Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Av. Hidalgo 935, Colonia Centro, C.P. 44100, Guadalajara, Jalisco, México
bibliotecadigital@redudg.udg.mx - Tel. 31 34 22 77 ext. 11959
UNIVERSIDAD DE GUADALAJARA
TESIS
PARA OBTENER EL GRADO DE
PRESENTA
DIRECTOR DE TESIS:
DR. DIEGO A. PANTOJA GONZÁLEZ
A mi madre Lourdes.
A mi familia.
IV
AGRADECIMIENTOS
Agradezco a Dios por ser mi apoyo, guía y sustento en cada etapa a lo largo de este proceso
académico, tu amor y tu bondad son infinitas, me has permitido sonreír con mis logros y aprender
de mis errores. Todo lo que soy y todo lo que hago es para ti, mi Señor.
Al Consejo Nacional de Ciencia y Tecnología de México – CONACyT por otorgarme la beca que
me permitió realizar mis estudios en este país y realizar una estancia de investigación nacional.
A mis padres, Hollman y Patricia, por ser los principales promotores de mis sueños, por la
confianza y el apoyo que me han brindado a lo largo de estos años de estudio, cada palabra de
aliento fue paz en mi vida. A mis hermanos, Daniela y Douglas por siempre alentarme a ser mejor
persona. Danny gracias por ser mi persona favorita en el mundo. Los amo al infinito y aún más.
A mi familia, por su incondicional apoyo, no ha sido fácil el camino recorrido, estar lejos
físicamente ha sido de los mayores retos, pero gracias a su amor, a su inmensa bondad y apoyo,
lo complicado de lograr esta meta se ha notado menos. Les agradezco, y hago presente mi amor
hacia ustedes.
A mis roomies, sus palabras de motivación fueron valiosas en cada momento triste, su sincera
alegría por mis logros hace sonreír a mi corazón, más que amigas cada una de ustedes son las
hermanas que la vida me regaló en México. Valoro cada abrazo, cada “tú puedes”, cada “aquí
estamos para ti”, en mi corazón las llevaré siempre. Gracias por abrirme un pedazo de sus
corazones.
Al Dr. Jean Linero, mentor y amigo, gracias por inspirarme a seguir el camino de la ciencia, por
inclinarme en esta área de estudios y por ser un padre académico para mí.
Al Dr. Diego Pantoja por su guía y apoyo durante el desarrollo de esta tesis, cada consejo, cada
corrección, cada palabra fueron esenciales para alcanzar esta meta. Gracias por enseñarme
herramientas tan valiosas para mi vida profesional.
V
A la Dr. Iryna Tereshchenko y al Dr. Anatoliy Filonov por confiar en mi en las diversas tareas
que amablemente me asignaron y por permitirme participar en las diversas campañas de
investigación realizadas a lo largo de estos dos años.
A todos y cada uno de los docentes del posgrado que compartieron sus conocimientos conmigo,
por cada detalle y momento dedicado para aclarar cualquier duda que me surgiera, fue un honor
recibir sus clases.
Al Dr. Guillermo Gutiérrez de Velasco por proporcionarme la información que fue de gran
utilidad para iniciar la presente investigación. Al Dr. Eduardo González, en el laboratorio
SERVANT del CICESE Unidad La Paz, por recibirme como pasante de investigación y por
proporcionarme las imágenes satelitales y el apoyo necesario para poder avanzar en este trabajo
de investigación.
A la familia cubana por acercarme al caribe y permitirme sentir el calor de hogar con ustedes
durante esos primeros meses y en general durante cada etapa: Mariam, Yandy, Zhura, Nivian,
Maydes, Ernesto, Reynier y sus familias.
A mis compañeros de la generación 2017A, el apoyo mutuo nos permitió construir equipo para
superar cada prueba: Geimond, José Daniel, Jan, Francisco, Diana y Paola.
Resumir a todas las personas que por una u otra razón han estado presente en este proceso de
formación, hace la lista demasiado extensa, pero tengan presente que en mi corazón ocupan un
lugar especial, mis más sinceras gracias.
VI
RESUMEN
La costa de Jalisco ha sido estudiada de manera física o biológica, son muy pocas las
investigaciones que se han realizado integrando ambos campos de estudio, es por ello, la
importancia de integrar ambas áreas, para intentar comprender como interactúan entre sí. En el
presente trabajo, se utilizaron imágenes satelitales de la NASA y de COPERNICUS para el año
2017, con el fin de hacer un análisis exploratorio de la distribución espacial de la Clorofila-a (Chl-
a) en la superficie. De este análisis se observó afloramiento de la Chl-a durante los meses de
primavera, entre marzo y abril, que coincide con el fenómeno conocido como “Bloom
fitoplanctónico” o “Bloom de primavera” que se presenta a nivel mundial durante esta época por
la incidencia de la luz solar. Posterior al análisis de las imágenes satelitales, se realizaron
simulaciones con el modelo Delft3D, en el cual se supuso la Chl-a como una partícula física
(trazador) y se forzó por los parámetros de marea y viento, en combinación y en ausencia de estos
para correlacionar con lo observado en los productos satelitales, determinando asi el forzamiento
predominante en las diversas épocas del año. Las partículas simuladas en el modelo tuvieron un
comportamiento similar al observado en los productos satelitales, llegando a la conclusión que, si
existe relación entre estos, y confirmándose los mayores afloramientos durante el primer semestre
del año, relacionado a los patrones de viento característicos de la región.
VII
ÍNDICE
Dedicatoria ................................................................................................................................ IV
Agradecimientos ........................................................................................................................ V
Resumen................................................................................................................................... VII
VIII
3.4.1. Configuración de malla ............................................................................................... 25
Apéndice ................................................................................................................................... 55
IX
LISTADO DE FIGURAS
Figura 4.2. Periodo de oscilación de Clorofila-a, 2017. La línea negra son los armónicos diarios y
la línea azul son la reconstrucción de los armónicos suavizados. R2 es el coeficiente de
determinación y P-value es el nivel de significancia. ................................................................... 30
X
Figura 4.7. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal.
Mayo, 2017. Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr.
Gutiérrez de Velasco (2017). Clorofila-a obtenida a partir de datos de (NASA, 2018). .............. 34
XI
Figura 4.15. Simulaciones en Delft3D con: a) Forzamiento de marea, b) Forzamiento de viento, c)
Forzamiento de marea-viento, d) Sin forzamiento; e) Imagen satelital (COPERNICUS, 2017b).
....................................................................................................................................................... 39
Figura 4.16. Modos espaciales y temporales de imágenes satelitales de Clorofila 2017. En los
modos temporales la línea negra son los armónicos diarios y la línea azul son la reconstrucción de
los armónicos suavizados. R2 es el coeficiente de determinación y P-value es el nivel de
significancia. ................................................................................................................................. 41
Figura 4.17. Modos espaciales y temporales de simulación con forzamiento de marea. En los
modos temporales la línea negra son los armónicos diarios y la línea azul son la reconstrucción de
los armónicos suavizados. R2 es el coeficiente de determinación y P-value es el nivel de
significancia. ................................................................................................................................. 42
Figura 4.18. Modos espaciales y temporales de simulación con forzamiento de marea - viento. En
los modos temporales la línea negra son los armónicos diarios y la línea azul son la reconstrucción
de los armónicos suavizados. R2 es el coeficiente de determinación y P-value es el nivel de
significancia. ................................................................................................................................. 43
Figura 4.19. Modos espaciales y temporales de simulación con forzamiento de viento. En los
modos temporales la línea negra son los armónicos diarios y la línea azul son la reconstrucción de
los armónicos suavizados. R2 es el coeficiente de determinación y P-value es el nivel de
significancia. ................................................................................................................................. 44
Figura 4.20. Modos espaciales y temporales de simulación sin forzamientos. En los modos
temporales la línea negra son los armónicos diarios y la línea azul son la reconstrucción de los
armónicos suavizados. R2 es el coeficiente de determinación y P-value es el nivel de significancia.
....................................................................................................................................................... 45
XII
LISTADO DE TABLAS
XIII
CAPÍTULO 1.
GENERALIDADES
1.1. INTRODUCCIÓN
El conocimiento de los procesos físicos y su interacción con la parte biológica del Pacífico
Mexicano es escaso, con respecto a los comportamientos propios de la zona oceánica, y en
particular de la zona costera. En particular los relacionados con la productividad primaria que
presentan sus mayores afloramientos durante los meses de marzo y abril.
La mayoría de los estudios e investigaciones como análisis biológico, ecológico, físico, etc.,
realizados en las costas de Jalisco, son muy puntuales, ya que gran partes de estos se refieren
únicamente a Bahía de Banderas (la cual es una de la bahía más grandes y complejas de la región),
a pesar existir evidencia (satelital principalmente) de otros fenómenos de transporte observados
fuera de la bahía, que sin lugar a dudas presentan una amplia relación con la productividad primaria
de toda la región central del Pacífico Mexicano (Basto et al., 1994; Filonov et al., 1995; Martínez,
1997; Cortés et al., 2002).
1
Es importante destacar que los estudios realizados en el área o cercanías, son en su mayoría del
tipo físico o biológicos, pero no de ambas variables a la vez, y son utilizadas para intentar
comprender la dispersión de una partícula biológica. En el presente trabajo se quiere entender la
dispersión de la Clorofila-a tal como se observa satelitalmente, en la superficie. Para ello se
supondrá que es una partícula física (trazador) la cual al colocarla estratégicamente cerca de la
línea de costa y forzarla, se caracterizará su dispersión y posible trayectoria y destino.
Es importante resaltar la importancia que tienen las partículas tanto físicas como biológicas que
generan un impacto en la zona costera, influenciados por fenómenos naturales tales como mareas,
corrientes, vientos, etc.; ya que la dinámica de estas partículas, como la dispersión o acumulación,
son de suma importancia para conocer el área y estudiar cómo pueden verse alterados por acción
de los mismos forzamientos naturales e incluso por los mismos efectos antropogénicos.
En este estudio se entiende por dispersión a la acción de alejarse o moverse de una posición inicial.
En el caso de una dispersión de partículas, es el momento en el cual una partícula es dejada en una
posición específica, debidamente georreferenciada, y al trascurrir cierto tiempo, la misma partícula
se encuentra en otra posición. La dispersión de partículas ha sido estudiada principalmente, a través
de modelos matemáticos en ecuaciones diferenciales ordinarias y parciales que tienen en cuenta el
movimiento de las partículas a lo largo y ancho del medio de propagación (Ramírez, 2006).
Además, la conectividad costera como otro proceso de dispersión utiliza patrones medios de
dispersión desde un sitio de liberación, que depende de la ubicación, estación y año de liberación
de partículas, además de la circulación anual e interanual, la cual brinda información útil para
aplicaciones biológicas-ecológicas principalmente (por ejemplo, para diseñar áreas marinas
protegidas y/o predecir el impacto de un evento de contaminación). También se muestran cómo
las soluciones numéricas de alta resolución de la circulación oceánica costera se puede utilizar
para cuantificar la retención de partículas en una región (Mitarai et al., 2009).
Por otra parte, la productividad primaria de los océanos, generada principalmente por los diminutos
organismos autotróficos que conforman el fitoplancton y que son productores de materia orgánica
en los medios acuáticos, son un elemento fundamental en los ecosistemas marinos. Es un proceso
de dos etapas, fotosíntesis y biosíntesis. La fotosíntesis o fijación de carbono es mediada por la
Clorofila-a (Chl-a, por sus siglas en inglés, pimento fotosintético primario de todos los organismos
fotosintetizadores que desprenden oxígeno) contenida en los cloroplastos de las microalgas (Kirk,
1994). La concentración de Clorofila-a es utilizada universalmente como una medida de la
2
biomasa de fitoplancton. Estas microalgas forman asociaciones que interactúan con otros
microorganismos y constituyen una red microbiana que regula el reciclado de los nutrientes y del
carbono in situ con una transferencia a los niveles tróficos superiores o de sedimentación hacia las
aguas profundas (Montecino & Pizarro, 2006).
Entonces, el fitoplancton (algas y talofitas) y otras bacterias constituyen el eslabón más bajo en la
cadena alimenticia en el medio acuático que convierten a los nutrientes inorgánicos en materia
orgánica susceptible de ser utilizada por otros seres vivos al producir Clorofila-a, que sin duda, es
el principal pigmento que desencadena el enriquecimiento de nutrientes en el medio acuático
(Domínguez et al., 2012).
3
1.1.1. Planteamiento del problema
Dadas las escasas investigaciones que se tienen en la Costa de Jalisco relacionadas con la
dispersión de Clorofila-a, la conectividad que se presenta en el sistema marino costero y la
interacción de dichas partículas con las variables climatológicas que se presentan en el área de
estudio, es necesario plantear metodologías que permitan identificar y definir cuál es el
comportamiento de estas partículas de Clorofila-a, entendiendo su importancia ecológica y
económica; para que en un futuro, conocer el movimiento en la zona costera pueda ser de utilidad
en la pesca por la relación que presenta respecto a la productividad primaria.
1.1.2. Objetivos
1.1.3. Hipótesis
Se espera que las trayectorias encontradas por la dinámica de la Costa de Jalisco tengan una alta
similitud con el movimiento de la Clorofila-a observada de imágenes satelitales.
4
1.2. ÁREA DE ESTUDIO
El área de estudio es la Costa del Estado de Jalisco, en el Pacífico Mexicano, entre las coordenadas
20°37'37.26"N - 105°16'2.50"O (Puerto Vallarta) y 19°7'55.41"N - 104°37'22.35"O (Bahía de
Manzanillo) (INEGI, 2013); consta de una extensión de aproximadamente 230 km. En la costa del
Pacífico de México se encuentran bahías de gran importancia turística como Bahía de Banderas
(Nayarit-Jalisco), la cual es un cuerpo de agua abierto de forma semicircular de aproximadamente
43 km en su parte más larga (norte-sur) y de casi 37 km (este-oeste) con una área superficial de
963 km2 (Bravo S. & Hernández B., 1998); y Bahía Chamela que es la única bahía en México que
posee tantas islas en su interior, once en total, algunas de mayor área, entre las cuales se destacan
Isla Pajarera, Isla Cocinas, Playa el Negrito e Isla San Andrés, estas por ser de mayor
reconocimiento turístico (Caña, 2007).
5
CAPÍTULO 2.
MARCO TEÓRICO Y ESTADO DEL ARTE
Para objeto de la presente investigación es importante tener en cuenta algunos conceptos que serán
usados en la investigación.
Clorofila-a: Pigmento fotosintético dominante en los cloroplastos de las algas, el cual absorbe luz
de longitudes de onda máxima en el rango rojo (650-700 nm) y azul-violeta (450 nm) (Lalli &
Parsons, 1997).
Biomasa: Peso total de todos los organismos en un área o volumen dado. Se expresa como el
volumen total (número total x volúmenes = mm3) de células de fitoplancton por unidad de volumen
de agua (Lalli & Parsons, 1997).
Productividad Primaria: Hace referencia a la biomasa vegetal que se fabrica a través de los
procesos de fotosíntesis (Ramírez, 2006). Es entonces, la tasa a la que la energía es capturada por
la acción de la fotosíntesis por unidad de área y de tiempo (Fournier, 1983) la cual determinara la
cantidad de vida que puede existir en un ecosistema (Monge-Nájera, et al., 2002).
Dispersión: Se define como la acción de separar y diseminar lo que estaba reunido, dividiéndoles
desordenadamente en múltiples direcciones (RAE, 2018).
6
(Jollife, 2002). Dicho análisis fue introducido a la meteorología y a la oceanografía por Lorenz
(1956).
Imágenes de color (satelitales): El color del océano está determinado por las interacciones de la
luz incidente con sustancias o partículas presentes en el agua. Es estudiado mediante radiometría,
en el contexto de observaciones de teledetección desde satélites que orbitan la tierra; los
radiómetros sensibles miden la gama de colores en el océano , infiriendo información como la
biomasa de fitoplancton que modifican las características de la radiación entrante (NASA, 2004)
Delft-3D: Software de modelado 3D, de código abierto, líder en el mundo para investigar la
hidrodinámica, el transporte de sedimentos, la morfología y la calidad del agua para los ambientes
fluviales, estuarinos y costeros; compuesta por diversos módulos como el de flujo (FLOW),
morfología (MOR), ondas (WAVE), partículas (PART) y calidad de agua (WAQ).
Bloom de Primavera o Bloom fitoplanctonico: Fenómeno que ocurre de latitudes medias a hacia
el polo norte, aproximadamente en primavera y cuyas causas son discutidas por la comunidad
científica, no obstante, la hipótesis más aceptada es la planteada por Sverdrup (1953) con la teoría
de la “Profundidad critica”, en la que la capa superior del océano es turbulenta y su
profundidad varía de acuerdo a los forzamientos de marea, viento y topografía costera, en esto, el
fitoplancton necesita luz y nutrientes para crecer, ya que en invierno hay menos luz y más
turbulencia, la clorofila se diluye en esta época. En la profundidad de compensación se igualan las
tasas de fotosíntesis y respiración, pero la fotosíntesis disminuye con la profundidad (suponemos
respiración constante), hasta llegar a una profundidad donde se iguala la respiración total con la
fotosíntesis. Entonces, Sverdrup propuso que la proliferación de primavera sucede cuando la capa
de mezcla es menor a la profundidad crítica. Asociado a lo anterior y con recientes investigaciones
Mahadevan et al. (2012) indican que los “eddies” que son giros oceánicos de 1-200 km de diámetro
debidos al efecto del viento y la rotación de la Tierra sobre las corrientes, desplazando agua más
ligera hacia la superficie y estabilizando la capa de mezcla en su interior, inician la estratificación
y proliferación de algas de forma aislada (algunos casos que ocurren durante el invierno) y luego
7
la temperatura en primavera extiende la estratificación y por lo tanto, grandes concentraciones de
Clorofila-a moviéndose en los océanos.
8
2.2.ANTECEDENTES
Es interesante conocer que otros trabajos similares se han realizado, o que han trabajado con la
dispersión de partículas, es por ello que se relaciona el estudio realizado por Ramírez (2006) en el
cual se presenta una aproximación numérica y algunas simulaciones del proceso evolutivo de la
dispersión de contaminantes sobre superficies esféricas, utilizando un código numérico para la
simulación por el método de elementos finitos. En el modelo, se considera el proceso de la
difusión, el fenómeno de transporte por el medio, el decaimiento en sentido global y una fuente de
contaminantes.
Finalmente, es notable mencionar el trabajo de López et al., (2009) sobre la productividad primaria
in situ (PP) y la biomasa de fitoplancton (concentración de Clorofila-a, Chl-a) de la región de Cabo
9
Corrientes, en el Pacífico Tropical Oriental fuera de México, donde al analizar datos de tres
cruceros oceanográficos, se encontró que la región costera (<60 km) se ve afectada por surgencias
costeras, lo que provoca que la biomasa de fitoplancton y las tasas de producción en esta región
sean hasta dos veces más altas que en las estaciones mar adentro. Las imágenes en color oceánico
satelital, respaldadas por datos de campo de este estudio, sugieren que el área cercana a Cabo
Corrientes puede caracterizarse por tres períodos: (1) un período de surgencia relativamente
intenso, con un alto nivel de Clorofila-a y PP (primavera); (2) un período de relajación de
afloramiento, cuando se registraron los valores más altos de PP del año (fines de la primavera y
principios del verano); y (3) un período de verano y otoño, con una fuerte estratificación y valores
más bajos de Clorofila-a y PP (López et al., 2009).
10
CAPÍTULO 3.
MATERIALES Y MÉTODOS
Los recursos materiales que se usaron para el análisis de dispersión son imágenes satelitales de
Clorofila-a (Chl-a) para el año 2017 (NASA, 2018), obtenidas a través del Grupo de Procesamiento
de Biología Oceánica (OBPG) de la NASA el cual apoya la recolección, procesamiento,
calibración, validación, archivo y distribución de productos relacionados con el océano de una
serie de misiones que son compatibles con el marco y las instalaciones del Sistema de
Procesamiento de Datos Oceánicos (ODPS) de la NASA, limitadas por observaciones diarias (L3).
El OBPG sirve como un Centro de Archivo Activo Distribuido (OB.DAAC), responsable de
archivar datos de biología oceánica satelital producidos o recopilados bajo el Sistema de Datos de
Observación y Sistema de Información de la Tierra de la NASA (EOSDIS), los cuales incluyen
una mezcla de misiones históricas y actuales, así como datos de la NASA y organizaciones
espaciales asociadas, en donde se pueden encontrar sensores compatibles, información relacionada
y enlaces directos a los datos de las misiones del satélite.
Por otro lado, se obtuvieron imágenes procesadas por el programa COPERNICUS - GlobColour
de la Comisión Europea para la misma serie de tiempo, con el objetivo de complementar el análisis.
11
Las imágenes obtenidas se basan en un enfoque de múltiples sensores y algoritmos con una
interpolación espacio - temporal “libre de nubes” llamadas L4. Ópticamente estos productos hacen
referencia a la reflectancia (RRS), la transparencia (ZSD), la materia suspendida (SPM), la retro
dispersión de partículas (BBP), la atenuación difusa de secchi (ZSD) y el coeficiente de absorción
(ADG/CDM). Las imágenes tienen una resolución espacial de 4 km, pues se basan en la fusión de
los sensores SeaWiFS, MODIS-Aqua, MERIS, VIIRSN y OLCI-S3A y se organizan en conjunto
de datos llamados NRT (Near Real Time) y series de tiempo largas en conjuntos de datos
multianuales. Los productos de NRT se proporcionan un día después de la adquisición del satélite
y se actualizan unos días después para brindar una mejor calidad (COPERNICUS, 2017b).
En la Figura 3.2 se presenta cada uno de los módulos como aparecen en el software por su nombre
en inglés, y en la Tabla 3.1, se muestra la descripción de cada uno de los módulos.
12
Figura 3.2. Estructura modular del Delft3D.
Tabla 3.1.
Descripción de módulos del Delft3D
Módulo Descripción
Flow/Mor Condiciones hidrodinámicas
Wave Propagación de onda corta
Water Quality Calidad del agua en el campo lejano
Particles/Oil Calidad del agua en el medio campo y seguimiento de partículas.
Ecology Modelado ecológico
Además, se presenta una amplia gama de herramientas que facilitan en algunos casos los datos de
entrada y en otros la visualización de los resultados, tal como queda descrito en la siguiente tabla.
Tabla 3.2.
Herramientas del modelo
Módulo Descripción
RGFGRID Para generar rejillas curvilíneas.
Para preparar y manipular datos orientados a la red, tales como
QUICKIN batimetría o condiciones iniciales para niveles de agua, salinidad o
concentraciones de componentes.
Para realizar análisis de mareas en series de tiempo de niveles o
TIDE
velocidades de agua medidos
GPP Para visualización y animación de resultados de simulación.
Una segunda herramienta para la visualización y animación de
QUICKPLOT
resultados de simulación.
13
3.2.1. Módulo FLOW
14
superficie libre, además de los gradientes de presión debidos a los gradientes de superficie libres
(barotrópicos) o los gradientes de densidad (baroclínicos) (Deltares, 2013b).
El modelo Delft3D-FLOW incluye fórmulas matemáticas que tienen en cuenta algunos fenómenos
físicos como los gradientes de superficie libre (efectos barotrópicos), efecto de la rotación de la
Tierra (fuerza de Coriolis), agua con densidad variable (ecuación de estado), gradientes de
densidad horizontal en la presión (efectos baroclínicos), la turbulencia induce flujos de masa y de
momento, transporte de sal, calor y otros constituyentes conservadores, marea forzada en las
fronteras abiertas, esfuerzo cortante del viento en la superficie del agua, fuentes y sumideros,
evaporación, precipitación, mareas, intercambio vertical de momento debido a las ondas internas,
flujo a través de estructuras hidráulica y los flujos impulsados por el viento incluyen los vientos
de ciclones tropicales.
Ecuación de Continuidad
15
𝜁 0
1 ( 3.2 )
𝑈= ∫ 𝑢 𝑑𝑧 = ∫ 𝑢 𝑑𝜎
𝑑+𝜁 𝑑 −1
𝜁 0
1 ( 3.3 )
𝑉= ∫ 𝑣 𝑑𝑧 = ∫ 𝑣 𝑑𝜎
𝑑+𝜁 𝑑 −1
y Q representa las contribuciones por unidad de área debido a la descarga o extracción de agua,
precipitación y evaporación:
0
𝑄 = ∫ (𝑞𝑖𝑛 − 𝑞𝑜𝑢𝑡 ) 𝑑𝜎 + 𝑃 − 𝐸 ( 3.4 )
−1
Donde 𝑞𝑖𝑛 y 𝑞𝑜𝑢𝑡 son las fuentes y sumidero, P es la precipitación y E la evaporación (Deltares,
2013b).
𝜕𝑢 𝑢 𝜕𝑢 𝑣 𝜕𝑢 𝜔 𝜕𝑢 𝑣2 𝜕√𝐺𝜂𝜂 𝑢𝑣 𝜕√𝐺𝜉𝜉
+ + + − + − 𝑓𝑣
𝜕𝑡 √𝐺𝜉𝜉 𝜕𝜉 √𝐺𝜂𝜂 𝜕𝜂 𝑑 + 𝜁 𝜕𝜎 √𝐺𝜉𝜉 √𝐺𝜂𝜂 𝜕𝜉 √𝐺𝜉𝜉 √𝐺𝜂𝜂 𝜕𝜂 ( 3.5 )
1 1 𝜕 𝜕𝑢
=− 𝑃𝜉 + 𝐹𝜉 + 2
(𝜈𝑉 ) + 𝑀𝜉
𝜌0 √𝐺𝜉𝜉 (𝑑 + 𝜁) 𝜕𝜎 𝜕𝜎
𝜕𝑣 𝑢 𝜕𝑣 𝑣 𝜕𝑣 𝜔 𝜕𝑣 𝑢𝑣 𝜕√𝐺𝜂𝜂 𝑢2 𝜕 √𝐺𝜉𝜉
+ + + + − − 𝑓𝑢
𝜕𝑡 √𝐺𝜉𝜉 𝜕𝜉 √𝐺𝜂𝜂 𝜕𝜂 𝑑 + 𝜁 𝜕𝜎 √𝐺𝜉𝜉 √𝐺𝜂𝜂 𝜕𝜉 √𝐺𝜉𝜉 √𝐺𝜂𝜂 𝜕𝜂 ( 3.6 )
1 1 𝜕 𝜕𝑣
=− 𝑃𝜂 + 𝐹𝜂 + (𝜈𝑉 ) + 𝑀𝜂
𝜌0 √𝐺𝜂𝜂 (𝑑 + 𝜁)2 𝜕𝜎 𝜕𝜎
16
Velocidad vertical
= (𝑑 + 𝜁)(𝑞𝑖𝑛 − 𝑞𝑜𝑢𝑡 )
Fuerza de Coriolis
Se consideran fronteras abiertas a las fronteras virtuales “agua-agua”, se tratan de esta manera
ficticia para reducir el esfuerzo computacional, pero en la naturaleza, las olas pueden cruzar estas
barreras. En las fronteras abiertas, el nivel del agua, el componente de velocidad normal o una
combinación de ambos, asi como el componente de velocidad tangencial, deben crearse en forma
de condiciones iniciales antes de correr el modelo. Estos datos necesarios para las condiciones de
entrada de las fronteras abiertas se pueden obtener a partir de mediciones, tablas de mareas o
modelos anidados (Deltares, 2013b).
Suponiendo que el flujo es cero a lo largo del límite, la condición de límite de orden cero también
se puede obtener utilizando los llamados invariantes de Riemann para la ecuación 1D linealizada
normal al límite abierto:
𝑅 = 𝑈 ± 2√𝑔𝐻 ( 3.8 )
Las dos invariantes de Riemann son dos ondas que se mueven en dirección opuesta con velocidad
de propagación, cuyo signo depende de la dirección, por lo tanto, en el límite abierto, se debe
especificar la onda entrante, tomando en cuenta el limite izquierdo como el del signo positivo,
entonces la invariante lineal de Riemann está dada por:
𝑔 |𝜁| ( 3.9 )
𝑈 + 2√𝑔𝐻 = 𝑈 + 2√𝑔(𝑑 + 𝜁) ≈ 𝑈 + 2√𝑔𝑑 + 𝜁√ , ≪1
𝑑 𝑑
17
Tabla 3.3.
Tipos de condiciones de frontera
Mareas
El movimiento de las mareas observado puede ser descrito en términos de una serie de
movimientos armónicos, cada uno con su propia ω frecuencia característica (velocidad angular).
Las amplitudes y las fases, A y G, respectivamente, de los componentes varían de acuerdo con las
posiciones en las que se observa la marea (Deltares, 2013).
Donde
𝐻(𝑡) Nivel del mar en el tiempo t
𝐴0 Nivel del mar durante cierto periodo
𝑘 Numero de los componentes necesarios
𝑖 Índices de un constituyente
𝐴𝑖 Amplitud de marea local de un constituyente
𝐹𝑖 Factor de amplitud
𝜔𝑖 Velocidad angular
(𝑉0 + 𝑢)𝑖 Argumento astronómico
𝐺𝑖 índice Kappa mejorado (=retraso de fase local)
Viento
Los campos de viento pueden considerarse uniformes o que varíe en el espacio y el tiempo por
cambios de presión. En este sentido, el viento es el movimiento del aire y es causado por la
diferencia en la presión atmosférica entre los sistemas de alta y baja presión. En tierra, se usan
instrumentos llamados anemómetros para medir la velocidad del viento en la superficie y la
18
dirección del viento. Pero en los océanos, la medición de las características del viento en la
superficie es mucho más limitada, y se obtiene principalmente de anemómetros ubicados en
pequeñas estaciones meteorológicas de islas, en barcos y en boyas que flotan en el océano. Dado
que las regiones oceánicas son tan grandes, especialmente el Océano Pacífico, el conocimiento de
las características del viento en este vasto espacio es importante para el pronóstico del tiempo, la
navegación oceánica y el estudio del clima, es por ello, que se usa la medición del viento por
satélite (REMSS, 2017).
Puntos de Observación
Los puntos de observación se utilizan para controlar el comportamiento dependiente del tiempo de
una o todas las cantidades calculadas como una función del tiempo en un lugar específico, es decir,
la elevación del agua, las velocidades, los flujos, salinidad, temperatura y concentración de los
constituyentes. Los puntos de observación representan un punto de vista euleriano en los
resultados.
El módulo PART (Figura 3.4. Interfaz gráfica del módulo PART.) simula el transporte y los
procesos simples de calidad agua mediante el seguimiento de partículas usando los datos de flujo
en tres dimensiones a lo largo del tiempo, por lo que se obtiene una distribución de concentración
dinámica al calcular la masa de partículas en las celdas de la malla del modelo. El seguimiento de
partículas se basa en un “método de caminata aleatoria” o “método de Monte Carlo”, ya que el
19
comportamiento simulado es estocástico (D-Waq PART es el único modelo estocástico en toda la
suite Delft3D) y el número de partículas es limitado (Deltares, 2013a).
El seguimiento de partículas permite que los procesos de calidad del agua se describan en un patrón
espacial detallado, se usan liberaciones instantáneas o continuas, la simulación de una pluma (por
ejemplo, derrame de petróleo) y el modelado del transporte de sustancias como sal, bacterias,
colorante de rodamina, aceite, DBO u otras sustancias químicas conservadoras o en
descomposición (siguiendo cinéticas de primer orden). Por esta razón, el módulo PART de D-Waq
a menudo se denomina el módulo de calidad del agua en el campo medio (Deltares, 2013a).
La posición de cada partícula individual puede ser influenciada por advección (transporte por flujo
de agua), difusión/dispersión (un componente aleatorio) y/o por sedimentación (incluidas las
características de sedimentación/erosión). Se conoce la posición de cada partícula individual
(coordenadas x, y y z) desde su lanzamiento hasta el final de la simulación. La posición de una
partícula no depende del tamaño de la malla utilizada y, por lo tanto, los patrones de concentración
de la malla más pequeña se pueden calcular.
20
Dispersión Horizontal
Dispersión vertical
⁄
𝑐𝜇1 4 𝐿√𝑘 ( 3.11 )
𝐷𝑧 =
𝜎𝐶
Donde,
𝐷𝑧 Coeficiente de dispersión vertical (m2/s)
𝑐𝜇 Una constante;≈ 0.09, calibrado para capas de cizallamiento de equilibrio local.
𝐿 Longitud de mezcla
𝑘 Energía cinética turbulenta
𝜎𝐶 Numero de Prandtl-Schmidt (= 0.7 para transporte de calor y salinidad)
3.2.2.2. Esquema de advección
21
desaparecen asintóticamente en los bordes. Las partículas que pasan los límites abiertos (agua) se
sacan del cálculo.
∆𝑡
𝑑𝑥 ( 3.12 )
𝑥(𝑡 + ∆𝑡) = 𝑥(𝑡) + ∫ ( ) 𝑑𝑡
0 𝑑𝑡
Con
𝑥 distancia
𝑡 tiempo
𝑑𝑥
Velocidad en la dirección x
𝑑𝑡
𝑥 = 𝑥(𝑠(𝑡))
𝑑𝑥 𝑑𝑠
= (𝛼 𝑥(𝑠) + 𝛽𝑥 )
𝑑𝑡 𝑑𝑡 𝑥
𝑄 − 𝑄− ( 3.13 )
𝛼𝑥 = 𝐶(𝜎) ( + )
𝑉
𝑄+⁄−
𝛽 𝑥 = 𝐶 (𝜎 ) }
𝑉
Con
𝑠(𝑡) función de distancia aerodinámica
𝛼𝑥 𝑥(𝑠) + 𝛽𝑥 Interpolación lineal de la velocidad en la malla a lo largo de la línea de corriente
𝑄+⁄− Flujo a través de la superficie contra el viento o el viento de la celda de la malla
𝑉 es el volumen de la celda de la cuadrícula
𝐶(𝜎) Distancia entre los puntos de velocidad en la red hidrodinámica
𝑄+⁄−
Es 1 / tiempo de viaje de la celda de la cuadrícula con este 𝑄+⁄−
𝑉
𝑑𝑠 ( 3.14 )
=1
𝑑𝑡
Este campo de flujo está exactamente relacionado con el campo de flujo hidrodinámico (Delft3D-
FLOW).
22
𝜕 ( 3.15 )
(𝛼 𝑥 + 𝛽𝑥 ) = 0
𝜕𝑥 𝑥
La parte dispersiva se resuelve con un esquema numérico de tipo Euler. En la dirección horizontal
también se maneja la advección adicional debida al viento (en modo 2DH) con este esquema
numérico. En dirección vertical, un desplazamiento debido a la sedimentación se puede agregar al
desplazamiento vertical debido a la dispersión. Las condiciones de frontera se manejan
simultáneamente para estos dos esquemas y son puramente reflexivas.
∆𝑆 = √6𝐷∆𝑡 ( 3.16 )
Ninguno de los tres coeficientes de dispersión puede ser 0, ya que esto reducirá el número de
grados de libertad que afectará la especificación del desplazamiento.
Delft Dashboard es una interfaz gráfica de usuario independiente basada en Matlab que apunta a
apoyar a los modeladores en la configuración de modelos nuevos y existentes (Figura 3.5), creada
por OpenEarth que es una iniciativa de código abierto y gratuita para tratar con datos, modelos y
herramientas en proyectos de ingeniería y ciencias de la tierra, principalmente marina y costera
(OpenEarth, 2016b).
Delft Dashboard posee un gran número de cajas de herramientas acopladas que permiten una
entrada de modelo rápida y fácil. Esta interfaz permite configurar un modelo en cuestión de
minutos para cada ubicación en el mundo, lo que solía tomar días o semanas antes. La interfaz está
acoplada a la suite de modelado Delft3D (Deltares), la cual cuenta con las cajas de herramientas
para configurar un cálculo estándar de Delft3D, y se implementan cajas de herramientas
adicionales (Figura 3.6) para realizar un análisis avanzado de las mareas, simular la velocidad del
23
viento y la caída de presión generada por un ciclón tropical, y simular la generación y propagación
de un tsunami (OpenEarth, 2016b).
24
3.4. CONFIGURACIÓN DEL MODELO
La configuración del modelo fue realizada para 4 simulaciones: forzamiento de marea (m),
forzamiento de marea viento (mv), forzamiento de viento (v) y sin forzamiento (sf); en el periodo
comprendido entre el 2 de enero a las 00:00 horas y el 30 de diciembre a las 00:00 horas. Dichas
configuraciones se realizaron interactuando entre los diferentes módulos del Delft3D y la
plataforma Delft Dashboard.
La configuración de la malla se realizó en el Delft Dashboard (Figura 3.7), puesto que esta interfaz
permite realizar una malla cuadriculada y a su vez, esta permite cambiar de coordenadas
geográficas a cartesianas. La malla se configuro de 142x142 celdas de 4km para un área de
~323000 km2.
3.4.2. Batimetría
Posterior de configurar la malla, la batimetría se obtuvo mediante la caja de herramientas del Delft
Dashboard (Figura 3.8) usando la base de datos de GEBCO08 (OpenEarth, 2016a) a la cual se le
hizo la corrección de coordenadas a WGS84/UTM13N a la cual corresponde el área de estudio.
25
Figura 3.8. Batimetría del área de estudio. Obtenida de GEBCO08.
Las fronteras abiertas se acomodan cada 20 celdas para marcar una frontera abierta, completando
asi 5 fronteras norte, 7 oeste, 7 sur y 3 este respecto a la línea de costa (Figura 3.9). A su vez se
tienen en cuenta las capas analizadas para el simulado.
26
3.4.4.Configuración de Condiciones Iniciales
Una vez con parte de la información requerida para la configuración del modelo, regresamos a la
interfaz gráfica del Delft3D, en la cual incorporamos la malla, batimetría y fronteras abiertas.
Teniendo en cuenta esto introducimos el archivo de condiciones iniciales, que para nuestro caso
es un archivo restaurado (*.rst) puesto que estabilizamos el modelo el día 01/01/2017 duplicando
el tiempo de simulación iniciado en 1 hora, hasta completar las 24 horas del primer día.
27
3.5. FUNCIONES EMPÍRICAS ORTOGONALES
Las funciones empíricas ortogonales (Empirical Orthogonal Functions, EOF), también conocidas
como “eigenfunciones” resuelven un sistema de ecuaciones diferenciales lineales sujetas a unas
determinadas condiciones de contorno. La solución existe solo para determinados valores
(autovalores) de un parámetro λ que satisfacen una determinada ecuación:
O bien,
𝑎𝑖𝑗 ∙ 𝑥𝑗 = 𝜆 ∙ 𝑥𝑖 ( 3.18 )
donde A es una matriz con los coeficientes de los operadores lineales del sistema de ecuaciones
diferenciales a resolver. A los distintos λ que satisfacen (3.17 y 3.18) ya hemos dicho que se les
llama autovalores del sistema, y a los x, asociados a cada uno de esos λ, autovectores (Muñoz et
al., 2001).
28
CAPÍTULO 4.
RESULTADOS
4.1. RESULTADOS
En la Figura 4.1 se presenta el cálculo de las anomalías de la serie de Clorofila-a extraída de las
imágenes satelitales desde junio de 1997 a junio de 2018, de datos satelitales de Clorofila-a de la
base de datos de COPERNICUS. Las anomalías representan las desviaciones con respecto a la
media en mg/m3, las cuales son las unidades de la Clorofila-a. Se puede observar que la serie de
tiempo, encuentra sus máximas anomalías positivas entre 2004 y 2011, con máximo valor de la
serie durante el 2011, el cual puede estar relacionado con la anomalía negativa del fenómeno del
Niño Oscilación del sur “ENSO” que se registró ese año. En cuanto a la variación de la Clorofila-
a sobresalen los años 1999-2000, 2007-2008 y 2010-2011, donde mayoritariamente se tuvieron
anomalías positivas más representativas en un polígono de aproximadamente 70 km frente a la
Costa de Jalisco.
Cabe destacar que para el análisis de esta tesis se seleccionó el año 2017, no por sus características,
que presenta un comportamiento ‘típico’ comparado con los demás años de la serie, sino por ser
el año más reciente de datos disponibles que se tenían cuando comenzó el proceso de obtención
de datos.
29
Figura 4.1. Serie de anomalía de Clorofila-a.
Específicamente en el año 2017 al extraer los periodos más significativos (Figura 4.2) se observa
que el correspondiente a 183 días, es el más representativo de la serie temporal que obedece al
primer semestre del año, tal como lo es precisamente el ciclo de la Clorofila-a. También se
identifica que el periodo mínimo es de 15 días, lo que se podría suponer como el periodo en el que
la Clorofila-a tiene mayores concentraciones frente a las costas y se disipa en relación con los
ciclos de marea, como se presenta en la siguiente sección.
Figura 4.2. Periodo de oscilación de Clorofila-a, 2017. La línea negra son los armónicos diarios y la línea azul
son la reconstrucción de los armónicos suavizados. R2 es el coeficiente de determinación y P-value es el nivel de
significancia.
30
4.1.2. Relación marea y dispersión de Clorofila-a
Se ha observado una relación entre los ciclos de marea en la cual la concentración de clorofila
disminuye, principalmente durante marea viva, y durante los ciclos de marea muerta la
concentración aumenta. Esto podría deberse a que las aguas aumentan/disminuyen su mezcla y la
clorofila, como partícula biológica, ‘desaparece’/aflora, lo que permite que su ciclo de vida sea
captado mediante las imágenes satelitales durante marea viva/muerta respectivamente.
En las siguientes figuras (Figura 4.3Figura 4.14), se muestra a) el ciclo de marea para cada mes en
el que la línea negra son los armónicos de la marea, en rojo la pleamar y en azul la bajamar, se
observa también, cuando la amplitud es menor el periodo de marea muerta y cuando la amplitud
es mayor, el periodo de marea viva; b) la concentración de Clorofila-a, expresada en mg/m3
graficada mediante grafico de cajas y bigotes, el cual representa valor máximo – mínimo, y tres
cuartiles en los que el primer cuartil (Q1) equivale al valor mayor que el 25% de los valores de la
distribución, el segundo cuartil (Q2) es a mediana y el tercer cuartil (Q3) equivale al valor que
sobrepasa al 75% de los valores de la distribución (Alvarado y Obagi, 2008); y en c) los promedios
semanales de los productos satelitales de Clorofila-a (NASA, 2018).
En las imágenes semanales de Chl-a se puede observar los afloramientos frente a la Costa de
Jalisco, en específico sus aglomeraciones en Bahía de Banderas, asi como el fenómeno descrito
que durante la marea muerta se observan las máximas concentraciones de Clorofila-a
31
Figura 4.3. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal. Enero,
2017. Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr. Gutiérrez de
Velasco (2017). Clorofila-a obtenida a partir de datos de (NASA, 2018).
Figura 4.4. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal. Febrero,
2017. Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr. Gutiérrez de
Velasco (2017). Clorofila-a obtenida a partir de datos de (NASA, 2018).
32
Figura 4.5. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal. Marzo,
2017. Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr. Gutiérrez de
Velasco (2017). Clorofila-a obtenida a partir de datos de (NASA, 2018).
Figura 4.6. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal. Abril, 2017.
Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr. Gutiérrez de Velasco
(2017). Clorofila-a obtenida a partir de datos de (NASA, 2018).
33
Figura 4.7. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal. Mayo, 2017.
Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr. Gutiérrez de Velasco
(2017). Clorofila-a obtenida a partir de datos de (NASA, 2018).
Figura 4.8. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal. Junio, 2017.
Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr. Gutiérrez de Velasco
(2017). Clorofila-a obtenida a partir de datos de (NASA, 2018).
34
Figura 4.9. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal. Julio, 2017.
Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr. (Gutiérrez de Velasco,
2017). Clorofila-a obtenida a partir de datos de (NASA, 2018).
Figura 4.10. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal. Agosto,
2017. Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr. (Gutiérrez de
Velasco, 2017). Clorofila-a obtenida a partir de datos de (NASA, 2018).
35
Figura 4.11. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal.
Septiembre, 2017. Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr.
Gutiérrez de Velasco (2017). Clorofila-a obtenida a partir de datos de (NASA, 2018).
Figura 4.12. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal. Octubre,
2017. Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr. Gutiérrez de
Velasco (2017). Clorofila-a obtenida a partir de datos de (NASA, 2018).
36
Figura 4.13. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal.
Noviembre, 2017. Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr.
Gutiérrez de Velasco (2017). Clorofila-a obtenida a partir de datos de (NASA, 2018).
Figura 4.14. a) Ciclo de marea, b) Concentración de Clorofila-a y c) Promedios de clorofila semanal. Diciembre,
2017. Mareas obtenidas a partir de datos fuente estación manzanillo, proporcionada por Dr. Gutiérrez de
Velasco (2017). Clorofila-a obtenida a partir de datos de (NASA, 2018).
37
4.1.3. Relación de imágenes satelitales con partículas de trazador
Al relacionar visualmente las imágenes satelitales diarias (Figura 4.15 (e)) y compararlas con lo
obtenido con las partículas de trazador para cada uno de los forzamientos (Figura 4.15 a, b, c, d),
se puede observar una cierta relación entre éstas, de manera que en este estudio el análisis de la
Clorofila-a se llevará a cabo como si fuera una colección de partículas pasivas, en la cual su
movimiento está regido principalmente por los forzamientos activos en cada simulación. Por
ejemplo, en la Figura 4.15 se seleccionaron los días 15/01/2017, 15/03/2017, 15/04/2017 por
corresponder al afloramiento de que ocurre en primavera, y el del día 15/08/2017 por ser una época
de mínimas concentraciones de Clorofila-a. Si se considera a grosso modo la posición e intensidad
de la Clorofila-a observada en las imágenes satelitales, como localizada cerca de Cabo Corrientes
durante Enero (15/01/2017), dispersa al norte y sur alrededor de Cabo Corrientes durante marzo
(15/03/2017), dispersa más al norte que al sur alrededor de Cabo Corrientes durante abril
(15/04/2017), y muy poca al norte de Cabo corrientes y dentro de la bahía en agosto (15/08/2017),
entonces la simulación con el forzamiento del viento es la que más podría representar el
comportamiento de la Clorofila-a en la región, mientras que el efecto de la marea y las corrientes
regionales (simulación sin forzamiento) quedan en segundo plano, pero no de menor importancia.
En general parece que la marea y las corrientes regionales (sin forzamiento) hacen que la Clorofila-
a tenga una trayectoria pegada a la costa y con dirección hacia el norte, mientras que el viento es
el mecanismo que hace que la Clorofila-a migre hacia el sur, pero no siempre durante el transcurso
del año.
38
Figura 4.15. Simulaciones en Delft3D con: a) Forzamiento de marea, b) Forzamiento de viento, c) Forzamiento
de marea-viento, d) Sin forzamiento; e) Imagen satelital (COPERNICUS, 2017b).
39
4.1.4.Funciones Empíricas Ortogonales
Para cuantificar con mayor detalle los resultados anteriores, profundizando en el estudio de la
variabilidad espacio temporal de la concentración de Clorofila-a y de las partículas en el modelo
Delft3D se procedió a calcular las Funciones Empíricas Ortogonales (EOF) para del año 2017, de
las imágenes satelitales y para cada uno de los casos de estudio de las simulaciones en el modelo
Delft3D con los forzamientos de marea, viento, marea – viento y sin forzamientos. Cada una de
las figuras está estructurada por los cuatro modos de las EOF (a, b, c, d), en la parte superior, como
mapa del área de estudio se encuentran los modos espaciales con su porcentaje correspondiente y
debajo de cada modo espacial se encuentran los modos temporales. Es importante mencionar que
el primer modo, en todos los casos es el que tiene mayor significancia.
Se analizaron las imágenes satelitales para identificar los componentes más significativos de la
serie del año 2017. En términos generales en los cuatro modos temporales se puede observar la
mayor variabilidad en los primeros ~160 días, que corresponde al primer semestre del año (Figura
4.16 a, b, c, d). Asi mismo, en los modos espaciales (salvo un signo del análisis de EOF) se presenta
una tendencia con mayor variabilidad en la costa, dentro de la bahía (modo 1, 3 y 4) (Figura 4.16
a, c, d) y al norte y sur de misma (modo 1,2 3) (Figura 4.16 a, b, c). El primer modo al tener un
porcentaje de significancia de 67.3%, es el modo en el cual se puede observar el fenómeno de
aglomeración en la costa a lo largo del año.
40
Figura 4.16. Modos espaciales y temporales de imágenes satelitales de Clorofila 2017. En los modos temporales
la línea negra son los armónicos diarios y la línea azul son la reconstrucción de los armónicos suavizados. R2 es
el coeficiente de determinación y P-value es el nivel de significancia.
41
4.1.4.2. Forzamiento de Marea
Para el forzamiento de marea (Figura 4.17) se observan los máximos frente a las costas de Nayarit
y bajan hasta aglomerarse en Bahía de Banderas, por lo cual, se puede asumir que es el forzamiento
de marea lo que causa que allí se den las máximas concentraciones en la zona. En general, los
modos temporales (Figura 4.17 a, b, d) hacen referencia al comportamiento de mayores
afloramientos durante el primer semestre del año, y el tercer modo (Figura 4.17 (c)) obedece al
comportamiento del año completo mayoritariamente. El comportamiento mensual puede
verificarse en Apéndice 1 Apéndice 12. El primer modo temporal explico el 61% de la varianza
total, pero es el segundo y cuarto modo temporal (Figura 4.17 b, d) los que explican os mayores
afloramientos durante el mes de marzo ~90 días.
Figura 4.17. Modos espaciales y temporales de simulación con forzamiento de marea. En los modos temporales
la línea negra son los armónicos diarios y la línea azul son la reconstrucción de los armónicos suavizados. R 2 es
el coeficiente de determinación y P-value es el nivel de significancia.
42
4.1.4.3. Forzamiento de Marea – Viento
Figura 4.18. Modos espaciales y temporales de simulación con forzamiento de marea - viento. En los modos
temporales la línea negra son los armónicos diarios y la línea azul son la reconstrucción de los armónicos
suavizados. R2 es el coeficiente de determinación y P-value es el nivel de significancia.
43
4.1.4.4.Forzamiento de Viento
Figura 4.19. Modos espaciales y temporales de simulación con forzamiento de viento. En los modos temporales
la línea negra son los armónicos diarios y la línea azul son la reconstrucción de los armónicos suavizados. R 2 es
el coeficiente de determinación y P-value es el nivel de significancia.
44
4.1.4.5. Sin Forzamiento
Cuando no se fuerza con ningún parámetro externo y se deja que el modelo se mueva por las
condiciones iniciales a las que se somete, tal como las corrientes regionales obtenidas de modelo
HYCOM, se observa similitud con el forzamiento de marea, con mayores concentraciones de las
partículas en Bahía de banderas y cercana a las costas de Nayarit (Figura 4.20). El primer modo
temporal (Figura 4.20 a) explica el 57.6% de la varianza, y en el tercer y cuarto modo (Figura 4.20
c, d)se pueden asociar con los máximos afloramientos durante los meses de marzo y abril.
Figura 4.20. Modos espaciales y temporales de simulación sin forzamientos. En los modos temporales la línea
negra son los armónicos diarios y la línea azul son la reconstrucción de los armónicos suavizados. R 2 es el
coeficiente de determinación y P-value es el nivel de significancia.
45
4.2.DISCUSIONES
46
aglomeran las mayores concentraciones de Clorofila-a frente a la Costa del área Cabo Corrientes
en el mes de mayo y bajas concentraciones en junio. Siendo distribuida la Chl-a principalmente de
forma superficial. Asi mismo, Gaxiola-Castro et al. (1997) utilizando productos satelitales y
validándolos con observaciones de cruceros, pero realizada en el Pacífico en las costas de Baja
California, coinciden en el comportamiento costero de Clorofila-a.
Es entonces una manera de entender qué tanta variabilidad está presente en las partículas, por
ejemplo, en la variabilidad espacial debido a que las partículas son llevadas a puntos específicos
de la Costa de Jalisco, en particular hacia la Bahía de Banderas, o de variabilidad temporal, como
el tiempo cuando se presentan los mayores afloramientos. Para realizar esta tarea fue necesario
utilizar las Funciones Empíricas Ortogonales (EOF), como una medida para dividir la varianza en
conjuntos de series de tiempo distribuidas espacialmente. Las Funciones Empíricas Ortogonales
se han estudiado en otras investigaciones como la realizada por Gaxiola-Castro et al. (1997) no
obstante, se obtienen resultados similares en los modos espaciales y temporales que indican
mayores concentraciones de Clorofila-a durante la primavera y verano de los años de estudio.
Considerando que los EOF se han usado en varios casos para el análisis de productos satelitales,
este no ha sido tan estudiado para las salidas de modelos físicos, en contraste con lo anterior, se
determinó que las partículas al forzarlas por parámetros físicos, corresponden al comportamiento
similar a los cálculos de las imágenes satelitales, de donde resultó que, groso modo, sin entrar en
detalle del ciclo de vida de la Clorofila-a, las partículas al ser forzadas por viento, marea y
corrientes, tienden a tener un comportamiento semestral, que se relaciona con el Bloom de
Primavera e indica que estos forzamientos tienen una dinámica con la zona costera, en toda la
Costa del Pacifico Mexicano.
47
fría de la profundidad, haciendo que el fitoplancton, que dispone de luz y nutrientes, como la
Clorofila-a, permanezca en la capa superficial. Por el contrario, en invierno el calor del sol es
menor, esto enfría las aguas superficiales, facilitando la mezcla, distribuyendo los nutrientes en
toda la capa de agua, pero sin suficiente luz solar para realizar la fotosíntesis, por lo cual, la Chl-a
no aflora en esta época (ESPERE-ENC, 2004).
48
CAPÍTULO 5.
CONCLUSIONES Y RECOMENDACIONES
A pesar de no ser el año 2017 representativo con respecto a toda la serie de tiempo, se puede
observar siempre el comportamiento semestral de las imágenes satelitales que tiene máximos de
enero a junio y mínimas concentraciones de julio a diciembre. Además, no se puede extraer solo
el área de la costa de Jalisco, puesto que se observa en las imágenes satelitales todos los
movimientos que se dan en todo el Pacifico mexicano, observándose puntos de mayor Clorofila-a
al norte y al sur de la costa de Jalisco y que por efecto de varios forzamientos se ve acumulación
en la Bahía de Banderas.
Debido a lo anterior es necesario, considerar un área más grande como es el Pacífico Mexicano y,
además, hacer simulaciones de tiempo más largas que abarquen años representativos y años más
neutros en la dispersión de la Clorofila-a. También seria valido contar con mediciones de Clorofila-
a en los diversos perfiles de profundidad con el objetivo de validar el modelo y realizar las
simulaciones con datos reales.
Así mismo, resaltan la importancia de realizar el mismo análisis para un periodo de tiempo más
largo, de modo que se consideren también fenómenos como el de El Niño Oscilación del Sur
(ENSO). A esto, seria valioso poder realizar u obtener mediciones in situ de Chl-a en la Costa de
Jalisco, puesto que permitiría validar el modelo numérico Delft3D, al incluir no solo como
partícula física sino como partícula biológica, identificando trayectorias mas cercanas a la Costa,
a diferencia del pixel de la imagen satelital que se aplica favorablemente para zonas oceánicas.
49
REFERENCIAS BIBLIOGRÁFICAS
Alvarado Valencia, J. A., & Obagi Araújo, J. J. (2008). Fundamentos de inferencia estadística.
Colombia: Pontificia Universidad Javeriana.
Andrade, I., Hormazabal, S. E., & Correa-Ramírez, M. A. (2012). Ciclo anual de la clorofila-a
satelital en el archipiélago de Juan Fernández (33°S), Chile, 40(3), 657–667.
https://doi.org/103856
Arnone, R., Vandermuelen, R., Soto, I., Ladner, S., Ondrusek, M., & Yang, H. (2017). Diurnal
changes in ocean color sensed in satellite imagery. Journal of Applied Remote Sensing, 11(3).
https://doi.org/10.1117/1.JRS.11.032406
Atlas, R., Hoffman, R. N., Ardizzone, J., Leidner, S. M., Jusem, J. C., Smith, D. K., & Gombos,
D. (2011). A Cross-calibrated, Multiplatform Ocean Surface Wind Velocity Product for
Meteorological and Oceanographic Applications. Bulletin of the American Meteorological
Society, 92(2), 157–174. https://doi.org/10.1175/2010BAMS2946.1
Basto, M., Martínez, G., & Tapia, P. (1994). BASTO R., M. E. R., M. D. MARTINEZ G. y L. C.
TAPIA P., 1994. Diversidad espacio-temporal del fito y zooplancton y su relación con las variables
físico-químicas en la bahía de Banderas, Nayarit, México. Res. I Congr. Nal. de Cienc. y Tecnol.
del Mar. 16. Presentado en I Congr. Nal. de Cienc. y Tecnol. del Mar., Nayarit, México: 16.
Bravo S., E., & Hernández B., D. (1998). Composición florística del fitoplancton en Bahía
Banderas. Presentado en VII Congreso Latinoamericano de Botánica y XIV Congreso Mexicano
de Botánica, México D. F.
COPERNICUS. (2017a). Global Ocean NRRS, BBP, CDM, KD, ZSD, SPM (COPERNICUS-
Globcolour) from satellite observations: daily (near real time). Recuperado el 4 de diciembre de
2018, de http://marine.copernicus.eu/services-portfolio/access-to-products/
50
COPERNICUS. (2017b). GLOBAL OCEAN NRRS, BBP, CDM, KD, ZSD, SPM
(COPERNICUS-GLOBCOLOUR) FROM SATELLITE OBSERVATIONS: DAILY (NEAR
REAL TIME). Recuperado el 3 de diciembre de 2018, de http://marine.copernicus.eu/services-
portfolio/access-to-products/
Cortés, M. del C., Cortés, A., & Sierra, A. P. (2002). Evaluación y diagnóstico de las mareas rojas
en los litorales de bahía de Banderas, Jalisco-Nayarit. Presentado en XIII Congreso Nacional de
Oceanografía, Puerto Vallarta, Jalisco, México.
Costa, L. S. (2014). Variabilidad de la clorofila a en las aguas costeras de la Península Ibérica entre
1998 y 2007 usando datos de SeaWifs (p. 16). Presentado en Congreso Nacional del Medio
Ambiente, Madrid, España.
Curtis, H., Barnes, N. S., Schnek, A., & Flores, G. (2006). Invitación a la biologí (Sexta edición).
España: Ed. Médica Panamericana.
Deltares. (2013a). Delft3D. D-Waq PART. User Manual. Particle tracking. (Deltares).
Netherlands.
Domínguez Gómez, J. A., Rodríguez Pérez, D., Marcos Martín, C., Chao Rodríguez, Y., &
Delgado Rojas, G. (2012). Estudio de aguas continentales mediante teledetección. Editorial
UNED.
Filonov, A., Monzón, C. O., & Tereshchenko, I. (1995). Acerca de la circulación de las aguas en
bahía de Banderas, Jalisco, México. (p. 283). Presentado en VI Congr. Latinoamer. de Ciencias
del Mar., México.
51
Gaxiola-Castro, G., Cepeda-Morales, J., Nájera-Martínez, S., Espinosa-Carreón, T. L., De la Cruz-
Orozco, M. E., Sosa-Avalos, R., … Cantú-Ontiveros, J. P. (1997). Biomasa y producción del
fitoplancton. Dinámica del ecosistema pelágico frente a Baja California, 2007, 59–85.
Lalli, C. M., & Parsons, T. R. (1997). Biological Oceanography: An Introduction (The Open
University). Canada: Elsevier. https://doi.org/10.1016/B978-0-7506-3384-0.X5056-7
López-Sandoval, D., Lara-Lara, J., Lavín, M., Álvarez-Borrego, S., & Gaxiola-Castro, G. (2009).
Primary productivity in the eastern tropical Pacific off Cabo Corrientes, Mexico Productividad
primaria en el Pacífico oriental tropical adyacente a Cabo Corrientes, México. Ciencias Marinas,
35(2), 14.
Mahadevan, A., D’Asaro, E., Lee, C., & Perry, M. J. (2012). Eddy-Driven Stratification Initiates
North Atlantic Spring Phytoplankton Blooms. Science, 337(6090), 54–58.
https://doi.org/10.1126/science.1218740
Mitarai, S., Siegel, D. A., Watson, J. R., Dong, C., & McWilliams, J. C. (2009). Quantifying
connectivity in the coastal ocean with application to the Southern California Bight. Journal of
Geophysica Research, 14(1), 1–21. https://doi.org/10.1029/2008JC005166
Monge-Nájera, J., Gómez Figueroa, P., & Rivas Rossi, M. (2002). Biología General. EUNED.
52
Montecino, V., & Pizarro, G. (2006). Avances en el conocimiento oceanográfico de las aguas
interiores chilenas, Puerto Montt a cabo de Hornos. 6.2. Productividad primaria, biomasa y tamaño
del fitoplancton en canales y fiordos australes: patrones primavera-verano. Comité Oceanográfico
Nacional - Pontificia Universidad Católica de Valparaíso, 93–97.
Muñoz, J. J., Tejedor, L., & Medina, R. (2001). Las funciones empíricas ortogonales y los cambios
en el perfil de playa a corto, medio y largo plazo. Física de la Tierra, 28.
NASA. (2017). MODIS-Aqua Level-3 Binned Garver, Siegel, Maritorena Model (GSM) Data
Version R2018.0 [Data set]. NASA Ocean Biology DAAC.
https://doi.org/10.5067/AQUA/MODIS/L3B/GSM/2018
NASA. (2018). Ocean Color Browse: Specify Search Parameters. Recuperado 2018, de
https://oceancolor.gsfc.nasa.gov/cgi/browse.pl?per=DAY&day=17167&sub=level3&prm=CHL
&set=10&ndx=0&mon=17167&sen=am&rad=0&frc=0&dnm=D@M
OpenEarth. (2016b). Delft Dashboard (DDB) - OpenEarth - Deltares Public Wiki. Recuperado el
7 de diciembre de 2018, de
https://publicwiki.deltares.nl/pages/viewpage.action?pageId=42401894
Pennington, J. T., Mahoney, K. L., Kuwahara, V. S., Kolber, D. D., Calienes, R., & Chavez, F. P.
(2006). Primary production in the eastern tropical Pacific: A review. Progress in Oceanography,
69, 285–317.
53
Ramírez Bernate, C. A., & Diniz, G. L. (2006). Aproximación y simulación de un modelo de
dispersión de contaminantes sobre superficies esféricas. Lecturas Matemáticas, Especial, 271–
284.
Sverdrup, H. U. (1953). On Conditions for the Vernal Blooming of Phytoplankton. ICES Journal
of Marine Science, 18(3), 287–295. https://doi.org/10.1093/icesjms/18.3.287
54
APÉNDICE
Apéndice 1. Modos espaciales y temporales de simulación con forzamiento de marea, enero 2017.
55
Apéndice 2. Modos espaciales y temporales de simulación con forzamiento de marea, febrero 2017.
Apéndice 3. Modos espaciales y temporales de simulación con forzamiento de marea, marzo 2017.
56
Apéndice 4. Modos espaciales y temporales de simulación con forzamiento de marea, abril 2017.
Apéndice 5. Modos espaciales y temporales de simulación con forzamiento de marea, mayo 2017.
57
Apéndice 6. Modos espaciales y temporales de simulación con forzamiento de marea, junio 2017.
Apéndice 7. Modos espaciales y temporales de simulación con forzamiento de marea, julio 2017.
58
Apéndice 8. Modos espaciales y temporales de simulación con forzamiento de marea, agosto 2017.
Apéndice 9. Modos espaciales y temporales de simulación con forzamiento de marea, septiembre 2017.
59
Apéndice 10. Modos espaciales y temporales de simulación con forzamiento de marea, octubre 2017.
Apéndice 11. Modos espaciales y temporales de simulación con forzamiento de marea, noviembre 2017.
60
Apéndice 12. Modos espaciales y temporales de simulación con forzamiento de marea, diciembre 2017.
Apéndice 13. Modos espaciales y temporales de simulación con forzamiento de marea - viento, enero 2017.
61
Apéndice 14. Modos espaciales y temporales de simulación con forzamiento de marea - viento, febrero 2017.
Apéndice 15. Modos espaciales y temporales de simulación con forzamiento de marea - viento, marzo 2017.
62
Apéndice 16. Modos espaciales y temporales de simulación con forzamiento de marea - viento, abril 2017.
Apéndice 17. Modos espaciales y temporales de simulación con forzamiento de marea - viento, mayo 2017.
63
Apéndice 18. Modos espaciales y temporales de simulación con forzamiento de marea - viento, junio 2017.
Apéndice 19. Modos espaciales y temporales de simulación con forzamiento de marea - viento, julio 2017.
64
Apéndice 20. Modos espaciales y temporales de simulación con forzamiento de marea - viento, agosto 2017.
Apéndice 21. Modos espaciales y temporales de simulación con forzamiento de marea - viento, septiembre 2017.
65
Apéndice 22. Modos espaciales y temporales de simulación con forzamiento de marea - viento, octubre 2017.
Apéndice 23. Modos espaciales y temporales de simulación con forzamiento de marea - viento, noviembre 2017.
66
Apéndice 24. Modos espaciales y temporales de simulación con forzamiento de marea - viento, diciembre 2017.
Apéndice 25. Modos espaciales y temporales de simulación con forzamiento de viento, enero 2017.
67
Apéndice 26. Modos espaciales y temporales de simulación con forzamiento de viento, febrero 2017.
Apéndice 27. Modos espaciales y temporales de simulación con forzamiento de viento, marzo 2017.
68
Apéndice 28. Modos espaciales y temporales de simulación con forzamiento de viento, abril 2017.
Apéndice 29. Modos espaciales y temporales de simulación con forzamiento de viento, mayo 2017.
69
Apéndice 30. Modos espaciales y temporales de simulación con forzamiento de viento, junio 2017.
Apéndice 31. Modos espaciales y temporales de simulación con forzamiento de viento, julio 2017.
70
Apéndice 32. Modos espaciales y temporales de simulación con forzamiento de viento, agosto 2017.
Apéndice 33. Modos espaciales y temporales de simulación con forzamiento de viento, septiembre 2017.
71
Apéndice 34. Modos espaciales y temporales de simulación con forzamiento de viento, octubre 2017.
Apéndice 35. Modos espaciales y temporales de simulación con forzamiento de viento, noviembre 2017.
72
Apéndice 36. Modos espaciales y temporales de simulación con forzamiento de viento, diciembre 2017.
Apéndice 37. Modos espaciales y temporales de simulación sin forzamientos, enero 2017.
73
Apéndice 38. Modos espaciales y temporales de simulación sin forzamientos, febrero 2017.
Apéndice 39. Modos espaciales y temporales de simulación sin forzamientos, marzo 2017.
74
Apéndice 40. Modos espaciales y temporales de simulación sin forzamientos, abril 2017.
Apéndice 41. Modos espaciales y temporales de simulación sin forzamientos, mayo 2017.
75
Apéndice 42. Modos espaciales y temporales de simulación sin forzamientos, junio 2017.
Apéndice 43. Modos espaciales y temporales de simulación sin forzamientos, julio 2017.
76
Apéndice 44. Modos espaciales y temporales de simulación sin forzamientos, agosto 2017.
Apéndice 45. Modos espaciales y temporales de simulación sin forzamientos, septiembre 2017.
77
Apéndice 46. Modos espaciales y temporales de simulación sin forzamientos, octubre 2017.
Apéndice 47. Modos espaciales y temporales de simulación sin forzamientos, noviembre 2017.
78
Apéndice 48. Modos espaciales y temporales de simulación sin forzamientos, diciembre 2017.
79