La línea negra representa la
posición del mareógrafo. ......................................................................................... 83  
Figura 4.3: Correlación entre ANAT altimétrica y el mareógrafo de Palermo a lo largo
de la traza #0964 superpuesta con los valores significativo con el 95% de nivel de
confianza (CL95%, círculos negros). Los puntos magentas representan la fracción
de valores eliminados (cantidad de datos eliminados/cantidad de datos total) con el
criterio media±3 desvíos estándar. Arriba: modelo Brown. Abajo: modelo Ice 1. 84  
Figura 4.4: Correlación entre ANAT altimétrica y el mareógrafo de Palermo a lo largo
de la traza #0493 superpuesta con los valores significativo con el 95% de nivel de
confianza (CL95%, círculos negros). Los puntos magentas representan la fracción
de valores eliminados (cantidad de datos eliminados/cantidad de datos total) con el
criterio media±2 desvíos estándar. Arriba: modelo Brown. Abajo: modelo Ice 1. 85  
Figura 4.5: a) Diagrama de la energía de la forma de la onda de ENVISAT RA-2 a lo
largo de la traza ascendente #0964 para la fecha 26 de marzo 2004 (ciclo 18). Las
líneas punteadas delimitan la sección de la traza, y la línea llena la posición del
mareógrafo de Palermo. Las áreas sombreadas representan la costa. b) Mapa con la
traza #0964 (línea negra) y posición del mareógrafo de Palermo (circulo magenta).
................................................................................................................................. 86  
Figura 4.6: Amplitudes (cm) y fases (grados) de las cinco componentes de marea (M2,
S2, N2, K1 y O1) derivadas de los datos in-situ y los modelos. a) Estación Palermo y
b) estación Oyarbide. .............................................................................................. 88  
Figura 4.7: Patrón espacial de la varianza del nivel del mar (cm2) debido a la presión y
al viento simulado por HamSOM a), SMARA c) y Mog2D b) d). La varianza de
los dato simulados por el modelo global se calcula para los dos períodos
coincidente con los modelos regionales. ................................................................. 90  
Figura 4.8: a) Ejemplo de evento extremo en junio de 1993. Las líneas magenta y negra
representan las series de tiempo de la variabilidad del nivel del mar simulada por
HamSOM y Mog2D. a) Ejemplo de evento extremo en julio de 2007. Las líneas
magenta y negra representan las series de tiempo de la variabilidad del nivel del
mar simulada por SMARA y Mog2D respectivamente. La línea azul en a) y b)
representa los datos in-situ de la estación de Palermo sin el efecto de marea. ....... 92  
Figura 4.9: Series de tiempo de la altura del nivel del mar derivadas del mareógrafo de
Palermo (línea azul) y de las trazas (línea roja) a) #0964 y b) #0493, superpuesto
con las descargas mensuales del Río de la Plata (línea verde). ............................. 93  

  xvi  
Figura 4.10: Series de tiempo del nivel del mar de la estación de Palermo sin efecto de
marea (línea punteada azul) y con efecto de marea (línea magenta) para septiembre
2009. El círculo negro representa la medición del altímetro sin efecto de marea. . 94  
Figura 4.11: Campos de alturas geopotenciales a 1000 hPa para el 27 de septiembre
2009 correspondiente a un evento de onda de tormenta positiva. a) 0 Z a 6 Z, b) 6Z
a 12Z, c) 12Z a 18Z, d) 18Z a 0Z. Las isolíneas son cada 10 gpm. ........................ 95  
Figura 4.12: Series de tiempo de la ANM satelital (línea roja) e in-situ (línea azul)
corregidas con marea in-situ y los modelos HamSOM y SMARA. a) Traza #0964 y
b) traza #0493, superpuesto con la serie mensual de descarga del río (línea verde).
................................................................................................................................. 96  

  xvii  
   xviii  
Listas de Tablas
 
 
 
Tabla 2.1: Coeficientes de correlación R y el promedio del error cuadrático medio
(ECMD) entre el armónico anual de ANMsat y ANMtg para los diferentes subsets
de la base de datos de PSMSL. Entre paréntesis se indica el nivel de confianza de
95%. ........................................................................................................................ 30  
Tabla 2.2: Coeficientes de correlación R y el promedio del error cuadrático medio
(ECMD) entre el período 1975-1985 y el período 1995-2005 para los mareógrafos
de Japón. Entre paréntesis se indica el nivel de confianza de 95%. ....................... 32  
Tabla 2.3: Bondad del ajuste (BA) que se aplicó a las climatologías de ANMsat y de
ANMtg. Además, se indica el número de meses usado para la estimación de las
climatologías. .......................................................................................................... 34  
Tabla 2.4: Amplitud y fase del armónico anual de la ANMsat y de la ANMtg para 15
estaciones. También se indican el error cuadrático medio de la diferencia (ECMD)
entre el armónico anual de la ANMsat y ANMtg, y el coeficiente de correlación
(R), significativo con un nivel de confianza de 95%. ............................................. 37  
 
Tabla 4.1: Ubicación de los tres mareógrafos utilizados, tipo de instrumento y período
utilizado................................................................................................................... 77  
Tabla 4.2: Error cuadrático medio (cm) de las cinco componentes de marea analizadas
para la estación de Palermo. La columna 7 muestra la SEC para cada modelo. .... 87  
Tabla 4.3: Error cuadrático medio (cm) de las cinco componentes de marea para la
estación de Oyarbide. La columna 7 muestra la SEC para cada modelo. ............... 89  
Tabla 4.4: Varianza del nivel del mar in-situ con un muestreo cada 6 horas y mensual
(cm2) con las correcciones como se indica en la primera fila. Comparación entre
HamSOM y Mog2D................................................................................................ 91  
Tabla 4.5: Varianza del nivel del mar in-situ con un muestreo de 6 horas (cm2) con las
correcciones como se indica en la primera fila. Comparación entre SMARA y
Mog2D. ................................................................................................................... 92  
 
   

  xix  
  

  xx  
Abreviaturas
 
 
 
ALES Adaptive Leafing Edge Subwaveform
ALTICORE Value added satellite ALTImetry for COastal REgions
ANM Anomalía del Nivel del Mar
ANAT Altura del Nivel de Agua Total
ASM Altura Superficial del Mar
AVISO Archiving Validation and Interpretation of Satellite Data in
Oceanography
BA Bondad del Ajuste
BEM Bias del estado del mar
BI Barómetro invertido
CB Corriente de Brasil
CBM Confluencia Brasil/Malvinas
CFSR Climate Ocean-Atmosphere Response Experiment
CM Corriente de Malvinas
COASTALT ESA development of COASTal ALTimetry
COARE Copled Ocean-Atmosphere Response Experiment
CTOH Centre de Topographie des Océans et de I’Hydrosphére
DAC Corrección atmosférica dinámica
DT Ref. Delayed-Time Reference
ECM Error Cuadrático Medio
ECMD Error Cuadrático Medio de la Diferencia
ECMWF European Centre for Medium-Range Weather Forecasts
EOF Empirical Orthogonal Function
ENOS El Niño Oscilación Sur
ESA European Space Agency
FES Finite Element Solution
FNC Flujo Neto de Calor
GDR Geophysical Data Record
GIA Glacial Isostatic Adjusment
GOT Goddard Ocean Tide
GSW Gibbs-SeaWater
HamSOM Hamburg shelf Ocean
ISCCP International Satellite Cloud Climatology Project
MNM Media del Nivel del Mar
MODIS Moderate Resolution Imaging Spectroradiometer
Mog2D Modèle aux Ondes de Gravitè 2-Dimensions
NASA National Aeronautic and Space Administration
NC Nivel de Confianza
NCAR National Center for Atmospheric Research
NMMG Nivel del Mar Medio Global
NOAA/NCEP National Oceanic and Atmospheric Administration/National
Centers for Environmental Prediction
NRT Near Real Time
OAflux Objectively Analyzed air-sea Fluxes
ODP Oscilación Decadal del Pacífico

  xxi  
PCA Plataforma Continental Argentina
PCAS Plataforma Continental del Atlántico Sudoeste
PISTACH CNES Development of “Prototype Innovant de Système de Traitement
pour les Aplications Côtières et l’Hydrologie”
PNM Presión del Nivel del Mar
POM Modelo oceánico Princeton
PSMSL Permanent Service for Mean Sea Level
RdP Río de la Plata
RLR Revised Local Reference
SEC Suma del Error Cuadrático
SGDR Sensor Geophysical Data Record
SHN Servicio de Hidrografía Naval
SMN Servicio Meteorológico Nacional
SSALTO/DUACS Ssalto multimission ground segment/Data Unification and
Altimeter Combination System
SWOT Surface Water Ocean Topography
TDA Topografía Dinámica Absoluta
TDM Topografía Dinámica Media
TSM Temperatura Superficial del Mar
WOA World Ocean Atlas

  xxii  
Capítulo 1: Introducción

1.1 Motivación: Altura del mar

El nivel del mar está afectado por varios fenómenos físicos como olas, ondas de
tormenta, mareas, enfriamiento y calentamiento del océano, transferencia de agua entre
el océano y el sistema climático (deshielo, descarga de ríos), cambios en la circulación
oceánica y atmosférica, y procesos de la tierra sólida como la deformación del suelo
marino, entre otros (Fig. 1.1). Estos fenómenos hacen variar la altura del mar a diversas
escalas temporales y espaciales que van desde las horas a las centurias, y desde los
centímetros a cientos de kilómetros en escala horizontal. El orden de magnitud de los
cambios en la altura del mar debido a los procesos mencionados varía de unos pocos
milímetros a metros.

Figura 1.1: Esquema de los procesos que influencian el nivel del mar, adaptado de Stammer et al. (2013).

En particular, el fenómeno físico asociado al calentamiento y enfriamiento del

océano, llamado efecto termo-estérico (ver Sección 3.3.1), domina las variaciones a
escala estacional e interanual del nivel del mar. Dicho efecto contribuye a determinar el
nivel del mar tanto a nivel regional como global, y es un indicador del almacenamiento
de calor en el océano (Levitus et al., 2000). A nivel regional, no solo los cambios en la

1  
temperatura contribuyen a la variación del nivel del mar, sino que también los cambios
en la salinidad (Fig. 1.1). Un ingreso de agua dulce cambia la temperatura y salinidad
del océano y por lo tanto puede generar un cambio en las corrientes y en el nivel del
mar local (Stammer, 2008; Yin et al., 2009), generando señales que tardan décadas en
propagarse por todo el océano.
A nivel global, los fenómenos climáticos inducen variabilidades en el nivel del
mar a escalas de tiempo interanual, decadal e inter-decadal que se hacen presentes a
diferentes escalas espaciales. Por ejemplo, El Niño Oscilación Sur (ENOS) es una
fuente de variación interanual que genera cambios significativos en el nivel del mar, en
especial en el Pacífico tropical (Nerem et al., 1999). Otro fenómeno climático es la
Oscilación Decadal del Pacífico (ODP), que se caracteriza por cambios en la circulación
atmosférica y cambios físicos y biológicos en el Pacífico Norte (Mantua et al., 1997).
Otro efecto físico que debe considerarse al estudiar el nivel del mar es la
transferencia de masa entre el hielo continental y los océanos durante la última
desglaciación. Este cambio de masa también contribuye significativamente al cambio
del nivel del mar actual debido a la deformación visco-elástica de la tierra, y a los
correspondientes cambios en el suelo marino y la gravedad (referido como ajuste glacial
isostático, GIA) (Lambeck y Nakiboglu, 1984; Peltier y Tushingham, 1991). El efecto
del movimiento vertical de la tierra es más evidente en el hemisferio norte donde la
extensión del hielo durante la glaciación fue mayor.
Por otro lado, los cambios en la presión atmosférica y la tensión del viento
producen las mayores variaciones en la superficie del mar en escalas de tiempo menores
a los 10 días, dependiendo de la región (Pugh, 1987). En el caso de la presión, ésta actúa
verticalmente afectando toda la columna de agua, mientras que el efecto del viento va a
depender de la persistencia y de la estratificación de la densidad del agua de mar. Los
cambios locales de la tensión del viento van a afectar los campos de olas, los cuales han
sido estudiados con datos satelitales y modelos en el océano sur (Hemer et al., 2010).
En las regiones costeras el viento es el responsable de la dinámica de Ekman que, en
general, es observada en las costas este de los océanos, como, por ejemplo, la costa de
California (e.g. Venegas et al., 2008) y la de Sudáfrica (e.g. Andrews y Hutchings,
1980). También se evidencian eventos de upwelling y downwelling producidos por el
transporte de Ekman en zonas más locales como en el Golfo San Matías en Argentina
(Pisoni et al., 2014) o en Cabo Frío en Brasil (Castelao et al., 2012; 2004).

2  
 Los procesos físicos mencionados explican parte del aumento del nivel del mar
que se ha observado a lo largo del siglo XX (Woodworth et al., 2009; Mitchum et al.,
2010). A su vez, el aumento del nivel del mar presenta fluctuaciones interanuales y a
escala decadal en función de los períodos de tiempo considerados para el cálculo de la
tendencia. Las fluctuaciones interanuales en el nivel del mar medio global (NMMG) se
deben probablemente a los eventos de El Niño (e.g. 1997-1998) y La Niña (e.g. 2011)
(Nerem et al., 1999; Cazenave et al., 2012). Nerem et al. (2010) muestran con datos de
altimetría que la tasa de aumento del NMMG es levemente menor entre 2005 y 2010, y
que esta variación es consistente con las fluctuaciones interanuales recientes en el
registro, mayormente atribuidas a los ciclos El Niño/La Niña. Se requieren al menos 15
años de datos para reducir el impacto de las variaciones interanuales asociadas con El
Niño o La Niña en la estimación de las tendencias (Nerem et al., 1999). Utilizando
series de más de 22 años de datos disponibles de altimetría es posible entonces estimar
las tendencias sin que el cálculo esté sesgado por la variabilidad interanual como la
producida por el ENOS.

Figura 1.2: Altura del mar (cm) basado en datos de altimetría de Topex/Poseidon, Jason 1 y Jason 2 para
el período 1993-2015 (http://www.aviso.altimetry.fr/en/applications/ocean/mean-sea-level-greenhouse-
effect/causes-of-rising.html). Los puntos azules y la línea roja representan las series con un filtro a 2
meses y a 6 meses respetivamente. La línea azul representa el ajuste lineal de donde se deriva la tasa de
cambio de 3.32 mm/año ± 0.6 mm/año (90% de confianza).

La distribución espacial de las tendencias del nivel del mar no es homogénea y

está explicada principalmente por el efecto termo-estérico y el derretimiento de los
hielos (Cazenave et al., 2012). La tasa de aumento del NMMG estimada con datos

3  
altimétricos es de entre 2.8 y 3.6 mm/año para el período 1993-2010 (e.g. Beckley et al.,
2010; Masters et al., 2012). La Figura 1.2 ilustra el aumento del NMMG para el período
1993-2015 (tasa de cambio: 3.32 mm/año) derivado de los satélites Topex, Jason-1 y
Jason-2 (CNES/Legos/CLS), el cual aumentó 0.12 mm/año respecto al período 1993-
2010. Existe un gran consenso de que este cambio es real y que no es un artefacto de los
diferentes muestreos o cambios en los instrumentos, ya que las tendencias calculadas
con datos de mareógrafos y con datos satelitales para un mismo período son
consistentes (Stocker et al., 2013).
Parte de este aumento en la tasa del NMMG, se debe a un efecto antropogénico
debido al aumento de los gases de efecto invernadero, principalmente del dióxido de
carbono. Las emisiones de estos gases han aumentado desde la era industrial, y
recientemente se ha observado que el incremento fue mayor entre el año 2000 y 2010
(IPCC WGII AR5, 2013). Este incremento en los gases de efecto invernadero genera
cambios en la temperatura de la tierra que, a su vez, impacta en el sistema climático. En
particular, las observaciones satelitales, in-situ y de simulaciones numéricas muestran
que la temperatura del océano en la capa superficial (0-75m) está aumentando 0.11ºC
por década para el período 1971-2010 (IPCC WGII AR5, 2013). Los cambios en la
temperatura del océano generan cambios en el efecto estérico que es uno de los
forzantes del aumento del nivel del mar como se mencionó en el párrafo anterior. Otro
efecto del cambio climático es la pérdida de masa de los hielos de Groenlandia, el
Ártico y la Antártida debido al aumento de la temperatura de la tierra. Las proyecciones
a futuro sobre el cambio climático, realizadas con varios modelos climáticos dentro del
marco del proyecto Coupled Model Intercomparison Project Phase 5 (CMIP5),
muestran que tanto la altura del mar como la temperatura van a seguir aumentando. Por
ejemplo, la estimación del aumento de la altura del mar para 2081-2100 es de 0.45 m, si
se reduce la emisión de CO2, y de 0.82 m, si aumenta la emisión (IPCC WGII AR5,
2013). Por lo tanto, entender cómo va a afectar estos cambios en el nivel del mar y su
circulación asociada, que a su vez afectaría el clima y las regiones costeras es de suma
importancia.
Los resultados que se presentan en la extensa bibliografía que existe indican la
extrema complejidad entre la variabilidad del nivel del mar y los procesos asociados a
ella, incluida la circulación oceánica. La pregunta que guía esta tesis doctoral es:
¿Podemos estudiar la variación del nivel del mar y la circulación en la Plataforma
Continental del Atlántico Sudoccidental (PCAS) mediante la utilización de datos

4  
de altimetría satelital? Los estudios realizados hasta la actualidad se han basado en los
mareógrafos disponibles, en series cortas de correntómetros y en modelos numéricos.
Por lo que proponemos estudiar la variación del nivel del mar y la circulación con datos
de altimetría satelital que presentan una cobertura espacial y temporal homogénea, y
más de 20 años de mediciones.
A continuación se presenta una explicación del principio de altimetría satelital y
los antecedentes de la altimetría en regiones costeras y de plataforma. Además, se
realiza una descripción de la región de estudio y finalmente se plantean los objetivos a
cumplir a lo largo de la tesis doctoral.

1.2 Altimetría satelital

La altimetría satelital se desarrolló en la década del 60 poco después del
lanzamiento de los primeros satelitales artificiales. El radar altimétrico es capaz de
medir globalmente y frecuentemente las ondulaciones de la superficie del mar. Tales
mediciones tienen un amplio abanico de aplicaciones en oceanografía, geodesia y
geofísica. En particular, en oceanografía, la altimetría satelital se ha convertido en una
herramienta importante para el mapeo de la topografía global del océano, para el estudio
de la circulación oceánica de mesoescala y de gran escala (e.g. Chelton et al., 2011),
para el estudio de las mareas, del nivel del mar (e.g. Cazenave y Llovel, 2010) y para el
monitoreo de las costas, entre otros.
El sensor altimétrico a bordo del satélite mide el tiempo que tarda un pulso corto
de radiación de micro-ondas en llegar a la superficie y ser reflejado de vuelta al sensor.
La energía del pulso que recibe el satélite se registra como una serie de tiempo llamada
‘forma de la onda’, del inglés ‘waveform’. La Figura 1.3 muestra la forma característica
de la forma de la onda y los parámetros que se derivan de ésta. Del denominado ‘tiempo
a media altura’ se obtiene el rango, que es la distancia entre el instrumento y la
superficie del mar (Fig. 1.4), de la ‘pendiente dominante’ la altura significativa de la
ola, y de P la intensidad del viento (Fig. 1.3). Las mediciones de la altura significativa
de la ola y la intensidad del viento son dos ejemplos de los parámetros que se pueden
obtener del sensor altimétrico. Sin embargo, en esta tesis nos enfocamos en el parámetro
rango.
Para obtener la altura del mar referida a la tierra, se define la altitud (u órbita) como la
distancia entre el satélite y el elipsoide de referencia. Este elipsoide es una superficie

5  
matemática que se aproxima a la forma de la tierra: una esfera con los polos achatados.
Así, la altura de la superficie del mar (ASM) se define como la diferencia entre la altitud
y el rango (Fig. 1.4), es decir, la altura del mar respecto del elipsoide de referencia. Del
mismo modo, se define la topografía dinámica absoluta (TDA) como la altura del mar
respecto al geoide (ASM-geoide, Fig. 1.4). Este representa las perturbaciones del campo
de gravedad debido a las variaciones topográficas del fondo, la variación espacial en la
densidad del interior de la tierra, y las corrientes oceanográficas medias.

Figura 1.3: Forma característica del eco de la forma de la onda de donde se obtienen seis parámetros:
tiempo a media altura (epoch at mid-height), pendiente dominante (leading edge slope), P amplitud de la
señal utilizable, Po ruido térmico, oblicuidad (skewness) y camino de la pendiente (trailing edge slope).

A los datos de ASM y TDA se le aplican varias correcciones asociadas al error del
propio instrumento, a errores debidos a la propagación de la señal atmosférica
(ionósfera, tropósfera húmeda, tropósfera seca) y a las perturbaciones causadas por la
reflexión en la superficie (bias electromagnético). Luego se aplican correcciones
geofísicas que incluyen la marea astronómica, la marea de la tierra sólida, la marea
polar y la marea de carga que se debe al cambio en las fuerzas de la marea inducida que
actúa sobre la tierra. Por último, se corrige por la respuesta isostática del nivel del mar a
la presión atmosférica, conocido como barómetro invertido (BI), y por la variabilidad
del nivel del mar debido al viento en frecuencias altas. Otro factor que se debe
considerar es la precisión de la órbita, parámetro clave para obtener el menor error
posible en la medición del nivel del mar. Además de la ASM y TDA, se puede utilizar
para estudiar la varibilidad del nivel del mar la anomalía del nivel del mar (ANM), que
se obtiene restando la media temporal a ASM y restando la TDM a la TDA.

6  
 Figura 1.4: Principio de la altimetría satelital adaptado de AVISO. ASM: altura superficial del mar (sea
surface height), definida como la diferencia entre altitud (satellite altitude) y rango (Range); TDA:
topografía dinámica absoluta (dynamic topography) se define como la diferencia entre ASM y el geoide
(geoid). Elipsoide (ellipsoid) es una superficie matemática de referencia.

Gracias al esfuerzo de colaboraciones internacionales entre oceanógrafos,

geodestas y geofísicos, la altimetría satelital se ha beneficiado de una serie de misiones
altimétricas que han permitido mejorar la precisión de las mediciones en tres órdenes de
magnitud, de decenas de metros a unos pocos centímetros. Una misión importante en el
desarrollo de la altimetría satelital fue Seasat. Este satélite se lanzó en 1978 y fue el
primero en monitorear la superficie del océano con sensores que miden en frecuencias
de microondas. La evolución de las misiones altimétricas continuó con Geosat y ERS,
hasta llegar a agosto 1992 que se lanzó la misión TOPEX/POSEIDON. El lanzamiento
de este satélite significó un gran avance en el conocimiento de la altura del mar y para la
oceanografía en general. Luego le siguieron las misiones satelitales Jason-1 (diciembre
del 2001), ENVISAT (marzo de 2002), Saral, y Cryosat (Fig. 1.5). En junio 2008 fue
lanzado el satélite Jason-2 en la misma órbita que sus predecesores
TOPEX/POSEIDON y Jason-1 (Fig. 1.5). Actualmente, está proyectado el lanzamiento
de cinco misiones: Sentinel-3, Jason-3, SWOT, CFOSat y Jason-CS/Sentinel-6. En

7  
particular, SWOT ha generado grandes expectativas debido a que se logrará una mayor
resolución espacial en la medición de la altura del mar y de la altura de los cuerpos de
agua sobre los continentes (Lee-Lueng Fu, OSTST 2014).

Figura 1.5: Línea de tiempo de los satelitales altimétricos disponibles desde 1985 hasta el presente.
Además, se muestra las misiones que se han proyectado.

La Figura 1.5 muestra los períodos de medición y la resolución temporal de los

distintos satélites mencionados, y de los satélites actuales y futuros. El satélite mide
describiendo una órbita, que suele referirse como traza. La resolución temporal del
satélite, es decir, cuánto tiempo tarda en pasar por el mismo lugar, está dada por la
altitud con respecto a la tierra e inclinación del satélite. Esto, a su vez, repercute en
distancia entre las trazas descriptas. Siendo que los satélites con mayor altitud presentan
una menor resolución espacial (mayor distancia entre trazas) y la periodicidad de la
órbita es mayor, como es el caso de Jason (Fig. 1.5). En cambio, los satélites con menor
altitud presentan una menor distancia entre trazas y una menor resolución temporal,
como por ejemplo ENVISAT (Fig. 1.5). Por otro lado, según el período de tiempo
considerado, existen distintos satélites que pueden o pudieron medir la altura del mar en
forma simultánea. A partir de esto se generan mapas de altimetría, los que se logran
gracias a la interpolación de las mediciones de todas las trazas disponibles. Este tipo de
producto se lo menciona como datos grillados o mapas y, como consecuencia de la
interpolación, se obtienen mapas cada 7 días. Actualmente, los métodos de

8  
interpolación para generar los mapas han mejorado notablemente, logrando productos
grilladas diarios como se describe en el Capítulo 3.

1.3 Sobre la altimetría en el océano abierto y las regiones costeras

En el océano abierto es posible medir la altura del mar con una precisión que
ronda los 2 cm (Chelton y Schlax, 2003). Este éxito se ha logrado gracias a (i) la
elección de la órbita del satélite (Parke et al., 1987), que está especialmente diseñada
para evitar la contaminación de frecuencias altas asociadas a las componentes de marea,
(ii) los avances en el seguimiento preciso de la órbita de los satélites, y (iii) los avances
en el modelado y la asimilación de los datos satelitales. Le Traon y Dibarboure (1999)
han cuantificado el error que se comete al construir mapas de la ANM y sus velocidades
geostróficas asociadas con datos de una o varias misiones altimétricas. Ellos
concluyeron que se necesitan al menos dos satélites para obtener un error bajo en los
mapas de circulación oceánica. Pascual et al. (2006, 2007) muestran que incrementando
el número de satélites utilizados para producir mapas interpolados de la ASM, aumenta
significativamente la precisión de los mapas de circulación superficial, pudiéndose
observar estructuras de mesoescala con mayor precisión (Fig. 1.6).

Figura 1.6: Campo de TDA y velocidades geostroficas superficiales (vectores) asociadas que se estimaron
con 2 satélites (izquierda) y con 4 satélites (derecha). La línea blanca representa la trayectoria de una
boya de superficie. Se observa una mejor concordancia en el panel de la derecha. Pascual et al. (2006).

9  
 En mares marginales, plataformas continentales y zonas costeras, la precisión del
altímetro es menor que en el océano abierto. Los procesos costeros son más difíciles de
resolver con datos de altimetría, debido a dos tipos de problemas. En primer lugar, la
causa más importante de error en las mediciones es debida a la distorsión de la señal
que se produce cuando el satélite pasa sobre los continentes (Fig. 1.7) o sobre aguas
calmas (superficie sin rugosidad). Es decir, la energía de la señal que llega al altímetro
disminuye cuando refleja sobre tierra o sobre un cuerpo de agua con poca rugosidad.
Otra causa importante es la incertidumbre en el modelado de las altas frecuencias
asociada a la marea y al forzante atmosférico. En consecuencia, a los datos cercanos a la
costa se los suele etiquetar como “no confiables” y en muchos casos son suprimidos. La
importancia del modelado de las altas frecuencias se debe al hecho de que éstas
contaminan la señal del altímetro si no son eliminadas correctamente. En segundo lugar,
la interpolación de los datos medidos únicamente por uno o dos satélites provee una
resolución insuficiente de las estructuras de mesoescala (típicamente 400 km) o de
menor escala (Le Traon y Dibarboure, 2002; Leeuwenburgh y Stammer, 2002; Chelton
y Schlax, 2003), que son dominantes en algunas las regiones costeras.

Figura 1.7: Esquema de cómo varia la ´forma de la onda´ (waveform) cuando el satélite pasa de océano
(curva azul) a continente (curva roja).

Existen distintos enfoques para resolver los problemas. Como se mencionó

previamente, el incremento en el número de satélites utilizados para producir mapas
interpolados de ANM aumenta significativamente la precisión de los mapas de la
circulación superficial, pudiéndose entonces detectar estructuras de mesoescala (Pascual
et al., 2006, 2007). Adicionalmente, Volkov et al. (2007) muestran que mejoras en la
precisión de los modelos de marea contribuyen a mejoras en los mapas de ANM sobre

10  
las plataformas continentales. Otros esfuerzos para mejorar las correcciones en la señal
del altímetro cerca de la costa incluyen re-calcular la componente de humedad en la
atmósfera, (Vignudelli et al., 2005; Madsen et al., 2007; Deportes et al., 2007), el uso de
modelos de marea regionales (Vignudelli et al., 2000; Volkov et al., 2007), el uso de
datos de ASM de mayor frecuencia (Lillibridge, 2005) y/o el ‘re-tracking’ de la forma
de la onda a lo largo de las trazas (Deng y Featherstone, 2006; Berry et al., 2007). El re-
tracking es un modelo matemático que se ajusta a la forma de la onda para recuperar
información geofísica, como por ejemplo el rango, en zonas costeras donde la costa
comienza afectar la señal del altímetro. La Figura 1.7 muestra cómo cambia la forma de
la onda cuando el sensor mide sobre agua-tierra o solo tierra. Existen varios modelos de
re-tracking que se mencionan en el Capítulo 4.
Actualmente, varias iniciativas internacionales, como ALTICORE (Vignudelli et
al., 2008; Bouffard et al., 2008; www.alticore.eu), COASTALT (Cipollini et al., 2008;
www.coastalt.eu), eSURGE (http://www.storm-surge.info/) y X-TRACK (Roblou et al.,
2011), se dedican a estudiar nuevos métodos para mejorar la precisión de los datos de
altimetría en las regiones costeras. Los métodos utilizados para obtener una mejor señal
cerca de la costa son discutidos en workshops internacionales especialmente dedicados
a este tema.

1.4 Zona de estudio

La Plataforma Continental Argentina (PCA) forma parte de la Plataforma
Continental del Atlántico Sudoccidental (PCAS), ubicada al este de Sudamérica, se
extiende desde aproximadamente 22ºS hasta 55ºS. La superficie de la plataforma se
estima en 1.000.000 de km2 y es una de las más grandes del mundo con un ancho que
varía entre 170 km al norte y 850 km a 50ºS (Fig. 1.8) (Parker et al. 1997; Romero et
al., 2006). La PCAS está caracterizada por profundidades menores a 200 metros, y con
una pendiente suave. Al este, la plataforma termina en el talud que tiene una pendiente
abrupta (1:50) y una extensión longitudinal que varía entre 50 y 300 km. Por otro lado,
al sur de 41ºS se encuentra la zona más ancha de la plataforma, caracterizada por
amplitudes de marea grandes cerca de la costa y vientos persistentes del Oeste. Esta
región está ocupada por aguas subantárticas del extremo norte del Pasaje de Drake y de
la Corriente de Malvinas (CM) (Guerrero y Piola, 1997). Además, la descarga de aguas
poco salinas (<33.4) provenientes del Estrecho de Magallanes forman la llamada

11  
Corriente Patagónica que fluye hacia el nor-noreste. A lo largo del borde del talud se
encuentra la CM que es un desprendimiento de la Corriente Circumpolar Antártica que
fluye hacia el norte llevando aguas frías (Piola y Gordon, 1989). Según los modelados
numéricos desarrollados en la región, la CM controla la circulación en el interior de la
plataforma, además de controlar la dinámica en el borde del talud (Matano et al. 2010).

Figura 1.8: Esquema de la circulación del océano Atlántico Sudoccidental. Los colores de fondo
representan la PCAS (blanco), el Atlántico Sur para profundidades mayores a 200 m (gris) y los
principales ingresos de agua dulce en la PCAS (celeste) (Matano et al., 2010).

En la zona norte de la PCAS, el aporte de aguas con baja salinidad, entre 0 y 33,
proviene del Río de la Plata (Lucas et al., 2005). El Río de la Plata está ubicado en
aproximadamente 35ºS y presenta una descarga media de 23000 m3/seg (Borús et al.,
2013). La dinámica de la circulación en el estuario y de la propagación de la pluma de
agua de río está dominada por el régimen del viento (e.g. Piola et al., 2005; 2008).
Durante el verano el viento del noroeste empuja agua del Río de la Plata hacia el
sudoeste (Simionato et al., 2005), llegando hasta la latitud 37-38ºS (Möller et al., 2008).
En cambio, en invierno el viento es predominante del sudoeste (Simionato et al., 2005)

12  
y la pluma del Río de la Plata se desplaza por la costa de Uruguay y Brasil alcanzado la
latitud 28ºS (Möller et al., 2008).
La PCAS presenta varios frentes que se caracterizan por una alta productividad
biológica y que constituyen importantes áreas de alimentación y cría de distintas
especies marinas (Mann y Lazier, 2006). Los sistemas frontales se definen como
fenómenos dinámicos que separan masas de agua con diferentes propiedades. Los tipos
de frentes que se pueden observar son de marea, de talud, estuarino y termohalino.
Todos han sido detectados con observaciones in-situ y satelital (e.g: Rivas y Pisoni,
2010; Biachi et al., 2005; Acha et al., 2004). En particular, el talud de la PCAS se
considera una región económica y ecológicamente importante dada la presencia de
especies como la anchoíta o la merluza, las cuales se asocian con el frente del borde del
talud Patagónico durante 5-6 meses del año (Acha et al., 2004). Las intensas corrientes
de marea existentes al sur de 42ºS aumentan la mezcla cerca del fondo, que alcanza la
superficie del mar y genera frentes de marea (Acha et al., 2004). A su vez, la fuerte
mezcla turbulenta y la circulación local aumentan la variabilidad de nutrientes en la
zona eufótica induciendo la productividad primaria (Romero et al., 2006). Al este de la
PCAS, cerca de 38ºS, la CM colisiona con la Corriente de Brasil (CB) formando la
Confluencia Brasil/Malvinas (CBM), donde se genera un fuerte frente termohalino. Este
frente presenta un gradiente horizontal de temperatura de hasta 1ºC/100 m (Gordon y
Greengrove, 1986). Se pueden destacar dos importantes frentes que delimitan la zona de
la CBM (Brandini et al., 2000): el Frente Subantártico y el Frente de la CB.
Por otro lado, los sistemas frontales, además de asociarse a productividad
primaria, delimitan las áreas de absorción y emisión oceánica de CO2 sobre la
plataforma. Del lado del frente donde la columna de agua está verticalmente mezclada,
hay emisión de CO2 hacia la atmósfera, y del lado estratificado, el mar se comporta
como sumidero CO2 (Bianchi et al., 2005; 2009).

1.5 Objetivos
1.5.1 Objetivo general e hipótesis
El objetivo general de esta tesis es mejorar el conocimiento de la variabilidad de
la altura del mar y circulación oceánica en la PCAS utilizando datos de altimetría
satelital. La hipótesis es por tanto que los datos de altimetría satelital pueden aportar

13  
información valiosa para lograr el objetivo general, debido a su cobertura espacial y
temporal.

1.5.2 Objetivos específicos

Como se mencionó en la Sección 1.2, en las últimas dos décadas los radares
altimétricos midieron la altura del mar cada vez con mayor precisión lo que permitió
ampliar el estudio de la circulación en el océano abierto (Fu y Cazenave, 2001). Sin
embargo, los datos satelitales de la altura del mar sobre plataformas continentales y
cerca de la costa se encuentran aún en desarrollo. Por eso es necesario evaluar
rigurosamente los datos altimétricos antes de utilizarlos en estas regiones. En la sección
anterior se mencionó que la marea en la PCAS es importante, sobre todo al sur de 40ºS,
por lo que podría ser una fuente de error importante en los datos altimétricos. Sin
embargo, a escala estacional, el efecto de la marea puede ser despreciable frente a otros
procesos físicos que afectan la variabilidad del nivel del mar (Pugh, 1987), como
cambios en el contenido de calor y la circulación, cambios de la presión atmosférica
superficial y cambios en la descarga de ríos, entre otros (e.g. Tsimplis y Woodworth,
1994).
Por otro lado, se ha mencionado que una metodología para mejorar los datos
altimétricos en zonas costeras y de plataforma es perfeccionar los modelos que simulan
la variabilidad de alta frecuencia del nivel del mar asociada a la marea astronómica y a
la respuesta del viento. De esta manera, con mejores modelos para corregir los datos de
altimetría se podría analizar escalas de tiempo menores a la estacional en la ANM.
En función de lo expuesto previamente, para corroborar la hipótesis de trabajo y
cumplir con el objetivo general, se plantean los siguientes objetivos específicos:
•   Validar los datos altimétricos con datos de mareógrafos a escala estacional en
todo el mundo (Capítulo 2). Además, como caso particular, validar los datos
de altimetría en la PCAS.
•   Analizar el ciclo anual y la tendencia lineal de la ANM sobre la PCAS
(Capítulo 3). El análisis del ciclo anual incluye el estudio de la variación
espacio de la ANM y la descripción del patrón espacial de las velocidades
geostróficas asociadas al ciclo anual de la TDA.
•   Comparar dos modelos regionales y un global de la altura del mar forzada por
el viento y la presión en el estuario del Río de la Plata. Además, estudiar si los

14  
datos altimétricos representan la variabilidad del nivel del mar asociado a
eventos extremos como la onda de tormenta y ENOS (Capítulo 4).

15  
16  
Capítulo 2: Comparación del ciclo anual del nivel del
mar en áreas costeras utilizando datos grillados de
altimetría satelital y mareógrafos

El trabajo que se describe en este capítulo se encuentra publicado en: Ruiz Etcheverry,
L.A., Saraceno, M., Piola, A.R., Valladeau, G., & Möller, O.O. (2015). A comparison of
the annual cycle of sea level in coastal areas from gridded satellite altimetry and tide
gauges. Continental Shelf Research, 92, 87-97.

Resumen
En este capítulo comparamos la componente anual de la variación del nivel del mar
derivado de 478 estaciones mareográficas distribuidas por todo el mundo con la
componente anual calculada con los mapas semanales grillados de altimetría. Los datos
grillados de altimetría permiten un análisis espacio-temporal que no es posible realizar
con los datos a lo largo de las trazas. Sin embargo, es necesario realizar una validación
precisa de los datos grillados en las regiones costeras. Los resultados de esta
comparación muestran que los errores cuadrático medio de la diferencias (ECMD) entre
las dos bases de datos son menores a 2 cm para el 76.4% de los sitios. ECMD mayores a
4 cm son causados por corrientes costeras angostas, la descarga de ríos cercanos u otros
fenómenos locales. Se propone una metodología para obtener una componente
estacional precisa del producto grillado de altimetría en regiones donde la red
mareográfica es pobre. Como caso de estudio se muestra que la costa del Atlántico
sudoccidental es una región apropiada para estudiar la variabilidad espacio-temporal del
ciclo anual del nivel del mar ya que el ECMD entre los datos de altimetría e in-situ a
escala anual es menor a 2.1 cm.

2.1 Introducción
La altimetría satelital es una herramienta muy útil para describir la circulación
superficial del océano y de los mares marginales. Actualmente hay disponibles más de
20 años de observaciones altimétricas a escala global. En contraste con otras
observaciones satelitales, cuyos sensores miden en el espectro visible e infrarrojo, la

17  
medición altimétrica no está afectada por la presencia de nubes, debido a que el sensor
mide en la banda de las microondas. Las anomalías del nivel del mar obtenidas de los
satélites son esenciales para describir y entender la circulación de mesoescala y de gran
escala, y procesos relacionados con el clima, entre otros. Sin embargo, como se
mencionó en la Sección 1.3, el uso de los datos altimétricos en áreas costeras y de
plataforma ha sido cuestionado debido a las limitaciones instrumentales y geofísicas.
Las limitaciones instrumentales incluyen contaminación de la señal del sensor debido a
la transición agua-tierra en cercanía a la costa: la huella del altímetro puede encontrar la
línea de costa y corromper la señal remota a lo largo de la traza (Anzenhofer et al.,
1999; Strub, 2001) (ver Fig. 1.7 Sección 1.3). Por otro lado, las limitaciones geofísicas
incluyen un modelado poco preciso de la marea (e.g. Lyard et al., 2006) y/o el
modelado de la tropósfera húmeda (Desportes et al., 2007). Ambos modelos, de marea y
atmosférico, que se utilizan para corregir los datos altimétricos son globales y están
desarrollados para el océano abierto. Sin embargo, en las zonas costeras y sobre las
plataformas, las condiciones meteorológicas y la marea astronómica son bastante
diferentes con respecto al océano abierto. Por lo tanto, se introduce un sesgo
significativo cuando se aplican estas correcciones en los datos altimétricos costeros
(Vignudelli et al., 2011).
Los esfuerzos para mejorar la calidad de los datos altimétricos en regiones
costeras han impulsado estudios a escala regional y global. En particular, a escala
estacional usando diferentes productos altimétricos los resultados han sido
satisfactorios. Volkov y Pujol (2012) mostraron una buena concordancia entre los datos
grillados del altímetro y los datos in-situ de mareógrafos cuando compararon amplitud y
fase del ciclo estacional en los mares Nórdicos. Los datos grillados de altimetría
también fueron validados a escala estacional e interanual en el Golfo de Cádiz por
Gómez-Enri et al. (2012). A escala global, Vinogradov y Ponte (2010) compararon el
ciclo anual derivado de los datos a lo largo de la traza de TOPEX/POSEIDON con el
ciclo anual derivado de 345 mareógrafos costeros. Sus resultados sugieren que las
mediciones altimétricas representan adecuadamente el ciclo anual en la mayoría de las
regiones someras. Ellos también mostraron que algunas de las diferencias entre los
datos satelitales y los datos in-situ se observan en áreas adyacentes a ríos con fuerte
descarga y en presencia de corrientes angostas. Este Capítulo sigue las líneas de estudio
de Vinogradov y Ponte (2010), pero el análisis se basa en los datos grillados de
altimetría. A pesar de que los datos grillados son una interpolación de las mediciones a

18  
lo largo de las trazas, este producto tiene una mejor resolución espacial y temporal,
porque se basa en más de un satélite. Por lo tanto, el producto grillado permite el
análisis espacio-temporal que no es posible con los datos a lo largo de la traza.
La variabilidad del nivel del mar en regiones costeras a escala de tiempo entre la
estacional y la interanual es causado por varios procesos, como cambio en el contenido
de calor del océano y en la circulación, cambio en la presión del nivel del mar, y
cambios en el régimen de la descarga de los ríos (e.g. Tsimplis y Woodworth, 1994),
entre otros. La influencia de la marea es despreciable comparado con esos procesos
(Pugh, 1987). Los principales contribuyentes al ciclo estacional en el nivel del mar han
sido abordados por varios estudios a escala global y regional (e.g. Laiz et al., 2013; Bell
y Goring, 1998; Vivier et al., 1999; Willis et al., 2008). Estos estudios indican que la
variación anual del nivel del mar corregido por el efecto de barómetro invertido es
principalmente explicada por la expansión y contracción de la columna de agua debido
a cambios en la densidad (efecto estérico) (e.g. Stammer, 1997; Ivchenko et al., 2007).
Este efecto también contribuye significativamente a la tendencia del nivel del mar
observada en todo el océano (Cazenave et al., 2010). En particular, el principal factor
del aumento del nivel del mar es la componente térmica del efecto estérico en los
primeros 750 metros del océano, el cual está relacionado con el calentamiento global
(Lombard et al., 2009; Levitus et al., 2012).
En áreas costeras la variabilidad espacial y temporal del nivel del mar a escala
estacional es útil para caracterizar la circulación, monitorear las líneas de costa, detectar
extremos y tendencias en el nivel del mar, y lograr un mejor entendimiento de la
dinámica estuarina. Además, la mayoría de estos procesos podrían tener un impacto
significativo en la vida marina. En este Capítulo comparamos la variabilidad anual de la
anomalía del nivel del mar (ANM) con los datos grillados de Archiving Validation and
Interpretation of Satellite Data in Oceanography (AVISO) y con datos de los
mareógrafos disponibles. Debido a que la altimetría satelital es particularmente útil en
regiones donde hay escasez de registros largos y de alta calidad de datos in-situ, como
la costa de Asia, América del Sur y África, proponemos usar climatologías mensuales
construidas con datos históricos. Como caso de estudio nos vamos a enfocar en la
Plataforma Continental del Atlántico Sudoccidental (PCAS) y mostraremos que la
componente anual estimada con los datos de AVISO difiere de la señal anual de los
datos in-situ por apenas 2.1 cm (error cuadrático medio).

19  
 Este Capítulo está organizado de la siguiente manera: en la Sección 2.2 y 2.3
describimos los datos utilizados y la metodología, respectivamente. Luego, en la
Sección 2.4 presentamos los resultados y discusión, que a su vez se divide en tres
subsecciones; Sección 2.4.1 muestra la comparación global entre mareógrafos y
altímetro; Sección 2.4.2 compara los resultados obtenidos en los mareógrafos que están
ubicados en las islas con los que están ubicados en el continente; Sección 2.4.3 mejora
la cobertura espacial de los mareógrafos cuando se incorporan estaciones cuyo registro
no coincide con el del altímetro; Sección 2.4.4 presenta los resultados en el Atlántico
Sudoccidental. Por último, Sección 2.5 presenta un resumen de las conclusiones.

2.2 Datos
2.2.1 Altimetría satelital.
Para computar el ciclo anual del nivel del mar con datos de altimetría satelital,
usamos el producto delayed-time reference (DT Ref.) de mapas semanales grillados de
anomalía del nivel del mar (ANM) producido por Ssalto/Duacs y distribuido por
AVISO (www.aviso.oceanobs.com). El período elegido es enero 1993 a diciembre
2010, 18 años. Utilizamos el producto DT Ref porque es más preciso que el producto
near-real time (NRT) y tiene un muestreo más estable a lo largo del registro de
medición comparado con el producto updated (AVISO, 2012). AVISO corrige los datos
altimétricos de la altura superficial del mar (ASM) por ruido instrumental, error en la
orbita, atenuación atmosférica, efectos de marea y aplica la corrección atmosférica
dinámica (DAC). Esta corrección atmosférica combina variabilidades de altas
frecuencias modeladas por Mog2D (Modèle aux Ondes de Gravitè 2-Dimensions)
(Carrère y Lyard, 2003) y variabilidades de baja frecuencia de la corrección de
Barómetro Invertido (BI). Mog2D es un modelo barotrópico forzado con presión de
ERA-Interim y datos de viento de reanálisis que provienen de European Centre for
Medium-Range Weather Forecasts (ECMWF). La versión de datos utilizados en este
capítulo, calcula la ANM como la ASM menos la media temporal de 1993-1999.
Para generar los datos grillados DT Ref., se utilizan dos misiones satelitales
(TOPEX/POSEIDON y ERS, seguido por Jason-1, y ENVISAT) obteniendo series de
tiempo homogéneas (AVISO, 2012). Para producir los mapas de ANM de 1/3º de
resolución, se aplica una interpolación óptima con funciones de correlación realística
(Ducet et al., 2000). En algunos casos, la interpolación produce valores sobre la tierra.

20  
A menudo estos valores son ruidosos ya que derivan de una interpolación con pocos
datos. Para evitar este problema construimos una máscara continental como la unión
entre datos grillados de AVISO y todos los pixeles con batimetría positiva (base de
batimetría: versión 8.2, Smith y Sandwell, 1997).

2.2.2 Mareógrafos
Descargamos y extrajimos las series mensuales de ASM de las estaciones
disponibles (Fig. 2.1) del Permanent Service for Mean Sea Level (PSMSL) (Holgate et
al, 2013; PSMSL, 2013). Mientras sea posible, PSMSL usa la información disponible
del datum para unir diferentes registros en una estación para producir los registros de
mareógrafos Revised Local Reference (RLR), que son los de mejor calidad.

Figura 2.1: Mapa de las posiciones de los 478 mareógrafos disponibles de la base de datos PSMSL
considerados para la validación de los datos altimétricos. La barra de color indica la magnitud del error
cuadrático medio de la diferencia (cm) entre el armónico anual de ANMtg y de ANMsat. El rectángulo
negro indica la PCAS.

Seleccionamos todos los mareógrafos ubicados al sur de 72ºN y los que no están
marcados como sospechosos (http://www.psmsl.org/data/obtaining/notes.php). El límite
norte se escoge para evitar una posible contaminación en los datos debido al hielo
estacional. Luego separamos la base de datos en dos sub-bases, que denominamos A y
B. La sub-base A incluye todos los datos de las estaciones que tengan al menos diez
años de datos que coincidan con el período de medición de AVISO (1993-2010), que

21  
estén a una distancia menor a 30km del punto más cercano de grilla, y que presenten
menos del 20% de datos faltantes. Con este criterio de selección, nos quedamos con 478
mareógrafos de los 1291 inicialmente disponibles (Fig. 2.1). Luego, clasificamos las
478 estaciones mareográficas en “continente” e “isla” basados en la ubicación
geográfica. La sub-base B incluye todos los mareógrafos con más de 10 años de datos
ubicados entre 20-54ºS y 70-42ºW en la PCAS (Fig. 2.1). En esta sub-base solo 4 de 15
mareógrafos tienen más de 10 años de datos que coinciden temporalmente con el
altímetro. En una larga sección de la costa, entre 28.5ºS y 34.5ºS, hay solo un
mareógrafo (Porto do Rio Grande) que está catalogado como dato Metric en la base de
datos PSMSL. Dato Metric significa que la estación mareográfica no tiene control de
datum y la calidad de los datos es menor comparado con RLR. El mareógrafo de Porto
do Rio Grande incluye 23 años de datos entre 1981 y 2003. Sin embargo, este extenso
registro contiene 79% de valores faltantes. Por lo que, con el propósito de mejorar la
cobertura espacial de mareógrafos en la región de estudio, incluimos en el análisis 2
años de datos completos de Porto do Rio Grande .

2.3 Metodología
Para comparar las series de tiempo mensuales de altimetría con los datos in-situ,
los corregimos a ambos por el efecto de presión atmosférica, considerando la
aproximación de barómetro invertido (BI). El BI es una aproximación razonable a
escalas estacionales y largas considerando una respuesta puramente isostática del nivel
del mar a las variaciones de la presión atmosférica (Han et al., 1993). Como se
mencionó en la sección 2.2.1, los datos de altimetría están corregidos por DAC, que
incluye el efecto del viento y de la presión. Por lo tanto, para comparar adecuadamente
los datos de altimetría con los datos in-situ, ambas bases de datos deben tener la misma
corrección. Para eso, a los datos grillados se le agrega DAC (disponible en
http://www.aviso.oceanobs.com/), es decir, se agrega la variabilidad debido al viento y
a la presión, y luego se aplica la corrección de BI. De aquí en adelante nos referimos a
las series de altimetría y de mareógrafos como ANMsat y ANMtg respectivamente.
La corrección BI fue computada usando la presión del nivel del mar (PNM) de la
base de reanálisis (Kalnay et al., 1996) de National Centers for Environmental
Prediction (NCEP) proveniente de NOAA (National Oceanic and Atmospheric
Administration). La resolución espacial de los datos de PNM es de 2.5ºx2.5º. Para

22  
estimar el efecto de BI, extrajimos el valor mensual de PNM del punto de grilla más
cercano a las ubicaciones de los mareógrafos. Seleccionamos la base de datos NCEP ya
que cubre todo el período del mareógrafo que comienza en 1948, a diferencia de ERA-
Interim ECMWF que comienza en 1979. Notar que aplicamos la corrección BI y no
DAC en ambos datos, satélite y mareógrafos, por dos razones: (i) las altas frecuencias
del viento (< a 20 días) son filtradas a escalas de tiempo más largas que un mes; (ii)
DAC está disponible desde 1992 mientras que la sub-base B, que se definió
previamente, incluye los mareógrafos que no concuerdan con el período del altímetro.
El ciclo anual de los datos satelitales e in-situ lo extrajimos de las climatologías
de ANMsat y ANMtg ajustando, por cuadrados mínimos, una onda anual. Previamente,
a ambas series le eliminamos la tendencia lineal para evitar desvíos cuando se computan
los ciclos anuales. El análisis armónico es un estimación de las series de tiempo
representado por la suma de cosenos con diferentes amplitudes y fases:

3
𝑦 𝑡 =𝑦+ ' 𝐶' cos 2𝜋𝑓' 𝑡 − 𝜃' + 𝑦0 (𝑡) (2.1)

donde Cq, fq y θq son la amplitud, frecuencia y fase respectivamente de la componente,

en esta caso, anual. 𝑦 es el valor medio de la ANM e yr es el residuo. El propósito del
método de cuadrados mínimos es minimizar la diferencia cuadrática entre los datos
originales y los datos ajustados.
El ECMD se calcula como:

78 97: :
𝐸𝐶𝑀𝐷 = (2.2)
;

donde X1 y X2 son los armónicos anuales de los datos in-situ y satelital,

respectivamente, y N es la longitud de las series de tiempo. Es importante notar que la
formula (Ec. 2.2) no solo considera las diferencias de amplitud entre las datos, si no que
también considera las diferencias de fase.
En orden de cuantificar cuán bien el armónico anual se ajusta a las climatologías,
definimos la bondad del ajuste (BA) como el porcentaje de varianza observada
explicada por el armónico, en este caso anual. El promedio de la BA para todos los
mareógrafos considerados en la sub-base A y para las series de tiempo de la ANMsat

23  
correspondientes es de 84.51% y 87.85%, respectivamente. Este resultado indica que la
señal anual es la dominante en las climatologías construidas.
También consideramos como posible fuente de error entre los datos satelitales e
in-situ el movimiento vertical de la corteza terrestre que se generó después del período
de glaciación. Para corregir los datos del mareógrafo del movimiento vertical de la
tierra, usamos los datos de Glacial Isostatic Adjusment (GIA) del modelo ICE-5G
(Peltier, 2004). Este modelo provee la tasa de cambio del nivel del mar relativo respecto
de la Tierra sólida. Los resultados muestran que la corrección por el movimiento
vertical de la tierra tiene poco impacto: el ECMD medio de las 478 estaciones (definido
arriba), cuando se aplica la corrección GIA, es 1.61 cm en vez de 1.59 cm. La
corrección GIA provee una mejor consistencia entre mareógrafos y altímetro cuando se
analiza las tendencias de la ANM (Valladeau et al., 2012).

a)

b)

Figura 2.2: Distribución de la amplitud anual (cm) de a) ANMtg y de b) ANMsat.

24  
2.4 Resultados y discusión
2.4.1 Comparación global
Figura 2.2 muestra las amplitudes anuales de la ANMsat y ANMtg. Observamos
que ambas bases de datos presentan un patrón espacial similar, dominado por valores
entre 4 y 10 cm. Las amplitudes máximas fueron encontradas en la costa de India, oeste
y noreste de Australia, China y Japón, con valores entre 12 y 33 cm. En algunas de estas
regiones, la amplitud anual de la ANMsat subestima considerablemente la amplitud
derivada de los mareógrafos.
La distribución espacial de las fases anuales de ANMsat y ANMtg (Fig. 2.3)
también son similares, mostrando, como era de esperarse, la diferencia entre
hemisferios. En general, el ciclo anual maximiza entre fines de febrero y principio de
junio en el hemisferio sur, mientras que la ANM maximiza entre agosto y noviembre en
el hemisferio norte.

a)

b)

Figura 2.3: Distribución de la fase anual (días) de a) ANMtg y de b) ANMsat. La fase se indica como el
número de días a partir del primero de enero cuando el nivel del mar llega al máximo observado.

25  
 Para cuantificar las diferencias entre amplitudes y fases, calculamos el ECMD
según la fórmula Ecuación 2.2. Los resultados muestran que la media del ECMD de las
478 estaciones es menor a 1.6 cm (Tabla 2.1). El 88.5% de los ECMD estimados son
menores a 3 cm y el 76.4% es menor o igual a 2 cm (Fig. 2.4). Estos resultados
claramente indican que el ciclo anual capturado por los mareógrafos esta bien
representado por la gran mayoría de las ANM satelital en el pixel más cercano de la
grilla a la posición del instrumento.
La distribución espacial de los ECMD del ciclo anual revela las regiones donde
esta magnitud es relativamente grande (Fig. 2.1). A continuación consideramos las
regiones donde el ECMD es mayor que 4 cm y mostramos que diferentes fenómenos
hacen contribuciones significativas y distintivas a las climatologías de ANM que
dependen del uso de los mareógrafos o de la altimetría.

Figura 2.4: Histograma del error cuadrático medio de la diferencia (ECMD) entre los armónicos anuales
de ANMsat y ANMtg (88.49% RCMD<3cm, 76.36% ECMD≤ 2 cm).

2.4.1.1 Corrientes angostas costeras

A lo largo de la costa oeste de Norte América, entre 42ºN y 55ºN (Fig. 2.1), los
ECMD son mayores a 4.3 cm. En esta región, hay corrientes fuertes y angostas que se
presentan estacionalmente como respuesta al upwelling/downwelling costero, a su vez
generado por el viento (e.g. Strub y James, 2000). Estas fuertes corrientes son, por ende,
la causa de las diferencias entre el producto grillado de AVISO y los mareógrafos

26  
(Saraceno et al., 2008). Evidentemente, el producto grillado de altimetría captura las
condiciones del océano abierto y no es posible resolver la corriente angosta costera que
contribuye de manera importante en la ANM medida con el mareógrafo. Saraceno et al.
(2008) muestra que la ANM estacional cerca de la costa puede ser reproducida si se
interpolan los datos de AVISO con los mareógrafos costeros.

2.4.1.2 Hielo estacional

A pesar de que excluimos los mareógrafos ubicados al norte de 72ºN, en varias de
las comparaciones realizadas se observa un sesgo debido al hielo estacional. Hay tres
claros ejemplos de este problema: mar de Kara, el Golfo de Botnia y el Golfo de
Finlandia. En el mar de Kara, ubicado a 60ºE-70ºN, el ECMD fue mayor a 4 cm (Fig.
2.1). Esta región presenta hielo marino estacional que afecta la señal del altímetro, y
esto lleva a una pobre comparación con el mareógrafo (Volkov y Pujol, 2012). En la
porción norte del Golfo de Botnia (65ºN-25ºE, Fig. 2.5) y en el Golfo de Finlandia
(60ºN y 25-30ºE, Fig. 2.5) las diferencias fueron también debido a la cobertura de hielo.
En estas dos regiones el hielo marino se forma a fines de noviembre y se derrite a fines
de mayo (Leppäranta, 2012) cuando las grandes diferencias entre los ciclos anuales de
ANMtg y ANMsat fueron observadas (no se muestra).

Figura 2.5: Ubicación de los mareógrafos considerados para la validación de los datos altimétricos en la
costa del mar Báltico (BS), Golfo de Botnia (GB), Golfo de Finlandia (GF) y Estrecho Danés (DS). La
barra de color indica la magnitud del error cuadrático medio de la diferencia (cm) entre los armónicos
anual de ANMtg y ANMsat.

27  
2.4.1.3 Ciclo semianual y topografía compleja
ECMD mayores a 4 cm fueron encontrados en el sur del mar Báltico (cerca del
estrecho Danés, entre 11 y 13ºE) (Fig. 2.5). Varios fenómenos podrían causar las
diferencias observadas. En primer lugar, podría ser por la presencia de un ciclo
semianual en la ANMtg que no se presenta en la climatología de la ANMsat. Stramska
(2013) también describe la componente semianual de la ANM lejos de la costa en el
mar Báltico. Un segundo fenómeno podría ser debido a la dinámica en las bahías,
fiordos y cuencas en el Báltico sur donde están ubicados la mayoría de los mareógrafos
(e.g. Kiel, Wismar, Travemunde). En estos lugares, la ANM puede comportarse
diferente con respecto al mar abierto, donde se encuentran ubicados los puntos de grilla
más cercanos del producto altimétrico.

2.4.1.4 Descarga de ríos

Las grandes amplitudes anuales (~25 cm) se ubican en dos estaciones al norte de
la Bahía de Benguela (21.5ºN-89.83ºW). En contraste, con la ANMsat en el punto de
grilla más cercano, se estimó una amplitud de solo 15 cm. Por ende, el ECMD que se
obtuvo es mayor a 6 cm (Fig. 2.1). Vinogradov y Ponte (2010) arribaron a resultados
parecidos comparando los datos de TOPEX/POSEIDON con los de mareógrafos a
escala estacional en la misma región. Ellos argumentaron que la variabilidad del río
Ganges debido al Monzón es el responsable de las diferencias. Sin embargo, con
nuestros datos argumentamos que el punto de grilla elegido para comparar con el
mareógrafo refleja mayormente los cambios en la circulación del océano y no la
circulación costera afectada por la descarga del río. Esto probablemente sea debido al
hecho de que el procedimiento de grillado ignora gran parte de los datos cerca de la
costa.
Un escenario similar ocurre en el Golfo de Carpenteria (14ºS-139ºE), en el norte
de Australia. A escala anual, la variación media del nivel del mar en esta región es
debido a los vientos monzónicos, a los cambios en la presión a nivel del mar y al efecto
estérico (Forbes y Church, 1983). Todos estos forzantes generan una gran amplitud
anual en la ANM en la parte sureste del golfo (Forbers y Church, 1983). Las amplitudes
anuales de la ANMtg en el sureste de la región fueron de 33 cm mientras que las
amplitudes anuales de la ANMsat fueron de 23 cm. Ambas series de tiempo están en

28  
fase y las diferencias en amplitud se reflejan en el ECMD (Fig. 2.1). Considerando que
los mareógrafos están ubicados en el Río Norman y en el Rio Embley, sugerimos que
los datos de altimetría reflejan la variación del nivel del mar del océano mientras que la
ANMtg varia como respuesta a la variabilidad de la altura del río.
En la estación Xiamen (24.54ºN-118.07ºE), la comparación entre ANMtg y
ANMsat mostraron un ECMD de 5cm. Nuevamente, el mareógrafo estaría afectado por
los cambios en la descarga del río Jiulong mientras que los vientos monzónicos podrían
afectar la ANMsat (Jan et al., 2002).

2.4.1.5 Aliasing por interpolación

En el Golfo de Tailandia (10.58ºN-101.17ºW) hay tres mareógrafos (Ko
Mattaphon, Ko Sichang y Cendering) donde la ANMsat subestima la amplitud anual
observada con la ANMtg, y esto da origen a un ECMD de 6 cm. Estas grandes
discrepancias podrían ser debidas a la distancia (>100km) que hay entre el mareógrafo y
la traza de TOPEX/POSEIDON (Trisirisatayawong et al., 2011). Las trazas de
ERS/ENVISAT pasan más cerca de los mareógrafos, pero la repetición de la órbita es
de 35 días comparada con TOPEX/Jason, que es de 10 días. Con lo cual, la distancia
entre las trazas de TOPEX/Jason es un factor clave para explicar el ECMD grande que
se observa en la región (Trisirisatayawong et al., 2011). Como el producto grillado de
altimetría interpola dos trazas (Ducet et al., 2000), la distancia a la región con mayor
densidad de datos costeros es muy posible que sea un problema que conlleva a observar
discrepancias en la ANM. El ECMD de 4 cm observado en la estación Balboa (8.79ºN-
79.57ºW, Bahía de Panamá) podría también deberse a la distancia (>150km) entre el
mareógrafo y las trazas de TOPEX/Jason.
Para saber cuánto afecta al ECMD el número de trazas que pasan cerca del
mareógrafo, computamos el ciclo estacional considerando datos de uno, dos y tres
trazas que pasaron a una distancia menor a 90 km de la estación de Katsuura, Japón
(33.13ºN-140.25ºE). Para este test no realizamos una interpolación entre los datos de las
trazas. Luego, computamos el ECMD (Ec. 2.2) entre los tres ciclos anuales de las trazas
y el mareógrafo. Los resultados muestran que el ECMD decrece de 1.77 cm (una traza)
a 1.17 cm (3 trazas). La interpolación hecha por AVISO es más efectiva que nuestra
aproximación considerando los datos a lo largo de la traza (ECMD 0.69 cm).

29  
2.4.2 Islas versus Continentes
El ECMD considerando solo los 73 mareógrafos ubicados sobre islas es de 0.64
cm (Tabla 2.1), mientras que el ECMD medio de los 405 mareógrafos que están en
continente es de 1.76 cm (Tabla 2.1). Esta diferencia en el ECMD podría ser debido al
hecho que existen más mareógrafos en el continente que en las islas. Para explicar estas
diferencias elegimos 73 mareógrafos al azar de los 405 y computamos el promedio de
los ECMD. Este proceso lo repetimos 100 veces. La mediana de los 100 valores medios
de ECMD fue de 1.76 cm, que es mayor que al error de los 73 mareógrafos de las islas
(0.64 cm). La correlación entre las amplitudes y las fases anuales fueron mayores en las
estaciones que están en las islas que en los continentes (Tabla 2.1). Estos resultados
claramente indican que los datos del altímetro proveen una representación más robusta
del ciclo anual en el océano abierto, donde la ANMsat estimada está menos afectada por
la proximidad del continente a distancias menores que 50 km, ya que la huella del
radiómetro se encuentra con la línea de costa y corrompe la señal cruda del altímetro
(e.g. Strub, 2001). Aunque esto también puede ocurrir en las islas, la contaminación por
tierra y el ruido en la señal debido a las altas frecuencias es generalmente menor
alrededor de las islas que en los continentes (Pont y Lyard, 2002; Mitchum, 1994).
También, la corrección por tropósfera húmeda es probablemente más homogénea en la
proximidad de las islas que en los continentes.

Tabla 2.1: Coeficientes de correlación R y el promedio del error cuadrático medio (ECMD) entre el
armónico anual de ANMsat y ANMtg para los diferentes subsets de la base de datos de PSMSL. Entre
paréntesis se indica el nivel de confianza de 95%.

Todos (478) Isla (73) Continente (405)

R amplitud 0.88(0.14) 0.99(0.45) 0.85(0.15)
R fase 0.84(0.13) 0.90(0.37) 0.82(0.14)
ECMD (cm) 1.59 0.64 1.76

Por otro lado, como se mostró en la Figura 2.1, existen vastas porciones de costa a
lo largo de América Central, América del Sur, África y Península Arábica donde hay
pocos mareógrafos. Incluyendo los mareógrafos de UHSLC (University of Hawaii Sea
Level Center, http://uhslc.soest.hawaii.edu) y aplicando el criterio de selección
descripto arriba no se modifica la cobertura de los mareógrafos mostrados en la Figura

30  
2.1. A continuación proponemos un método para mejorar la cobertura espacial en estas
regiones.

2.4.3 Extendiendo el número de mareógrafos considerado

Para mejorar la cobertura espacial de los mareógrafos consideramos todas las
estaciones que tengan más de 10 años de datos pero no necesariamente que coincidan
con el período de altimetría. La suposición es que la climatología mensual no cambia
durante el tiempo del registro del mareógrafo. Para validar esta hipótesis separamos los
mareógrafos que tengan datos desde 1970 de los 478 mareógrafos que se seleccionaron
en la Sección 2.2.2 y construimos dos climatologías usando: (i) 10 años de datos antes
de la era altimétrica (entre enero 1975 y diciembre 1985), y (ii) 10 años de datos durante
la era altimétrica (entre enero 1995 y diciembre 2005). Luego extrajimos el armónico
anual de esas climatologías y las comparamos.

Figura 2.6: Ubicación de los mareógrafos disponibles de la base de datos PSMSL considerados para la
validación de los datos altimétricos en la costa de Japón. La barra de color indica la magnitud del error
cuadrático medio de la diferencia (cm) de la ANM entre dos períodos de tiempo (1975-1985 y 1995-
2005).
 
A modo de ejemplo presentamos los resultados obtenidos en Japón donde se
encuentra una de las redes mareográficas más densas. El ECMD entre los ciclos anuales
de los 2 períodos considerados fueron menores a 2 cm en las 63 estaciones alrededor de
Japón (Fig. 2.6), con un valor promedio de 0.61 cm (Tabla 2.2). Las amplitudes anuales
de los dos períodos están bien correlacionadas (coeficiente de correlación de 0.99, 95%

31  
de nivel de confianza, NC) (Tabla 2.2). Las fases también están significativamente
correlacionadas (Tabla 2.2). Estos resultados sugieren que, por lo menos en la costa de
Japón, los ciclos anuales no han cambiado en los períodos de tiempo considerados. A
escala global, los resultados también muestran buena concordancia entre las dos
climatologías: 88.45% de los ECMD fueron menores a 2 cm. Las amplitudes y fases
anuales también están bien correlacionadas (0.92 y 0.87, respectivamente, 95% NC). En
la siguiente sección, asumimos por lo tanto que el ciclo anual en la PCAS no cambia en
el tiempo y usamos los datos de los mareógrafos medidos antes de la era altimétrica
para mejorar la cobertura espacial en la región.

Tabla 2.2: Coeficientes de correlación R y el promedio del error cuadrático medio (ECMD) entre el
período 1975-1985 y el período 1995-2005 para los mareógrafos de Japón. Entre paréntesis se indica el
nivel de confianza de 95%.

Todo (63)
R amplitud 0.99
R fase 0.98
ECMD (cm) 0.61

2.4.4 Análisis en la PCAS

Como caso de estudio para analizar el ciclo anual en una región con pocos
mareógrafos, como la PCAS, construimos la climatología de ANMtg con los
mareógrafos que tengan más de 10 años de mediciones pero no necesariamente
coincidentes en el tiempo con los datos altimétricos. Luego, computamos el ECMD
entre las climatologías de ANMsat y la ANMtg en la PCAS (Fig. 2.7). Solo tres
mareógrafos de quince, que tienen más de diez años desde Octubre 1992 (estaciones 6,
9 y 15, Fig. 2.7, Tabla 2.3), fueron incluidos en el análisis previo. A continuación se
presenta un análisis mensual e interanual de la componente anual de la ANMsat en la
región.

2.4.4.1 PCAS: series mensuales

Primero comparamos las series mensuales de la ANMsat y de la ANMtg en Mar
del Plata para el período 1994-2010 (estación 9 en la Fig. 2.7). Ambas series de tiempo
despliegan un patrón de variación muy similar, con un marcado ciclo estacional durante

32  
todo el registro (Fig. 2.8). Las mayores diferencias se observan durante la primera mitad
de 1994 y durante la segunda parte de 2003. La tensión del viento a lo largo de la costa
podría causar upwelling o downwelling de las aguas costeras. Sin embargo, las series de
tiempo de la tensión del viento (no se muestra) no explicarían las diferencias observadas
en esos dos años. A pesar de esos dos períodos con diferencias relativamente grandes,
las dos series de tiempo están significativamente correlacionadas (0.72, 95% NC). El
ECMD computado basado en 18 años fue de 4.95 cm. Notar que este ECMD
corresponde a las series mensuales y por lo tanto no es comparable con los valores
obtenidos con la componente anual. El ECMD del ciclo anual para esta estación es de
0.22 cm. Los resultados de la comparación entre ANMsat y ANMtg a escala mensual
están en concordancia con otras regiones del mundo como la plataforma Noroeste de
Europa (Volkov et al., 2007). Por lo que la buena concordancia a escala mensual nos
alienta a validar los datos altimétricos a escala climatológica en la PCAS.

Figura 2.7: Ubicación de los mareógrafos considerados para la validación de los datos altimétricos en el
Atlántico Sudoccidental. Los nombres de las estaciones mareográficas se indican en la Tabla 2.3. La barra
de color indica la magnitud del error cuadrático medio de las diferencias (cm) entre los ciclos anuales de
la ANM extraída de los datos grillados de altimetría y de los mareógrafos. El rombo magenta indica la
estación Porto do Río Grande.

33  
Tabla 2.3: Bondad del ajuste (BA) que se aplicó a las climatologías de ANMsat y de ANMtg. Además, se
indica el número de meses usado para la estimación de las climatologías.
Mareógrafo Aviso
meses BA (%) BA (%)
Rio de Janeiro(1) 228 94.42 93.13
Cananeia(2) 624 97.22 92.88
Imbituba(3) 240 95.02 94.54
La Paloma(4) 480 82.84 91.50
Punta del Este(5) 204 90.04 95.64
Montevideo(6) 672 92.43 86.55
Colonia(7) 240 51.79 91.34
Palermo(8) 216 81.56 91.34
Mar del Plata(9) 636 95.45 95.56
Quequen(10) 420 94.12 94.41
Rosales(11) 156 85.82 92.81
Pto. Madryn(12) 504 82.23 84.61
Comodoro(13) 264 73.19 94.57
Pto. Deseado(14) 372 84.79 82.41
Stanley II(15) 204 89.76 90.32

2.4.4.2 PCAS: climatologías

La Figura 2.9 muestra las climatologías de la ANMsat y de la ANMtg para cuatro
sitios: Río de Janeiro, La Paloma, Mar del Plata y Quequén (estaciones 1, 4, 9 y 10 en
Fig. 2.7). En cada estación, se observa buena concordancia entre las climatologías. La
barra de error, que representa la variabilidad con respecto a la media (media ± 1 desvío
estándar), se superpone en ambos set de datos en las 15 estaciones, lo que sugiere que
los ciclos estacionales computados con los datos in-situ y de altimetría no presentan
diferencias significativas. Computamos entonces el armónico anual de las climatologías
para las 15 series de tiempo en la PCAS como se hizo con los datos globales (ver
metodología en Sección 2.3). Los valores de BA, que son el porcentaje de varianza
explicada por el armónico anual, expresan el nivel de coincidencia entre los datos y el
ajuste armónico, independientemente de la fuente de datos y las posiciones (Tabla 2.3).
Las BA fueron mayores al 82% para los datos satelitales y mayores a 73% para los
datos in-situ, excepto para Colonia, donde la BA es de ~52% (Tabla 2.3). El valor bajo
de BA en Colonia es debido al hecho de que la componente semianual explica el 33%
de la varianza (Fig. 2.10). Colonia está ubicada en el margen norte del estuario del Río

34  
de la Plata. El origen de la componente semianual podría estar asociada con la
variabilidad de la descarga del río (Meccia et al., 2009).
En la PCAS, el ECMD entre los armónicos anuales de las climatologías de la
ANMsat y de la ANMtg varía entre 0.22 y 2.09 cm (Tabla 2.4, Fig. 2.7). Como se
discutió en la Sección 2.4.1, el 76.4% de las 478 estaciones globales consideradas
presentan un ECMD menor a 2 cm. Por lo que nuestros resultados sugieren una buena
concordancia entre los mareógrafos y los datos grillados de altimetría en la PCAS a
escala anual. Las correlaciones entre los ciclos anuales de la ANMsat y de la ANMtg
fueron mayores que 0.89 (95% NC) (Tabla 2.4). Una inspección más cercana de las
series de tiempo muestra que los menores coeficientes de correlación corresponden a las
diferencias entre las fases de ANM más que a las diferencias entre amplitudes (Tabla
2.4).

Figura 2.8: Series mensuales de la ANM in-situ (azul) y altimétrica (negra) (cm). Los datos in-situ
corresponden al mareógrafo de Mar del Plata (38.033ºS-57.517ºW, estación 9 Fig. 2.7). Los datos
satelitales se extraen del punto de grilla más cercano a la posición del mareógrafo. Período: enero 1993 –
diciembre 2010.

Cananeia (25.02ºS-47.93ºW), Punta del Este (34.97ºS-54.95ºW), Montevideo

(34.90ºS-56.25ºW) y Palermo (34.75ºS-58.40ºW) muestran diferencias de fase mayores
a 20 días. Hay varios posibles mecanismos que podrían llevar a las diferencias de fase
observadas en estas estaciones. Cananeia está ubicada dentro de una gran bahía a cinco
km de un pasaje angosto que conecta con el océano, y es, por lo tanto, más afectada por
la descarga de los ríos Itapangui y Ribeira de Iguape que por el mar.
En Montevideo y en Punta del Este, el principal forzante cerca de la costa es la
variabilidad estacional del viento que genera upwelling y downwelling del agua,
mientras que lejos de la costa es el forzante de radiación solar (Saraceno et al., 2014).

35  
Por lo tanto, el desfasaje podría deberse al hecho que la ANMsat está influenciada
principalmente por el forzante de la radiación solar mientras que la ANMtg está
influenciada también por la tensión del viento.
En Palermo, ubicada en el margen sur del Río de la Plata, la distancia a la traza
más cercana de TOPEX/Jason es de 150 km. Por lo que, como en el Golfo de Tailandia,
la distancia a la región con la mayor densidad de datos para construir la ANMsat podría
afectar la comparación con el mareógrafo. Además, como notamos arriba, la
variabilidad anual de la descarga del Río de la Plata podría causar la variabilidad
semianual en el mareógrafo (Fig. 2.10a), la cual no es aparente en la ANMsat, que
conlleva a la diferencia de fase observada.

a) b)

d)
c)

 
Figura 2.9: Climatología de la ANM derivada del mareógrafo (magenta) y del satélite (azul) (cm) para
cuatro estaciones. a) Rio de Janeiro, b) La Paloma, c) Mar del Plata y d) Quequén. Las barras de error
indican la variabilidad respecto a la media (± 1 desvío estándar).

Finalmente, consideramos el mareógrafo de Porto do Rio Grande (Fig. 2.7). Como

notamos en la Sección 2.2.2, éste es el único mareógrafo disponible entre 28.5ºS y
34.5ºS a lo largo de más de 850 km de costa. Este mareógrafo no fue incluido en

36  
nuestro criterio de selección. Sin embargo, usando la mejor sub-base de esos datos
(promedio mensuales de dos años, 1989 y 2003), el ECMD con el dato de AVISO más
cercano es 1.82 cm. Este resultado sugiere que la componente anual de los datos de
altimetría esta también en buena concordancia con los datos in-situ en esta región.

Tabla 2.4: Amplitud y fase del armónico anual de la ANMsat y de la ANMtg para 15 estaciones. También
se indican el error cuadrático medio de la diferencia (ECMD) entre el armónico anual de la ANMsat y
ANMtg, y el coeficiente de correlación (R), significativo con un nivel de confianza de 95%.
Mareógrafo vs Aviso Mareógrafo Aviso
ECMD (cm) R Ampl (cm) Fase (día) Ampl Fase (día)
Rio de Janeiro 0.67 0.99 5.69 149.47 4.98 156.32
Cananeia 1.67 0.93 6.30 139.59 6.40 161.33
Imbituba 1.56 0.98 7.43 146.27 5.51 156.05
La Paloma 0.48 0.99 7.15 118.74 7.34 113.50
Punta del Este 2.09 0.93 8.06 126.18 7.51 104.38
Montevideo 1.96 0.89 5.76 130.46 6.03 103.00
Colonia 1.18 0.99 4.47 62.53 5.99 70.57
Palermo 1.74 0.94 7.16 51.23 5.99 70.57
Mar del Plata 0.22 0.99 5.77 96.93 5.70 93.81
Quequén 1.01 0.98 6.58 96.45 6.18 83.88
Rosales 0.88 0.96 4.69 61.34 4.59 76.85
Pto. Madryn 0.68 0.99 5.15 88.47 4.45 80.58
Comodoro 0.43 0.98 3.87 83.87 3.97 92.62
Pto. Deseado 0.31 0.99 4.07 79.76 3.72 83.72
Stanley II 0.68 0.98 3.49 90.22 2.72 101.44

a) b)

 
Figura 2.10: Climatología (azul), armónico semianual (negra) y armónico anual (magenta) de la ANM
para a) Palermo y b) Colonia.

37  
 En la PCAS también hay extensas regiones costeras sin mareógrafos al sur de
48ºS (Fig. 2.7). Desafortunadamente, incluso considerando las series de tiempo que no
coinciden con el criterio de selección, la longitud de esas series de tiempo es muy corta
para extraer la componente anual.

2.4.4.3 PCAS: variabilidad interanual del ciclo estacional

Una posible fuente del ECMD observado puede ser la presencia de la variabilidad
interanual en los datos satelitales e in-situ. Por lo tanto, computamos el ECMD para
cada año entre 1993 y 2010 entre el armónico anual de los datos altimétricos y los datos
del mareógrafo. El cómputo fue llevado a cabo en dos estaciones que tienen más de diez
años de datos coincidentes con la era del altímetro: Mar del Plata y Puerto Stanley (Fig.
2.11). El ECMD interanual que se obtuvo en las dos estaciones analizadas es un poco
mayor que 2 cm, que es el ECM estándar aceptado para un mareógrafo de alta calidad
(Hannah, 2004). Se observa una gran variabilidad de los valores de ECMD tanto en Mar
del Plata como en Puerto Stanley, alcanzando un máximo en 2003 (3.24 cm). En Puerto
Stanley el ECMD fue bajo, variando entre 0.33 cm y 2.38 cm, con un 58.8% de los
valores menores a 1 cm. Estas discrepancias entre Puerto Stanley y Mar del Plata podría
deberse al hecho que el mareógrafo de Puerto Stanley está ubicado en una isla. Como se
mencionó previamente (Sección 2.4.2), las mediciones del altímetro están menos
contaminadas por la presencia de islas que por la presencia de grandes masas
continentales. Por otro lado, algunos valores grandes de ECMD, ya sea en Mar del Plata
(ejemplo: 2003, 2008) o en Puerto Stanley (ejemplo: 1994, 2005, 2008) (Fig. 2.11),
podrían estar relacionados con la variabilidad del viento. Un estudio más exhaustivo es
necesario para confirmar esta hipótesis. También observamos que en otros casos los
valores altos de ECMD están asociados con años en que la climatología de ANMtg
tiene meses faltantes. Por ejemplo, en Mar del Plata faltan 3 meses de 12 en los años
1995 y 2001, y en Puerto Stanley faltan 7 meses de 12 en el año 2000. Dependiendo de
la distribución temporal de los valores faltantes en el año, el ajuste anual con análisis
armónico pude representar pobremente al ciclo anual, llevando a un aumento del
ECMD. Este problema se compensa cuando las climatologías se construyen con varios
años.
Para determinar cuántos años de datos son necesarios para poder despreciar el
impacto de los meses faltantes en las observaciones de ANMtg, construimos dos series

38  
sintéticas de datos mensuales. En una de éstas series eliminamos el 20% de los datos de
manera aleatoria. Luego, calculamos el ECMD entre ambas series de tiempo. La
longitud de la serie fue aumentando desde 1 a 12 años. Es decir, se calcula el ECMD
entre las series sintéticas para una climatología construida con un año, con dos años, y
así hasta construir una climatología con 12 años. El proceso se repitió cien veces para
cada año que se agregó. Luego de esto, se calculó el promedio de los 100 valores de
ECMD, obteniendo doce valores, uno por año agregado. La distribución del ECMD
medio normalizado versus el número de años claramente revela que, después de seis
años, el ECMD decrece alrededor de un 40% de su valor inicial (Fig. 2.12).

a)

b)

Figura 2.11: Variabilidad interanual del error cuadrático medio de la diferencia (ECMD) entre el
armónico anual de la ANMsat y de la ANMtg en a) Mar del Plata y en b) Port Stanley entre 1993 y 2010.

2.5 Conclusiones
En éste trabajo se comparó la componente anual de la ANM derivada de los datos
grillados de altimetría con la ANM derivada de 478 mareógrafos distribuidos
globalmente. Los resultados obtenidos muestran valores de ECMD menores a 2 cm para
el 76.4% de los casos, que es la precisión nominal de la altimetría satelital en el océano
abierto (Fu et al., 1994; Le Traon et al., 1998).
Los valores mayores de ECMD están asociados con procesos cerca de la costa
como corrientes angostas (e.g. Corriente de California), cercanía con descarga de ríos
(e.g. Río Ganges, Río Jiulong, Golfo de Carpentaria) y hielo marino estacional (e.g. Mar

39  
de Kara, Golfo de Bosnia y Golfo de Finlandia). Nuestros resultados son consistentes
con los de Vinogradov y Ponte (2010) quienes utilizaron datos a lo largo de las trazas
del altímetro en vez del producto grillado. En otros casos, ECMD mayores a 4 cm están
asociados con la presencia de una señal semianual y/o de una topografía compleja (e.g.
Sur del Mar Báltico). Además, en otras regiones los ECMD grandes podrían también
ser, en parte, debido a distancias grandes entre el mareógrafo y la región más cercana a
los datos a lo largo de las trazas de TOPEX/Jason, como sucede en el Golfo de
Tailandia y en la bahía de Panamá.

Figura 2. 12: Promedio de 100 valores de ECMD de la ANM normalizado por su máximo valor en
función del número de años considerado para calcular las climatologías. Cada ECMD normalizado se
estimó entre una serie de tiempo completa y otra con 20% de datos faltantes distribuidos aleatoriamente.

En este Capítulo también mostramos que el ciclo anual construido con diez años
de datos in-situ antes de la era altimétrica es consistente con el ciclo anual construido
durante la era altimétrica. La alta coherencia entre ambas bases de datos (ECMD menor
a 2 cm) sugiere que el ciclo anual de la ANM es estacionario durante varias décadas.
Esto nos permite incluir un mayor número de mareógrafos para el análisis, el cual es un
problema crítico en varias áreas a lo largo de la costa de Sud América, África y Asia,
donde las estaciones están muy dispersas.
Un análisis detallado del ciclo anual en la PCAS muestra que el ECMD entre los
datos in-situ (considerando datos que no coinciden con el período del altímetro) y los
datos satelitales es menor a 2.1 cm. Resultados similares para comparaciones a escalas
mayores a los 30 días se obtuvieron en otras regiones como el Golfo de Cádiz y el Mar
Mediterráneo (Gómez-Enri et al., 2012; Fenoglio-Marc et al., 2005), la plataforma
noroeste de Europa (Volkov et al., 2007), y los mares de Kara, Barents y Nórdico

40  
(Volkov y Pujol, 2012). Por tanto se concluye que los datos altimétricos representan
adecuadamente el ciclo estacional en la PCAS.
Cabe destacar que a pesar de la alta amplitud de marea que se observa en la
Patagonia sur (e.g. Glorioso y Flather, 1997), la ANM estacional está bien representada
por los datos altimétricos, ya que el ECMD es menor a 1 cm al sur de 42ºS (Fig. 2.7 y
Tabla 2.4). Los resultados obtenidos en Puerto Stanley están en concordancia con los
que se muestran en Woodworth et al. (2010) con datos de TOPEX/Poseidon y Jason-1.
La variabilidad interanual del armónico anual fue también investigada en Mar del
Plata y Puerto Stanley. Los resultados muestran que la altimetría representa mejor al
ciclo anual en Puerto Stanley que en Mar del Plata. Las diferencias observadas son
debidas al hecho que Puerto Stanley está ubicado en una isla mientras que Mar del Plata
es una estación continental.
En resumen, nuestros resultados muestran que los datos grillados de altimetría son
útiles para el estudio del ciclo anual sobre las áreas costeras y plataformas continentales.
Un análisis más cuidadoso debe realizarse antes de explorar los datos de altimetría
satelital en regiones donde el ECMD entre los datos satelitales y los de los mareógrafos
es mayor a 4 cm. En esas áreas, probablemente sean necesarias correcciones a medida
de los datos a lo largo de la traza. Finalmente, la interpolación de datos altimétricos
optimizados podría mejorar la precisión de la ANM cerca de la costa y en las
plataformas continentales, y posiblemente resolver mejor escalas de tiempo más cortas
que las analizadas en este estudio. En este sentido, los datos que se obtendrán de la
misión SWOT (Surface Water Ocean Topography) harán una contribución importante,
ya que este satélite incorporará dos antenas SAR proveyendo una ‘traza’ de 120km de
ancho (http://smsc.cnes.fr/SWOT/) en lugar de los 7 km que se obtiene actualmente con
Jason-2.

41  
42  
Capítulo 3: Anomalía del nivel del mar en la
Plataforma Continental del Atlántico Sudoccidental:
tendencias, patrón anual y corrientes geostróficas

El trabajo que se presenta en este capítulo es parte del siguiente artículo: L.A. Ruiz
Etcheverry, M. Saraceno, A.R. Piola and P. T. Strub, 2015. Sea level anomaly on the
Patagonian continental shelf: trends, annual patterns and geostrophic flows. J.
Geophys. Res. En revisión oct 2015.

Resumen
En este Capítulo estudiamos el patrón anual y la tendencia lineal de la anomalía del
nivel del mar satelital (ANM) sobre la Plataforma Continental del Atlántico
Sudoccidental (PCAS) entre 36ºS y 54ºS. Los resultados muestran que al sur de 42ºS la
componente térmica del efecto estérico explica cerca del 100% de la amplitud anual de
la ANM, mientras que al norte de 42ºS este efecto explica menos del 60%. Estas
diferencias podrían deberse a la contribución halina. La variabilidad anual del viento no
juega un papel importante sobre toda la plataforma. La tendencia lineal en la ANM
varía entre 1 y 5 mm/año (95% de nivel de confianza). La tendencia lineal más grande
se encontró al norte de 39ºS, a 42ºS y a 50ºS. En la región norte, sugerimos que la
tendencia lineal positiva mayor a 3 mm/año está asociada con cambios locales en el
campo de densidad, causado por el efecto advectivo en respuesta al desplazamiento
hacia el sur del centro de Alta presión del Atlántico Sur. Las causas de las tendencias
relativamente altas en las dos regiones costeras sur se discuten en función de la tensión
del viento meridional y la descarga de los ríos. Finalmente, combinamos el ciclo anual
de la ANM con la topografía dinámica media para estimar las velocidades geostróficas
absolutas. Este acercamiento provee la primera descripción de la componente estacional
de la circulación en la PCAS basado en observaciones satelitales. La circulación general
de la PCAS es hacia el noreste con corrientes geostróficas más intensas/débiles en
verano/invierno. En todas las latitudes, las velocidades geostróficas son mayores (hasta
20 cm/seg) cerca del talud y decrecen hacia la costa. Este patrón espacio-temporal es
más intenso al norte de 45ºS.

43  
3.1 Introducción
3.1.1 Circulación del Atlántico Sudoccidental
Como se describió en el Capítulo 1, la Plataforma Continental del Atlántico
Sudoccidental (PCAS) es una de las plataformas continentales más largas del hemisferio
sur. La zona es importante a nivel socio-económico debido a la diversidad de especies
marinas, como anchoíta y merluza que se encuentran en el frente de talud (Acha et al.,
2004).
Los modelos numéricos indican que la circulación general en la plataforma
consiste en un flujo noreste entre 55ºS y 33ºS (Fig. 3.1). Cerca de la costa, la morfología
de la línea de costa afecta la circulación, creando giros y re circulaciones dentro de los
principales golfos (Palma et al., 2004a). Sobre la plataforma, las aguas costeras,
verticalmente homogéneas, están separadas de las aguas de plataforma que están
estratificadas por un frente de marea. Estas aguas estratificadas ocupan la parte media y
externa de la plataforma desde finales de la primavera hasta comienzos del otoño
(Bianchi et al., 2005). Como mencionamos anteriormente, los mecanismos responsables
de la circulación en esta región son las fuertes mareas (Glorioso et al., 1997; Palma et
al., 2004a), las fuertes descargas de agua dulce (Piola et al, 2005), los vientos altamente
variables (Palma et al., 2004b; Palma et al., 2008) y la influencia de la Corriente de
Malvinas (CM) a lo largo del talud continental (Palma et al., 2008; Matano et al., 2010).
Sin embargo, la mayoría de los estudios de la circulación en la PCAS se
realizaron con modelos numéricos, principalmente debido a la escasez de observaciones
in-situ. Estas observaciones son espacial y temporalmente inhomogéneas, lo que
dificulta el análisis general de la región. En contraste, la altimetría satelital ofrece más
de 20 años de datos de Anomalía del Nivel del Mar (ANM) y es por lo tanto una
herramienta útil para el estudio de la circulación.

3.1.2 Altimetría satelital

Desde el lanzamiento de la misión TOPEX/POSEIDON en octubre 1992, la
altimetría satelital ha contribuido en el entendimiento de la circulación general del
océano. Mejoras recientes en las correcciones utilizadas en el computo de la ANM
satelital ha impulsado la extensión de estudios de la circulación cerca de la costa y sobre
plataformas continentales. Por ejemplo, se ha mostrado que los mapas grillados de
ANM derivados de Archiving, Validation and Interpretation of Satellite Oceanographic

44  
(AVISO) representan adecuadamente el ciclo anual sobre la mayoría de las aéreas
costeras y de plataforma (Ruiz Etcheverry et al., 2015). Resultados similares fueron
encontrados utilizando datos de ANM de las trazas TOPEX/POSEIDON (Vinogradov y
Ponte, 2010). Ambos autores concuerdan que en las regiones donde el altímetro
presenta un mayor error está relacionado con fenómenos físicos locales que el altímetro
no puede resolver. A escala regional, se ha mostrado que los datos altimétricos
estimaron satisfactoriamente la variabilidad estacional del nivel del mar en regiones
como el Golfo de Cádiz (Gómez-Enri et al., 2012; Laiz et al., 2013), mares Nórdicos
(Volkov y Pujol, 2012), y el estuario del Río de la Plata (Saraceno et al., 2014; Strub et
al., 2015), entre otros. En particular, en el estuario del Río de la Plata (Fig. 3.1), que
forma parte de la PCAS, el ciclo estacional se debe a una combinación de la radiación
solar y el viento como forzante (Saraceno et al., 2014). El viento estacional y el patrón
interanual de la ANM documentado usando altimetría satelital por Saraceno et al.
(2014) son coherentes con lo observado en estudios previos usando una variedad de
datos y simulaciones numéricas (e.g. Simionato et al., 2007; Piola et al., 2005; Palma et
al., 2008).

Figura 3.1: Circulación media en la región del Atlantico Sudoccidental derivado de la topografía
dinámica media (vectores negros). Además, se muestra la topografia del fondo (en metros) de Smith y
Sandwell (1997), version 8.2.

45  
3.1.3 ANM estacional
La ANM es una combinación de la componente barométrica, del efecto estérico (o
flujos de flotabilidad), de la circulación de mesoescala y de una contribución de la
presión de fondo (Gill et al., 1973). El forzante hidrológico (descarga de ríos) puede
también afectar la variabilidad del nivel del mar a escala regional (Tsimplis y
Woodworth, 1994). La componente barométrica se elimina de los datos altimétricos y la
presión de fondo se asocia a los cambio en la tensión del viento (Gill et al., 1973; Song
y Qu, 2011).
A escalas largas, se ha mostrado que la componente estérica de la ANM estacional
está dominada por el efecto térmico, y que el efecto halino juega un rol menor, y
generalmente puede ser despreciado en el océano (Ferry et al., 2000; Stammer, 1997;
Leuliette et al., 1999). Un contraejemplo es el Atlántico Norte donde la componente
halina contribuye a la altura del mar, aunque este efecto es menor que la componente
térmica (Ivchenko et al., 2007, 2008).
El efecto estérico contribuye significativamente a la tendencia del nivel del mar.
En especial, la componente térmica es la que más afecta en los primeros 750 metros del
océano debido al calentamiento global (Lombard et al., 2009; Levitus et al., 2012). Los
datos altimétricos proveen continuidad en el monitoreo de las variaciones espaciales y
temporales del nivel del mar, las cuales son factores claves para monitorear global y
localmente los efectos del cambio climático (Cazenave y Llovel, 2010).
En áreas costeras, el ciclo estacional del nivel del mar es también dominado por el
efecto estérico (e.g. Bell y Goring, 1998; Laiz et al., 2013). Otro efecto que juega un rol
importante en la variabilidad estacional es la tensión del viento. La región adyacente y
norte del estuario del Río de la Plata es un ejemplo de una región afectada por el viento
como se mencionó previamente (Saraceno et al., 2014; Matano et al., 2014; Strub et al.,
2015). La costa de Chile es otro ejemplo donde la ANM estacional es principalmente
explicada por los cambios en el viento paralelo a la costa (Aguirre et al., 2012). La señal
anual del nivel del mar puede ser también influenciado por la descarga de los ríos
cercanos. Por ejemplo, Tsimplis y Woodworth (1994) observaron una gran amplitud
anual de la ANM en la Bahía de Bengal y en la Bahía de Bohai, la cual, en parte, se
atribuye a la descarga continental.

46  
3.1.4 Organización del capítulo
En este capítulo documentamos la componente estacional (ciclo anual) de la
ANM altimétrica en la PCAS (36ºS-54ºS y 70ºW-52ºW) e investigamos las posibles
causas de los patrones espaciales de la amplitud y fase observada. También analizamos
la tendencia del nivel del mar y las velocidades geostróficas asociadas con el ciclo anual
de la topografía dinámica absoluta. El capítulo está organizado de la siguiente manera:
en la Sección 3.2 y 3.3 se describen los datos y métodos. La sección 3.4 presenta los
resultados y discusiones, y por último la Sección 3.5 presenta las conclusiones más
relevantes.

3.2 Datos
3.2.1 Altimetría Satelital
Usamos mapas diarios grillados de la ANM producidos por Ssalto/Duacs y
distribuidos por AVISO (www.aviso.oceanobs.com) para un período de 21 años (enero
1993-diciembre 2013). En particular, elegimos el producto llamado delayed time all-sat
(DT all-sat) porque es más preciso que el Near-real time (NRT), y tiene el mejor
muestreo posible. La ANM es computada con la Media de la Superficie del Mar (MSM)
de CNES-CLS-2011 referida a la media de 20 años (1993-2012) (AVISO, 2014).
Para generar los datos grillados DT all-sat se utilizan todas las misiones
altimétricas disponibles (TOPEX/POSEIDON, Jason-1, Geosat Follow-on, Jason-2,
ENVISAT, ERS-1, ERS-2, Cryosat-2, Saral/Altika), que puede incluir hasta 4 satélites
al mismo tiempo. Para producir los mapas de ANM con un 1/4º de resolución se aplica
un esquema de óptima interpolación con funciones de correlación realísticas (DUACS,
2014; Ducet et. al., 2000). En algunos casos la interpolación produce valores sobre el
continente como se mencionó en el Capítulo 2 Sección 2.2.1. Nuevamente, construimos
una máscara continental como la unión entre los datos de AVISO sobre continente y
todos los pixeles con batimetría positiva (versión 8.2, Smith y Sandwell, 1997).
También utilizamos el producto MDT CNES-CLS13 de AVISO, mapas con un ¼
de grado de resolución, el cual es una estimación de la Topografía Dinámica Media
(MDT) del océano para el período 1993-2012. Este producto de MDT se basa en 2 años
de datos de GOCE (Gravity field and Ocean Circulation Explorer), 7 años de datos de
GRACE (Gravity Recovery and Climate Experiment), y 20 años de altimetría y datos
in-situ (datos hidrológicos y derivadores).

47  
3.2.2 Flujo neto de calor
Datos mensuales de Flujo Neto de Calor (FNC) para el período enero 1993-
diciembre 2009 fueron provistos por Objectively Analyzed air-sea Fluxes (OAflux,
http://oaflux.whoi.edu/data.html). OAflux y International Satellite Cloud Climatology
Project (ISCCP) computan FNC grillados a un 1 grado de resolución según:

FNC=SWdown-LWup-LHup-SHup (3.1)

donde SWdown, LWup, LHup y SHup son la radiación de onda corta entrante, la radiación
de onda larga saliente (radiación emitida por el océano menos la radiación emitida por
la atmósfera) y flujos saliente de calor latente y calor sensible respectivamente. El calor
latente y sensible se calculan en función de las variables de superficie meteorológicas y
oceanográficas (velocidad de viento, humedad del aire y temperatura superficial del
mar) que se basan en el modelo acoplado COARE 3.0 (Copled Ocean-Atmosphere
Response Experiment) (Yu et al., 2004a). Las radiaciones de onda corta y larga las
provee el ISCCP.
Por otro lado, usamos los flujos de calor de NCEP Climate Forecast System
Reanalysis (CFSR) (rda.ucar.edu). CFSR fue diseñado y ejecutado como un sistema
global de alta resolución de interacción mar-atmósfera-superficie terrestre- hielo marino
para proveer la mejor estimación del estado de estas interacciones para el período 1979-
2009. CFSR incluye acoplamiento de atmósfera y océano durante la generación de
campos de 6 hs, un modelo de hielo marino interactivo, y asimilación de radianza
satelital con un esquema de interpolación estadística de Grid-point sobre todo el
período. La resolución espacial de la atmósfera en el CFSR es de 38 km, con 64 niveles
verticales (desde la superficie de 0.26 hPa). Para el océano global la grilla es de 0.25º en
el ecuador, extendiendo a 0.5º después de los trópicos con 40 niveles. Estos productos
están disponibles a escala temporal horaria y con 0.5º de resolución espacial horizontal,
pero para este trabajo usamos el producto mensual. Para estimar el FNC de CFSR
(FNCCFSR) utilizando la Ecuación 3.1, descargamos los datos de SWdown, LWup, LHup y
SHup para el período enero 1993-diciembre 2009.

48  
3.2.3 Datos hidrográficos
Para estimar el coeficiente de expansión térmica (α) usamos las climatologías
mensuales de temperatura (T) y salinidad (S) del mar de World Ocean Atlas 2009
(WOA09) (Boyer et al., 2009)
(https://www.nodc.noaa.gov/OC5/WOA09/pr_woa09.html) en toda la PCAS.
Calculamos la densidad y la profundidad de la capa de mezcla (PCM) usando el criterio
de densidad potencial de forma tal que las diferencias entre las densidades potenciales
en la capa de mezcla sean menor a 0.125 kg/m3 comenzando desde la superficie y
basado en perfiles mensuales (Monterey and Levitus, 1997). Estos valores de T y S se
promedian para cada mes sobre la PCM, y luego se utilizan para calcular el α y el
coeficiente de contracción halina (β) con un conjunto de funciones oceanográficas
denominado Gibbs-SeaWater (GSW) (McDougall y Baker, 2011), que considera la
ecuación termodinámica del agua de mar 2010 (TEOS-2010). Estas funciones también
se utilizaron para calcular los perfiles de densidad en cada punto de la grilla del
WOA09. Además, para evaluar el uso de WOA09 se utilizaron perfiles in-situ de T, S y
densidad potencial provistos por el Servicio de Hidrografía Naval Argentino (SHN)
para calcular el α en los sitios específicos.

3.2.4 Viento
Usamos valores diarios de la tensión del viento de QuickSCAT para el período
enero 2000-diciembre 2008. Este producto tiene una resolución espacial de 0.5ºx0.5º y
los datos se pueden descargar de www.ifremer.fr/cersat/. El instrumento SeaWind a
bordo del satélite QuickSCAT es un radar especializado en la banda espectral del
microondas (scatterometer) que mide la velocidad superficial y la dirección del viento
sobre el océano. Para estimar la tensión del viento en superficie, τ (Pa), se utiliza la
siguiente fórmula:

𝜏 = 𝜏= , 𝜏? = 𝜌A 𝐶B 𝑊 𝑢, 𝑣 (3.2)

donde W es la velocidad del viento medida por el radar, y u y v son las componentes
zonal (positiva hacia el este) y meridional (positiva hacia el norte), respectivamente. El
viento en superficie se asume paralelo al vector tensión. ρa es la densidad del aire en

49  
superficie (igual a 1.225 kg/m3) y CD es el coeficiente de arrastre (su valor se deriva de
Smith, 1988).

3.2.5 Temperatura superficial del mar

La temperatura superficial del mar (TSM) se obtuvo de los mapas semanales de 9
km nivel 3 (L3) de procesamiento de MODIS (Moderate Resolution Imaging
Spectroradiometer) AQUA. Usamos los datos L3 para el período enero 2003-diciembre
2010 de http://oceancolor.gsfc.nasa.gov. El sensor MODIS, a bordo de la plataforma
NASA Aqua, mide TSM desde mayo 2002. Este producto de TSM se deriva del canal
térmico infrarrojo (IR, 11-12um) durante la noche.

3.3 Metodología
3.3.1 Anomalía de la altura estérica
Cambios en la densidad debido al intercambio de calor y agua dulce entre el mar y
la atmósfera afectan el nivel del mar. Como resultado, hay una contracción y expansión
de la columna de agua denominado efecto estérico o, del inglés, “steric effect” (ηs) (Gill
et al., 1973). La variabilidad estérica del nivel del mar es causada, a primer orden, por
cambios en el contenido de calor en el océano a escalas estacionales, mientras que el
efecto debido al intercambio de agua dulce (salinidad) juega un papel secundario (Gill
et al., 1973). La anomalía estérica del nivel del mar puede ser computada de la siguiente
manera:

I O
𝜂′H = 𝜌L (𝑧)𝑑𝑧 (3.3)
JK 9P

donde 𝜌L 𝑧, 𝑡 = 𝜌 𝑧, 𝑡 − 𝜌(𝑧) es la anomalía temporal de la densidad relativa a un

nivel de referencia (Stammer et al., 1997), ρ0 es la densidad de referencia del agua y H
es la profundidad de la columna de agua, que también puede ser considerada como la
base de la termoclina estacional, ya que la mayoría de los cambios estéricos suceden por
arriba de ese nivel. La Ecuación 3.3 puede ser escrita en función de las anomalías de
temperatura y salinidad como se muestra a continuación:

O O
𝜂H′ = 9P
𝛼 𝑇 ′ 𝑑𝑧 − 9P
𝛽𝑆 ′ 𝑑𝑧 (3.4)

50  
donde α y β son los coeficientes de expansión térmica y contracción halina
respectivamente. Teniendo en cuenta que el efecto térmico domina la variabilidad de la
altura estérica (Ferry et al., 2000; Stammer et al., 1997; Leuliette et al., 1999), el
segundo término de la Ecuación 3.4 puede ser despreciado. Luego, considerando el flujo
de calor neto como el cambio local de almacenamiento de calor, que está representado
por el perfil vertical de temperatura (Stammer et al., 1997), se estima la tasa de cambio
en la anomalía de la altura estérica debido solamente al calentamiento en superficie
como:

UV′W ∝Z;[′
= (3.5)
UX JK \]

donde FNC’ representa la anomalía del FNC, ρ0 es una densidad de referencia y

cp≈4000 Ws/kgK es el calor específico del agua de mar. Como mencionamos en la
Sección 3.2.3, α se calcula con GSW. Si se integra la Ecuación 3.5 en función del
tiempo, entonces se obtiene la anomalía de la altura estérica debido al calentamiento
local en superficie.

3.3.2 Análisis armónico y tendencia lineal

La señal anual se extrajo de los datos de ANM y de los datos TSM usando análisis
armónico basado en el método de cuadrados mínimos como se mostró en el Capítulo 2.
El análisis armónico es una estimación de las series de tiempo representada por la suma
de cosenos con diferentes amplitudes y fases:

3
𝑦 𝑡 =𝑦+ '^I 𝐶' cos 2𝜋𝑓' 𝑡 − 𝜃' + 𝑦0 (𝑡) (3.6)

donde Cq, fq y θq son la amplitud, frecuencia y fase del q-ésimo armónico

respectivamente. 𝑦 es el valor medio del registro e yr es la parte residual de la serie de
tiempo. El propósito del método de cuadrados mínimos es minimizar la diferencia
cuadrática entre los datos originales y los datos ajustados.
Para integrar respecto del tiempo la Ecuación 3.5 y obtener la altura de la
componente térmica del efecto estérico, calculamos el armónico anual de α multiplicado

51  
por FNC’. De esta manera la Ecuación 3.5 es proporcional a un coseno que depende del
tiempo y se puede integrar fácilmente:

I I
𝑑𝜂 = 𝛼 𝑡 𝐹𝑁𝐶 L 𝑡 𝑑𝑡 = 𝑦 𝑡 𝑑𝑡 (3.7)
JK   [] JK   []

Previo al cálculo de la altura del mar asociada al término termo-estérico (Ec. 3.7),
los mapas mensuales de α derivados de WOA09 se interpolan a la grilla del FNC.
La tendencia lineal de los datos de TSM, FNC’ y ANM la estimamos usando el
método de cuadrados mínimos que busca la recta lineal que mejor se aproxime a las
series de tiempo. Esta tendencia lineal se elimina a cada punto de grilla de las tres bases
de datos en toda la región. Luego, calculamos el armónico anual de la serie de 21 años
de altimetría y de la serie de 11 años de TSM. En el caso de los datos de FNC’, como se
mencionó, el armónico anual se calcula para α(t)*FNC’(t).
En la Sección 3.4.1 se analiza la tendencia lineal de la ANM. Para evaluar si la
tendencia lineal de los datos de altimetría es significativa con un ni nivel de confianza
(NC) de 95% aplicamos el test de Student.

3.3.3 Transporte de Ekman

Para analizar el efecto del viento en la variabilidad de la ANM calculamos el
trasporte de Ekman perpendicular a la costa a lo largo de la PCAS como:

b
𝑀= 𝑡 (3.8)
Jc

donde τ es la tensión del viento a lo largo de la costa que se describió en la Sección

3.2.4, ρ0 es la densidad y f es el factor de Coriolis. Primero, eliminamos los valores
extremos de la tensión del viento que superaran el rango de valores aceptados por
QuikSCAT, que es ±2.5 Pa. Luego promediamos todos los eneros del período, y así
para los otros meses. Posteriormente, elegimos segmentos paralelos a la línea de costa a
diferentes latitudes donde aplicamos la Ecuación 3.8 a cada segmento centrado en el
punto medio. La densidad de referencia que usamos es ρ0 = 1024 kg/m3 y el factor de
Coriolis se calculó para cada latitud.

52  
3.4 Resultados y discusión
3.4.1 Tendencia Lineal
El patrón espacial de la tendencia lineal de la ANM en la PCAS para el período
1993-2013 muestra valores positivos en todo el dominio que rondan entre 1 y 5 mm/año
(Fig. 3.2). Todas las tendencias positivas son estadísticamente significativas con un
nivel de confianza (NC) del 95%. Tres regiones muestran valores altos de la tendencia
de la ANM (4> mm/año): i) la plataforma externa al norte de 38ºS, ii) el Golfo San
Matías en 42ºS y iii) una región costera en 50ºS. En el Golfo San Jorge (ver ubicación
en Fig. 3.1) se observa un mínimo relativo (< 2mm/año).
La mayor parte de la PCAS está dominada por tendencias positivas de la altura del
mar de 2-3 mm/año (valor medio de 2.5 mm/año). Estos valores son cercanos a la
tendencia global promedio de 3.2 mm/año que fue reportada por Meyssignac y
Cazenave (2012), basado en datos de altimetría satelital de las últimas dos décadas. Una
de las principales causas de este aumento del nivel del mar a escala global, y también
regional, es el efecto estérico asociado con el calentamiento global (Cazenave et al.,
2010; Meyssignac y Cazenave, 2012).
El área con tendencias positivas grandes al norte de 38ºS, corresponden a la
región influenciada por las corrientes de Brasil y Malvinas (e.g. Saraceno et al., 2004).
Se ha mostrado que un desplazamiento hacia el sur de la posición del frente de Brasil
está asociado con un aumento regional de la TSM y del nivel del mar (Goni et al., 2011;
Lumpkin y Garzoli, 2011; Sato y Polito, 2008). Este desplazamiento es aparentemente
causado por la migración hacia el sur del sistema semipermanente de alta presión del
Atlántico Sur (Barros et al., 2008). Dicha migración podría intensificar localmente la
corriente de borde oeste de Brasil, con lo cual podría aumentar la ANM. De hecho,
Goni et al. (2011), en su Figura 10, muestra la tendencia lineal de la altura superficial
del mar (ASM) al este de la isobata de 200 m, donde el rango de latitud en el cual se
observa la máxima tendencia positiva (34-38ºS) concuerda con nuestro resultado.
Saraceno et al. (en preparación) también evidenciaron el corrimiento hacia el sur de la
confluencia a partir de datos de ASM.
La región costera en 50ºS tiene tendencias mayores a 4 mm/año cerca de la
desembocadura del río Santa Cruz (Fig. 3.2). Dicha tendencia podría ser causada por el
aumento de la descarga del río. Sin embargo, Pasquini y Depetris (2011) no encontraron
tendencias significativas en la descarga del río Santa Cruz. También exploramos si

53  
cambios interanuales en la componente paralela a la costa de la tensión del viento
podría explicar las tendencias observadas en la ANM en esta región a través del proceso
de upwelling o downwelling. Para ello, se analizaron los datos de tensión del viento de
NCEP en reemplazo de QuickSCAT, ya que este coincide con el período de altimetría
mientras que el último no. No se encontraron tendencias significativas en la tensión del
viento que pueda explicar el proceso de upwelling o downwelling cerca de la
desembocadura del río Santa Cruz.

Figura 3.2: Distribución de la tendencia lineal de la ANM (mm/año) para el período enero 1993-
diciembre 2013. La línea magenta representa la isobata de 200 metros.

Por otro lado, usando datos de NCEP, encontramos tendencias positivas de la

componente paralela a la costa de la tensión del viento en el Golfo San Matías
(significativo con el 95% CL, no se muestra) donde la ANM muestra tendencia positiva
alta (> 4mm/año, Fig. 3.2). Una tendencia positiva de la componente meridional de la
tensión del viento (que es la componente paralela a la costa en el Golfo) implicaría un
flujo hacia el oeste en la capa de Ekman y, por lo tanto, una tendencia positiva en la
ANM cerca de la costa, en buen acuerdo con las observaciones satelitales.
No obstante, más estudios son necesarios para determinar el mecanismo físico que
causa las altas tasas de crecimiento del nivel del mar en las costas, cerca de 42ºS y 50ºS.
Dado sus ubicaciones costeras, también es posible que estas regiones sean afectadas por
errores propios del altímetro, debido a la proximidad del continente. Sin embargo,

54  
testeamos esta hipótesis estimando la tendencia de la ANM con datos a lo largo de la
traza disponibles de CTOH (Centre de Topographie des Océans et de I’Hydrosphére) en
las dos aéreas costeras. Los resultados también mostraron que las tendencias son
mayores a 4 mm/año.

3.4.2 Señal anual

La Figura 3.3 muestra la amplitud y fase anual de la ANM. En general, se observa
que los valores más grandes que 5.5 cm están ubicados en una banda costera al norte de
44ºS, alcanzando el máximo (8-9 cm) entre 36ºS y 38ºS (Fig. 3.3a). El contorno más
externo de esta región de amplitudes altas sigue aproximadamente la isobata de 50
metros. Los valores menores a 4 cm están ubicados, en su mayoría, cerca del talud y al
sur de 44ºS. La distribución de la amplitud anual es similar al patrón de la amplitud
anual de la TSM (Fig. 3.4a): amplitudes grandes (5.7 ºC) dominan la región norte de
44ºS y amplitudes bajas (2-4 ºC) están ubicadas al sur de 44ºS. La amplitud anual de la
TSM muestra una banda angosta de baja amplitud cerca del talud como la amplitud
anual de la ANM. Sin embargo, la banda angosta de la ANM se extiende más al norte a
lo largo del talud, y el patrón de la amplitud de la TSM tiene un máximo en la
plataforma media entre 40 y 49ºS que no se encuentra en el patrón de la ANM.
El patrón espacial de la fase anual de la ANM (Fig. 3.3b) está dominada por fases
de 60-90 días. Esto significa que la oscilación anual maximiza entre principio y fines de
marzo. También observamos máximos relativos en la fase anual de la ANM (100-110
días, durante abril) al noreste y sudoeste de las Islas Malvinas. Por otro lado, la fase
anual de la TSM está dominada por una fase de 40-50 días que indicaría que el máximo
de TSM ocurre aproximadamente un mes antes que el máximo de ANM. Las
similitudes entre ambos patrones espaciales de la fase anual no son tan claras como en
el caso de la amplitud anual. En la parte media de la plataforma, entre 41ºS y 51ºS, al
norte de 37ºS y cerca de la costa (39ºS-41ºS), se observan valores bajos en la fase de la
ANM y de la TSM (Fig. 3.3b, 3.4b). En la parte sur de la plataforma, en particular cerca
de la costa y cerca de las Islas Malvinas, la distribución de la fase anual de la TSM
muestra algunas diferencias comparado con la fase anual de la ANM (Fig. 3.3b y Fig.
3.4b). Valores máximos de la fase anual de la TSM están ubicados cerca de la costa en
42ºS, 48ºS y 53ºS (Fig. 3.4b). Estas regiones coinciden aproximadamente con la fase de
la ANM observada, excepto por el lugar más al sur (Fig. 3.3b).

55  
 La distribución espacial de la amplitud y fase anual de la ANM de AVISO no
tiene diferencias significativas cuando el cálculo se lleva a cabo usando solo el período
coincidente con los datos de TSM de MODIS (2003-2013). Por lo tanto, el análisis de la
ANM satelital se basa en el período 1993-2013.

  a)   b)
 

 
Figura 3.3: Distribución espacial de la a) amplitud anual (cm) y b) la fase anual (días) de la ANM
derivado de 21 años de altimetría satelital (1993-2013). La fase indica cuando maximiza el nivel del mar
observado como el número de días contando desde el primero de enero. La línea magenta y negra indica
las isobatas de 200 y 50 metros respectivamente.

En la región sur (40ºS-55ºS), Rivas (2010) observó que el máximo de TSM

ocurre más tarde (temprano) y que la amplitud de la TSM decrece (aumenta) cuando la
estratificación es débil (fuerte). Esto explicaría por qué la amplitud de la TSM decrece y
la fase aumenta cerca de la costa, donde la columna de agua es prácticamente
homogénea debido a la mezcla inducida por la interacción de fuertes corrientes de
marea con el fondo. Por otro lado, en la región costera norte, 36-41ºS, Lucas et al.
(2005) sugirieron que la temperatura está controlada por el intercambio de calor aire-
mar y por la batimetría. La región está dominada por aguas bien mezcladas que siguen
la isobata de 40-60 metros (Lucas et al., 2005). En esta región es donde se observa la
máxima amplitud anual de la ANM satelital (Fig. 3.3) y de la TSM (Fig. 3.4). Es decir,
que la combinación entre las bajas profundidades y las altas temperaturas podrían

56  
generar una mayor altura en la componente térmica del efecto estérico. A continuación
exploramos la relación entre los flujos superficiales y la ANM.

  a)   b)
 

 
Figura 3.4: Distribución espacial de la a) amplitud anual (ºC) y de la b) fase anual (días) de la TSM
derivada de 11 años de MODIS (2003-2013). La fase indica cuando maximiza la TSM observada como el
número de días contando desde el primero de enero. La línea negra indica la isobata de 200 metros.

3.4.2.1 Altura termo-estérica

Los cambios en la temperatura de la columna de agua están principalmente
asociados con el ciclo anual del FNC (Ec. 3.5). La TSM responde a cambios en el FNC,
y es un indicador indirecto del contenido de calor en la columna de agua. Cuando el
FNC es positivo (negativo), el océano gana (pierde) calor y la superficie comienza a
calentarse (enfriarse). El calentamiento (enfriamiento) de la columna de agua genera
una expansión (contracción) que conlleva a un aumento (disminución) de la ANM. El
tiempo requerido para calentar (enfriar) la columna de agua depende de la
estratificación y de la profundidad de la capa de mezcla o de la profundidad del fondo.
El propósito de esta sección es analizar si el calentamiento y enfriamiento de la
columna de agua a través del FNC explica los cambios observados en la ANM anual.
Para eso calculamos la anomalía de la altura termo-estérica (η’s) con la Ecuación 3.5, y
usamos dos bases de datos de FNC, NCEP CFSR y OAflux (Sección 3.2.2). En el
Apéndice A, analizamos sí la estimación de η’s es afectada por la resolución espacial
relativamente baja de OAflux (1ºx1º) comparada con NCEP CFSR (0.5ºx0.5º). El
análisis indica que no hay diferencias significativas, por lo que en esta sección

57  
mostramos los resultados hallados con los datos de FNC de NCEP CFSR. La Figura.
3.5a muestra la amplitud anual de η’s calculada con análisis armónico cuyo rango varía
entre 2 y 4.5 centímetros. En la región norte, estas amplitudes son significativamente
menores a las amplitudes anuales de la ANM en la Figura 3.3a. Se observan regiones
entre 39ºS y 48ºS, a lo largo de la plataforma interna media, donde la amplitud η’s es
relativamente alta (3.5-4.5 cm). A lo largo del talud y al sur de 48ºS las amplitudes son
menores a 3 cm. Si el FCN es el principal forzante de la ANM, la componente anual de
η’s (que llamaremos desde ahora ANMFNC) debería explicar la mayoría de la varianza
de la componente anual de la ANM. La tasa ANMFNC/ANM se muestra en la Figura
3.5b. Esta tasa se calcula como la amplitud de la ANMFNC dividida por la amplitud de la
ANM interpolada en la grilla del FNC. La amplitud de la anomalía de la altura termo-
estérica explica hasta el 100% de la variación estacional de la ANM al sur de 42ºS de la
PCAS (Fig. 3.5b). A escalas espaciales grandes, Stammer (1997) obtuvieron resultados
similares en los Océanos Pacífico y Atlántico en latitudes medias y altas. También se ha
encontrado una buena concordancia entre el efecto estérico y la ANM estacional en
áreas costeras como el noreste de Nueva Zelanda (Bell y Goring, 1997), el Mar Caribe
(Alvera-Azcárate et al., 2008) y el Golfo de Cádiz (Laiz et al., 2013). Cerca de las Islas
Malvinas, sobre el talud y entre 46.5ºS y 48.5ºS (centrado en 64.5ºW), las amplitudes de
ANMFCN sobreestiman las amplitudes de ANM (tasa mayor al 100%) (Fig. 3.5b). Una
posible causa para esta observación es el intercambio no estacional entre las aguas de
plataforma y el océano abierto. Por ejemplo, la exportación de aguas relativamente
cálidas y poco densas de plataforma y el ingreso de aguas frías y más densas de la CM
llevarían a una menor ANM, un efecto que no estaría asociado al FNC a través de la
superficie del mar. Un flujo de agua de la CM hacia la plataforma implicaría una
pérdida de calor advectivo en la plataforma externa y, por lo tanto, una ANM menor a la
asociada al FCN. No es posible corroborar esta hipótesis con los datos in-situ
disponibles. Estudios recientes basados en modelos y observaciones satelitales sugieren
que el intercambio de masa de agua a través del talud podría ser significativo en algunas
regiones (Matano et al., 2010). Similarmente, intrusiones recurrentes de aguas del talud
hacia plataforma han sido observadas cerca de 41ºS (Piola et al., 2010). Este proceso
podría explicar la reducción en la amplitud anual de la ANM observada en esa
ubicación (notar la deflexión hacia la costa del contorno de 3 cm en la Fig. 3.3a). Por
otro lado, modelos y datos observacionales (Combes et al., 2014; Matano et al., 2010;

58  
Valla y Piola, 2015) sugieren la presencia de upwelling, es decir surgencia de aguas más
frías, a lo largo del talud al sur de 38ºS, que alterarían el balance de calor en esta región.

a) b)

Figura 3.5: Distribución espacial de la a) amplitud anual (cm) de la ANMFNC calculada con la Ec. 3.5 y
usando datos de FNC de NCEP CFSR. b) Tasa porcentual (%) entre la amplitud anual de a anomalía de la
altura estérica (ANMFNC) y la ANM para cada pixel. Las estrellas negras indican las tasas mayores al
100%. La línea magenta indica la isobata de 200 metros.

En contraste, en la plataforma media al norte de 42ºS, el porcentaje de la amplitud

anual de la ANM explicada por el flujo de calor es menor al 60% (Fig. 3.5b). El hecho
que la altura debida a la componente térmica del efecto estérico explique un porcentaje
menor al de la amplitud anual de la ANM al norte de 42ºS sugiere que otros
mecanismos contribuyen significativamente al ciclo anual de la ANM. En las siguientes
secciones investigamos dos posibles mecanismos que podrían contribuir a la ANM
anual: (i) la variabilidad del viento (Sección 3.4.2.2) y (ii) la componente halina del
efecto estérico (Sección 3.4.2.3). Además, estudiamos la precisión de los datos de WOA
para computar el coeficiente de expansión térmica en la PCA (ver Apéndice B). Los
resultados de este análisis muestran que usando observaciones en vez de datos de WOA
para computar el coeficiente de expansión térmica se mejora la estimación de la
amplitud de la ANMFNC pero no se explica toda la variabilidad anual de la ANM.

59  
3.4.2.2 Efecto del Viento
La variabilidad del viento en la región norte de la PCAS está dominada por una
componente estacional relativamente importante (Palma et al., 2004b), mientras que al
sur de 40ºS el régimen de la tensión del viento esta caracterizado por los intensos Oestes
y variaciones estacionales pequeñas. La Figura 4.6 muestra el promedio de 9 años de la
tensión del viento en la región. Al sur de 40ºS, se observan los vientos Oestes que se
hacen más intensos hacia latitudes altas. Por el contrario, al norte de 40ºS la tensión del
viento no presenta una dirección dominante y la intensidad es menor que en el sur.

Figura 3.6: Promedio de 9 años (2000-2008) de la magnitud de la tensión del viento (Pa) y de los vectores
derivado de los datos satelitales de QuikSCAT. Los puntos magenta muestran los puntos de grilla donde
se extrajo las series de tiempo a lo largo de la costa de la tensión del viento para computar el transporte de
Ekman perpendicular a la costa. La línea negra indica la isobata de 200 metros.

Para analizar si la variabilidad del viento podría afectar la señal estacional de la

ANM, calculamos el transporte de Ekman perpendicular a la costa con la Ecuación 3.8
(Sección 3.3.3) en varios puntos ubicados a lo largo de la línea de costa (Fig. 3.6).
Estimaciones similares del transporte de Ekman se han llevado a cabo en diferentes
partes del mundo. Por ejemplo, a lo largo de la costa central de Chile (27ºS y 40ºS), el
transporte de Ekman hacia el océano oscila entre ~1.5 Sv en verano y ~0.6 Sv en
invierno (Aguirre et al., 2012). Estas magnitudes son mayores al transporte estimado en
la parte norte de la región de estudio considerada (Fig. 3.7), donde los transportes

60  
positivos (negativos) corresponden a upwelling (downwelling) y a un descenso
(aumento) en el nivel del mar cerca de la costa. Observamos que el transporte de Ekman
en 37.75ºS y en 39.25ºS (Fig. 3.7c) presenta una variación anual con un transporte débil
hacia el Este (~0.1 m2/seg) durante el verano y primavera, y un transporte intenso hacia
la costa (Oeste) (-0.4- -0.6 m2/seg) durante otoño e invierno. Estos transportes podrían
inducir downwelling y aumentar la ANM durante abril-agosto (otoño-invierno), y un
débil upwelling con moderado descenso de la ANM durante octubre-marzo (primavera-
verano). Sin embargo, la ANM maximiza en marzo- principio de abril, que es tres
meses antes que el transporte hacia el Este llegue a su máximo (julio). Estas
estimaciones del transporte perpendicular a la costa están en concordancia con los
resultados reportados por Lucas et al. (2005).

a) c)

b) d)

Figura 3.7: Climatología de: a-b) la componente a lo largo de la costa de la tensión del viento (Pa) y c-d)
el transporte de Ekman perpendicular a la costa (m2/seg) en diferentes latitudes a lo largo de la
plataforma. Los paneles superiores (inferiores) corresponden a los puntos en la región norte (sur) de la
plataforma (ver Fig. 3.6 para la ubicación).

Aunque los vientos son favorables para el downwelling de agua en otoño-invierno

en 37.75ºS y 39.25ºS, el transporte podría no ser lo suficientemente intenso (Fig. 3.7a-c)
para manifestarse en la señal de la ANM. Esta hipótesis se corrobora aplicando el
método de Componentes Principales (Empirical Orthogonal Function: EOF) al
armónico anual de la ANM en una región cercana a la costa entre 36ºS y 39ºS (Fig. 3.8).
El primer modo explica más del 98% de la varianza y muestra valores altos al sur de
38.5ºS (Fig. 3.8a). El segundo modo explica solo el 1.5% de la varianza y tiene un

61  
patrón espacial complementario al primer modo (Fig. 3.8b). El 1er modo maximiza a
mitad de marzo y minimiza a mitad de septiembre (línea azul Fig. 3.8c), y por lo tanto
se asocia con el efecto estérico. La fase del segundo modo (Fig. 3.8d) es muy similar a
la obtenida en el cálculo del transporte de Ekman en 37.75ºS (Fig. 3.7c), precisamente
donde el patrón espacial del segundo modo maximiza (Fig. 3.8b).

36oS 1 36oS 0.2

a) 0.99 b) 0.1
37oS 37oS

0.98 0
38oS 38oS
0.97 −0.1
39oS 39oS
0.96 −0.2

40oS o 0.95 40oS o

64 W 62oW 60oW 58oW 56oW 54oW 64 W 62oW 60oW 58oW 56oW 54oW

c) d)

Figura 3.8: Modos EOF principales de la variabilidad anual de la ANM. Arriba: “factor loading”
correspondiente al a) primer modo (98.5%) y b) a el segundo modo (1.5%). La línea magenta indica la
isobata de 200 metros. Abajo: c) “factor scores” correspondiente al primer modo (línea azul) y segundo
modo (línea verde). Ambas series de tiempo están normalizadas por el desvío estándar del modo 1. d) La
climatología del transporte de Ekman perpendicular a la costa (línea azul) a 37.75ºS (ver Fig. 3.6) y el
Modo 2 multiplicado por -1 para facilitar la comparación con el transporte de Ekman.

Siendo que el método EOF requiere que los modos resultantes sean
independientes entre sí, el segundo modo podría no tener un origen físico. Para
corroborar si el segundo modo puede estar relacionado con el viento, estimamos el EOF
de la climatología mensual de la ANM. El resultado (no se muestra) devuelve cuatro
modos principales de los cuales los dos primeros (primer modo 96.44%, segundo modo
1.92%) coinciden con los modos encontrados en el armónico anual de la ANM. Dada la
pequeña fracción de varianza explicada por el segundo modo, el análisis del EOF solo
puede ser usado para fortalecer el resultado de que el efecto estérico es el principal
proceso responsable de la variabilidad anual de la ANM entre 36.5ºS y 38ºS, a pesar del

62  
hecho que no está directamente asociado con los cambios en el flujo neto de calor. En
contraste, como se discutió en la introducción (Sección 3.1.3), la variabilidad del viento
juega un rol dominante en la ANM en el estuario del Río de Plata (RdP) y al norte del
RdP (Saraceno et al., 2014; Strub et al., 2015).
Por otro lado, en la parte sur de la plataforma, caracterizada por los fuertes vientos
Oestes (Fig. 3.6), las series de tiempo del transporte de Ekman presentan poca
variabilidad estacional (Fig. 3.7d). Los resultados también muestran que en dos latitudes
(Fig. 3.7b: 53.25ºS y 50.75ºS) la componente a lo largo de la costa de la tensión del
viento es lo suficientemente fuerte como para causar un transporte perpendicular
significativo, similar a la magnitud del transporte estimado en Chile. Sin embargo, estos
transportes intensos presentan una baja variabilidad respecto a sus valores medios,
además de no presentar variación estacional. Por lo tanto, sugerimos que el transporte
de Ekman no tiene un efecto importante en la señal anual de la ANM en la plataforma
sur.

3.4.2.3 Altura halo-estérica

En esta sección discutiremos la componente halo-estérica en la parte norte de la
región de estudio. La principal fuente de agua dulce en la PCAS proviene del RdP. Este
río está ubicado aproximadamente a 35ºS y su descarga media es de ~23000 m3/seg
(Borús et al., 2013). Hay evidencias de que la pluma del RdP alcanza latitudes tan al sur
como 37-38ºS durante el verano austral (Piola et al., 2008a, 2008b; Möller et al., 2008).
Por lo tanto, nuestra hipótesis es que el ingreso de agua poco salina del RdP afecta la
altura del mar asociada al efecto estérico, lo que hace que sea necesario incluir la
componente térmica y halina. La Figura 3.9 presenta la amplitud anual de la altura halo-
estérica derivada del WOA09, que se calcula con el segundo término de la derecha de la
Ecuación 3.4. Como se esperaba, la altura halo-estérica es mayor al norte de 38ºS y
aumenta hacia la desembocadura del RdP (Fig. 3.9). En esta zona es justamente donde
la componente térmica del efecto estérico explica menos del 60% de la amplitud anual
de la ANM. Entre 36ºS y 39ºS, la plataforma es bastante angosta y la resolución
espacial de 1 grado de WOA09 podría no representar adecuadamente la variación
espacial de la salinidad o la temperatura. Además, la base de WOA09 sobreestima los
valores en profundidad de la temperatura y la salinidad cerca de la costa, y presenta
valores a 50 metros de profundidad en regiones donde la profundidad es menor. Por lo

63  
que, bajo estas circunstancias podemos dar una aproximación de cuáles son las áreas
donde la componente halina podría ser significativa en la altura estérica, pero no
podemos cuantificar precisamente su contribución en la amplitud de la ANM.

Annual amplitude of the halosteric height

36oS 3.5

3
o
38 S
2.5

2
40oS
1.5

42oS 1

0.5

44oS 0
68oW 64oW 60oW 56oW 52oW

Figura 3.9: Amplitud anual (cm) de la altura halo-estérica estimada con los datos de WOA09. La línea
negra indica la isobata de 200 metros.

En la Sección 3.4.2.2, concluimos que el viento no contribuye de manera

significativa en el ciclo anual de la ANM. Sin embargo, el viento es el responsable de
forzar el desplazamiento de la pluma del RdP en dirección sur-suroeste durante el
verano (e.g. Piola et al., 2008). Por lo que sugerimos que debe haber dos procesos
relevantes que influencian el ciclo anual de la ANM cerca de la costa. Primero, el viento
a lo largo de la costa lleva aguas cálidas y poco densas del RdP hacia el sur a través de
una corriente angosta (~25 km) y costera (ver Fig. 9b en Möller et al., 2008). Esta
influencia de agua poco salina puede extenderse más allá de 38ºS como sugiere Lucas et
al. (2005). En segundo lugar, la extensión hacia el sur de ésta agua cálida de baja
salinidad provoca un fuerte aumento en la ANM próximo a la costa en verano, mientras
que en invierno el enfriamiento estacional y la retirada hacia el norte de la pluma del
RdP conllevan a una caída brusca de la ANM. De este modo, la banda costera al sur de
la desembocadura del RdP es una región con gran amplitud estacional en la ANM (Fig.
3.3a) que solo está parcialmente asociada a efectos locales de calentamiento (Fig. 3.5b).
Por lo ende, la escala anual de la ANM satelital podría estar capturando el aumento del
nivel del mar debido al ingreso de agua del RdP pero no representaría la región de la
corriente angosta.

64  
 Para respaldar nuestra hipótesis de que la amplitud anual de la ANM es debida a
ambas componentes (halina y térmica) del efecto estérico, estimamos la diferencia de la
altura estérica entre verano e invierno con la Ecuación 3.3. Elegimos un perfil vertical
de densidad de verano (febrero) y de invierno (agosto) en 38ºS donde hay evidencias de
aguas del RdP. La variación de la altura estérica debido a cambios en la densidad es
aproximadamente de 8 cm, la cual es más similar a la amplitud anual de la ANM a esa
latitud (~6.7 cm, Fig. 3.3a) que la amplitud anual de la ANMFNC (~3 cm, Fig. 3.5a). Por
lo tanto, en la región norte de la PCAS, la ANM estacional esta explicada tanto por la
componente térmica como por la componente halina del efecto estérico

3.4.3 Velocidades geostróficas

La variación del nivel del mar asociado con el ciclo anual de la ANM que se
discutió en las secciones anteriores genera cambios en las corrientes geostróficas
superficiales. Siguiendo los balances dinámicos de los modelos realistas en la PCAS
(e.g. Palma et al., 2008) podemos considerar la aproximación de la velocidad
geostrófica derivada de la Topografía Dinámica Absoluta (TDA) estimada como la
ANM anual más la Topografía Dinámica Media (TDM). El propósito de considerar las
velocidades geostróficas absolutas es analizar la importancia relativa de los cambios en
la velocidad geostrófica derivada de la ANM anual. Por ejemplo, las anomalías de la
velocidad geostrófica anual cambian su dirección de verano (hacia el ecuador) a inverno
(hacia el polo) a lo largo de la plataforma media y externa. Sin embargo, es relevante
cuestionarse si las variaciones de estas corrientes son lo suficientemente fuertes para
revertir la circulación media hacia el noreste que se observa en la Fig. 3.1. La Figura
3.10a-l muestra el ciclo anual de las velocidades geostróficas absolutas para cada mes
del año superpuestas con el campo mensual de TDA. La circulación asociada a las
variaciones horizontales de TDA que se observa en la PCAS es hacia el noreste, con
corrientes intensas a lo largo de la plataforma media y externa. En la plataforma interna
y en los golfos, las corrientes son relativamente débiles y en algunas áreas, tales como al
sur de 48ºS, el flujo es hacia el polo sur. En el Rincón y en los Golfos San Matías y San
Jorge (Fig. 3.10a), hay una inversión estacional de la circulación costera. De enero a
abril las corrientes son hacia el sur y de mayo a octubre son hacia el norte (Fig. 3.10a-l).
En marzo (fin del verano austral), el gradiente zonal de la TDA es más evidente que en
invierno, lo que genera velocidades geostróficas fuertes.

65  
 a) b)

El Rincón
San Matías
Gulf

San Jorge
Gulf

c) d)

Figura 3.10: Mapas de ciclo anual de la ANM+TDM (cm) y las velocidades geostróficas (vectores)
asociadas para enero a), febrero b), marzo c) y abril d). La línea magenta indica la isobata de 200 metros.
Las líneas punteadas negras indican las latitudes de la Figura 3.11.

66  
 f)
e)

El Rincón
San Matías
Gulf

San Jorge
Gulf

g) h)

Figura 3.10: Mapas de ciclo annual de la ANM+TDM (cm) y las velocidades geostróficas (vectores)
asociadas para mayo e), junio f), julio g) y agosto h). La línea magenta indica la isobata de 200 metros.

67  
 i) j)

El Rincón
San Matías
Gulf

San Jorge
Gulf

k) l)

Figura 3.10: Mapas de ciclo anual de la ANM+TDM (cm) y las velocidades geostróficas
(vectores) asociadas para septiembre i), octubre j), noviembre k) y diciembre l). La línea magenta indica
la isobata de 200 metros.

La Figura 3.11 muestra la dirección y la magnitud de la velocidad geostrófica a lo

largo de tres latitudes (39.87ºS, 44.87ºS y 50.63ºS, ver Fig. 3.10a para las ubicaciones)
para el verano (marzo) e invierno (septiembre) austral. Se eligieron los meses marzo y
septiembre para exponer el patrón de circulación de verano e invierno porque son los

68  
meses en los cuales la ANM maximiza y minimiza respectivamente. La Figura 3.11
representa más claramente la variabilidad estacional de las corrientes geostróficas,
corroborando que aunque el patrón espacial cambia de verano a invierno, el flujo nor-
noreste prevalece durante el año. A lo largo de 39.87ºS y 44.87ºS, la magnitud de la
velocidad geostrófica aumenta de 0-2.5 cm/seg a aproximadamente 20 cm/seg cerca del
talud, con flujos más intensos en marzo (Fig. 3.11). En 39.87ºS cerca de la costa, se
observa un cambio estacional en la dirección de la corriente. Por otro lado, en 50.63ºS,
la magnitud de la velocidad geostrófica alcanza hasta 12 cm/seg, y su dirección es
prácticamente norte excepto cerca del talud (~700km) y cerca de la costa donde el flujo
es hacia el sur (Fig. 3.11). La variación estacional, relativamente menor en la plataforma
sur, indica que el campo de velocidad geostrófica en esta región es mayormente
dominada por la TDM.
Strub et al. (2015) analizaron las velocidades geostróficas derivadas de la media
mensual de TDA (modelo ROMS y AVISO) entre 27ºS y 43ºS sobre la plataforma. Sus
resultados están en relativa concordancia con lo que observamos en la Fig. 3.10 en la
región que se solapan. Ambos estudios muestran corrientes hacia el ecuador con una
suave estacionalidad (ver Figuras 3.10 y 3.11, y la Fig. 5 y material suplementario de
Strub et al. (2015)). Por otro lado, en El Rincón, el modelo de Palma et al. (2008)
presenta un flujo anticiclónico que aumenta en julio. Dicho patrón es confirmado con
los datos de altimetría por Strub et al. (2015), pero argumentan que el altímetro no
puede representar adecuadamente el giro debido a su baja resolución espacial. En
contraste, nuestros resultados indican que la circulación en esta región cambia de verano
a invierno (Fig. 3.11, 39.87ºS). Durante la estación fría no hay evidencia de un giro
anticiclónico, mientras que en verano el giro está casi completamente desarrollado
debido a la inversión en el flujo costero (Fig. 3.10c). Las discrepancias en el patrón
espacial entre los resultados de Strub et al. (2015) y nuestro estudio podrían deberse al
hecho de que las velocidades geostróficas que se estiman en este trabajo son
considerando únicamente la contribución del armónico anual de la ANM en la TDA.
Al sur de 41ºS, el patrón estacional de la circulación integrada en la vertical
modelado por Palma et al. (2008) presenta un fortalecimiento de la corriente hacia el
norte durante otoño y un debilitamiento durante primavera. Este patrón estacional de la
circulación no coincide con la circulación derivada con el altímetro (Fig. 3.10). Las
velocidades geostróficas derivadas del ciclo anual de la TDA disminuyen a fines de
otoño e invierno, y aumentan a fines de verano y principio de otoño. Por lo que hay un

69  
pequeño desfasaje entre la circulación simulada y la circulación derivada de los datos
altimétricos usando el análisis del armónico anual. Nuestro análisis indica que la
velocidad geostrófica media cerca de la costa es pequeña (~2 cm/seg) en todas las
latitudes y aumenta hacia el talud. Esta variación zonal de la velocidad meridional está
en concordancia con los resultados de Palma et al. (2008).

Figura 3.11: Vector (columna izquierda) y magnitud (columna derecha) de la velocidad geostrófica en
cm/seg derivado del ciclo anual de la ANM+TDM para marzo y septiembre a lo largo de tres latitudes
seleccionadas (ver Fig. 3.10a).

3.5. Conclusiones
En este capítulo analizamos la estructura espacial del armónico anual y de la
tendencia lineal de las anomalías del nivel del mar derivadas de la altimetría satelital
(ANM) en la PCAS para el período 1993-2013. Además, estimamos la topografía
dinámica absoluta como la combinación del armónico anual de la ANM con la TDM
con el fin de estudiar la variabilidad anual de las velocidades geostróficas superficiales.
Nuestros resultados muestran que la tendencia lineal de la ANM varía entre 1 y 5
mm/año. El promedio de la tendencia lineal en toda la región es 2.5 mm/año, similar al
valor reportado para la tendencia lineal a nivel mundial. Las tendencias altas observadas
cerca del talud al norte de 39ºS están posiblemente asociadas con el desplazamiento de

70  
la CB en respuesta al corrimiento hacia el sur del sistema de Alta Presión del Atlántico
Sur. La causa de la tendencia relativamente alta que se observa en el Golfo San Matías
se discute en función de la tensión del viento meridional. Los vientos de NCEP
muestran una tendencia positiva que podría generar un aumento en la altura del mar
asociado al downwelling. En el caso de la región costera a 50ºS, se discutió si la
tendencia positiva que se observa se relaciona con la descarga del río Santa Cruz.
La amplitud anual de la ANM es relativamente alta (> 5.5 cm) sobre una extensa
región al norte de ~42ºS y relativamente baja (< 4 cm) hacia el sur (Fig. 3.3a). A su vez,
las amplitudes más bajas de la ANM anual se observan a lo largo del talud de la
plataforma continental. Para investigar los procesos responsables de la señal anual de la
ANM computamos la componente térmica de la altura estérica (Ec. 3.3). Luego,
comparamos la ANM satelital con la ANM estimada con flujo de calor neto a través de
la superficie del mar (ANMFNC, Fig. 3.5a). La variación de la altura termo-estérica
explica entre 70 y 100% de la amplitud anual de la ANM al sur de 42ºS. A su vez, se
observan áreas, como regiones cercanas a las Islas Malvinas y a lo largo del talud,
donde la tasa es mayor a 100%. Esto significa que la amplitud anual de la ANMFNC
sobreestima la amplitud de la ANM. Sugerimos que la advección lateral y verticla
podrían alterar localmente el balance de calor, que resulta en un descenso relativo de las
amplitudes de la ANM con respecto a lo que se obtiene con ANMFNC.
Al norte de 42ºS, cerca de la costa, la amplitud de la altura termo-estérica explica
menos del 60% de la amplitud anual de la ANM (Fig. 3.5b). Para entender el origen de
estas diferencias analizamos el efecto de las variaciones del viento y de la contribución
halo-estérica en el nivel del mar. También analizamos la resolución espacial del FNC y
la precisión de los datos de WOA como una fuente de error en la estimación de la
ANMFNC (Apéndice A y B). Los resultados del análisis del efecto del viento muestran
que el transporte de Ekman perpendicular a la costa presenta una señal anual solo entre
37.75ºS y 39.25ºS. Sin embargo, el transporte hacia el oeste debido al viento, que
favorece el aumento del nivel del mar en el área costera, ocurre en abril-agosto: tres
meses más tarde que el máximo de la ANM anual. Esto sugiere que la variabilidad
anual de la tensión del viento no afecta significativamente a la altura del mar en la
región.
Aunque la altura halo-estérica se considera despreciable comparado con la altura
termo-estérica en la mayoría de los océano, esta componente podría ser significativa
para determinar el patrón anual de la ANM en la PCAS norte. El patrón espacial de las

71  
amplitudes anuales de la altura halo-estérica estimada con WOA09 muestra valores
altos al norte de 38ºS. Esto coincide con la región que está bajo la influencia de agua
poco salina proveniente del estuario del Río de la Plata. Por lo tanto, sugerimos que la
ANM anual en esta región es una combinación de los efectos termo-estérico y halo-
estérico.
Finalmente, estimamos la circulación geostrófica de la PCAS a partir del ciclo
anual de la altura dinámica absoluta (Fig. 3.10). El patrón general de la circulación
muestra un flujo nor-noreste en la plataforma media y externa, se intensifica en marzo
(verano austral) y se debilita en septiembre (invierno austral). La magnitud de las
velocidades aumenta desde la costa hacia el talud. En la plataforma interna hay un
cambio estacional en la dirección de las corrientes que no es evidente en el resto de la
plataforma.
Los resultados de este Capítulo permiten entender la variabilidad del nivel del mar
y las velocidades geostróficas a escala anual en la PCAS. Este es el primer paso hacia el
estudio de la variabilidad del nivel del mar en la región a diferentes escalas temporales
en base a datos de altimetría.

72  
Capítulo 4: Altimetría satelital en el estuario del Río de
la Plata: evento extremo

El contenido de este capítulo es parte del siguiente artículo que será enviado en breve
para su publicación: L.A. Ruiz Etcheverry, M. Saraceno and J. Gomez-Enri, 2015. Use
of satellite data in the Río de la Plata estuary. En preparación.

Resumen
En este Capítulo evaluamos datos de altimetría satelital de alta resolución espacial
producidos a partir de dos trazas de la misión ENVISAT RA-2 que miden por el
estuario del Río de la Plata. Los resultados muestran que ambas trazas son sensibles al
modelo de re-tracking utilizado. El modelo Ice 1 recupera más datos en la proximidad
de la costa. Luego de aplicar un criterio para eliminar extremos de forma objetiva, la
correlación media entre los datos satelitales y el mareógrafo más cercano (estación
Palermo), sin aplicar la corrección por marea y efecto atmosférico, es de 0.61 y 0.91
para la traza #0964 y #0493 respectivamente (nivel de confianza de 95%). También
analizamos la corrección atmosférica dinámica (DAC por sus iniciales en inglés) y de
marea con algunos de los modelos regionales y globales disponibles. Los resultados
muestran que el modelo global Mog2D (Modèle aux Ondes de Gravitè 2-Dimensions)
subestima la variabilidad de la respuesta del nivel del mar a los forzantes del viento y de
presión en comparación con los modelos regionales HamSOM y SMARA. Estos
modelos regionales son óptimos para corregir los datos del nivel del mar en la región
norte del estuario, mientras que el modelo global es mejor en la región intermedia y
baja. A escala mensual, la varianza en las tres estaciones resulta menor al utilizar
HamSOM. Por otro lado, la sumatoria de los errores cuadráticos entre los modelos de
marea y la marea in-situ resultó ser del orden de magnitud de la amplitud de la
componente M2. Se concluye que los modelos de marea deben ser mejorados para
representar adecuadamente la marea astronómica. Por último, se muestra que las
mediciones de la traza #0493 de ENVISAT RA-2 son capaces de captar la variabilidad
del nivel del río debido a las ondas de tormenta y a eventos del tipo ENOS. Con la traza
#0964 se captan algunas variabilidades debido al efecto del viento, pero la concordancia
con los datos in-situ disminuye cuando se corrige por el efecto de marea y atmosférico.

73  
4.1 Introducción
En los últimos años, se demostró que los datos de altimetría satelital pueden ser
usados en áreas costeras y de plataforma como se documentó en los capítulos anteriores.
La importancia de contar con datos confiables en estas regiones se debe a que permiten
monitorear las costas que afectan directamente a la población humana. Son además una
herramienta indispensable para estudiar las tendencias en el nivel del mar.
A escala estacional, como hemos mostrado a lo largo de la tesis, los datos
grillados de altimetría representan adecuadamente la variabilidad del nivel del mar. Sin
embargo, para escalas de tiempo menores es necesario investigar las posibles fuentes de
error en los datos que se mencionaron en el Capítulo 1, Sección 1.3. Una de ellas es la
precisión de los modelos que simulan la respuesta del nivel del mar al viento y a la
presión atmosférica. Otras fuentes posibles de error son la marea y la interferencia que
puede haber en la señal del altímetro cuando está cerca de la costa. La energía que llega
al altímetro, y por ende la forma de la onda, se modifica en función de la reflexión de la
superficie, que es diferente entre el océano y la tierra. Cuando el altímetro se acerca a la
costa la forma de la onda va perdiendo energía asociada a la superficie del agua. Como
se mencionó en la Sección 1.3, los modelos de re-tracking permiten disminuir el efecto
de contaminación por presencia de tierra y recuperar más datos en estas regiones.
En este Capítulo nos centraremos en el estudio del estuario del Río de la Plata
(RdP) (Fig. 4.1). El mismo es uno de los estuarios más anchos y grandes del mundo: en
su desembocadura alcanza un ancho de 220 km y 290 km de longitud. Es
ecológicamente muy importante ya que alberga una vasta biodiversidad (e.g.
Berasategui et al., 2006). Este estuario está formado por la confluencia de los ríos
Uruguay y Paraná que generan una descarga media del orden de 23000 m3/seg (Borús et
al., 2013). Como se describió en los capítulos 1 y 3, la dinámica de la circulación del
estuario y de la propagación de la pluma de agua dulce del RdP está dominada
principalmente por el viento (e.g. Piola et al., 2005; 2008). La pluma del río se desplaza
meridionalmente debido al viento estacional, como se explicó en el Capítulo 1 (Sección
1.4). La variabilidad estacional del nivel del mar es más importante en la
desembocadura del río y en la plataforma continental adyacente (Saraceno et al., 2014).
En cambio, en la región intermedia y superior del estuario, los vientos a escala subanual
(menor a 30 días) explican aproximadamente el 90% de la variabilidad de la altura del
mar (Meccia et al., 2009). Lo que determina el movimiento del agua en el estuario a

74  
escalas de tiempo cortas es la dirección del viento y no tanto la velocidad del viento
(Meccia et al., 2009; Simionato et al., 2004a).
Varios estudios documentaron que el nivel del mar en el estuario del RdP es
afectado por ondas de tormentas positivas y negativas (e.g. D’Onofrio et al., 2008;
Campetella et al., 2006). Ambas situaciones son causadas por un sistema de baja
presión (ciclón) que, dependiendo de la posición, determinará si la onda de tormenta
será positiva o negativa (Campetella et al., 2006). Cuando el ciclón está situado sobre el
este de la provincia de Buenos Aires y se mueve hacia el este, los vientos del noroeste
son favorables y facilitan la descarga del río hacia la desembocadura y, por ende,
generan un descenso en el nivel del agua (onda de tormenta negativa) (Campetella et al.,
2006). Esto afecta la navegación en la región y el suministro de agua potable en las
costas bonaerenses. Por el contrario, los vientos del sudoeste dominan la región cuando
el ciclón esta al norte del RdP, con lo cual se genera una onda positiva que aumenta el
nivel del agua que causa inundaciones en las áreas bajas de Buenos Aires (Escobar et
al., 2004). Nótese finalmente que un sistema de alta presión ubicado al sur del estuario
del RdP también puede generar una onda de tormenta positiva debido a los vientos
sudoeste (Escobar et al., 2004).

Figura 4.1: Mapa del estuario del Río de la Plata. Las líneas de puntos azules representa las trazas de
ENVISAT-RA2: #0493 y #0964. Las líneas de puntos rojos representa las trazas de T/P-Jason 1-2: 11.
Las flechas negras indican el sentido de medición del altímetro. Las estaciones mareográficas de Palermo
y Oyarbide se indican con la estrella negra.

75  
 En este Capítulo evaluaremos los datos de la traza ascendente #0964 y la traza
descendente #0493 de ENVISAT RA-2 (18 Hz) en la región norte del RdP (Sección
4.4.1) con el fin de poder estudiar la variabilidad del nivel del mar. A diferencia de los
capítulos precedentes, acá evaluaremos los datos de altimetría satelital sin filtrarlos
temporalmente. Como se mencionó más arriba, en el estuario del RdP las escalas
dominantes son menores a la estacional. Resulta, por tanto, esencial evaluar las
correcciones que son críticas para el altímetro. Se presenta una comparación entre dos
modelos regionales con un modelo global que simulan la altura del mar debido al viento
y a la presión (Sección 4.4.3). En una zona donde la variabilidad del viento a escala
subanual es dominante, la corrección atmosférica que se aplica a los datos de altimetría
es crucial. También se realiza un estudio de los modelos de marea disponibles, tanto
regionales como globales (Sección 4.4.2). Por último, se examina si los datos
altimétricos representan adecuadamente eventos asociados a ondas de tormenta y/o a
eventos ENOS (Sección 4.4.4).

4.2 Datos
4.2.1 Modelos de corrección atmosférica dinámica
El modelo global para compensar los efectos del viento y de presión en el nivel del mar
utilizado y distribuido por AVISO es DAC (por sus siglas en inglés Dynamic
Atmospheric Correction). DAC es un combinación de frecuencias altas modeladas por
Mog2D (2D Gravity Waves model, Carrerè y Lyard, 2003) y frecuencias bajas (efecto
de barómetro invertido (BI)). Mog2D es un modelo barotrópico forzado con presión de
ERA-Interim y con vientos de re-análisis provistos por European Centre for Medium-
Range Weather Forecasts (ECMWF). CLS desarrolla la corrección de BI para las
frecuencias bajas que corresponden a períodos mayores a 20 días. La corrección por BI
asume una repuesta isostática del océano al forzante atmosférico. DAC está disponible
desde 1992 hasta la actualidad, con una resolución temporal de 6 horas y una resolución
espacial de 1/4º.
También utilizamos dos modelos regionales implementados y validados en el RdP. Uno
es el modelo Hamburg Shelf Ocean (HamSOM), desarrollado por Backhau (1983,
1985) en el Institut für Meereskunde (IfM). Este modelo barotrópico fue implementado
y validado en el estuario del RdP por Simionato et al. (2006). Ellos forzaron el modelo
con mareas, valores mensuales de descarga del río y viento a 10 metros cada 4 horas y

76  
presión atmosférica de National Center of Environmental Prediction/National Center for
Atmospheric Research (NCEP/NCAR). Las simulaciones del nivel del mar forzado por
el viento y la presión fueran hechas por Meccia et al. (2009) para el periodo 1965-2004,
con una resolución temporal de 6 horas y una resolución espacial de 3km.
SMARA es también un modelo regional que se implementó y validó en el RdP.
SMARA está basado en las ecuaciones de aguas poco profundas promediadas en la
vertical (Etala et al., 2009). Se usa para representar un número limitado de constantes de
marea (ver Sección 4.2.3) y ondas. La resolución del modelo en la plataforma es de 1/3º
x 1/3º, y de 1/20ºx 1/20º para el RdP. Para forzar el modelo que predice las ondas de
tormenta se utilizan campos globales del viento a 10 metros de NCEP y campos de
presión superficial del mar del modelo de mesoescala Eta del Servicio Meteorológico
Nacional (SMN). El modelo tiene una resolución temporal de 3 horas y consideramos el
periodo 1 de enero 2007-29 febrero 2012.

4.2.2 Datos in-situ

Consideramos tres mareógrafos en el estuario del RdP (Fig. 4.1). La Tabla 4.1
presenta la latitud, longitud, tipo de instrumento y el período de tiempo considerado en
cada estación. Los registros de dos de los 3 mareógrafos, Palermo y Oyarbide (Tabla
4.1), fueron provistos por el Servicio de Hidrografía Naval (SHN). El tercer
mareógrafo, Montevideo, es una serie de tiempo mensual provista por Permanent
Service for Mean Sea Level (PSMSL) (Holgate et al., 2013).

Tabla 4.1: Ubicación de los tres mareógrafos utilizados, tipo de instrumento y período utilizado.
Mareógrafo Longitud Latitud Período Instrumento
Palermo 58.383ºW 34.567ºS 1/1/1993-31/12/2012 Flotador
Oyarbide 57.133ºW 35.100ºS 1/1/1994-31/12/2008 Flotador
Montevideo 56.217ºW 34.917ºS 1/1/1993-31/12/2012 Flotador

4.2.3 Modelo de mareas

En este capítulo analizamos cuatro modelos globales (Fes2004, Fes2012, GOT4.7,
EOT08) y tres modelos regionales (SMARA, HamSOM, Palma), y constantes de
mareas que se obtienen de datos de altimetría que provee CTOH (Centre for
Topographic studies of the Ocean and Hydrosphere). Estas bases de datos fueron

77  
comparadas con las amplitudes y fases de las cinco principales componentes de marea
calculadas con dos estaciones mareográficas: Palermo y Oyarbide. El SHN provee estas
constantes in-situ. Una breve descripción de los modelos se presenta a continuación:
•   HamSOM: es un modelo tridimensional con ecuaciones primitivas. Meccia et al.
(2009) lo utilizaron para simular la respuesta del nivel del mar al viento y la
presión que se describió en la Sección 4.2.1. El modelo incluye nueve
componentes de marea que están distribuidas en una grilla de 1/3º x 1/4º. Para
representar mejor la fricción de fondo se utilizan trece niveles verticales. Para
más detalles del modelo ver Simionato et al. (2004).
•   Palma: Este es un modelo regional basado en el Modelo Oceánico Princeton
(POM). Las ecuaciones del modelo, y los algoritmos numéricos utilizados para
resolverlos se describen en detalle por Blumberg y Mellor (1987). El modelo
resuelve las ecuaciones primitivas en tres dimensiones en una grilla tipo C
Arakama. El esquema numérico conserva cantidades lineales y cuadráticas como
energía y masa. El dominio del modelo se extiende desde 55ºS a 20ºS y desde
70ºW a 40ºW. Las cinco constantes de marea están distribuidas en una grilla
horizontal curvilínea con 250 puntos en la dirección a lo largo de la plataforma,
con una resolución promedio de 7.5 km, y 150 puntos en la dirección
perpendicular a la plataforma, con una resolución promedio de 10 km. Para más
detalle ver Palma et al. (2004).
•   SMARA: Este es un modelo regional barotrópico que resuelve las ecuaciones
hidrodinámicas con una grilla C Arakawa (Etala et al., 2000). El dominio del
modelo se extiende de 54º30’S a 32º30’S y de 51º10’W hasta la costa de Sur
América. Las cinco constantes de marea están distribuidas en una grilla de 1/3º x
1/3º. El modelo usa en los contornos los resultados provistos por el modelo
global de marea Shwiderski (Shwiderski, 1978, 1980). Más detalle puede ser
encontrado en Etala (2009).
•   Fes2004: El modelo de marea Finite Element Solution (FES) está basado en las
ecuaciones no lineales barotrópicas de agua poco profunda, con la fricción de
fondo parametrizada a través de una dependencia cuadrática de las velocidades
de las mareas locales y por medio del forzante de marea derivado del potencial
astronómico, e incluyendo la marea terrestre y la marea de carga del océano. El
modelo resuelve quince componentes de marea distribuidas en una grilla de 1/8º.

78  
 También se computaron nuevos efectos de marea de carga. Este modelo incluye
la asimilación de datos de mareógrafos y de altímetro (Topex/Poseidon y ERS-
2) (Lyard et al., 2006).
•   Fes2012: Esta es la última versión del modelo de marea FES, una actualización
de Fes2004, desarrollada en el 2012. Se construyó una nueva y original
batimetría global de alta resolución, y una grilla de elemento finito global que
logra mejorar la precisión de la solución libre al doble que la versión 2004. La
precisión de la solución se mejoró con la asimilación de datos de altimetría con
periodos largos (Topex/Poseidon, Jason-1, Jason-2, ERS-1, ERS-2 y ENVISAT)
a través de una mejora del método de asimilación. Se encuentran disponibles las
amplitudes y fases de 32 componentes de marea en una grilla de 1/16º (Carrère
et al., 2012).
•   GOT4.7: El modelo GOT99.2 (Goddard Ocean Tide) es una solución empírica
para las amplitudes y fases de las mareas globales oceánicas, que se basa en 6
años de mediciones de altura superficial del mar (ASM) del altímetro
Topex/Poseidon, y es un ajuste de FES94.1 en una grilla de 0.5º x 0.5º. GOT4.7
es una actualización de GOT00 que es, a su vez, una actualización de GOT99.2
(Ray, 1999). Las diez componentes de marea disponibles se distribuyen en una
grilla de 1/8º. GOT4.7 usa mapeo de co-tidales y co-oscilantes empírico para
incorporar constantes de marea.
•   EOT08: Este es un modelo empírico de marea de multi-misiones altimétricas.
Las diez componentes de marea disponibles están distribuidas en una grilla de
1/8º. Se realiza una calibración cruzada mediante un análisis cruzado global
basado en diferencias de cruce de uno y dos satélites casi en simultáneo,
realizados entre todos los sistemas de altímetros que operan simultáneamente.
EOT08 usa mapeo de co-tidales y co-oscilantes empírico para incorporar
constantes de marea (Savcenko y Bosch, 2008).
Las constantes de marea que se computan y distribuye CTOH son estimadas con
datos altimétricos de anomalía del nivel del mar de 1 Hz. Para tal fin CTOH utiliza los
datos de Topex/Poseidon, Jason-1 y Jason-2 a los cuales le aplican directamente análisis
armónico para extraer todas las constantes de marea posible en cada punto de las trazas.
Para la región utilizamos las constantes de marea calculadas en la traza 11 (Fig. 4.1) que
está más cercana a la estación de Oyarbide.

79  
4.2.4 Datos altimétricos
La misión ESA ENVISAT fue lanzada en marzo 2002 con un radar altimétrico de
dos frecuencias (RA-2). El satélite fue operativo hasta el final de la misión en mayo
2012. El producto GDR (Geophysical Data Record) provee parámetros geofísicos a lo
largo de las trazas: altura superficial del mar, altura significativa de la ola y velocidad
del viento a 1 Hz (lo cual corresponde a una distancia a lo largo de la traza de 7 km).
Por otro lado, el producto SGDR (Sensor Geophysical Data Record) provee la altitud y
el rango a lo largo de la traza a 18 Hz (corresponde a una distancia a lo largo de la traza
de 350 m). Utilizando los datos SGDR es por tanto posible recobrar información
geofísica con una mejor resolución espacial a lo largo de la traza respecto al producto
oficial GDR. Además, simultáneamente se hace un re-tracking de la forma de la onda de
RA-2 con cuatro modelos: Ice-1, Ice-2, Sea-Ice y Brown.
Por otro lado, consideramos datos de ENVISAT de 1 Hz procesados por CTOH.
Al producto que se distribuye se le aplica un procesamiento específico con el objetivo
de mejorar la calidad y la cantidad de las mediciones costeras de altimetría. Esto incluye
mejores correcciones de marea y de forzante atmosférico, y filtrado de los datos. Se
puede encontrar más detalle en Roblou, Lyard, Le Hemaff y Maraldi (2007) y Roblou et
al. (2011).

4.2.5 Datos de geopotencial

Los patrones de circulación atmosférica se analizaron con campos de re-análisis
de altura geopotencial a 1000 hPa de NCEP (National Center for Enviromental
Prediction) –NCAR (National Center for Atmospheric Research). La resolución
espacial es de 2.5ºx2.5º y la resolución temporal es de seis horas.

4.3 Metodología
4.3.1 Comparación entre datos satelitales e in-situ
En las Secciones 4.4.1 y 4.4.4 comparamos la denominada Altura del Nivel de
Agua Total (ANAT) satelital con datos in-situ del mareógrafo de Palermo (Fig. 4.1). La
ANAT se calcula como:

80  
ANAT=Altitud – Rango – Ionósfera - Tropósfera Húmeda - Tropósfera Seca - Bias del
estado del mar - Nivel medio del mar - marea de carga - marea terrestre (4.1)

donde altitud y rango se definieron en el Capitulo 1 (Sección 1.2). Ionósfera, tropósfera

húmeda y seca corrigen a la señal del altímetro del ruido ocasionado por la interacción
con los electrones, el vapor de agua y la atmósfera en general. La marea terrestre corrige
la variaciones debido a la atracción de la tierra y el sol. La corrección de marea de carga
es por la variación de la altura debido a los cambios en las fuerzas inducidas por la
marea que actúan sobre la superficie de la tierra. El bias del estado del mar (BEM)
corrige las mediciones por las variaciones en la reflectividad de los valles y crestas de
las olas. El nivel medio del mar (NMM) que se utiliza es el estimado por el modelo
DTU13, construido con 20 años de datos de altimetría. NMM es una de las variables
disponibles en el SGDR.
A fin de poder comparar ANAT con la serie de tiempo in-situ, solamente es
necesario remover la media temporal del período coincidente en ambas series. Esto se
debido a que ANTA incluye la variabilidad del nivel del mar debido a la marea y al
efecto atmosférico.
Basados en los resultados obtenidos en las Secciones 4.4.1, 4.4.2 y 4.4.3,
promediamos los datos satelitales a lo largo de las trazas para adquirir una sola serie
temporal de ANAT y de Anomalía del Nivel del Mar (ANM) en cada traza que se
muestra en la Sección 4.4.4. Para computar las series de tiempo de la ANM satelital e
in-situ (ANMsat y ANMtg), corregimos a los datos con las mismas correcciones de
marea y de atmósfera. Nuevamente, antes de la comparación eliminamos la media
temporal de las series de tiempo in-situ y satelital.

4.3.2 Marea
Para comparar la amplitud y fase de la marea se estimó el Error Cuadrático Medio
(ECM) para cada una de las cinco componentes derivadas de las diferentes fuentes de
datos con los valores in-situ. Además, se estimó la Suma del Error Cuadrático (SEC).
Ambos errores se calcularon de la siguiente manera:

I I d d
𝐸𝐶𝑀 = ;d 𝐻I cos 𝑔I − 𝐻d cos  (𝑔d ) + 𝐻I sin 𝑔I − 𝐻d sin  (𝑔d ) (4.2)
;

81  
 d
𝑆𝐸𝐶 = i 𝐸𝐶𝑀i (4.3)

donde N es el número de mareógrafos usados, H1 y g1 son las amplitudes y fases que se

obtuvieron de los mareógrafos, y H2 y g2 son las amplitudes y fases estimadas por los
modelos. SEC es la suma de los ECM que se calcula para cada componente de marea.

4.4 Resultados y discusión

4.4.1 Análisis de las trazas de ENVISAT
Consideramos las trazas de ENVISAT RA-2 de alta resolución para estudiar la
variabilidad de la altura del RdP. Para eso, primero evaluamos el desempeño de cada
una de las correcciones aplicadas a los datos altimétricos (ionósfera, tropósfera húmeda,
tropósfera seca, BEM, NMM, marea de carga y marea terrestre), excepto las
correcciones de marea y atmosférica. Para llevar a cabo la evaluación de las
correcciones, calculamos la correlación entre cada punto de traza y los datos in-situ del
mareógrafo más cercano (estación Palermo) (Fig. 4.1). Inicialmente, la correlación se
calculó entre la diferencia altitud-rango y el mareógrafo. Luego agregamos las
correcciones hasta llegar a correlacionar el denominado ANAT (Sección 4.3.1) con los
datos in-situ.
El análisis de la correlación mostró que ambas trazas son sensibles a los diferentes
modelos de re-tracking (Fig. 4.2), siendo Brown el que arroja un mejor resultado,
seguido por Ice 1. Notar que los coeficientes de correlación disminuyen en 34.42ºS,
especialmente cuando se consideran los modelos Brown y SeaIce en la traza #0964
(Fig. 4.2a). Esta característica es debida a una medición anómala en el ciclo 66, que
corresponde a la fecha 29 de febrero 2008. Un comportamiento similar es también
observado en la traza #0493 entre 34.68ºS y 34.8ºS (Fig. 4.2b). Luego, aplicamos un
método objetivo para eliminar los valores espurios. El método se basó en estimar la
media y el desvío estándar de la diferencia altitud-rango (Ice 1 y Brown) en la sección
donde la dispersión de los coeficientes de correlación es menor: entre 34.45ºS y 34.5ºS
para la traza #0964, y entre 34.55ºS y 34.67ºS para la traza #0493 (Fig. 4.2). En función
de la estabilidad de los coeficientes de correlación a lo largo de la traza, fijamos el
límite como el valor medio ± 3 desvíos estándares. Para la traza #0493, es posible
considerar ±2 desvíos estándares. Cada valor que superó el límite propuesto fue

82  
eliminado, y consideramos como válidos los puntos a lo largo de las trazas donde las
series de tiempo tuvieran menos del 20% de valores faltantes. El propósito de esto es
obtener los mejores datos altimétricos posibles en la región para el análisis de la altura
del mar.

a)

b)

Figura 4.2: Correlación entre el mareógrafo de Palermo y los datos de altimetría a lo largo de las trazas a)
#0964 y b) #0493 variando los rangos disponibles: Ice 1 (azul), Brown (magenta), Ice 2 (negro), SeaIce
(rojo). La línea negra representa la posición del mareógrafo.

Después de seleccionar los datos, calculamos la correlación entre ANAT derivada

del altímetro y los datos in-situ (Fig. 4.3-4.4). Los resultados mostraron que el modelo
Ice 1 recobra más datos que el modelo Brown en la proximidad de la costa en ambas
trazas. Para la traza #0964 obtuvimos una correlación que varia entre 0.58 y 0.7,
significativa al 95% de nivel de confianza (95%NC) entre 34.38ºS y 34.52ºS (Fig. 4.3).
En el caso de la traza #0493, los coeficientes de correlación son más altos (0.85-0.94
95%NC) que en la traza #0964 (Fig. 4.4). La diferencia de correlación entre las dos
trazas se podría deberse a la posición geográfica. La traza #0493 está ubicada al sur de

83  
la traza #0964, midiendo a lo ancho del RdP entre la costa Uruguaya y la Argentina.
Esta traza es más estable que la traza #0964, la cual mide paralela a la línea de costa y
relativamente cerca de la misma (Fig. 4.1). Por otro lado, las secciones de las trazas
cercanas de la costa muestran correlaciones menores, las cuales, en la mayoría de los
casos, no son significativas cuando el modelo de Brown es considerado (Fig. 4.3-4.4).

Brown
1
0.75
0.5
0.25
0
Coeficiente de Correlación

−0.25
−0.5
−34.55 −34.5 −34.45 −34.4 −34.35 −34.3 −34.25

Ice1
1

0.8

0.6

0.4

0.2

0
−34.55 −34.5 −34.45 −34.4 −34.35 −34.3 −34.25
Latitud

Figura 4.3: Correlación entre ANAT altimétrica y el mareógrafo de Palermo a lo largo de la traza #0964
superpuesta con los valores significativo con el 95% de nivel de confianza (CL95%, círculos negros). Los
puntos magentas representan la fracción de valores eliminados (cantidad de datos eliminados/cantidad de
datos total) con el criterio media±3 desvíos estándar. Arriba: modelo Brown. Abajo: modelo Ice 1.

Al norte de 34.35ºS, en la traza #0964, observamos que la correlación entre los

datos satelitales e in-situ varía notoriamente (Fig. 4.3). Esto se debe a que en la gran
mayoría de los ciclos, es decir, cada vez que vuelve a medir por la región, se observa
una disminución en la energía de la forma de la onda como si hubiera contaminación
por tierra. La Figura 4.5 muestra un ejemplo de cómo varía la energía de la forma de la
onda a lo largo de la traza para el 26 de marzo 2004 (ciclo 18) y la ubicación de la
sección de la traza que se va a utilizar en la Sección 4.4.4. Como se puede observar, la
señal del altímetro se debilita antes de acercarse a la costa, que se encuentra
aproximadamente 11.85 km hacia el norte y 3.6 km hacia el oeste (Fig. 4.5). Este rasgo
podría estar relacionado con un efecto físico: una posibilidad es que debido a la escasa

84  
profundidad de la región y la combinación de vientos del noroeste y una marea baja
podría resultar en una disminución de la elevación del mar tal que queden descubiertos
bancos de sedimentos. Por ende, la señal del altímetro podría estar afectada en estas
ocasiones. Otra hipótesis podría ser la disminución de la rugosidad de la superficie que
modifica la señal del radar altimétrico (Scozzari et al., 2012). Testear estas hipótesis
será parte de un trabajo a futuro.

Brown
1
0.75
0.5
0.25
0
Correlation Coefficient

−0.25
−0.5
−34.85 −34.8 −34.75 −34.7 −34.65 −34.6 −34.55 −34.5

Ice1
1

0.8

0.6

0.4

0.2

0
−34.85 −34.8 −34.75 −34.7 −34.65 −34.6 −34.55 −34.5
Latitude

Figura 4.4: Correlación entre ANAT altimétrica y el mareógrafo de Palermo a lo largo de la traza #0493
superpuesta con los valores significativo con el 95% de nivel de confianza (CL95%, círculos negros). Los
puntos magentas representan la fracción de valores eliminados (cantidad de datos eliminados/cantidad de
datos total) con el criterio media±2 desvíos estándar. Arriba: modelo Brown. Abajo: modelo Ice 1.

Adicionalmente, comparamos estos datos de ENVISAT RA-2 de SGDR con los

datos de ENVISAT de 1 Hz producidos por CTOH (Sección 4.2.4). CTOH presenta
cuatro mediciones a lo largo de las trazas #0493 y #0964, que están separadas cada 7
km en vez de cada 350 m como es el caso de ENVISAT RA-2. Calculamos los
coeficientes de correlación entre los datos de ANAT de CTOH y los datos in-situ del
mareógrafo de Palermo en las dos trazas. En el caso de la traza #0964 las correlaciones
son menores a las que se obtuvieron con SGDR, y a su vez, solo la mitad son
significativos al 95%NC. En cambio, las correlaciones que se calcularon entre el

85  
mareógrafo de Palermo y la traza #0493 de CTOH son muy similares a las observadas
en la Figura 4.4.
A pesar que los datos de CTOH son procesados especialmente para las regiones
costeras, en esta región del RdP los datos de SGDR parecen representar mejor la
variabilidad de la altura del mar. Por lo tanto, basados en los resultados, consideramos
para el análisis de la altura del mar en la Sección 4.4.4 ambas trazas de ENVISAT RA-2
de SGDR con el modelo Ice 1. Las mediciones del altímetro que se conservan son
donde la correlación a lo largo de la traza es estable (no varia significativamente con
respecto a la latitud) y la cantidad de datos eliminados sea menor al 20% (Fig. 4.4). Para
la traza #0964 usamos la sección comprendida entre 34.54ºS y 34.37ºS y para la traza
#0493 la sección comprendida entre 34.82ºS y 34.49ºS (Fig. 4.4).

     a)        b)  

Figura 4.5: a) Diagrama de la energía de la forma de la onda de ENVISAT RA-2 a lo largo de la traza
ascendente #0964 para la fecha 26 de marzo 2004 (ciclo 18). Las líneas punteadas delimitan la sección de
la traza, y la línea llena la posición del mareógrafo de Palermo. Las áreas sombreadas representan la
costa. b) Mapa con la traza #0964 (línea negra) y posición del mareógrafo de Palermo (circulo magenta).

4.4.2 Corrección de marea

La marea en el estuario del RdP está dominada principalmente por la componente
semidiurna M2, cuya amplitud varía entre 0.27 m en Buenos Aires (estación Palermo) y
0.32 m en Oyarbide (SHN). En ésta sección comparamos la amplitud y fase de las cinco
principales componentes de marea astronómica (M2, N2, S2, K1 y O1) derivada de los
datos in-situ (SHN) y de los modelos globales y regionales para las estaciones Palermo
y Oyarbide (Fig. 4.1). En el caso de Oyarbide, también consideramos las amplitudes y

86  
fases derivadas de los datos de altimetría provistos por CTOH (Sección 4.2.3). Las
Tablas 4.2 y 4.3 presentan el ECM (Ec. 4.2) y SEC (Ec. 4.3) para cada modelo y cada
componente. Los resultados muestran que el modelo HamSOM es el mejor modelo para
representar las componentes de marea en la estación de Palermo, donde se obtuvo el
menor SEC (13.33 cm, Tabla 4.2). La amplitud y fase de M2 modelada por HamSOM
tiene un ECM de 1.31 cm que es consistente con los resultados encontrados por
Simionato et al. (2004). El resto de los modelos muestran errores mayores o del mismo
orden de magnitud que la amplitud de la componente M2 derivada del mareógrafo
(Tabla 4.2, Fig. 4.6a). Estas discrepancias entre los modelos y los datos in-situ se deben
sobre todo a la diferencia de fase (Fig. 4.6a).

Tabla 4.2: Error cuadrático medio (cm) de las cinco componentes de marea analizadas para la estación de
Palermo. La columna 7 muestra la SEC para cada modelo.
M2 S2 N2 K1 O1 SEC
FES2012 35.86 6.60 15.68 9.28 12.75 42.71
GOT4.7 15.02 5.85 10.73 6.07 5.85 21.12
FES2004 35.86 6.59 15.67 9.29 12.75 42.70
EOT08a 27.47 5.67 11.76 4.08 6.34 31.33
HamSOM 1.31 3.80 4.36 10.67 5.38 13.33
Palma 37.74 8.77 10.20 9.63 7.17 41.83
SMARA 26.05 3.99 8.29 5.35 9.36 29.66

Para la estación de Oyarbide, el mejor modelo que representa las constantes de

marea es el modelo de Palma con un SEC de 19.06 cm, seguido por Fes2004 (Tabla
4.3). Simionato et al. (2004) muestra que el modelo HamSOM es capaz de representar
adecuadamente M2 en la estación Oyarbide con una diferencia de 1 cm en la amplitud y
una diferencia de 12.42 grados en la fase. Sin embargo, nuestros resultados no
coinciden porque la fase in-situ de la componente M2 es ~100 grados menor que la fase
in-situ mostrada en Simionato et al. (2004). Una posible explicación es que el período
usado para estimar la amplitud y fase de marea no es el mismo, y que podría generar
una diferencia en la fase, que afecta el ECM y la SEC. Hay evidencias que la amplitud y
fase de la marea presentan una variabilidad interanual importante (Luz Clara et al.,
2014). Por otro lado, las componentes de marea derivadas de los datos de altimetría
(CTOH) no coinciden con las componentes in-situ, lo que se refleja en la SEC de 26.55

87  
cm (Tabla 4.3). La mayor diferencia se encuentra en las fases de las componentes, y no
en las amplitudes (Fig. 4.6b). Una posible explicación para este resultado es la distancia
de ~23km entre la estación Oyarbide y el punto más cercano de la traza 11. Siendo que
las constantes de marea derivadas de CTOH provienen de mediciones altimétricas, se
esperaría que las mismas sean más precisas que las derivadas de los modelos.
En general, los resultados de las Tablas 4.2 y 4.3 muestran que es necesario
mejorar los modelos de marea para corregir adecuadamente los datos de altimetría.
Además, los resultados sugieren que los modelos regionales representan mejor las
componentes de marea que los globales. Una posible causa que podría explicar el bajo
rendimiento de los modelos es la batimetría y la morfología compleja del estuario del
RdP. Una batimetría más precisa en la región debería ayudar a simular mejor la
propagación de la marea.

     a)  
Palermo  

     b)   Oyarbide  

Figura 4.6: Amplitudes (cm) y fases (grados) de las cinco componentes de marea (M2, S2, N2, K1 y O1)
derivadas de los datos in-situ y los modelos. a) Estación Palermo y b) estación Oyarbide.

88  
 Río arriba, la traza #0964 cubre la región que va desde la ciudad de Buenos Aires
hacia el Río Paraná, donde la variación espacial de la amplitud y de la fase de marea no
es significativa (D’Onofrio et al., 1999). Por lo que, la marea astronómica calculada con
la estación de Palermo sería una buena aproximación para remover el efecto de marea
en esa traza. En el caso de la traza #0493, la marea reconstruida utilizando la estación
de Palermo no sería adecuada para toda la sección, ya que la amplitud de M2 en Colonia
es del orden de los 15 cm (Simionato et al., 2004), 12 cm menor que la amplitud de
Palermo (Fig. 4.6a). Entonces, consideramos valido corregir con la marea in-situ la
mitad de la traza que está más próxima a la estación Palermo. Hacia la desembocadura
del RdP sería más recomendable filtrar la serie altimétrica con un filtro pasa bajos para
eliminar la señal asociada a la marea astronómica.

Tabla 4.3: Error cuadrático medio (cm) de las cinco componentes de marea para la estación de Oyarbide.
La columna 7 muestra la SEC para cada modelo.
M2 S2 N2 K1 O1 SEC
FES2012 21.53 3.91 6.79 3.43 2.86 23.34
GOT4.7 24.57 5.84 7.32 1.83 4.10 26.67
FES2004 21.13 3.82 6.82 3.38 3.07 22.99
EOT08a 22.76 3.70 7.50 1.29 4.16 24.63
CTOH 22.79 5.53 11.10 3.39 4.52 26.55
HamSOM 32.27 9.67 7.64 7.60 8.92 36.47
Palma 15.95 2.47 7.16 5.07 5.08 19.06
SMARA 33.39 5.70 10.51 5.59 8.42 36.88

4.4.3 Corrección atmosférica dinámica

Como se mencionó en la Sección 4.1, el RdP está altamente dominado por el
viento a escala sub-anual (Meccia et al., 2009). Por lo tanto, un modelo preciso para
simular la respuesta del nivel del mar al viento y a la presión es crucial para corregir los
datos de altimetría. En esta sección, comparamos tres modelos barotrópicos y testeamos
sus rendimientos contrastándolos con datos in-situ de mareógrafos.
La Figura 4.7 muestra la varianza del nivel del mar debida al forzante
atmosférico, viento y presión, para tres modelos: Mog2D, SMARA y HamSOM. En
general, todos los modelos barotrópicos muestran que la varianza es alta río arriba y

89  
decrece hacia la desembocadura. También se observa claramente que la varianza debido
al viento es más importante que la varianza asociada con el BI (~41 cm2, no se
muestra). Sin embargo, el modelo global presenta la mitad de la varianza que los
modelos regionales (Fig. 4.7). Por ejemplo, río arriba la varianza del nivel del mar es
del orden de los 2000 cm2 para SMARA y HamSOM, mientras que para Mog2D es del
orden de 700 cm2. Esta gran variabilidad podría estar relacionado con la onda de
tormenta que afecta el estuario del RdP (D’Onofrio et al., 2008; Campetella et al.,
2006). La Figura 4.8 muestra dos ejemplos en donde los modelos regionales logran
detectar mejor que el modelo global los eventos extremos. Se observa que las
diferencias entre el modelo global y regional son del orden de 100 cm en el máximo del
nivel del mar ocurrido el de 27 de julio 2007 (Fig. 4.8b) y en el mínimo ocurrido el 8 de
junio de 1993 (Fig. 4.8a).

Variance HamSOM (cm3) Variance Mog2D (cm3)

34oS 2200 34oS 800
2000

a) b)
700
30’ 1800
30’

1600 600

1400
o
35 S o 500
35 S
1200
400
1000
30’ 30’
800 300

600
200
36oS 36oS
400
100
200

30’ o 0 30’ o 0
59 W 58oW 57oW 56oW 55oW 59 W 58oW 57oW 56oW 55oW

Variance SMARA (cm3) Variance Mog2D (cm3)

34oS 2000 34oS 900

1800
c) d)
800
30’ 1600 30’
700
1400
600
35oS o
1200 35 S
500
1000
400
30’ 800 30’

300
600

36oS 36oS
200
400

200 100

30’ o 0 30’ o 0
59 W 58oW 57oW 56oW 55oW 59 W 58oW 57oW 56oW 55oW

Figura 4.7: Patrón espacial de la varianza del nivel del mar (cm2) debido a la presión y al viento simulado
por HamSOM a), SMARA c) y Mog2D b) d). La varianza de los dato simulados por el modelo global se
calcula para los dos períodos coincidente con los modelos regionales.

A continuación, analizamos la capacidad de los modelos para representar

adecuadamente la variabilidad del nivel del mar debido al efecto del viento y de la
presión aplicando los datos de estos modelos como una corrección en los datos in-situ.

90  
Consideramos tres mareógrafos que están ubicados a lo largo del RdP (Fig. 4.1, Tabla
4.1). Calculamos la varianza de los datos in-situ crudos, de la marea astronómica y del
nivel del mar asociado al efecto atmosférico. La marea astronómica se reconstruyó con
68 componentes derivados de los mareógrafos. Los resultados se presentan en la Tabla
4.4 y Tabla 4.5 para los tres modelos y para cada estación mareográfica. La variabilidad
de la marea representa el 24% y el 34% de la variabilidad total para los mareógrafos de
Palermo y de Oyarbide respectivamente (Tabla 4.4 y 4.5). Además, la varianza del nivel
del mar simulado por los modelos regionales es mayor que la varianza de la marea,
mostrando que el efecto del viento es más importante. La variabilidad del nivel del mar
en la estación de Palermo decrece más cuando corregimos las series de tiempo con
HamSOM y SMARA en vez que con Mog2D (Tabla 4.4 y 4.5). Lo opuesto se observa
en la estación de Oyarbide, lo que sugiere que los modelos regionales representan mejor
la respuesta del nivel del mar al forzante del viento y de la presión en la parte superior
del estuario. A escala mensual, la región de estudio está mejor representada por
HamSOM que por Mog2D (Tabla 4.4). Al mismo tiempo, la varianza de las series de
tiempo mensuales aumenta cuando se corrige con SMARA en vez de con Mog2D,
excepto en la estación de Montevideo.

Tabla 4.4: Varianza del nivel del mar in-situ con un muestreo cada 6 horas y mensual (cm2) con las
correcciones como se indica en la primera fila. Comparación entre HamSOM y Mog2D.
Varianza Sin Marea HamSOM Mog2D ANM ANM marea
2
(cm ) corrección marea+hamsom +Mog2D
Palermo h 2947.8 699.7 2099.2 720.4 757.1 966.4
Oyarbide h 2358.3 821.7 1666.4 613.5 609.4 496.1
Palermo M 152.2 --- 111.2 8.7 77.1 131.4
Oyarbide M 130.4 --- 58.5 8.2 111.8 122.8
Montevideo 198.7 --- 55.0 7.9 148.3 194.6

Concluimos que los modelos HamSOM y SMARA son más precisos que el
modelo global Mog2D para corregir los datos de altimetría en la parte superior del
estuario. Por el contrario, Mog2D es más apropiado para la parte intermedia y baja del
estuario.

91  
 150

100 a)
50

Sea Level Anomaly (cm)

0

−50

−100

−150
TG HamSOM Mog2D

−200

−250
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Time (days)

150

b)
100
Sea Level Anomaly (cm)

50

−50

−100 TG SMARA Mog2D

−150
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Time (days)

Figura 4.8: a) Ejemplo de evento extremo en junio de 1993. Las líneas magenta y negra representan las
series de tiempo de la variabilidad del nivel del mar simulada por HamSOM y Mog2D. a) Ejemplo de
evento extremo en julio de 2007. Las líneas magenta y negra representan las series de tiempo de la
variabilidad del nivel del mar simulada por SMARA y Mog2D respectivamente. La línea azul en a) y b)
representa los datos in-situ de la estación de Palermo sin el efecto de marea.

Tabla 4.5: Varianza del nivel del mar in-situ con un muestreo de 6 horas (cm2) con las correcciones como
se indica en la primera fila. Comparación entre SMARA y Mog2D.
Varianza Sin Marea SMARA Mog2D ANM ANM marea
(cm2) corrección marea+smara +Mog2D
Palermo 2904.0 722.9 1705.9 827.0 805.9 862.8
Oyarbide 2357.0 815.1 1705.5 640.1 789.3 511.0
Palermo M 106.9 --- 47.2 9.8 91.2 82.1
Oyarbide M 337.4 --- 45.0 9.2 356.7 294.8
Montevideo 170.4 --- 44.3 8.8 141.9 171.0

4.4.4 Variabilidad del Río de la Plata: eventos extremos

El propósito de evaluar los datos de altimetría a lo largo de la traza y sus
correcciones en el estuario del RdP es poder estudiar la variabilidad del nivel del agua,
y, luego, las corrientes gesotróficas asociadas a la ANM. En esta sección, analizamos si

92  
las trazas de ENVISAT RA-2 pueden captar la variabilidad del agua debido las
descargas extremas del río y del efecto del viento en la parte norte del RdP.
La Figura 4.9 muestra las series de tiempo de ANAT derivado de ENVISAT RA-
2 (trazas #0493 y #0964) y de la serie de Palermo. Las series satelitales que se muestran
corresponden al promedio a lo largo de la traza #0964 y parte de la traza #0493 (ver
Sección 4.3.1). En general, observamos que el ANAT satelital de ambas trazas
concuerda con el nivel del mar de la estación de Palermo. Las mediciones de la traza
#0493 coincide mejor con los datos in-situ, obteniendo una correlación de 0.94
(95%NC). Esto podría estar relacionado con la posición de la traza en la región como se
mencionó en la Sección 4.4.1.

b)

a)

Figura 4.9: Series de tiempo de la altura del nivel del mar derivadas del mareógrafo de Palermo (línea
azul) y de las trazas (línea roja) a) #0964 y b) #0493, superpuesto con las descargas mensuales del Río de
la Plata (línea verde).

93  
  
Con la traza #0493 se puede observar parte de un evento de onda de tormenta
positiva que generó una anomalía máxima del nivel del mar de 219 cm el 27 de
septiembre 2009 a las 21hs aproximadamente (Fig. 4.10). El altímetro midió a las 13hs
27 minutos, aproximadamente 8 horas antes del máximo observado en la estación
Palermo, por lo que se reflejó solo parte de la crecida (Fig. 4.10). La repetición de la
pasada de ENVISAT es cada 35 días, lo que dificulta poder registrar todos los eventos
extremos relacionados con el efecto del viento a escala sub-anual. La Figura 4.11
muestra los campos de altura geopotencial a 1000 hPa de NCEP para el 27 de
septiembre 2009, donde los contornos violetas representan valores bajos y los contornos
rojos valores altos asociados a bajas y altas presiones respectivamente. Se observa un
ciclón (centro de baja presión) al norte del estuario del RdP, el cual se intensifica entre
las 12Z y 00Z hs (Fig. 4.11). El campo de altura geopotencial en 1000 hPa está
relacionado con la presión del nivel del mar, y por tanto, se puede visualizar el campo
del viento. Sobre el RdP, por la disposición de las isolíneas, el viento es hacia el
noroeste, dejando las altas presiones a la izquierda. Este patrón de circulación, que
genera vientos intensos del sudeste y que se asocia a una onda de tormenta positiva, es
coherente con los resultados de Escobar et al. (2004).

Figura 4.10: Series de tiempo del nivel del mar de la estación de Palermo sin efecto de marea (línea
punteada azul) y con efecto de marea (línea magenta) para septiembre 2009. El círculo negro representa
la medición del altímetro sin efecto de marea.

Con las mediciones de la traza #0964 no se identificó ningún evento de onda de

tormenta positiva ni negativa. No obstante, hubo variaciones en el nivel del mar que se
relacionaron con la dirección del viento (no se muestra). Por la persistencia e intensidad

94  
del forzante, la altura del mar no aumentó ni disminuyó de forma significativa como
para asociar con un evento extremo. Por otra parte, las mediciones de esta traza no son
tan confiables como la de la traza #0493, ya que la correlación es menor (0.66,
95%NC). Además, se puede observar discrepancias entre los datos satelitales e in-situ a
fines del 2004 y mediados del 2005 (Fig. 4.9a).

 
Figura 4.11: Campos de alturas geopotenciales a 1000 hPa para el 27 de septiembre 2009 correspondiente
a un evento de onda de tormenta positiva. a) 0 Z a 6 Z, b) 6Z a 12Z, c) 12Z a 18Z, d) 18Z a 0Z. Las
isolíneas son cada 10 gpm.

Cuando las series de tiempo son corregidas por la marea in-situ y por DAC
(usamos HamSOM y SMARA) para el período que les corresponde, la variabilidad de
la anomalía del nivel del mar decrece (Fig. 4.12). El máximo del nivel del mar que se
asocia a la onda de tormenta positiva de septiembre 2009 también decrece (Fig. 4.9b
yFig. 4.12b). Sin embargo, la ANM derivada de la traza #0493 y del mareógrafo de
Palermo muestra dos máximos relativos en 2010 y 2003 que se asocian a dos eventos
moderados del El Niño, siendo el primero el más intenso. Durante un evento Niño la
descarga del RdP aumenta significativamente (Camilioni y Barros, 2003), afectando el
nivel medio del agua en la región de estudio (D’Onofrio y Fiore, 2002; Luz Clara et al.,

95  
2014). A su vez, el efecto del El Niño Oscilación Sur (ENOS) sobre la variabilidad de la
altura del mar también se ha evidenciado en todo el estuario (Meccia et al., 2009;
Saraceno et al., 2014). Para la traza #0964, el aumento del nivel del mar debido al
aumento de la descarga del río causado por ENOS no es evidente (Fig. 4.12a), excepto
cuando se analiza ANAT donde se observa un máximo que podría asociarse al evento
El Niño 2010 (Fig. 4.9a). Esto podría deberse al altímetro en sí, como también a las
correcciones de DAC y de marea utilizada, ya que los datos in-situ sí muestran un
máximo en 2010.

     a)      HamSOM        SMARA  

     b)      HamSOM        SMARA  

Figura 4.12: Series de tiempo de la ANM satelital (línea roja) e in-situ (línea azul) corregidas con marea
in-situ y los modelos HamSOM y SMARA. a) Traza #0964 y b) traza #0493, superpuesto con la serie
mensual de descarga del río (línea verde).
 
Cabe mencionar que el nivel medio de agua en Buenos Aires no está afectado por
las descargas de los ríos Paraná y Uruguay que aportan al RdP (D’Onofrio y Fiore,

96  
2002). Esto es porque el agua se distribuye por todo el ancho del río sin cambiar
significativamente el nivel medio. Los cambios significativos en el nivel del agua son
causados por eventos ENOS y por ondas de tormentas (D’Onofrio y Fiore, 2002), como
se ha destacado en esta sección.
 

4.5 Conclusiones
En este capítulo analizamos dos trazas de ENVISAT RA-2 en la parte norte del
estuario del Río de la Plata. Además, evaluamos dos de las correcciones que deben ser
aplicadas en los datos de altimetría, marea y forzante atmosférico. Este último es de
suma importancia ya que la región está dominada por la variabilidad del viento a
frecuencias mayores a 30 días. Una mala corrección de este efecto puede incrementar el
error en los datos de altimetría. Aunque la amplitud de la marea en la región es menor al
medio metro, también es importante tener una corrección precisa de la misma. Por otro
lado, también examinamos la capacidad de los datos altimétricos en medir la
variabilidad del nivel del mar.
La evaluación de los datos de ENVISAT RA-2 mostró que los datos son sensibles
a los modelos de re-tracking, siendo Ice 1 el más óptimo en la región. Las mediciones a
lo largo de la traza #0493 son más estables comparado con la traza #0964. Esto podría
deberse a que la traza #0964 mide relativamente cerca de la línea de costa y la huella del
altímetro se contamina. De ambas trazas se pudo seleccionar una sección donde las
series de tiempo tuvieran menos del 20% de datos faltantes y una correlación
significativa con el mareógrafo de Palermo.
Por otro lado, los resultados presentados en la Sección 4.4.2 muestran que el
mejor modelo de marea es HamSOM, modelo regional, el cual presenta el menor SEC
(13.3 cm) en la estación Palermo. En la estación Oyarbide, el modelo regional de Palma
(Palma et al., 2004) es el que mostró el menor SEC (19 cm). Los modelos globales de
marea usados para corregir los datos de altimetría son menos precisos que los modelos
regionales en el estuario del Río de la Plata. No obstante, es necesario mejorar el
desempeño de los modelos regionales para disminuir el error ya que es del mismo orden
de magnitud o mayor que la componente semidiurna M2. Por ende, a los datos de
altimetría no se le puede eliminar adecuadamente la variabilidad de la marea.
Cuando analizamos los modelos barotrópicos que simulan la respuesta del nivel
del mar al viento y a la presión, encontramos que los modelos regionales HamSOM y

97  
SMARA son mejores comparado con el modelo global Mog2D en la parte norte del
estuario del Río de la Plata. Por otro lado, el modelo Mog2D representa mejor el nivel
del mar en la parte intermedia y baja del estuario a escala temporal de 6 horas. A escala
mensual, el modelo HamSOM mostró una menor variabilidad en las tres estaciones
mareográficas. La importancia de una corrección atmosférica dinámica precisa es poder
eliminar adecuadamente los valores extremos del nivel del mar debido a las ondas de
tormentas que son comunes en la región de los datos de altimetría.
Los datos de ENVISAT RA-2 (18 Hz) son capaces de representar la variabilidad
de la altura del nivel del agua total (ANAT) en la región norte del Río de la Plata. En
particular, la traza #0493, altamente correlacionada con el mareógrafo de Palermo,
puede identificar las anomalías del nivel del mar asociadas con los eventos ENOS del
2003 y 2010, y un evento de onda de tormenta positiva. La traza #0964 también
evidencia el máximo que se asocia al evento ENOS 2010. Cuando se aplican a los datos
las correcciones de marea y de efecto atmosférico, las mediciones de la traza #0964
muestran una menor concordancia con los datos in-situ, mientras que la traza #0493
sigue captando la variabilidad asociada a los eventos ENOS.
Con los resultados hallados podemos concluir que los datos a lo largo de las trazas
de ENVISAT RA-2 sin eliminar la variabilidad asociada a la marea y al efecto
atmosférico representan adecuadamente la variabilidad de la altura del mar. Es decir, el
sensor altimétrico está midiendo correctamente la altura del mar, inclusive cerca de la
costa. Sin embargo, todavía se debe mejorar los modelos que simulan la marea y el
efecto atmosférico en todo el estuario para obtener datos de anomalía del nivel del mar
altimétricos más precisos.
Como se mencionó en la Sección 4.1, la parte norte del estuario del Río de la
Plata está afectada por las ondas de tormentas positivas y negativas que afectan la
ciudad de Buenos Aires y áreas adyacentes. Por lo tanto, es importante monitorear la
región con mediciones del nivel del mar. La altimetría satelital es una herramienta útil
para supervisar la región porque posee una cobertura espacial más extensa que las
estaciones mareográficas. Los resultados de este Capítulo muestran que los datos de
ENVISAT RA-2 pueden ser usados en el Río de la Plata para estudiar la variabilidad de
la altura del mar. A su vez, abre la posibilidad de que estos datos de altimetría sean
considerados para asimilar en un modelo operacional para el pronóstico de ondas de
tormenta como ya han mostrado Etala et al. (2015) en la Plataforma Continental. Uno
de sus resultados es, que la asimilación de datos de altimetría y de datos de mareógrafos

98  
mejora el pronóstico de la variabilidad de la altura del mar. El buen funcionamiento de
un modelo operativo permitirá generar un pronóstico a corto plazo para la temprana
evacuación de las localidades costeras, en el caso de inundaciones generadas por una
onda de tormenta positiva.

99  
100  
Capítulo 5: Conclusiones Generales

Los datos de altimetría satelital permiten un monitoreo del nivel del mar con una
resolución espacial más alta que la que se obtiene con los mareógrafos. Además de
estudiar la variabilidad y tendencia del nivel del mar, los datos de altimetría satelital
permiten estudiar las corrientes superficiales asociadas a través del balance geostrófico.
En esta tesis se ha mostrado que los datos grillados y a lo largo de las trazas de
altimetría pueden representar adecuadamente la variabilidad del mar en la Plataforma
Continental del Atlántico Sudoccidental (PCAS) en la escala estacional. A continuación
presentamos un resumen y discusión de los resultados más importantes de cada capítulo.

5.1 Síntesis y discusión del Capítulo 2

Utilizando los datos grillados de anomalía del nivel del mar (ANM) distribuidos
por AVISO se mostró que se puede representar adecuadamente el ciclo anual a nivel
global cerca de la costa. El error cuadrático medio entre los ciclos anuales derivados de
los mareógrafos de PSMSL y de los datos satelitales es menor a 2 cm en el 76.4% de los
478 sitios considerados. Las regiones donde el error cuadrático medio de la diferencia
es mayor a 4 cm se deben a la baja resolución espacio-temporal del altímetro, la cual no
permite detectar adecuadamente la presencia de corrientes angostas costeras y descarga
de ríos. La presencia de hielo marino estacional también es una causa de error en los
datos de altimetría. En otras regiones, el error se debe a un problema de interpolación en
los datos grillados, ya sea por una morfología compleja de la costa, como por la
distancia entre las trazas y los mareógrafos. Un ejemplo donde la morfología de la costa
es compleja es al sur del mar Báltico donde hay varios fiordos. En esa región, Passaro et
al. (2015) mostraron que los datos a lo largo de las trazas pueden representar
adecuadamente el nivel del mar cerca de la costa cuando se tratan con un método que
optimiza la parametrización de la forma de la onda (ALES). En el Capítulo 2 también se
mostró que los datos grillados representan mejor el ciclo anual en las islas que en los
continentes. Esto se debe a que la señal del altímetro se contamina menos por la
presencia de tierra que en el continente.
Por otro lado, mostramos que la amplitud y la fase del ciclo anual no varían en
función del período de tiempo utilizado para su cálculo. Esto se probó construyendo la

101  
climatología in-situ en dos períodos distintos de 10 años: un período antes de la era
altimétrica y otro coincidente con el período del altímetro. Los resultados mostraron un
error cuadrático medio de la diferencia entre las dos climatologías menor a 2 cm en el
88.45% de las estaciones. En la PCAS (20-54ºS) la mayoría de los mareógrafos con
registros largos no coincide con el período altimétrico. Por lo que el análisis de la
estacionalidad del ciclo anual nos permitió considerar más estaciones para validar los
datos grillados de AVISO en esta región. De los 15 mareógrafos disponibles en la
región, sólo 4 coinciden con el período de altimetría. Los resultados en esta región
fueron satisfactorios, obteniendo un error cuadrático medio de la diferencia entre el
ciclo anual derivado de AVISO y de los mareógrafos menor a 2.1 cm. La correlación
entre las dos bases de datos fue mayor a 0.85 con un 95% de nivel de confianza. El
resultado positivo obtenido de la evaluación de los datos grillados en la PCAS fue el
puntapié inicial para poder estudiar el nivel del mar en ésta región. Entre 27ºS y 40ºS,
Saraceno et al. (2014) mostraron que la varianza total de la ANM está explicada por el
ciclo anual en la plataforma externa y por la variabilidad sub-anual en la región poco
profunda del estuario del Río de la Plata. A escala estacional, el 98% de la variabilidad
de la ANM se debe al efecto estérico y al viento. También se analizó la variabilidad de
la altura del mar a escala inter-anual, donde se observó que la variación de la ANM es
coherente con el fenómeno de ENOS. La precipitación aumenta (disminuye) sobre la
región del Río del Plata y la Laguna de los Patos durante la fase cálida (fría) de ENOS,
que en consecuencia aumenta (disminuye) la descarga de agua dulce y por ende la altura
del mar en el estuario.
La validación de los datos grillados a escala anual en la PCAS y en todas las
costas del mundo donde hubiera mareógrafos disponibles fue el primer objetivo
propuesto en esta tesis. Los resultados satisfactorios de este capítulo nos permitieron
realizar el estudio del ciclo anual que se resume a continuación.

5.2 Síntesis y discusión del Capítulo 3

La validación de los datos permitió llevar a cabo el estudio del patrón espacial del
ciclo anual de la altura del mar altimétrica en la PCAS (36ºS-54ºS), que se presentó en
el Capítulo 3 como segundo objetivo. La PCAS está dominada por amplitudes de 5.5-8
cm en la plataforma interna al norte de 44ºS, y por amplitudes menores a 4 cm a lo largo
del talud y al sur de 44ºS. La fase del ciclo anual varía entre 60 y 110 días, es decir que

102  
la altura del mar llega al máximo entre principios de marzo y mediados de abril. Luego,
estudiamos los posibles mecanismos que pueden explicar la señal anual. Encontramos
que al sur de 42ºS la ANM anual está explicada por la componente térmica del efecto
estérico derivada del flujo neto de calor. Al norte de 42ºS, el efecto termo-estérico
explica menos del 60% de la ANM anual. A lo largo del talud la amplitud de la altura
termo-estérica sobreestima a la amplitud de la ANM satelital. Una explicación posible
para dicha diferencia es que la misma resulta de considerar únicamente el flujo de calor
entre la interfaz mar-atmósfera y no se consideran otras fuentes de calor que podrían
afectar el balance, como los flujos advectivos. El intercambio de masas de agua entre la
Corriente de Malvinas y la plataforma podría ser una fuente advectiva que el flujo neto
de calor no considera. La presencia de intrusiones de agua de la Corriente de Malvinas
en las cercanías de 41ºS utilizando datos satelitales e in-situ ha sido corroborada por
diversos estudios (Piola et al., 2010; Valla y Piola, 2015). Una forma de cuantificar el
aporte de advección lateral sería a través de un modelo oceánico. Otra forma, siguiendo
la metodología de Valla y Piola (2015), sería calculando la advección horizontal de
temperatura con datos de velocidad in-situ y temperatura. También se podría analizar
las velocidades geostróficas perpendiculares al talud con datos de altimetría lo largo de
las trazas de Jason de 20 Hz y ENVISAT de 18 Hz para evaluar el intercambio de masas
de agua entre la plataforma y el océano. En este sentido, Strub et al. (2015) estudiaron
las velocidades geostróficas perpendicular al talud para evidenciar la exportación de
agua de plataforma hacia el océano abierto entre 27º y 43ºS. El análisis de las
velocidades geostróficas se podría combinar con imágenes de temperatura superficial
para evidenciar el ingreso de aguas más frías de la Corriente de Malvinas hacia
plataforma. Por otro lado, otro factor que podría afectar el balance de calor es la
advección vertical a través del upwelling de aguas de fondo a lo largo del talud. Estos
eventos de upwelling han sido documentados por modelos numéricos y datos in-situ
(Combes y Matano, 2014; Valla y Piola, 2015). Valla y Piola (2015) mostraron que el
75% de los eventos de upwelling analizados coinciden con un aumento de la clorofila-a
satelital. Es decir, que la surgencia de agua fría del fondo no solo afectaría el balance de
calor, sino que también estaría afectando la concentración de nutrientes.
Por otro lado estudiamos el efecto del viento en la PCAS como otro posible
mecanismo para explicar el ciclo anual de la ANM observado. Se eligieron diez puntos
costeros a lo largo de la plataforma donde se calcularon las climatologías de la
componente paralela a la costa de la tensión del viento y del transporte perpendicular

103  
asociado con datos de QuikSCAT. Los resultados mostraron que sólo al norte de 39.5ºS
el transporte de Ekman tiene una variabilidad estacional, con valores positivos débiles
(upwelling) durante el verano y primavera, y valores negativos más intensos
(downwelling) en otoño e invierno. Sin embargo, el transporte hacia la costa, que
favorece el aumento del nivel del mar, ocurre tres meses después que el máximo de la
ANM. En la región sur de la plataforma, el transporte de Ekman no muestra una
variación estacional. Por lo tanto, el efecto del viento en la PCAS entre 36ºS y 54ºS no
explica el ciclo anual de la ANM. El efecto del viento estacional resulta ser importante
al norte de 36ºS, ya que es el causante del desplazamiento estacional de la pluma del
Río de la Plata, como se ha documentado con modelos numéricos, datos in-situ y datos
satelitales (e.g. Möller et al., 2008; Simionato et al., 2005; Saraceno et al., 2014; Strub
et al., 2015). En particular, en las costas de Uruguay y Brasil, el viento favorece el
upwelling durante primavera-verano, que se refleja en la ANM como un mínimo, y en
invierno-otoño el viento favorece el downwelling, que se observa como un máximo en
la altura del mar (Saraceno et al., 2014). Los eventos de upwelling en las costas de
Uruguay y Brasil también han sido documentados con imágenes satelitales de
temperatura superficial del mar (Simionato et al., 2010; Campos et al., 2013).
Asimismo, el uso de las imágenes de temperatura han permitido detectar eventos de
upwelling en la zona oeste Golfo San Matías durante el verano austral (Pisoni et al.,
2014). En esta zona se propone investigar si las trazas de los satélites más cercanas a la
región de upwelling pueden captar la disminución de la altura del mar debido a este
efecto. Para estudiar eventos de upwelling y downwelling costeros, los datos a lo largo
de la traza podrían ser de mayor utilidad que los datos grillados, ya que permiten
aproximarse más a la costa.
Por último, analizamos si la región norte de la PCAS puede estar afectada por la
componente halo-estérica del efecto estérico. El efecto halino, en general, es
despreciable en el océano. En regiones costeras donde hay aporte de agua dulce debido
a la descarga de ríos puede ser significativo. Calculamos la amplitud de la altura
relacionada con la componente halo-estérica con datos de World Ocean Atlas 2009
(WOA09) y encontramos que las amplitudes más grandes se encuentran entre 36ºS y
38ºS, justamente donde la componente termo-estérica explica un porcentaje menor de la
ANM anual. Por lo tanto, se concluye que el ciclo anual de la ANM en la región norte
es debido a una combinación de los efectos termo-estérico y halo-estérico. En esta tesis
sugerimos que la combinación de dos mecanismos genera este resultado. Uno es el

104  
viento que desplaza meridionalmente la pluma de agua dulce del Río de la Plata. El
ingreso de agua cálida y poco densa del río se mueve hacia el sur como una corriente
angosta durante el verano. En segundo lugar, la extensión hacia el sur de esta agua
provoca un fuerte aumento en la ANM próximo a la costa, mientras que en invierno el
enfriamiento estacional y la retirada hacia el norte de la pluma del Río de la Plata
conllevan a una caída brusca de la ANM. Por lo que la escala anual de la ANM satelital
estaría capturando el aumento del nivel del mar debido al ingreso de agua pero estaría
perdiendo la región de la corriente angosta de agua dulce del Río de Plata. La existencia
de esta corriente angosta costera no ha sido documentada hasta el momento con
mediciones in-situ de velocidad de corriente. Sin embargo, la distribución horizontal y
vertical de salinidad y temperatura in-situ de verano e invierno sugieren la presencia de
una corriente costera (~25 km) (e.g. Möller et al., 2008).
Para el 2020 está proyectado el lanzamiento de un nuevo satélite altimétrico
denominado SWOT. Los objetivos científicos de esta misión son medir con mayor
resolución espacial tanto la altura de los ríos y lagos, como la actividad de mesoescala y
sub-mesoescala en el océano. Con lo cual, las mediciones de este altímetro podría llegar
a ser útiles para identificar la presencia de una corriente angosta costera. De la misma
manera, estos datos serán útiles para complementar el estudio de la variación del Río de
la Plata que se presentó en el Capítulo 4. A corto plazo, se podría analizar los datos de
altura del mar de las trazas perpendiculares a la costa de los satélites altimétricos
disponibles que pasan por la región. Como se mencionó, los datos a lo largo de la traza
tiene una mayor resolución espacial con respecto a los datos grillados.
Parte del segundo objetivo de la tesis fue estudiar la circulación superficial de la
PCAS con datos de altimetría. La circulación estacional en la PCAS se analizó a través
del balance geostrófico calculado con el ciclo anual de la altura dinámica absoluta
(ANM del ciclo anual + Topografía dinámica media). Los resultados muestran que la
plataforma media y externa está dominada por un flujo nor-noreste que se intensifica en
verano (marzo) y se debilita en inverno (septiembre). En la plataforma interna se
observan corrientes con velocidades pequeñas, del orden de 2 cm/seg, que invierten su
dirección entre verano e invierno. En la zona de El Rincón se observa la formación de
un giro anticiclónico en verano el cual desaparece en invierno. Hacia el talud la
magnitud de las velocidades de las corrientes aumenta hasta alcanzar valores de entre 12
y 20 cm/seg. La presencia de una corriente hacia el nor-noreste es coherente con los
resultados de Palma et al. (2008) basados en un modelo numérico. Por otro lado, entre

105  
27ºS y 43ºS, Strub et al. (2015) analizaron la circulación a través de las velocidades
geostróficas derivadas de la ANM de AVISO (promedio mensual de 12 años) y
topografía dinámica media del modelo ROMS. En la región coincidente con la
analizada en el Capítulo 3, también observaron un flujo nor-noreste que varía
estacionalmente. Al norte del Río de la Plata el flujo es hacia el sur y converge con el
flujo hacia el norte cerca de 32ºS. Esta zona de convergencia se desplaza más allá de
27ºS en junio, y hacia 34º-35ºS en diciembre-enero (Strub et al., 2015). Estos resultados
confirman el patrón de circulación estacional del estuario del Río de la Plata
documentado hasta el momento con modelos (e.g. Palma et al., 2008) y datos
hidrográficos (Piola et al., 2000).
Una pregunta que puede surgir de representar la circulación oceánica utilizando
balance geostrófico es si las corrientes derivadas de la altura del mar corresponden a
toda la columna de agua o una capa superficial. En general, estas corrientes son
representativas de las corrientes por debajo de la profundidad de la capa de Ekman que
varía entre 30-50 metros (Strub et al., 1997). Esto se puede corroborar haciendo una
comparación con datos de correntómetros. No obstante, Strub et al. (2015) sugieren que
las corrientes geostróficas que se estimaron con datos de altimetría en la plataforma
representan la capa superficial y que sobreestiman las velocidades en el fondo.
El estudio de la circulación en la PCAS a escala estacional con datos de altimetría
es el paso inicial para futuras investigaciones. Recientemente, en el marco de un
proyecto en conjunto entre Argentina y Francia, se realizaron dos campañas
oceanográficas para fondear instrumentos que midan presión, velocidad, temperatura y
salinidad, entre otros. En diciembre del 2014 los fondeos se realizaron a lo largo de la
traza 26 de Jason, que abarcó gran parte de la plataforma y de la Corriente de Malvinas.
Uno de los objetivos de este proyecto es seguir avanzando en el conocimiento de la
circulación de la plataforma y de su interacción con la Corriente de Malvinas usando
datos de altimetría satelital y datos in-situ
(http://www.cima.fcen.uba.ar/malvinascurrent/es/). Las series de tiempo que se
obtuvieron permitirán comparar las corrientes y la altura del mar obtenidas con los
instrumentos y con el satélite. Además, con las mediciones de temperatura, salinidad y
velocidad se podrá analizar la variabilidad del intercambio de masas de agua entre
plataforma y la Corriente de Malvinas que puede afectar el balance de calor como se
mencionó anteriormente.

106  
 En el Capítulo 3 también mostramos el patrón espacial de la tendencia de la ANM
satelital en la PCAS para el período 1993-2013. La región está dominada por tendencias
positivas, todas significativas con el 95% del nivel de confianza, que varían entre 1 y 5
mm/año. La tendencia promedio es de 2.5 mm/año, que es similar al valor reportado
para la tendencia lineal a nivel global (3.32 mm/año, CNES/Legos/CLS, 2015). Al norte
de 39ºS, la tendencia lineal de la ANM es mayor a 4 mm/año, y se debe al corrimiento
de la Corriente de Brasil en respuesta al desplazamiento del sistema de Alta Presión del
Atlántico Sur. Este corrimiento de la Corriente de Brasil está afectando la tendencia
hasta 34ºS, como mostramos en el análisis de la tendencia de la ANM en el estuario del
Río de la Plata (Saraceno et al., 2014). En la región superior del Río de la Plata y en el
norte de la Laguna de los Patos la tendencia positiva es de 1-2 mm/año (Saraceno et al.,
2014), en buen acuerdo con las estimaciones basadas en datos de mareógrafos
(D’Onofrio et al., 2008; Möller y Fernandes, 2010). Adicionalmente, dos regiones
costeras, en 50ºS y en 42ºS, también muestran tendencias mayores a 4 mm/año. Las
causas de estas observaciones se discuten en función del viento y de la descarga del río.
Finalmente, evaluamos si estos valores de tendencia en 50ºS y 42ºS podían ser producto
de una mala interpolación de los datos grillados. Sin embargo, las tendencias lineales
calculadas con datos de altimetría a lo largo de las trazas de Centre de Topographie des
Océans et de I’Hydrosphére (CTOH) muestran un resultado similar. Por lo tanto, estas
tendencias relativamente altas se generarían por un efecto físico y no por un error en la
interpolación de los datos.

5.3 Síntesis y discusión Capítulo 4

Luego de haber encontrado resultados satisfactorios en el análisis de la escala
estacional de la ANM satelital y en la tendencia lineal del nivel del mar, nos
cuestionamos si es posible estudiar la variabilidad de la altura del mar a escala de
tiempo menores a la estacional. Como se mencionó en el Capítulo 1, una metodología
para mejorar la calidad de los datos altimétricos en las regiones costeras es mejorando
los modelos que simulan la altura del mar debido a altas frecuencias, como el efecto del
viento, la presión, o la marea. Por tanto, se planteó como tercer objetivo comparar tres
modelos barotrópicos que simulan la altura del mar en respuesta al forzante del viento y
a la presión en el estuario del Río de la Plata (Capítulo 4). Los dos de los modelos
regionales utilizados, HamSOM y SMARA, fueron previamente implementados y

107  
validados en el estuario del Río de la Plata. El tercer modelo es el modelo global
Mog2D que se utiliza para corregir los productos de altimetría, como los mapas
grillados y los datos a lo largo de la traza. Los resultados muestran que los modelos
regionales representan mejor la variabilidad de la altura del mar debido al forzante
atmosférico en la parte norte del Río de la Plata. En ésta zona la altura del mar está
afectada por ondas de tormenta positivas y negativas, que los modelos regionales
simulan mejor que el modelo global. En cambio, el modelo global es mejor para simular
la altura del mar en la desembocadura del río.
Además de analizar los modelos que simulan la altura del mar debido al efecto
atmosférico, analizamos los modelos, tanto globales como regionales, que simulan la
marea astronómica. La corrección de marea en los datos altimétricos también es
importante, ya que conlleva a un error en los datos si no se elimina correctamente el
efecto de marea. Los resultados muestran que el modelo regional HamSOM es el que
mejor representa la componente semidiurna M2 en la estación de Palermo, como mostró
Simionato et al. (2004), con un error cuadrático medio de 1.31 cm. Sin embargo, la
suma del error cuadrático de las cinco componentes analizadas (M2, N2, S2, K1 y O1) es
de 13.3 cm. En las dos estaciones (Palermo y Oyarbide) donde se analizaron los
modelos de marea, la suma de los errores cuadráticos variaron entre 13 cm y 42.7 cm,
siendo del orden de magnitud de la amplitud de la marea in-situ. Con estos resultados
concluimos que es necesario mejorar los modelos de marea en la parte superior e
intermedia del estuario del Río de la Plata para eliminar adecuadamente ésta señal de
los datos altimétricos. En cambio, en la región de la desembocadura, los modelos
globales de marea que se utilizan en los productos altimétricos no contaminan la ANM
satelital (Strub et al., 2015).
Por último, en el Capítulo 4 analizamos dos trazas de ENVISAT RA-2 de alta
resolución espacial (18 Hz) en la parte norte del estuario: traza #0493 y traza #0964.
Las mediciones de altimetría resultaron ser sensibles al modelo de re-tracking que se
utilice, siendo el modelo Ice 1 el más óptimo. Para obtener la mayor cantidad de
mediciones de buena calidad, aplicamos un método objetivo que consiste en eliminar
los valores que superen la media de la sección ± 2 desvíos estándar (3 en el caso de la
traza #964), y conservamos los puntos de la traza en los cuales la serie de tiempo tenga
menos del 20% de datos faltantes. Con los datos altimétricos conservados obtuvimos
una correlación significativa con los datos del mareógrafo de Palermo: 0.94 para #0493
y 0.66 para #0964. En particular, con la serie de tiempo de la altura del mar de la traza

108  
#0493 se identificó un evento de onda de tormenta positiva que se produjo el 27 de
septiembre del 2009. Sin embargo, con la traza #0964 no evidenciamos eventos de onda
de tormenta. Cuando a los datos de altura del mar satelital e in-situ le eliminamos la
variabilidad del efecto atmosférico y de marea con la mejor corrección (HamSOM y
SMARA, marea astronómica in-situ), se puede evidenciar el aumento del nivel del mar
asociado al aumento en la descarga del río en respuesta a la fase cálida del evento
ENOS. Esto es evidente con los datos de la traza #0493. Del análisis de los datos
satelitales a lo largo de las trazas concluimos que el altímetro representa adecuadamente
la altura del mar cuando no se corrige por marea y por efecto atmosférico.
Para extender la cantidad de puntos a lo largo de la traza #0964 se podría evaluar
el modelo de re-tracking ALES que está diseñado para poder recobrar más mediciones
altimétricas en las cercanías de las costas (Passaro et al., 2014). En esta zona es donde el
efecto de las ondas de tormenta negativa y positiva tiene mayor impacto. Por otro lado,
se podría analizar los datos de la misión SARAL que tiene la misma órbita y resolución
temporal que ENVISAT. Esto permitiría extender las series temporales y seguir
investigando la detección de eventos asociados al viento.
Uno de los propósitos para hallar el mejor modelo que simule la altura del mar
debido al forzante atmosférico y debido a la marea en la región es obtener datos de
ANM satelital con mayor precisión, y luego poder estimar las velocidades geostróficas a
lo largo de las trazas. Sin embargo, el estudio de la circulación en la región superior e
intermedia del Río de la Plata no se ha podido realizar. El principal motivo se debe a la
baja precisión de los modelos de marea. Como alternativa se podría filtrar las series de
tiempo de la altura del mar con un filtro pasa bajos para eliminar las altas frecuencias de
la señal.

5.4 Aporte científico de los resultados

En una región como la PCAS, una de las plataformas más extensas del mundo,
donde la cantidad de mediciones in-situ de velocidad de corriente y de altura del mar es
escasa, el uso de datos satelitales es importante. Por ello consideramos que los
resultados obtenidos en esta investigación aportan información valiosa a la comunidad
oceanográfica. La descripción del patrón espacial de la circulación superficial a escala
estacional basado en datos de altimetría es uno de los aportes más novedosos, ya que la
mayoría de los estudios previos se realizaron con modelos numéricos. La descripción

109  
estacional de la circulación podría ser de utilidad para el estudio del comportamiento de
distintas especies de peces que abundan en la región. Conociendo mejor los recursos
pesqueros se podría generar un plan de sustentable de pesquería. Por otro lado, se podría
utilizar la información que aporta la altimetría en modelos climáticos para la predicción
de escenarios futuros asociado al calentamiento global.
En esta tesis también documentamos la variación de la tendencia lineal del nivel
del mar que hasta el momento se ha realizado con el mareógrafo de Ushuaia (Dragani et
al., 2014), Palermo (D’Onofrio et al., 2008) y de Mar del Plata (Fiore et al., 2008). El
estudio de la tendencia es de suma importancia en el contexto del cambio climático, que
afecta directamente a las ciudades costeras. Como se mencionó en la Sección 1.1, se
esta observando un incremento en la concentración de gases de efecto invernadero que
genera un aumento a nivel global del nivel del mar. En PCAS se muestran tendencias
positivas, que podrían erosionar las costas si el aumento sigue progresando. Una
pregunta que surge de estos resultados es cuanto se debe al forzante natural y cuanto al
forzante antropogénico.
Por otro lado, el estudio de las correcciones de marea y del efecto atmosférico
muestra que es necesario lograr mejorar la precisión de los modelos numéricos
regionales y globales para obtener una mejor calidad de los datos altimétricos en las
regiones costeras. En nuestra región se obtienen mejores resultados con los modelos
regionales que con los globales. En particular, es necesario avanzar en el modelado de
la marea astronómica en el Río de la Plata. La onda de marea propaga de manera
diferente en función de la batimetría y línea de costa de cada región, por lo cual, lo
aconsejable es desarrollar modelos regionales para obtener una mejor predicción de la
marea astronómica. De cualquier manera, mostramos que los datos de altimetría en esta
zona pueden detectar la variabilidad del nivel del mar debido al viento, y evidenciar las
ondas de tormenta y eventos ENOS. Esto permitirá desarrollar modelos operativos que
asimilen datos de altimetría para monitorear eventos extremos. En caso de anomalías
positivas de la altura del mar, se generan inundaciones que afectan zonas urbanas. En
caso de anomalías negativas se puede restringir el acceso de los buques a los puertos.
Como se describió al final del Capítulo 4, el trabajo de Etala et al. (2015) abre un
horizonte promisorio para la asimilación de datos de altimetría con el fin de mejorar el
pronóstico de ondas de tormentas en la región. Asimismo, se demostró en otros trabajos
(e.g. Madsen et al., 2015) como, tras asimilar los datos de altimetría satelital en modelos
de circulación global y regional, se consiguen simulaciones que ajustan mejor a las

110  
observaciones. Antes de proceder a la asimilación de los datos de altimetría en un
modelo de circulación en regiones como la de la PCAS, no obstante, es necesario
conocer lo mejor posible el error asociado a los datos altimétricos. En este sentido esta
tesis doctoral aporta un conocimiento valioso. Como corolario, pone en evidencia que
varios modelos más simples, como los de marea y de circulación atmosférica, tanto
regionales como globales, tienen falencias importantes.

111  
112  
Apéndice A: Resolución espacial del FNC

En esta sección investigamos si la baja resolución espacial (1ºx1º) de la base de

datos OAflux que se utiliza para computar la variación de la altura termo-estérica (Ec.
3.5) podría ser la causa de que la ANMFNC sea menor en la región norte que en la región
sur. La hipótesis se basa en el hecho que la plataforma continental es más angosta en la
región norte que en la región sur. Por ende, una resolución espacial baja podría perder
información de la región norte. Esto significaría que el FNC usado no estaría
representando un posible proceso oceanográfico de escala menor a un grado. Para
testear la hipótesis volvimos a computar la ANMFNC con los datos de NCEP CFSR
(ANMCFSR), los cuales tienen una resolución espacial de medio grado. Los campos
medios de 17 años (1993-2009) del FNC de NCEP CFSR (FNCCFSR) y de OAflux
(FNCOaflux) se muestran en la Figura A1.

a) b)

Figura A1: Campo medio de 17 años (1993-2009) del Flujo de Calor Neto (W/m2) para: a) Oaflux con
una resolución espacial de 1 grado y b) para NCEP Climate Forecast System Reanalysis (CFSR) con una
resolución espacial de ½ grado. La línea negra indica la isobata de 200 metros.

Ambos set de datos exhiben magnitudes y distribución espacial similares, con

flujos de calor positivos (el océano gana calor) relativamente bajos cerca de la costa (0-
30 W/m2), flujo de calor positivos altos alrededor del talud (>60 W/m2) y flujos de calor

113  
negativos más hacia el mar abierto (<50 W/m2). Como se esperaba, el FNCCFSR revela
más detalles, particularmente sobre la plataforma y este de la CM. Entre 40ºS y 36ºS
hay un marcado gradiente zonal en el FNCCFSR (Fig. A1b), el cual no es bien resuelto
por el FNCOaflux (Fig. A1a). Cerca de las Islas Malvinas el FNCCFSR es ~40W/m2 (e.g.
aproximadamente 10 W/m2 más grande que FNCOaflux). También observamos que el
área dominada por valores negativos alcanza menores valores en el FNCCFSR que en
FNCOaflux.

a) b)

Figura A2: Distribución espacial de la a) amplitud anual (cm) de la ANM calculada con la Ec. 3.5 y
usando datos de FNC de OAflux. b) Tasa porcentual (%) entre la amplitud anual de a anomalía de la
altura estérica (ANMOAflux) y la ANM para cada pixel. Las estrellas negras indican las tasas mayores al
100%. La línea magenta indica la isobata de 200 metros.

La Figura A2a muestra la amplitud anual de la ANMOAflux. La distribución

espacial de la amplitud anual es similar a la amplitud de la ANMFNC (Fig. 3.5a) pero el
máximo valor disminuye 0.5 cm. Los valores bajos (~2.5 cm) están ubicados a lo largo
del talud, sur de 48ºS, y entre 37ºS y 39ºS. La región costera, entre 39ºS y 44ºS, está
dominada por amplitudes grandes (3.5-4 cm). La tasa entre la amplitud de la ANMOAflux
y la ANM (Fig. A2b) indica que la amplitud de la ANMOAflux explica hasta el 100% de
la variación estacional de la ANM en una porción del dominio. Sin embargo, norte de
42ºS el porcentaje explicado por la ANMOAflux es menor al 60% (Fig. A2b), que
concuerda con lo observado en la ANMFNC. El área con menor tasa ANMOAflux/ANM es
más grande que el área observada en la Figura 3.5b. Se observan mejoras en el Golfo

114  
San Matías y el Golfo San Jorge. Además, la región en donde se observan tasas de
ANMOAflux/ANM mayor al 100% ocupa casi el misma área que la tasa calculada con
ANMFNC/ANM (Fig. 3.5b). Por lo que, a pesar de la mejora en la resolución de FNC,
las discrepancias entre las bases de datos de FNC no parecieran afectar
significativamente la estimación de la anomalía de la componente térmica del efecto
estérico en la región norte de la PCA.

115  
116  
Apéndice B: Precisión de WOA

Un parámetro crítico para computar la ANM con la Ecuación 3.5 es el coeficiente

de expansión térmica (α). Este coeficiente depende de la T, S y presión (P). La
variabilidad de α se asocia principalmente a los cambios en la T, y en menor medida a
cambios en S y P. En este Apéndice comparamos perfiles verticales de densidad y los
coeficientes de expansión térmica del agua de mar derivados de T, S y P de la base de
datos WOA09 y derivados de datos in-situ hidrográficos disponibles en tres sitios a lo
largo de la PCAS: plataforma norte 38.5ºS-55.5ºW, plataforma media 43.5ºS-60.5ºW,
plataforma sur 47.5ºS-63.5ºW. Para esto utilizamos las funciones oceanográficas GSW
(ver Sección 3.2.3).

Summer Winter
0 0

−10 a) −10 b)
−20 −20

−30 −30

−40 −40
Depth (m)
Depth (m)

−50 −50

−60 −60

−70 −70

−80 −80

−90 −90

−100 −100
24 24.5 25 25.5 26 26.5 27 27.5 24 24.5 25 25.5 26 26.5 27 27.5
Sigma (kg/m3) Sigma (kg/m3)

Figura B1: Perfiles verticales de densidad (sigma-tita, kg/m3) para a) verano (marzo) e b) invierno
(septiembre). Las líneas solidas representan los datos de WOA09 y las líneas punteadas representan los
datos in-situ. Los perfiles ubicados en la plataforma norte (38.5ºS-55.5ºW), media (43.5ºS-60.5ºW) y sur
(47.5ºS-63.5ºW) están indicados respectivamente con las líneas azules, magenta y negras.

Nuestra hipótesis es que las climatologías de WOA09 podrían presentar perfiles

suavizados de temperatura y salinidad que podría llevar un error significativo en la
estimación del coeficiente de expansión térmica en la PCA. La Figura B1 muestra los
perfiles verticales de densidad in-situ en tres diferentes latitudes a lo largo de la PCA
junto con los perfiles verticales más cercanos de WOA09 para verano (marzo) e
invierno (septiembre). Se observa la picnoclina estacional bien desarrollada durante el
verano mientras que en invierno la columna de agua es prácticamente homogénea. No

117  
obstante, se puede apreciar diferencias significativas entre los datos in-situ y WOA09,
particularmente en verano, donde los perfiles de densidad derivados de WOA09 no
muestran una capa de mezcla definida como en los datos in-situ hidrográficos (Fig.
B1a). También observamos que el perfil in-situ tiene una marcada picnoclina
comparada con WOA09 en la latitud sur (Fig. B1a). En invierno y verano, los perfiles
de densidad de WOA09 presentan valores de más altos que los perfiles de densidad
hidrográficos (Fig. B1b).

−4
4 x 10
36oS 2.6
3
a) in−situ
b) 2.5
WOA
satellite
2
o
38 S 2.4
2.3
1
o 2.2
SLA (cm)

40 S
0
2.1
−1 2
42oS
−2 1.9
1.8
−3
44oS 1.7
−4
01 02 03 04 05 06 07 08 09 10 11 12
o o o o o
Time 68 W 64 W 60 W 56 W 52 W

Figura B2: a) Series de tiempo de la ANM estacional (cm) derivadas del altímetro (azul) y del FNC
usando el coeficiente de expansión térmica calculado con WOA (magenta) y con los datos in-situ (negra)
que se colectaron en la región indicada en el panel b. b) Distribución espacial del coeficiente de
expansión térmica (ºC-1) derivada de WOA09 para el mes de marzo superpuesta con los valores estimados
usando los datos in-situ (círculos). El rectángulo negro delimita la región donde se construyó la
climatología del coeficiente de expansión térmica in-situ para luego estimar la ANMFNC (panel a)). La
línea negra indica la isobata de 200 metros.

Luego, estimamos los coeficientes de expansión térmica con ambas base de datos
para cada mes del año, y así evaluar si el impacto de las discrepancias entre los perfiles
de densidad son significativos o no. Aquí enfocamos la comparación en el verano
austral (marzo) a modo de ejemplo. La Figura B2b muestra la distribución del
coeficiente de expansión térmica derivado de WOA09 superpuesto con los coeficientes
in-situ (círculos) para el mes de marzo. Notar que la magnitud de ambos coeficientes es
similar, pero hay diferencias al sur de 40ºS en la plataforma exterior. El coeficiente de
correlación lineal entre los coeficientes de expansión térmica computados con datos
hidrográficos y con WOA09 más cercano es 0.62 significativo con el 95% de nivel de
confianza (95% NC) para marzo. El análisis de los doce meses climatológicos muestra

118  
que hay solo dos meses, julio y agosto, donde la correlación lineal no es significativa
(no se muestra).
Para cuantificar mejor las diferencias entre las dos bases de datos, comparamos la
variabilidad anual del coeficiente de expansión térmica sobre una región en particular
(38-39ºS y 56-57ºW, ver Fig. B2b) donde al menos una estación hidrográfica está
disponible para cada mes. Luego, estimamos las variaciones de la altura del mar debido
al efecto termo-estérico usando el coeficiente de expansión térmica derivado de las
observaciones in-situ (ANMin-situ). La amplitud de la ANMin-situ (~2.8 cm) es alrededor
de 0.3 cm más grande que la amplitud de la ANMCFSR (2.5 cm), pero no llega a alcanzar
la amplitud de la ANM (~4 cm). Estos resultados sugieren que el coeficiente de
expansión térmica derivado de WOA09 en esta región tiende a subestimar el ciclo anual
de la altura estérica. El uso de los datos in-situ mejora de alguna manera el cómputo
pero no logra explicar toda la amplitud de la señal anual de la ANM, sugiriendo,
además, que en la plataforma externa los procesos advectivos son significativos.

119  
120  
Apéndice C: Trabajos relacionados con la Tesis

Los resultados de esta tesis se han publicado en revistas científicas y presentado

en congresos internacionales y nacionales.

Capítulo 2:
•   Ruiz Etcheverry, L.A., Saraceno, M., Piola, A.R., Valladeau, G., & Möller, O.O.
(2015). A comparison of the annual cycle of sea level in coastal areas from gridded
satellite altimetry and tide gauges. Continental Shelf Research, 92, 87-97.
•   L. A. Ruiz Etcheverry, M. Saraceno, G. Valladeau and O. O. Möller, Annual cycle
in Coastal Sea Level from Gridded Satellite Altimetry and Tide Gauges.
Presentación oral en 7th Coastal Altimetry Workshop, ha llevarse a cabo en Boulder,
CO, Estados Unidos, 2013.

Capítulo 3:
•   L.A. Ruiz Etcheverry, M. Saraceno, A.R. Piola and P. T. Strub, 2015. Sea level
anomaly on the Patagonian continental shelf: trends, annual patterns and geostrophic
flows. J. Geophys. Res. En revisión.
•   L. A. Ruiz Etcheverry, M. Saraceno, Variabilidad estacional de la anomalía del
nivel de mar en la Plataforma Continental del Atlántico Sudoccidental. Presentación
oral en OCEATLAN IX a llevarse a cabo el 20 y 21 de Marzo 2013, Buenos Aires,
Argentina.
•   L. A. Ruiz Etcheverry, M. Saraceno, Seasonal Sea Level Anomaly patterns over
Argentine Continental Shelf. Presentación poster en 20 Years of Progress in Radar
Altimetry a llevarse a cabo del 24 al 29 de Septiembre 2012, Venecia, Italia.
•   L. A. Ruiz Etcheverry, M. Saraceno, Seasonal Sea Level Anomaly patterns over
Argentine Continental Shelf. Presentación poster en 6th Coastal Altimetry
Workshop, ha llevarse en Riva del Garda, Italia, 2012.
•   L. A. Ruiz Etcheverry y M. Saraceno, Variación estacional de la anomalía del nivel
del mar en la Plataforma Continental Argentina. Presentación Poster en las VIII
Jornadas Nacionales de Ciencias del Mar, llevadas a cabo en la ciudad de Comodoro
Rivadavia del 3 al 7 de Diciembre 2012.

121  
Capítulo 4:
•   L.A. Ruiz Etcheverry, M. Saraceno and J. Gomez-Enri, 2015. Use of satellite data in
the Río de la Plata estuary. In preparation.
•   L.A. Ruiz Etcheverry, M. Saraceno and J. Gomez-Enri. Use of satellite data in the
Río de la Plata estuary. Presentación poster, OSTST, 20-23 de Octubre 2015,
Reston, Virginia, USA.
•   L.A. Ruiz Etcheverry, M. Saraceno and J. Gomez-Enri. Use of satellite data in the
Río de la Plata estuary. Presentación poster, 9th Coastal Altimetry Workshop, 18-19
de Octubre 2015, Reston, Virginia, USA
•   Ruiz Etcheverry, L.A. and M. Saraceno, Sea Level Response to Pressure and Wind
Forcing in a Shallow Estuary: Validation of Two Barotropic Models with Tide
Gauge and Altimetry Data. Presentación oral, 8th Coastal Altimetry Workshop, 23-
24 de Octubre 2014, Konstanz, Alemania.
•   Ruiz Etcheverry, L.A. and M. Saraceno, Sea Level Response to Pressure and Wind
Forcing in a Shallow Estuary: Validation of Two Barotropic Models with Tide
Gauge and Altimetry Data. Presentación poster, OSTST, 28-31 de Octubre 2014,
Konstanz, Alemania.

Relacionado con el Capítulo 3, se ha colaborado en los siguientes trabajos:

•   Saraceno, M., Simionato, C.G., Ruiz Etcheverry, L., 2014. Sea surface height trend
and variability at seasonal and interannual time scales in the Southeastern South
American continental shelf between 27°S and 40 °S. Cont. Shelf Res. 91 (2014),
82–94. http://dx.doi.org/10.1016/j.csr.2014.09.002.
•   Strub, P. T., C. James, V. Combes, R. P. Matano, A. R. Piola, E. D. Palma, M.
Saraceno, R. A. Guerrero, H. Fenco, and L. A. Ruiz- Etcheverry (2015), Altimeter-
derived seasonal circulation on the southwest Atlantic shelf: 27ºS–43ºS, J. Geophys.
Res. Oceans, 120, doi:10.1002/2015JC010769.

122  
Referencias:
Acha, E.M., Mianzan,H.W., Guerrero,R.A., Favero, M., Bava, J., 2004. Marine fronts at
the continental shelves of austral South America—physical and ecological
processes. Journal of Marine Systems 44, 83–105.
Aguirre, C., Pizarro, O., Strub, P. T., Garreaud, R., Barth, J. A., 2012. Seasonal
dynamics of the near-surface alongshore flow off central Chile. J. Geophys. Res.,
117, C01006, doi: 10.1029/2011JC007379.
Alvera-Azcárate, A., Barth, A., Wiesberg, R. H., 2008. The Surface Circulation of the
Caribbean Sea and the Gulf of Mexico as inferred from Satellite Altimetry. J.
Physical Oceanography, 39, 640-657.
Andrews, W. R. H. and L. Hutchings, 1980. Upwelling in the Southern Benguela
Current. Progress in Oceanography, Vol. 9, 1-8, doi: 10.1016/0079-
6611(80)90015-4.
Anzenhofer, M., Shum, C.K., Rentsh, M., 1999. Coastal Altimetry and Applications.
Rep. 464. Department of Geodetic Science and Surveying Ohio State University,
Columbus.
Aviso, 2012. Ssalto/Ducas User Handbook: (M)SLA and (M)ADT Near-Real Time and
Delayed Time Products SALP-MU-P-EA-21065-CLS, edition 1.10.
Aviso, 2014. Ssalto/Ducas User Handbook: (M)SLA and (M)ADT Near-Real Time and
Delayed Time Products SALP-MU-P-EA-21065-CLS, edition 4.2.
Backhaus, J.O., 1983. A semi-implicit scheme for the shallow water equations for
application to shelf sea modelling. Continental Shelf Research 2 (4), 243–254.
Backhaus, J.O., 1985. A three dimensional model for simulation of shelf sea dynamics.
Deutsche Hydrographische Zeitschirft 38 (H.4), 164–187.

Barros, V. E., Doyle, M. E., Camillioni, L. A., 2008. Precipitation trends in southeastern
South America: relationship with ENSO phases and with low-level circulation.
Theor. Appl. Climatol., 93: 19-33, doi: 10.1007/s00704-007-0329.
Beckley, B. D., Zelensky, N. P., Holmes, S. A., Lemoine, F. G., Ray, R. D., Mitchum,
G. T., et al., S. T., 2010. Assessment of the Jason-2 extension to the
TOPEX/Poseidon, Jason-1 sea-surface height time series for global mean sea
level monitoring. Marine Geodesy, 33(S1), 447-471.

123  
Bell, R.G., Goring, D.G., 1998. Seasonal variability of sea-level and sea-surface
temperature on the north-east coast of New Zealand. Estuar. Coast. Shelf Sci. 46
(2), 307–318.
Berasategui, A.D., Menu Marque, S., Gómez-Erache, M., Ramírez, F.C., Mianzan,
H.W., Acha, E.M., 2006. Copepod assemblages in a highly complex
hydrographic region. Estuarine, Coastal and Shelf Science 66, 483–492.
Berry, P. A. M., Smith, R. G., Freeman, J. A. (2007). A global assessment of the RA-2
performance over all surfaces, ESA Special Publication, Elsevier Inc. 7pp.
Bianchi, A. A., Pino, D. R., Perlender, H. G. I., Osiroff, A. P., Segura, V., Lutz, V., ... &
Piola, A. R. (2009). Annual balance and seasonal variability of sea‐air CO2
fluxes in the Patagonia Sea: Their relationship with fronts and chlorophyll
distribution. Journal of Geophysical Research: Oceans (1978–2012), 114(C3).
Bianchi, A. A., Bianucci, L., Piola, A. R., R. Pino, D., Schloss, L., Poisson, A.,
Balestrini, C. F., 2005. Vertical stratification and air-sea CO2 fluxes in the
Patagonian shelf. J. Geophys. Res., 110, C07003, doi:10.1029/2004JC002488.
Blumberg, A.F., Mellor, G.L., 1987. A description of a threedimensional coastal ocean
circulation model. In: Heaps, N. (Ed.), Three-Dimensional Coastal Ocean
Models, Coastal Estuarine Science Series, vol. 2. AGU, Washington, DC, pp. 1–
16.
Borús, J., M. Uriburu Quirno, and D. Calvo (2013), Evaluación de caudales diarios
descargados por los grandes ríos del sistema del Plata al estuario del Río de La
Plata, Alerta hidrológico-Inst. Nac. del Agua y el Ambiente, Ezeiza, Argentina.
Bouffard, J., S. Vignudelli, M. Hermann, F. Lyard, P. Marsaleix, Y. Menard and P.
Cipollini (2008). Comparison of ocean dynamics with a regional circulation
model and improved altimetry in the northwestern Mediterranean, in Special
Issue "Satellite Altimetry Over Land and Coastal Zones: Challenges and
Applications," Journal of Terrestrial, Atmospheric and Oceanic Science, doi:
10.3319/TAO.2008.19.1-2.117(SA).
Boyer, T. P., et al. (2009), World Ocean Database 2009, vol. 1, Introduction, NOAA
Atlas NESDIS, vol. 66, edited by S. Levitus, 219 pp., NOAA, Silver Spring,
Md.
Brandini, F.P., Boltovskoy, D., Piola, A.R., Kocmur, S., Röttgers, R., Abreu, P.A.,
Lopes, R. M, 2000. Multiannual trends in fronts and distribution of nutrients and

124  
 chlorophyll in the southwestern Atlantic (30-62ºS). Deep Sea Research, Vol. 47,
1015-1033. http://dx.doi.org/10.1016/S0967-0637(99)00075-8.
Camilloni, I. A. and V. R., Barros, 2003. Extreme discharge events in the Paraná River
and their climate forcing. Journal of Hydrology, Vol. 278, 94-106, doi:
10.1016/S0022-1694(03)00133-1.
Campetella, C. M., D’Onofrio, E., Cerne, S. B., Fiore, M. E. and Possia, N. E., 2006.
Negative storm surges in the Port of Buenos Aires. Int. J. Climatol. 27: 1091-
1101. doi: 10.1002/joc.1452.
Carrère, L., Lyard, F., 2003. Modeling the barotropic response of the global ocean to
atmospheric wind and pressure forcing: comparisons with observations. Geo-
phys. Res. Lett. 30, 1275. http://dx.doi.org/10.1029/2002GL016473.
Carrère L., F. Lyard, M. Cancet, A. Guillot, L. Roblou, FES2012: A new global tidal
model taking taking advantage of nearly 20 years of altimetry, Proceedings of
meeting "20 Years of Altimetry", Venice 2012.
Castelao, R. M. (2012). Sea surface temperature and wind stress curl variability near a
cape. Journal of Physical Oceanography, 42(11), 2073-2087.
Castelao, R. M., Campos, E. J., & Miller, J. L. (2004). A modelling study of coastal
upwelling driven by wind and meanders of the Brazil Current. Journal of
Coastal Research, 662-671.
Cazenave, A., et al., 2012: Estimating ENSO influence on the global mean sea level,
1993–2010. Marine Geodesy, 35, 82-97.
Cazenave, A., Llovel, W., 2010. Contemporary Sea Level Rise. Annu. Rev. Marine.,sci:
2010.2:145-173.
Chelton, D. B., Schlax, M.G., Samelson, R.M., (2011). Global observations of nonlinear
mesoscale eddies. Prog. Oceanogr. doi:10.1016/j.pocean.2011.01.002.
Chelton, D., and M. G. Schlax (2003). The accuracies of smoothed sea surface height
fields constructed from tandem satellite altimeter datasets, Journal of
Atmospheric and Oceanic Technology, 20, 1276-1302.
Cipollini, P., J. Gomez-Enri, C. Gommenginger, C. Martin-Puig, S. Vignudelli, P.
Woodworth, J. Benveniste, "Developing radar altimetry in the oceanic coastal
zone: the COASTALT project". Presented at the European Geosciences Union
General Assembly 2008, Vienna, Austria, 13-18 April 2008.

125  
Combes, V., and R.P., Matano (2014), A two-way nested simulation of the oceanic
circulation in the Southwestern Atlantic, J. Geophys. Res.,119,
doi:10.1002/2013JC009498.
Deng, X., Featherstone, W.E., 2006. A coastal retracking system for satellite radar
altimeter waveforms: application to ERS-2 around Australia. J. Geophys. Res.
111, C06012. http://dx.doi.org/10.1029/2005JC003039.
Desportes, E., Obligis, E., Eymard, L., 2007. On the wet tropospheric correction for
altimetry in coastal regions. IEEE Trans. Geosci. Remote Sens 45 (7), 2139–
2142. http://dx.doi.org/10.1109/TGRS.2006.888967.
D’Onofrio, E.E., Fiore, M.M.E., Romero, S.I., 1999. Return periods of extreme water
levels estimated for some vulnerable areas of Buenos Aires. Continental Shelf
Research 19 (13), 1681–1693.
D’Onofrio, E.E. and Fiore, M.M.E., 2002. Influencia de los caudales aportados por los
ríos Paraná y Uruguay en el nivel medio del puerto de Buenos Aires. Report for
the project: Assessment of Impacts and Adaptations to Climate Change. A
Global Environment Facility project implemented by the United Nations
Environment Program. Informe Técnico No. 06/02. Buenos Aires: Departamento
Oceanografía, Servicio de Hidrografía Naval, 7p.
D’Onofrio, E.E., Fiore, M.M.E., Pousa, J.L., 2008. Changes in the regime of storm
surges at Buenos Aires, Argentina (West Palm Beach (Florida), ISSN 0749-
0208). J. Coast. Res. 24 (1A), 260–265. http://dx.doi.org/10.2112/008-NIS.1.
Dragani, W. C., D’Onofrio, E., Alonso, G., Fiore, M. and Oreiro F., 2014. Sea-Level
Trend at the Southernmost Region of South America. Journal of Coastal
Research, 30(1), 210-213. Coconit Creek (Florida). ISSN 0749-0208.
Ducet, N., Le Traon, P.Y., Reverdin, G., 2000. Global high resolution mapping of ocean
circulation from TOPEX/Poseidon and ERS-1/2. J. Geophys. Res. 105 (C5),
19477–19498. http://dx.doi.org/10.1029/2000JC900063.
Escobar G., Vargas W. and Bischoff, 2004. Wind tides in the Rio de la Plata estuary:
Meteorological conditions. Int. J. Climatol., 24, 1159-1169. doi:
10.1002/joc.1026.
Etala, M.P., 2000. Nested models for the calculation of the storm surge in the Bahı ́a
Blanca estuary (in Spanish). PhD thesis. University of Buenos Aires, Buenos
Aires.

126  
Etala, P., 2009. On the accuracy of atmospheric forcing for extra-tropical storm surge
prediction. Nat Hazards, 49-61. doi: 10.1007/s11069-009-9377-0.
Etala, P., Saraceno, M., & Echevarría, P. (2015). An investigation of ensemble-based
assimilation of satellite altimetry and tide gauge data in storm surge
prediction. Ocean Dynamics, 65(3), 435-447.
Fenoglio-Marc, L., Tel, E., García, M.J., Kjaer, N., 2005. Interannual to decadal
sealevel change in south-western Europe from satellite altimetry and in-situ
measure- ments. International Association of Geodesy Symposia, Porto,
Portugal, pp. 242–247. doi:10.1007/3-540-26932-0_42.
Ferry, N. & Reverdin, G., 2000. Seasonal sea surface height variability in the North
Atlantic Ocean. J. Geophys. Res., 105, 6307-6326.
Fiore, M.M.E.; D’Onofrio, E.E.; Grismeyer, W.H., and Mediavilla, D., 2008. El ascenso
del nivel del mar en la costa de la Provincia de Buenos Aires. Ciencia Hoy,
18(106), 50–57 [in Spanish].
Forbes, A.M.G., Church, J.A., 1983. Circulation in the Gulf of Carpentaria. II. Residual
currents and mean sea level. Austr. J. Mar. Freshw. Res. 34, 11–22. http://dx.doi.
org/10.1071/MF9830 011.
Fu, L.-L., Christensen, E.J., Yamarone Jr., C.A., Lefebvre, M., Menard, Y., Dorrer, M.,
Escudier, P., 1994. TOPEX/POSEIDON mission overview. J. Geophys. Res. 99,
24,369–24,381.
Fu L. –L., A. Cazenave, (2001). Satellite altimetry and earth sciences, A Handbook of
techniques and Applications, International Geophysics Series, volume 69.
Gill, A.E. & Niller, P.P., 1973. The Theory of the seasonal variability of the ocean.
Deep Sea Res., 20, 141-177.
Glorioso, P.D., Flather, R.A., 1997. The Patagonian Shelf tides. Prog. Oceanogr. 40 (1–
4), 263–283.
Gómez-Enri, J., Aboitiz, A., Tejedor, B., Villares, P., 2012. Seasonal and interannual
variability in the Gulf of Cadiz: validation of gridded altimeter products. Estuar.
Coast. Shelf Sci. 96, 114–121. http://dx.doi.org/10.1016/J.ECSS.2011.10.013.
Goni, G. J., Bringas, F., DiNezio, P. N., 2011. Observed low frequency variability of
the Brazil Current front. J. Geophys. Res., 116, C10037, doi:
10.1029/2011JC007198.
Gordon, A. L., and C. L. Greengrove, (1986). Geostrophic circulation of the Brazil-
Falkland confluence, Deep Sea Res. Part A, 33, 573-585.

127  
Guerrero, R. A., and A. R. Piola (1997). Masas de agua en la Plataforma Continental, in
El Mar Argentino y sus Recursos Pesqueros, vol. 1, edited by E. Boschi, pp.
107– 118, Inst. Nac. de Invest. y Desarrollo Pesquero, Mar del Plata, Argentina.
Han, G., Ikeda, M., Smith, P.C., 1993. Annual variation of sea surface slopes over the
Scotian Shelf and Grand Banks from Geosat altimetry. Atmos.–Ocean 31, 591–
615.
Hannah, J., 2004. An updated analysis of long-term sea level change in New Zeal- and.
Geophys. Res. Lett. 31, L03307.
Hemer, M. A., J. A. Church, and J. R. Hunter, 2010: Variability and trends in the
directional wave climate of the Southern Hemisphere. International Journal of
Climatology, 30, 475-491.
Holgate, S.J., Matthews, Woodworth, P.L., Rickards, L.J., Tamisiea, M.E., Bradshaw,
E., Foden, P.R., Gordon, K.M., Jevrejeva, S., Pugh, J., 2013. New data systems
and products at the permanent service for mean sea level. J. Coast. Res. 29 (3),
493–504. http://dx.doi.org/10.2112/JCOASTRES-d-12-00175.1.
International Panel on Climate Change, 2013. Climate Change 2013: the Physical
Science Basis, Working Group 1 Contribution to the Fifth Assessment Report of
the International Panel on Climate Change International Panel on Climate
Change, Cambridge, New York (2013).
Ivchenko, V.O., Danilov, S., Sidorenko, D., Schröter, J., Wenzel, M., Aleynik, D.L.,
2007. Comparing the steric height in the Northern Atlantic with satellite alti-
metry. Ocean Sci. 3, 485–490.
Ivchenko, V. O., Danilov, S., Sidorenko, D., Schröter, J., Wenzel, M., 2008. Steric
height variability in the Northern Atlantic on seasonal and interannual scales. J.
Geophys. Res. 113, C1107, doi: 10.1029/2008JC004836.
Jan, S., Wang, J., Chern, C.-S., Chao, S.-Y., 2002. Seasonal variation of the circulation
in the Taiwan Strait. J. Mar. Syst. 35 (3–4), 249–268. http://dx.doi.org/10.1016/
S0924-7963(02)00130-6.
Kalnay, E., Kanamitsu, M., Kistler, R., Collins, W., Deaven, D., Gandin, L., Iredell, M.,
Saha, S., White, G., Woollen, J., Zhu, Y., Leetmaa, A., Reynolds, R., Chelliah,
M., Ebisuki, W., Higgins, W., Janowiak, J., Mo, K., Ropelewski, C., Wang, J.,
Jenne, R., Joseph, D., 1996. The NCEP/NCAR 40-year reanalysis project. Bull.
Am. Meteorol. Soc. 77, 437-471.

128  
Laiz, I., Gómez-Enri, J., Tejedor, B., Aboitiz, A., Villares, P., 2013. Seasonal sea level
variations in the gulf of Cadiz continental shelf from in-situ measurements and
satellite altimetry. Cont. Shelf Res. 53, 77–88.
Lambeck, K., & Nakiboglu, S. M. (1984). Recent global changes in
sealevel.Geophysical Research Letters, 11(10), 959-961.
Lambin, J., A. Lombard and N. Picot (2008). CNES initiative for altimeter processing
in coastal zone: PISTACH, First Coastal Altimeter Workshop, Feb 5-7, 2008,
Silver Spring, MA.
http://cioss.coas.oregonstate.edu/CIOSS/workshops/Altimeter_workshop_08/Co
astal_Alt_Presentations/4_Picot_PISTACH.pdf.
Landerer, F. W., J. H. Jungclaus, and J. Marotzke, 2007: Regional dynamic and steric
sea level change in response to the IPCC-A1B scenario. Journal of Physical
Oceanography, 37, 296-312.
Lee-Lueng Fu, OSTST 2014. SWOT Status and Challenges.
Leeuwenburgh O., Stammer D. (2002). Uncertainties in altimetry-based velocity
estimates. J. Geophys. Res., 107, 3175,16 PP.
Leppäranta, M., 2012. Ice Season in the Baltic Sea and Its Climatic Variability. Chapter
9: From the Earth’s Core to Outer Space, pp 139–149. doi:10.1007/978-3-642-
25550-2_9.
Le Traon, P. Y., and G. Dibarboure (2002). Velocity mapping capabilities of present
and future altimeter missions: The role of high frequency signals, J. Atmos.
Oceanic Technol., 19, (2077-2088).
Le Traon, P. Y., Nadal, F., & Ducet, N. (1998). An improved mapping method of
multisatellite altimeter data. Journal of atmospheric and oceanic
technology,15(2), 522-534.
Leuliette, E.W. &Wahr, J.M., 1999. Coupled Pattern Analysis of the Sea Surface
Temperature and TOPEX/Poseidon Sea Surface Height. J. Geophys. Res., 29,
599-611.
Levitus, S., Antonov, J.I., Boyer, T.P., Baranova, O.K., Garcia, H.E., Locarnini, R.A.,
Mishonov, A.V., Reagan, J.R., Seidov, D., Yarosh, E.S., Zweng, M.M., 2012.
World ocean heat content and thermosteric sea level change (0–2000 m), 1955–
2010. Geophys. Res. Lett. 39, 10. http://dx.doi.org/10.1029/2012GL51106.
Levitus, S., J. Antonov, T. P. Boyer, and C. Stephens (2000), Warming of the world
ocean, Science, 287, 2225–2229.

129  
Lillibridge, J., 2005. Coastal altimetry challenges. Paper Presented at Science Review
Meeting, Cooperative Institute for Oceanographic Satellite Stud, Corvallis,
Oreg.
Lombard, A., Garric, G., Penduff, T., 2009. Regional patterns of observed sea level
change: insights from a 1⁄4° global ocean/sea-ice hindcast. Ocean Dyn. 59, 433–
449. http://dx.doi.org/10.1007/s10236-008-0161-6.
Lucas, A.J., Guerrero, R.A., Mianzán, H.W., Acha, E.M., Lasta, C.A., (2005). Coastal
oceanographic regimes of the Northern Argentine Continental Shelf (34-43ºS).
Estuarine, Coastal, and Shelf Science, 65, 405-420.
Lumpkin, R., and S. Garzoli, 2011. Interannual to decadal changes in the western South
Atlantic’s surface circulation,J. Geophys. Res., 116, C01014,
doi:10.1029/2010JC006285.
Luz Clara, M., C. G., Simionato, E., D’Onofrio, M., Fiore and D., Moreira, 2014.
Variability of tidal constants in the Río de la Plata estuary associated to the
natural cycles of the runoff. Estuar. Coast. Shelf Sci., 148, 85-96. DOI:
10.1016/j.ecss.2014.07.002.
Lyard, F., Lefevre, F., Letellier, T., Francis, O., 2006. Modelling the global ocean tides:
modern insights from FES2004. Ocean Dyn. 56 (5–6), 394–415.
Madsen, K.S., Høyer, J.L., Tscherning, C.C., 2007. Near-coastal satellite altimetry: sea
surface height variability in the North Sea–Baltic Sea area. Geophys. Res. Lett.
34, L14601. http://dx.doi.org/10.1029/2007GL029965.
Madsen, K. S., J. L. Høyer, W. Fu, and C. Donlon (2015), Blending of satellite and tide
gauge sea level observations and its assimilation in a storm surge model of the
North Sea and Baltic Sea, J. Geophys. Res. Oceans, 120, 6405–6418,
doi:10.1002/2015JC011070.
Mann KH, Lazier JRN (2006) Dynamics of marine ecosystems. Biological-physical
interactions in the oceans. Blackwell Science Publications, Cambridge.

Mantua, N. J., Hare, S. R., Zhang, Y., Wallace, J. M., & Francis, R. C. (1997). A Pacific
interdecadal climate oscillation with impacts on salmon production.Bulletin of
the american Meteorological Society, 78(6), 1069-1079.
Manzella, G.M.R., Borzelli, G., Cipollini, P., Guymer, T.H., Snaith, H.M., Vignudelli,
S., 1997. Potential use of satellite data to infer the circulation dynamics in a
marginal area of the Mediterranean Sea, Rep ESASP-414. European Space
Agency, Noordwijk, Netherlands.

130  
Masters, D., R. S. Nerem, C. Choe, E. Leuliette, B. Beckley, N. White, and M. Ablain,
2012: Comparison of global mean sea level time series from TOPEX/Poseidon,
Jason-1, and Jason-2. Marine Geodesy, 35, 20-41.
Matano R., Palma, E. D., Piola, A. R., 2010. The influence of the Brazil and Malvinas
Currents on the Southwestern Atlantic Shelf circulation. Ocean Science, 6, 983-
995.
Matano, R. P., V. Combes, A. R. Piola, R. Guerrero, E. D. Palma, P. T. Strub, C. James,
H. Fenco, Y. Chao, M. Saraceno, 2014, The salinity signature of the cross-shelf
exchanges in the Southwestern Atlantic Ocean: Numerical simulations, J.
Geophys. Res. Oceans, 119, doi:10.1002/2014JC010116.
McDougall, T.J. and P.M. Barker, 2011. Getting started with TEOS-10 and the Gibbs
Seawater (GSW) Oceanographic Toolbox, 28pp., SCOR/IAPSO WG127, ISBN
978-0-646-55621-5.
Meccia, V.L., Simionato, C.G., Fiore, M.E., D’Onofrio, E.E., Dragani, W.C., 2009. Sea
surface height variability in the Rio de la Plata estuary from synoptic to
interannual scales: results of numerical simulations. Estuar. Coast. Shelf Sci. 85
(2), 327–343.
Meyssignac, B., Cazenave, A., 2012. Sea level: a review of present-day and recent- past
changes and variability. J. Geodyn. 58 (0), 96–109.
Mitchum, G. T., R. S. Nerem, M. A. Merrifield, and W. R. Gehrels, 2010: Modern Sea-
Level-Change Estimates. Understanding Sea-Level Rise and Variability, J. A.
Church, P. L. Woodworth, T. Aarup, and W. S. Wilson, Eds., Wiley-
Blackwell.

Mitchum, G., 1994. Comparison of TOPEX sea surface heights and tide gauge sea
levels. J. Geophys. Res 99, 24541–24553.
Möller Jr, O.O., Piola, A.R., Freitas, A.C., Campos, E.J. D., 2008. The effects of river
discharge and seasonal winds on the shelf off southeastern South America. Cont.
Shelf Res. 28 (13), 1607–1624.
Möller, O.O., Fernandes, E., 2010. O Estuario da Lagoa dos Patos: um século de
transformaçoes (chapter 2). Ediçao de U. Seeliger, C. Odebrecht, Rio Frande,
FURG 180.
Monterey, G. & Levitus, S., 1997. Seasonal Variability of the Mixed Layer Depth for
the world Ocean, NOAA Atlas NESDIS 14, 100pp., Natl. Oceanic and Atmos.
Admin., Silver Spring, Md.

131  
Nerem, R. S., D. P. Chambers, C. Choe, and G. T. Mitchum, 2010: Estimating mean sea
level change from the TOPEX and Jason altimeter missions. Marine Geodesy,
33, 435-446.
Nerem, R. S., D. P. Chambers, E. W. Leuliette, G. T. Mitchum, and B. S. Giese, 1999:
Variations in global mean sea level associated with the 1997-1998 ENSO event:
Implications for measuring long term sea level change. Geophysical Research
Letters, 26, 3005-3008.
Palma, E. D., Matano, R. P., Piola, A. R., 2004a. A numerical study of the Southwestern
Atlantic Shelf circulation: Barotropic response to tidal and wind forcing. J.
Geophys. Res., 109, C08014, doi: 10.1029/2004JC002315.
Palma, E. D., Matano, R. P., Piola, A. R., Sitz, L., 2004b. A comparison of the
circulation patterns over the Southwestern Atlantic Shelf driven by different
wind stress climatologies. Geophys. Res. Lett., 31, L24303, doi:
10.1029/2004GL021068.
Palma, E. D., Matano, R. P., Piola, A. R., 2008. A numerical study of the Southwestern
Atlantic Shelf circulation: Stratified ocean response to local and offshore
forcing. J. Geophys. Res., 113, C11010, doi: 10.1029/2007JC004720.
Parke, M. E., R. H. Stewart, D. L. Farless, and D. E. Cartwright,(1987). On the choice
of orbits for an altimetric satellite to study ocean circulation and tides, J.
Geophys. Res., 92, 11,693– 11,707.
Parker, G., C. M. Paterlini, and R. A. Violante (1997), El Fondo Marino, in El Mar
Argentino y sus Recursos Pesqueros, vol. 1, edited by E. Boschi, pp. 65–87, Inst.
Nac. de Investigación y Desarrollo Pesquero, Mar del Plata, Argentina. Part II,
51(1– 3), 303– 318.
Pascual, A., Y. Faugere, G. Larnicol, and P.-Y. Le Traon (2006), Improved description
of the ocean mesoscale variability by combining four satellite altimeters,
Geophysical Research Letters, 33, 02611, doi: 10.1029/2005GL024633.
Pascual, A., M. I. Pujol, G. Larnicol, P. Y. Le Traon, and M. H. Rio (2007), Mesoscale
mapping capabilities of multisatellite altimeter missions: First results with real
data in the Mediterranean, Journal of Marine Systems, 65, (1), 190-211.
Pasquini, A. I., Depetris, P. J. (2011). Southern Patagonia’s Perito Moreno Glacier,
Lake Argentino, and Santa Cruz River hydrological system: An overview. Journal
of Hydrology, 405(1), 48-56.

132  
Passaro, M., P. Cipollini, S. Vignudelli, G. D., Quartly and H. M., Snaith, 2014. Ales: A
multi-mission adaptive subwaveform retracker for coastal and open ocean
altimetry. Remote Sensing of Environment, 145, 173-189. doi:
10.1016/j.re.2014.02.008.
Passaro, M., P. Cipollini, and J. Benveniste, 2015. Annual sea level variability of the
coastal ocean: The Baltic Sea-North Sea transition zone, J. Geophys. Res.
Oceans, 120, 3061–3078, doi:10.1002/2014JC010510.
Peltier, W.R., 2004. Global glacial isostasy and the surface of the ice-age Earth: the
ICE-5G(VM2) model and GRACE. Annu. Rev. Earth Planet. Sci. 32, 111–149.
http: //dx.doi.org/10.1146/annurev.earth.32.082503.144359.
Peltier, W. R., & Tushingham, A. M. (1991). Influence of glacial isostatic adjustment
on tide gauge measurements of secular sea level change. J. geophys.
Res, 96(B4), 6779-6796.
Permanent Service for Mean Sea Level (PSMSL), 2013. Tide Gauge Data. 〈http://
www.psmsl.org/data/obtaining〉 (retrieved 31.07.13).
Piola, A.R. and Gordon, A.L., 1989. Intermediate waters in the southwest South
Atlantic. Deep Sea Research Part A. Oceanographic Research. Vol. 36, No 1, pp
1-16.
Piola, A. R., Campos, E. J. D., Moller, O. O., Charo, M. and Martinez, C. (2000).
Subtropical shelf front off eastern South America, J. Geophys. Res., 105, C3,
6566–6578.
Piola, A. R., Matano, R. P., Palma, E. D., Möller, O. O., Charo, M., Campos, E. J. D.,
2005. The influence of the Plata River discharge on the western South Atlantic
shelf. Geophys. Res. Lett., 32, L01603, doi: 10.1029/2004GL021638.
Piola, A. R., S. I. Romero, and U. Zajaczkovski, 2008a. Space-time variability of the
Plata plume inferred from ocean color, Cont. Shelf Res., 28, 1556–1567,
doi:10.1016/j.csr.2007.02.013.
Piola, A. R., Möller Jr, O.O., Guerrero, R. A. and Campos, E.J.D., 2008b. Variability of
the subtropical shelf front off Eastern South America: Winter 2003 and summer
2004. Cont. Shelf Res., 28, 1639-1648, doi: 10.1016/j.csr.2008.03.013.
Piola, A. R., Martinez-Avellaneda, N., Guerrero, R. A., Jadón, F. P., Palma, E. D.,
Romero, S. I., 2010. Malvinas-slope water intrusions on the northern Patagonia
continental shelf. Ocean Sci., 6, 345-359.

133  
Pisoni, J. P., Rivas, A. L., & Piola, A. R. (2014). Satellite remote sensing reveals coastal
upwelling events in the San Matías Gulf—Northern Patagonia. Remote Sensing
of Environment, 152, 270-278.
Ponte, R.M., Lyard, F., 2002. Effects of unresolved high-frequency signals in alti- meter
records inferred from tide gauge data. J. Atmos. Ocean. Technol. 19, 534–539.
Pugh, D.T., 1987. Tides, Surges and Mean Sea-Level: A Handbook for Engineers and
Scientists. Wiley, Chichester(472 pp).
Ray, R.D., 1999. A global ocean tide model from TOPEX/POSEIDON altimetry:
GOT99.2, Rep. NASA/M-1999-209478Rep., Goddard Space Flight Center,
Greenbelt, Md., 58 pp.
Rivas, A. L., 2010. Spatial and temporal variability of satellite-derived sea surface
temperature in the southwestern Atlantic Ocean. Continental Shelf Research, 30,
752-760, doi: 10.1016/j.crs.2010.01.009.
Rivas, A. L., & Pisoni, J. P. (2010). Identification, characteristics and seasonal
evolution of surface thermal fronts in the Argentinean Continental Shelf. Journal
of Marine Systems, 79(1), 134-143.
Rivas, A. L. (1997), Current meter observations in the Argentine Continen- tal Shelf,
Cont. Shelf Res., 17, 391 – 406, doi:10.1016/S0278-4343 (96)00039-8.
Roblou L, J. Bouffard, F. Lyard, M. Le Henaff, A. Lombard, P. Marsalaix, P. De Mey
and F. Birol (2011): Post-processing altimeter data toward coastal applications and
integration into coastal models. Chapter 9 in S. Vignudelli, A.G. Kostianoy, P.
Cipollini, J. Benveniste (eds.), Coastal Altimetry, Springer Berlin Heidelberg.
Roblou, L., Lyarf, F., Le Henaff, M & Maraldi, C. (2007). X-TRACK, a new
processing tool for altimetry in coastal oceans. IEEE Geosciece and Remote
Sensing Symposium, Barcelona, Spain (23-27 July 2007) (pp, 5129-5133), IEEE.
Romero S. I., Piola A. R., Charo M. y Garcia C. A. E. (2006). Chlorophyll-a variability
off Patagonia based on SeaWiFS data. J. Geophys. Res., 111, C05021,
doi:10.1029/2005JC003244.
Ruiz Etcheverry, L.A., Saraceno, M., Piola, A.R., Valladeau, G., &Möller, O.O. (2015).
A comparison of the annual cycle of sea level in coastal areas from gridded
satellite altimetry and tide gauges. Continental Shelf Research, 92, 87-97.
Saraceno, M., Provost, C., Piola, A. R., Bava, J., Gagliardini, A., 2004. Brazil Malvinas
Frontal System as seen from 9 years of advanced very high resolution
radiometer data.Journal of Geophysical Research, 109, C05027.

134  
Saraceno, M., Strub, P.T., Kosro, P.M., 2008. Estimates of sea surface height and near-
surface alongshore coastal currents from combinations of altimeters and tide
gauges. J. Geophys. Res. 113, C11013.
http://dx.doi.org/10.1029/2008JC004756.
Saraceno M., E. E. D’Onofrio, M. E. Fiore W. H. Grismeyer, (2010). Tide model
comparison over the Southwestern Atlantic Shelf Continental Shelf Research,
doi:10.1016/j.csr.2010.08.014.
Saraceno, M., Simionato, C.G., Ruiz Etchevery, L., 2014. Sea surface height trend and
variability at seasonal and interannual time scales in the Southeastern South
American continental shelf between 27°S and 40 °S. Cont. Shelf Res. 91 (2014),
82–94. http://dx.doi.org/10.1016/j.csr.2014.09.002.
Savcenko, R., Bosch, W., 2008. EOT08a—Empirical ocean tide model from multi-
mission satellite altimetry. DGFI Report No. 81, 37 pp.
Sato, O. T., Polito, P. S., 2008. Influence of salinity on the interannual heat storage
trends in the Atlantic estimated from altimeters and Pilot Research Moored
Array in the Tropical Atlantic data. J. Geophys. Res., 113, C02008, doi:
10.1029/2007JC004151.
Schwiderski, E.W., 1978. Global Ocean Tides, Part I: a Detailed Hydrodynamical
Interpolation Model, NSWC/DL TR-3866. Naval Surface Weapons Center,
Silver Spring, Maryland 26 pp.
Schwiderski, E.W., 1980. On charting global ocean tides. Reviews of Geophysics and
Space Physics 18 (1), 243–268.
Scozzari, A., J. Gómez-Enri, S. Vignudelli, and F. Soldovieri (2012), Understanding
target-like signals in coastal altimetry: Experimentation of a tomographic
imaging technique, Geophys. Res. Lett., 39, L02602,
doi:10.1029/2011GL050237.
Simionato, C.G., Dragani, W., Nuñez, M., Engel, M., 2004. A set of 3-D nested models
for tidal propagation from the Argentinean continental shelf to the Río de la
Plata estuary—Part I. M2. Journal of Coastal Research 20 (3), 893–912.
Simionato, C.G., Vera, C.S., Siegismund, F., 2005. Surface wind variability on seasonal
and interannual scales over Río de la Plata Area. J.Coastal Res.21(4),770–783.
Simionato, C.G., Meccia, V.L., Dragani, W.C., Nuñez, M.N., 2006. On the use of the
NCEP/NCAR surface winds for modelling barotropic circulation in the Río de la
Plata Estuary. Estuarine. Coastal and Shelf Science 70, 195–206.

135  
Simionato, C.G., Meccia, V.L., Guerrero, R.A., Dragani, W.C., Nuñez, M.N., 2007. Río
de la Plata estuary response to wind variability in synoptic to intraseasonal
scales: 2 Currents’ vertical structure and its implications for the salt wedge
structure. J. Geophys. Res. 112, C07005.
http://dx.doi.org/10.1029/2006JC003815.
Smith, S. D., 1988. Coefficients for sea surface wind stress, heat flux and wind profiles
as a function of wind speed and temperature. J. Geophys. Res., 93, 15467-
15472.
Smith, W.H.F., Sandwell, D.T., 1997. Global sea floor topography from satellite al-
timetry and ship depth soundings science. Science 277, 1956–1962.
Song, Y. T., Qu, T., 2011. Multiple Satellite Missions Confirming the Theory of
Seasonal Oceanic Variability in the Northern North Pacific. Marine Geodesy,
34(3-4), 477-490.
Stammer, D., 1997. Steric and wind-induced changes in TOPEX/POSEIDON large-
scale sea surface topography observations. J. Geophys. Res. 29, 599–611.
Stramska, M., 2013. Temporal variability of the Baltic Sea level based on
satellite observations. Estuar. Coast. Shelf Sci. 133, 244–250.
Stammer D. 2008. Response of the global ocean to Greenland and Antarctica melting. J.
Geophys. Res. 113:C06022.
Stocker, T. F., Qin, D., Plattner, G. K., Tignor, M., Allen, S. K., Boschung, J., et al.,
2013. Climate change 2013: The physical science basis. Intergovernmental panel
on climate change, working group I contribution to the IPCC fifth assessment
report (AR5).
Strub, P.T., James, C., 2000. Altimeter-derived variability of surface velocities in the
California current system: Part 2. Seasonal circulation and eddy statistics. Deep
Sea Res. Part II 47, 831–870.
Strub, P. T., T. K. Chereskin, P. P. Niiler, C. James, and M. D. Levine, (1997),
Altimeter-derived variability of surface velocities in the California Current
System; 1. Evaluation of TOPEX altimeter velocity resolution, J. Geophys. Res.,
102(C6), 12,727–12,748.
Strub, T., 2001. High-Resolution Ocean Topography Science Requirements for Coastal
Studies. In: Chelton, D.B. (Ed.) The Report of the High-resolution Ocean
Topography Science Working Group meeting, Ref. 2001-4. College of Oceanic
and Atmospheric Sciences, Oregon State University, Corvallis, OR, 224 pp.

136  
Strub, P. T., C. James, V. Combes, R. P. Matano, A. R. Piola, E. D. Palma, M.
Saraceno, R. A. Guerrero, H. Fenco, and L. A. Ruiz- Etcheverry (2015),
Altimeter-derived seasonal circulation on the southwest Atlantic shelf: 27ºS–
43ºS, J. Geophys. Res. Oceans, 120, doi:10.1002/2015JC010769.
Tsimplis, M.N., Woodworth, P.L., 1994. The global distribution of the seasonal sea
level cycle calculated from coastal tide gauge data. J. Geophys. Res. 99 (C8),
16,031–16,039.
Trisirisatayawong, I., Naeije, M., Simons, W., Fenoglio-Marc, L., 2011. Sea level
change in the Gulf of Thailand from GPS-corrected tide gauge data and multi-
satellite altimetry. Glob. Planet. Change 76, 137–151.
Valla, D. and Piola, A. R. (2015), Evidence of upwelling events at the northern
Patagonian shelf break. J. Geophys. Res. Oceans. Accepted Author Manuscript.
doi:10.1002/2015JC011002.
Valladeau, G., Legeais, J.F., Ablain, M., Guinehut, S., Picot, N., 2012. Comparing al-
timetry with tide gauges and argo profiling floats for data quality assessment and
mean sea level studies. Mar. Geod. 35 (S1), 42–60. http://dx.doi.org/
10.1080/01490419.2012.718226.
Venegas, R. M., P. T. Strub, E. Beier, R. Letelier, A. C. Thomas, T. Cowles, C. James,
L. Soto-Mardones, C. Cabrera, 2008. Satellite-derived variability in chlorophyll,
wind stress, sea surface height, and temperature in the northern California
Current System. J. Geophys. Res., 113, C03015, doi: 10.1029/2007JC004481.
Vignudelli, S., Cipollini, P., Astraldi, M., Gasparini, G.P., Manzella, G., 2000. In-
tegrated use of altimeter and in situ data for understanding the water ex- changes
between the Tyrrhenian and Ligurian seas. J. Geophys. Res. 105, 19,649–
19,664. http://dx.doi.org/10.1029/2000JC900083.
Vignudelli, S., Cipollini, P., Roblou, L., Lyard, F., Gasparini, G.P., Manzella, G.,
Astraldi, M., 2005. Improved satellite altimetry in coastal systems: case study of
the Corsica Channel (Mediterranean Sea). Geophys. Res. Lett. 32, L07608.
http://dx. doi.org/10.1029/2005GL022602.
Vignudelli, S., P. Berry and L. Roblou: Satellite altimetry near coasts – current practices
and a look at the future, in 15 Years of Progress in Radar Altimetry, edited by J.
Benveniste and Y. Menard, ESA, 2008.

137  
Vignudelli S., Kostianoy A.G., Cipollini P., Benveniste J., Coastal Altimetry, Springer-
Verlag Berlin Heidelberg, 578 pp, 2011. http://dx.doi.org/10.1007/978-3-642-
12796-0.
Vinogradov, S.V., Ponte, R.M., 2010. Annual cycle in coastal sea-level from tide
gauges and altimetry. J. Geophys. Res. 115, C04021. http://dx.doi.org/10.1029/
2009JC005767.
Vivier, F., Kelly, K.A., Thompson, L.A., 1999. Contributions of wind forcing, waves,
and surface heating to sea surface height observations in the Pacific Ocean. J.
Geophys. Res. 104, 20767–20788.
Volkov, D.L., Larnicol, D.L., Dorandeu, J., 2007. Improving the quality of satellite
altimetry data over continental shelves. J. Geophys. Res. 112, C06020http://dx.
doi.org/10.1029/2006JC003765.
Volkov, D.L., Pujol, M.I., 2012. Quality assessment of a satellite altimetry data pro-
duct in the Nordic, Barents, and Kara seas. J. Geophys. Res. 117, C03025http:
//dx.doi.org/10.1029/2011JC007557.
Willis, J.K., Chambers, D.P., Nerem, R.S., 2008. Assessing the globally averaged sea
level budget on seasonal to interannual timescales. J. Geophys. Res. 113,
C06015. http://dx.doi.org/10.1029/2007/JC004517.
Woodworth, P.L., Pugh, D.T., Bingley, R.M., 2010. Long-term and recent changes in
sea level in the Falkland Islands. J. Geophys. Res. 115, C09025.
http://dx.doi.org/ 10.1029/2010JC006113.
Woodworth, P. L., N. J. White, S. Jevrejeva, S. J. Holgate, J. A. Church, and W. R.
Gehrels, 2009: Evidence for the accelerations of sea level on multi-decade and
century timescales. International Journal of Climatology, 29, 777-789.
Yin JJ, Griffies SM, Stouffer RJ. 2010. Spatial variability of sea level rise in twenty-
first century projections. J. Clim. 23:4585–607.
Yin JJ, Schlesinger ME, Stouffer RJ. 2009. Model projections of rapid sea-level rise on
the northeast coast of the United States. Nat. Geosci. 2:262–66.
Yu, L., Weller, R. A., Sun, B., 2004a. Improving latent and sensible heat flux estimates
for the Atlantic Ocean (1988-1999) by a synthesis approach. J. Climate, 17, 373-
393.
Zavialov, P. O., O.O. Möller Jr., and E. J. D. Campos (2002), First direct measurements
of currents on the continental shelf of southern Brazil, Cont. Shelf Res., 22,
1975–1986, doi:10.1016/S0278-4343(02)00049-3.

138