Browsing by Author "Huamán Sevilla, Zeidy Lisseth"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Determining advective fog variability and stratocumulus cloud vertical structure combining a thermodynamic characterization of the marine boundary layer with a ground optical fog observation system
    (2022) Huamán Sevilla, Zeidy Lisseth; Suárez Poch, Francisco Ignacio; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    La nube estratocúmulo (Sc), responsable de la formación de niebla advectiva en la costa del Desierto de Atacama, es una valiosa fuente de agua dulce sin explotar con potencial para enfrentar la escasez de agua en esta región. Sin embargo, se sabe poco acerca de características como la variabilidad estacional de la niebla y la estructura vertical de la nube que son esenciales para evaluar el potencial hídrico de recolección de niebla. Para investigar estas características, se combinó una caracterización termodinámica de la temperatura potencial (θ) y la humedad específica (q) en la capa límite marina (MBL) con un sistema de observación óptico de niebla (GOFOS) que mide directamente la variabilidad espaciotemporal de la niebla. Los gradientes verticales θ y q se emplean para encontrar umbrales estacionales que definen los regímenes de MBL relacionados con la formación (MBL bien mezclada) y disipación de niebla (MBL estratificada); la elevación del nivel de condensación (LCL) y redes neuronales artificiales (ANN) se utilizaron para estimar la elevación de la base de la nube Sc (CB). Además, se utilizaron modelos de regresión lineal múltiple (MLRM) y ANNs para encontrar la elevación del techo de la nube Sc (CT). A pesar de que se observó una variabilidad estacional de los gradientes verticales de θ y q, los umbrales que definen los regímenes de MBL relacionados con la formación de niebla son casi constantes a lo largo del año. La detección de niebla usando los gradientes verticales de θ coincidió el 95% del tiempo durante el invierno y la primavera, mientras que la detección de niebla usando los gradientes q coincidió en ~69% en las mismas estaciones. Un análisis de regresión logística demostró que los eventos de niebla se pueden clasificar con una buena precisión (0,82), utilizando solamente θ como variable predictiva. Los CB’s estimados con ANNs muestran una mejor concordancia (r2 = 0.67) con las observaciones de GOFOS a lo largo del año, en comparación con el método LCL; con errores menores al 4%. Finalmente, tanto MLRM como ANN muestran una buena concordancia con las observaciones de GOFOS para estimar CT (r2 = 0.84 y r2 = 0.92, respectivamente; con errores menores al 4%). Los resultados de este estudio revelan que las características esenciales de la formación de niebla y su variabilidad estacional se pueden aproximar a través de observaciones meteorológicas estándar.