Modelación numérica de la trayectoria del sargazo pelágico utilizando ecuaciones Brownianas con aplicación a las aguas de la Península de Yucatán, México

José María Aguilera-Méndez; Carlos Juárez-Toledo; José Luis Tapia-Fabela; Irma Martínez-Carrillo; Raúl Vladimir Hernández-Grajales

doi:10.4995/ia.2023.18700

Autores/as

José María Aguilera-Méndez Universidad Autónoma del Estado de México https://orcid.org/0000-0002-9826-421X
Carlos Juárez-Toledo Universidad Autónoma del Estado de México https://orcid.org/0000-0002-7440-3246
José Luis Tapia-Fabela Universidad Autónoma del Estado de México https://orcid.org/0000-0002-6691-6682
Irma Martínez-Carrillo Universidad Autónoma del Estado de México https://orcid.org/0000-0002-7952-4418
Raúl Vladimir Hernández-Grajales Secretaría de Marina - Armada de México

DOI:

https://doi.org/10.4995/ia.2023.18700

Palabras clave:

Modelos numéricos, Movimiento Browniano, Sargazo, Modelo SWAN, Alavai

Resumen

El objetivo del estudio es desarrollar una metodología, basada en la aplicación de modelos numéricos, para pronosticar las rutas de transporte del sargazo y favorecer la toma de decisiones de recolección en costas. El trabajo presenta el comportamiento de la trayectoria del sargazo como un fenómeno dependiente de las variables metoceánicas, mientras los métodos numéricos se utilizan como herramientas de modelado que retienen la información más relevante, y la visión sistémica permite el análisis de los resultados parciales a través de un entendimiento segmentado del problema para llegar a una solución completa. En esta investigación se consideran dos respuestas de salidas numéricas que se implementan en un modelo de olas basado en ecuaciones Lagrangianas para obtener el pronóstico de oleaje. Finalmente, los resultados son procesados aplicando un sistema Browniano para calcular el movimiento de partículas de libre flotación a través de la velocidad y dirección de difusividad representados en un software de animación.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

José María Aguilera-Méndez, Universidad Autónoma del Estado de México

UAP Tianguistenco

Carlos Juárez-Toledo, Universidad Autónoma del Estado de México

Departamento de Investigación, UAPT

José Luis Tapia-Fabela, Universidad Autónoma del Estado de México

Departamento de Investigación, UAPT

Irma Martínez-Carrillo, Universidad Autónoma del Estado de México

Departamento de Investigación, UAPT

Raúl Vladimir Hernández-Grajales, Secretaría de Marina - Armada de México

Dirección de Meteorología

Citas

Agencia Espacial Europea (ESA). (n.d.). Sentinel-3-olci. Recuperado 5 de enero, 2023, de https://sentinels.copernicus.eu/web/sentinel/technical-guides/sentinel-3-olci/olci-instrument

Aguilera-Méndez, J.M., Juárez-Toledo, C., Martínez-Carrillo, I., & Vera-Popoca, R.I. (2021). Generation of unstructured meshes using Delaunay triangles for tidal analysis of the port of Acapulco, Mexico. Revista de Simulación y Laboratorio, 8(24), 20–27. https://doi.org/10.35429/JSL.2021.24.8.20.27

Aguilera-Méndez, J.M., Juárez-Toledo, C., Martínez-Carrillo, I., & Vera-Popoca, R.I. (2022). Use of unstructured meshes for wave height and particles horizontal displacement analysis in central zone Veracruz, Mexico. ECORFAN Journal-Taiwan, 6(11), 20–27.

Amorocho, J., & DeVries, J.J. (1980). A new evaluation of the wind stress coefficient over water surfaces. Journal of Geophysical Research, 85(C1), 433. https://doi.org/10.1029/JC085iC01p00433

Arango, D.H.G., & Shchepetkin, D.A.F. (n.d.). Regional Ocean Modeling System. Recuperado 9 de enero, 2023, de https://www.myroms.org/

Automated Data Inquiry for Oil Spills. (2017). https://response.restoration.noaa.gov/adios-desktop

Banas, N.S., & Hickey, B.M. (2005). Mapping exchange and residence time in a model of Willapa Bay, Washington, a branching, macrotidal estuary. Journal of Geophysical Research, 110(C11), C11011. https://doi.org/10.1029/2005JC002950

Banas, N.S., Hickey, B.M., MacCready, P., & Newton, J.A. (2004). Dynamics of Willapa Bay, Washington: A Highly Unsteady, Partially Mixed Estuary. Journal of Physical Oceanography, 34(11), 2413–2427. https://doi.org/10.1175/JPO2637.1

Banas, Neil S., McDonald, P.S., & Armstrong, D.A. (2009). Green Crab Larval Retention in Willapa Bay, Washington: An Intensive Lagrangian Modeling Approach. Estuaries and Coasts, 32(5), 893–905. https://doi.org/10.1007/s12237-009-9175-7

Binding, C.E., Greenberg, T.A., & Bukata, R.P. (2013). The MERIS Maximum Chlorophyll Index; its merits and limitations for inland water algal bloom monitoring. Journal of Great Lakes Research, 39, 100–107. https://doi.org/10.1016/j.jglr.2013.04.005

Binding, C.E., Greenberg, T.A., McCullough, G., Watson, S.B., & Page, E. (2018). An analysis of satellite-derived chlorophyll and algal bloom indices on Lake Winnipeg. Journal of Great Lakes Research, 44(3), 436–446. https://doi.org/10.1016/j.jglr.2018.04.001

Booij, N., Ris, R.C., & Holthuijsen, L.H. (1999). A third-generation wave model for coastal regions 1. Model description and validation. Journal of Geophysical Research: Oceans, 104(C4), 7649–7666. https://doi.org/10.1029/98JC02622

Chávez, V., Uribe-Martínez, A., Cuevas, E., Rodríguez-Martínez, R.E., van Tussenbroek, B.I., Francisco, V., Estévez, M., Celis, L.B., Monroy-Velázquez, L.V., Leal-Bautista, R., Álvarez-Filip, L., García-Sánchez, M., Masia, L., & Silva, R. (2020). Massive Influx of Pelagic Sargassum spp. on the Coasts of the Mexican Caribbean 2014–2020: Challenges and Opportunities. Water, 12(10), 2908. https://doi.org/10.3390/w12102908

Dagestad, K.-F., Röhrs, J., Breivik, Ø., & Ådlandsvik, B. (2018). OpenDrift v1.0: a generic framework for trajectory modelling. Geoscientific Model Development, 11(4), 1405–1420. https://doi.org/10.5194/gmd-11-1405-2018

ECMWF. (n.d.). European Centre for Medium-Range Weather Forecasts. Recuperado 9 de enero, 2023, from https://www.ecmwf.int

Fyrillas, M.M., & Nomura, K.K. (2007). Diffusion and Brownian motion in Lagrangian coordinates. Journal of Chemical Physics, 126(16), 1–9. https://doi.org/10.1063/1.2717185

García, F., Palacio, C., & Garcia, U. (2009). Unestructured Mesh Generation for Numeric Models Implementation. Dyna, 76(157), 17–25.

GEBCO Compilation Group. (2021). GEBCO. https://doi.org/10.5285/c6612cbe-50b3-0cff-e053-6c86abc09f8f

General NOAA Operational Modeling Environment. (2022). Recuperado 20 de enero, 2023, de https://response.restoration.noaa.gov/oil-and-chemical-spills/oil-spills/response-tools/gnome.html

George Mason University (GMU), & National Space Agency (NASA). (n.d.). GrADS. Recuperado 6 de enero, 2023, de http://cola.gmu.edu/grads/

Global Forecast System. (n.d.). Recuperado 30 de noviembre de 2022, de https://www.emc.ncep.noaa.gov/emc/pages/numerical_forecast_systems/gfs.php

Huang, Y., Weisberg, R.H., Zheng, L., & Zijlema, M. (2013). Gulf of Mexico hurricane wave simulations using SWAN: Bulk formula-based drag coefficient sensitivity for Hurricane Ike. Journal of Geophysical Research: Oceans, 118(8), 3916–3938. https://doi.org/10.1002/jgrc.20283

Johns, E.M., Lumpkin, R., Putman, N.F., Smith, R.H., Muller-Karger, F.E., T. Rueda-Roa, D., Hu, C., Wang, M., Brooks, M.T., Gramer, L.J., & Werner, F.E. (2020). The establishment of a pelagic Sargassum population in the tropical Atlantic: Biological consequences of a basin-scale long distance dispersal event. Progress in Oceanography, 182(September 2019), 102269. https://doi.org/10.1016/j.pocean.2020.102269

Key, K. (2010). Triangle (1.9). http://marineemlab.ucsd.edu

Kwon, K., Choi, B.-J., Kim, K.Y., & Kim, K. (2019). Tracing the trajectory of pelagic Sargassum using satellite monitoring and Lagrangian transport simulations in the East China Sea and Yellow Sea. ALGAE, 34(4), 315–326. https://doi.org/10.4490/algae.2019.34.12.11

Legrand, S., Legat, V., & Deleersnijder, E. (2000). Delaunay mesh generation for an unstructured-grid ocean general circulation model. Ocean Modelling, 2(1–2), 17–28. https://doi.org/10.1016/S1463-5003(00)00005-6

Lett, C., Verley, P., Mullon, C., Parada, C., Brochier, T., Penven, P., & Blanke, B. (2008). A Lagrangian tool for modelling ichthyoplankton dynamics. Environmental Modelling & Software, 23(9), 1210–1214. https://doi.org/10.1016/j.envsoft.2008.02.005

Lin, T., Pujos, C., Ou, C., Bi, W., Calvayrac, F., & Wang, Q.A. (2011). Path probability for a Brownian motion. Chinese Science Bulletin, 56(34), 3736–3740. https://doi.org/10.1007/s11434-011-4803-6

Marta-Almeida, M., Ruiz-Villarreal, M., Otero, P., Cobas, M., Peliz, A., Nolasco, R., Cirano, M., & Pereira, J. (2011). OOFɛ: A Python engine for automating regional and coastal ocean forecasts. Environmental Modelling & Software, 26(5), 680–682. https://doi.org/10.1016/j.envsoft.2010.11.015

MM5 Homepage. (2004). https://a.atmos.washington.edu/~ovens/newwebpage/mm5-home.html

National Oceanic and Atmospheric Administration (NOAA). (n.d.-a). Global Forecast System (GFS) [0.5 Deg.]. Recuperado 7 de enero, 2023 de https://data.noaa.gov/dataset/dataset/global-forecast-system-gfs-0-5-deg

National Oceanic and Atmospheric Administration (NOAA). (n.d.-b). NOMADS. Recuperado 7 de enero, 2023, de https://nomads.ncep.noaa.gov/

National Space Agency (NASA). (n.d.). OLCI. Recuperado 5 de enero, 2023, de https://www.earthdata.nasa.gov/sensors/olci

Núñez, P., García, A., Mazarrasa, I., Juanes, J.A., Abascal, A.J., Méndez, F., Castanedo, S., & Medina, R. (2019). A methodology to assess the probability of marine litter accumulation in estuaries. Marine Pollution Bulletin, 144, 309–324. https://doi.org/10.1016/j.marpolbul.2019.04.077

Otero, P., Banas, N.S., & Ruiz-Villarreal, M. (2015). A surface ocean trajectories visualization tool and its initial application to the Galician coast. Environmental Modelling & Software, 66, 12–16. https://doi.org/10.1016/j.envsoft.2014.12.006

Putman, N.F., Lumpkin, R., Olascoaga, M.J., Trinanes, J., & Goni, G.J. (2020). Improving transport predictions of pelagic Sargassum. Journal of Experimental Marine Biology and Ecology, 529, 151398. https://doi.org/10.1016/j.jembe.2020.151398

Schwartz, M., & Brustein, R. (1988). From Lagrangian to Brownian motion. Journal of Statistical Physics, 51(3–4), 585–613. https://doi.org/10.1007/BF01028474

Shewchuk, J.R. (2002). Delaunay refinement algorithms for triangular mesh generation. Computational Geometry, 22(1–3), 21–74. https://doi.org/10.1016/S0925-7721(01)00047-5

Signoret, M., Bulit, C., & Pérez, R. (1998). Patrones de distribución de clorofila a y producción primaria en aguas del Golfo de México y del Mar Caribe. Hidrobiológica, 8(2), 81–88. http://www.redalyc.org/articulo.oa?id=57880201

Skamarock WC, et al. (2008). A description of the advanced research WRF version 3, NCAR Tech. Note, NCAR/TN-468+STR. Natl. Cent. for Atmos. Res. Boulder, Colorado.

Staff. (2019, July 10). 10 cosas que sabemos del sargazo. El Universal, 1. https://www.eluniversal.com.mx/destinos/13-cosas-quesabemos-del-sargazo-en-las-playas-de-quintana-roo

Suárez, A.M., & Martínez-Daranas, B. (2018). La problemática del Sargazo en el caribe. In La problemática del Sargazo en el caribe. Adaptación basada en Ecosistemas: alternativa para la gestión sostenible de los recursos marinos y costeros del Caribe (Vol. 18, pp. 82–94). Instituto de Oceanología.

Suzuki, T. (2011). Wave dissipation over vegetation fields. PhD thesis. TUDelft.

Suzuki, T., & Arikawa, T. (2011). Numerical analysis of bulk drag coefficient in dense vegetation by immersed boundary method. Coastal Engineering Proceedings, 1(32), 48. https://doi.org/10.9753/icce.v32.waves.48

The WAVEWATCH Development Group (WW3DG). (2019). User manual and system documentation of WAVEWATCH III R version 6.07. In Tech. Note 333.

WaveWatch III (WW3-GW) Global Wave Model. (2019). https://data.noaa.gov/dataset/dataset/wavewatch-iii-ww3-global-wavemodel2

Zheng, X., Mayerle, R., Wang, Y., & Zhang, H. (2018). Study of the wind drag coefficient during the storm Xaver in the German Bight using data assimilation. Dynamics of Atmospheres and Oceans, 83, 64–74. https://doi.org/10.1016/j.dynatmoce.2018.06.001