Blog

Jul 01, 2023

Las suposiciones sobre el flujo de calor contribuyen a la sobreestimación de la inyección de humo de incendios forestales en la troposfera libre

Communications Earth & Environment volumen 3, Número de artículo: 236 (2022) Cite este artículo 1719 Accesos 3 Citas 5 Detalles de Altmetric Metrics Inyecciones de columnas de humo de incendios forestales en el espacio libre

Comunicaciones Tierra y Medio Ambiente volumen 3, Número de artículo: 236 (2022) Citar este artículo

1719 Accesos

3 citas

5 altmétrico

Detalles de métricas

Las inyecciones de columnas de humo de incendios forestales en la troposfera libre afectan la calidad del aire, pero los pronósticos de los modelos sobre las inyecciones son deficientes. Aquí, utilizamos observaciones aéreas obtenidas durante los incendios forestales del oeste de EE. UU. de 2019 (FIREX-AQ) para evaluar una parametrización del aumento de la columna de humo comúnmente utilizada en dos modelos de transporte químico atmosférico (WRF-Chem y HRRR-Smoke). Las observaciones muestran que las inyecciones de humo en la troposfera libre ocurren en el 35% de las columnas, mientras que los modelos pronostican entre el 59% y el 95%, lo que indica inyecciones falsas en las simulaciones. Las inyecciones falsas se asociaron con ambos modelos que sobreestimaban el flujo de calor del fuego y la altura del terreno, y con WRF-Chem subestimaba la altura de la capa límite planetaria. Estimamos que la fracción radiante del flujo de calor es de 0,5 a 25 veces mayor en los modelos que en las observaciones, dependiendo del tipo de combustible. El rendimiento del modelo mejoró sustancialmente al utilizar el flujo de calor observado y las alturas de la capa límite, lo que confirma que los modelos necesitan flujos de calor y alturas de la capa límite precisos para pronosticar correctamente las inyecciones de penacho.

El humo de los incendios forestales afecta el presupuesto radiativo de la Tierra1, la calidad del aire2, la visibilidad3 y la salud humana4 al aumentar la carga atmosférica de contaminantes. Se han observado incendios forestales más intensos y temporadas de incendios más largas, que parecen estar correlacionados con el cambio climático antropogénico5,6. En futuros regímenes climáticos se prevé una mayor degradación de la calidad del aire y la visibilidad debido al humo7.

El ascenso de la pluma se refiere al transporte vertical de partículas y gases de humo calientes a través de la atmósfera. Este proceso puede resultar en inyecciones de penachos, donde el humo alcanza la troposfera libre, o en no inyecciones de penachos, donde el humo permanece confinado dentro de la capa límite planetaria (PBL). Estudios anteriores han demostrado que los penachos inyectados tienden a ocupar capas de estabilidad ambiental y que las inyecciones de penachos están asociadas con un alto poder radiativo del fuego (FRP) y un clima favorable para el incendio8,9,10. Las observaciones del espectrorradiómetro de imágenes de múltiples ángulos (MISR) indican que la inyección en la troposfera libre ocurre en 4 a 12 % de las columnas de humo de América del Norte8,9,11,12, y los datos del Lidar de nubes y aerosoles con polarización ortogonal indican que la inyección del total de la columna de humo hacia la troposfera libre ocurre en el 78% de las columnas de humo de América del Norte10. Sin embargo, el porcentaje de MISR puede estar sesgado hacia abajo debido a los sobrevuelos de los satélites que ocurren en la mañana (~10:30 AM LT para MISR), cuando las columnas no se han desarrollado completamente11. Los penachos inyectados pueden ser advectivos a favor del viento con poca dilución13 y, por lo tanto, tienden a tener impactos más regionales. Por otro lado, las columnas no inyectadas tienden a tener impactos más locales debido a una mezcla descendente más eficiente por la turbulencia ambiental de PBL.

La parametrización del aumento del penacho de Freitas es un modelo unidimensional de resolución de nubes. Por lo general, está integrado en un modelo anfitrión tridimensional que especifica el entorno ambiental14. Este modelo representa los incendios como flujos de flotabilidad superficial que dependen del tamaño instantáneo del fuego, el flujo de calor convectivo y el tipo de combustible. Este modelo tiende a superar a los modelos que asignan emisiones a un solo nivel o a una distribución vertical fija15,16,17. Sin embargo, el modelo depende de estimaciones del tamaño del incendio y del flujo de calor, sobrepredice la frecuencia de inyección en la troposfera libre y tiende a subestimar el rango de alturas de las columnas observadas18,19. Las causas propuestas de las deficiencias del modelo de Freitas incluyen incertidumbres en el arrastre lateral y en los parámetros de entrada. El arrastre depende del tamaño del incendio, por lo que las versiones del modelo de Freitas que permiten tamaños de incendio variables pueden mejorar el rango modelado de alturas de la pluma15,18. Además, agregar explícitamente arrastre a una versión posterior del modelo mejoró el rendimiento20,21. La incertidumbre en los parámetros de entrada, en particular el tamaño del incendio y el FRP, puede deberse a que la pluma enmascara las recuperaciones de FRP, a la forma o tamaño incorrecto del incendio o a la variabilidad de la quema con el tipo de vegetación18,22.

Aquí, utilizamos datos de aviones y modelos de la campaña de campo Influencia del fuego en los entornos regionales y globales y la calidad del aire (FIREX-AQ) de la NASA-NOAA para evaluar el modelo de Freitas en columnas desarrolladas. Mostramos que el modelo Freitas, implementado en el modelo de Investigación y pronóstico meteorológico acoplado con química (WRF-Chem) y el modelo de humo de actualización rápida de alta resolución (HRRR-Smoke), sobrepredice la inyección en comparación con las mediciones lidar en el aire. La inyección ocurre en el 35% de las columnas observadas y en el 80% y 95% de las columnas WRF-Chem y HRRR-Smoke, respectivamente. Cuando se utiliza la altura de la capa límite observada para evaluar la inyección en ambos modelos, la inyección ocurre en el 59% de las columnas de WRF-Chem y en el 72% de las columnas de humo de HRRR. Comparación del flujo de energía radiante del fuego (flujo FRE, “Métodos”) observado por el instrumento simulador aerotransportado (MASTER) del espectrorradiómetro de imágenes de resolución moderada (MODIS)-radiómetro de reflexión y emisión térmica avanzado a bordo del espacio (ASTER) con los asumidos por WRF-Chem y HRRR -Smoke muestra que los modelos sobreestiman los flujos FRE hasta en un factor de 25 (0,55 kWm-2 en las observaciones y 0,29-13,86 kWm-2 en los modelos). Cuando los flujos de calor totales de WRF-Chem se redujeron de modo que las fracciones radiantes coincidieran con los flujos FRE observados, la aparición de falsos positivos se volvió menos común y se logró una mejora adicional cuando las simulaciones de sensibilidad de WRF-Chem se evaluaron utilizando el PBL observado como límite de inyección. Este efecto fue más fuerte en los incendios forestales, que según el modelo de Freitas tienen los mayores flujos de calor14.

La Tabla 1 muestra el comportamiento de inyección de los perfiles de columna de humo modelados y observados utilizando la altura de la capa límite planetaria (PBLH) observada para clasificar las observaciones y la PBLH modelada para clasificar los modelos (consulte “Métodos”, Figuras complementarias 1 a 51, Tablas complementarias 1–3). Las inyecciones ocurren en el 35% de los casos observados, el 80% de los casos de WRF-Chem y el 95% de los casos de HRRR-Smoke. WRF-Chem y HRRR-Smoke tienen precisiones de 0,51 y 0,44, respectivamente. Ambos modelos tienden a capturar bien las inyecciones observadas, y WRF-Chem y HRRR-Smoke tienen tasas de verdaderos positivos de 0,94 y 1,0, respectivamente. Sin embargo, WRF-Chem y HRRR-Smoke también exhiben tasas de falsos positivos de 0,73 y 0,92, respectivamente. Para WRF-Chem, en los casos en los que los penachos están dentro del rango de incertidumbre del PBLH modelado (es decir, casos que exhiben un comportamiento de inyección diferente cuando los PBLH modelados y observados se utilizan para evaluar la inyección, consulte la siguiente sección), se excluyen del análisis. , entonces la precisión es 0,67, la tasa de verdaderos positivos es 1,0 y la tasa de falsos positivos es 0,61. Esto sólo mejora ligeramente el error logrado por WRF-Chem cuando se utilizan todos los casos. Estas estadísticas indican que la sobrepredicción de la inyección conduce a una alta tasa de verdaderos positivos y un tipo de error de baja precisión presente en ambos modelos, lo que es consistente con trabajos previos que cuantificaron la incertidumbre en el modelo de Freitas15,18.

La subestimación del PBLH es un problema conocido con el modelo WRF-Chem23,24 que puede causar que las columnas colocadas a la altura correcta se identifiquen erróneamente como inyecciones en la troposfera libre. Las Figuras 1a y e muestran el sesgo en el PBLH modelado para los modelos WRF-Chem y HRRR-Smoke, respectivamente (Datos complementarios 1). Para los casos de falsos positivos, WRF-Chem tiende a subestimar el PBLH entre 500 y 1000 m, y HRRR-Smoke tiende a subestimar el PBLH en <500 m. Ambos modelos muestran una gran dispersión e incluso contienen casos en los que los modelos sobrepredicen el PBLH y todavía se produce una inyección falsa. Además, el modelo WRF-Chem captura correctamente las no inyecciones para los PBLH generalmente más subestimados.

a, e Comparación de la mediana del PBLH del transecto modelado con la mediana del PBLH del transecto observada, b, f flujo promedio de FRE, c, g fracción de sabana y pastizal, y d, h altura del terreno. La línea horizontal roja indica las medianas, los cuadros azules indican los rangos intercuartílicos y los bigotes indican el rango intercuartil de 1,5x. TP, FP y FN se definen como en el título de la Tabla 1. a – d Consulte el modelo WRF-Chem y e – h consulte el modelo HRRR-Smoke.

Ejecutamos una versión independiente del esquema de aumento de la pluma de Freitas basado en meteorología simulada para los casos en los que WRF-Chem subpredijo el PBLH y HRRR-Smoke lo capturó con precisión según lo determinado por la superposición en los rangos intercuartílicos de las distribuciones de PBLH observadas y modeladas (Tabla 2, Figura complementaria 52). Se descubrió que la altura del penacho y el comportamiento de la inyección del penacho tienen poca sensibilidad a las variaciones en PBLH presentes en la meteorología utilizada para impulsar el modelo (Figura complementaria 53, tenga en cuenta que el error porcentual en las alturas del penacho no supera el 8,8%). Esto nos permite reclasificar el comportamiento de inyección de WRF-Chem utilizando el PBLH observado (Tabla 1), ya que la altura superior del penacho probablemente sería similar si WRF-Chem reprodujera correctamente el PBLH observado. Hay 12 casos que se reasignan a la categoría de verdadero negativo, dos que se reasignan a falso positivo y uno que se reasigna a falso negativo. Para esta evaluación, la inyección ocurre en el 59% de los casos, lo que da como resultado una precisión de 0,70, una tasa de verdaderos positivos de 0,89 y una tasa de falsos positivos de 0,39, lo que indica un mejor rendimiento del modelo. Por lo tanto, concluimos que para WRF-Chem, las incertidumbres en la capa límite probablemente contribuyan a la sobrepredicción de la inyección. Cuando se utilizó el PBLH observado para evaluar el comportamiento de la inyección de HRRR-Smoke, la tasa de inyección fue del 59 %, la precisión fue del 0,53, la tasa de verdaderos positivos fue del 0,82 y la tasa de falsos positivos fue del 0,65. Para HRRR-Smoke, que ejecuta un esquema PBL más nuevo (Tabla 2), las incertidumbres en la capa límite probablemente sean menores y desempeñen un papel menor en la generación de inyecciones falsas.

La Figura 1 muestra distribuciones de tres variables adicionales (Datos complementarios 1) que pueden ayudar a explicar el comportamiento de inyección de los modelos WRF-Chem y HRRR-Smoke: promedio de los flujos FRE supuestos del modelo (ver "Métodos", 1b, 1f), modelo tipo de combustible (1c, 1g) y altura del terreno (1d, 1h). Dado que se supone que el flujo de FRE depende del tipo de combustible en el modelo, el flujo de FRE supuesto y el tipo de combustible están fuertemente correlacionados entre sí. Otras variables que muestran fuertes correlaciones entre sí incluyen la estabilidad de la capa límite y de la troposfera libre, y la complejidad del terreno y el flujo de calor en el modelo HRR-Smoke (Figuras complementarias 54-55). El resto de variables están como mucho moderadamente correlacionadas entre sí (r2 < 0,46). Los diagramas de caja se generaron mediante bootstrapping para evitar sesgos de muestreo hacia un solo incendio (“Métodos”).

Las Figuras 1b yf implican que los flujos FRE modelados probablemente sean un factor que contribuya en gran medida a la sobrepredicción de la inyección por parte de ambos modelos. WRF-Chem captura correctamente las no inyecciones cuando se prescribe un flujo FRE más bajo y sobrepredice o captura las inyecciones para flujos FRE más grandes. De hecho, la diferencia en el flujo de FRE entre los casos correctos sin inyección y con inyección falsa (que en las observaciones muestran el mismo comportamiento sin inyección) es estadísticamente significativa (valor p = 0,042). Si bien HRRR-Smoke no contenía suficientes casos correctos sin inyección para una comparación significativa, HRRR-Smoke asume flujos FRE similares para todos los tipos de combustible, y estos valores son comparables con lo que supone WRF-Chem para los casos en los que se pronostica una inyección falsa. Por lo tanto, podemos inferir que estos altos flujos de calor también contribuyen a que HRRR-Smoke sobreprediga las inyecciones.

La captura correcta de no inyecciones tiende a ocurrir en WRF-Chem para fracciones más grandes de sabana y pastizales (Fig. 1c), lo cual es consistente ya que WRF-Chem prescribe flujos de calor más bajos para sabanas y pastizales que para bosques (“Métodos”). De manera similar, no existe una relación clara para HRRR-Smoke con respecto al tipo de combustible, ya que los flujos FRE supuestos para todos los combustibles son similares y están dentro del rango de lo que supone WRF-Chem para los bosques. Esto indica que los flujos de calor dependientes del combustible asumidos por los modelos (“Métodos”) específicamente aquellos correspondientes a los combustibles forestales en WRF-Chem y todos los combustibles en HRRR-Smoke, podrían ser altos y conducir a una sobrepredicción de la inyección. Se investigaron otras variables, como la hora del día, la estabilidad estática y la complejidad del terreno, sobre su papel en el comportamiento de inyección modelado, pero ninguna resultó ser una variable explicativa clara (Figuras complementarias 54-55).

Las Figuras 1d y h muestran que las inyecciones falsas ocurren a mayor elevación del terreno que las inyecciones correctas y que esta diferencia es estadísticamente significativa en ambos modelos (valores de p = 0,031 y 0,015). Además, la Fig. 1d muestra que las inyecciones falsas ocurren en elevaciones más altas que las no inyecciones correctas. Probablemente, esto significa que los flujos de calor de entrada o la meteorología del esquema de aumento de la pluma son más inciertos en áreas de terreno más alto (Fig. 1d, h) y más complejo (Fig. 54b, 55b complementarios). El modelo Fretias también está limitado porque es unidimensional y, por lo tanto, no puede simular interacciones entre columnas vecinas del modelo.

La Figura 2a proporciona una restricción observacional sobre el flujo FRE. Los puntos de dispersión muestran observaciones del FRP total versus el área de incendio en llamas del instrumento MASTER para cada transecto y las formas indican la categoría de combustible de la campaña para cada paso elevado MASTER ("Métodos", Datos complementarios 1). Las regiones coloreadas indican los supuestos de flujo FRE realizados por los modelos. El área de incendio activo se calcula únicamente para los píxeles en llamas y saturados, asumiendo que estas fases del incendio contribuyen principalmente a la inyección de la pluma14. El FRP se calcula para todas las categorías, ya que esto es lo que observan los satélites. Los gráficos que muestran el tamaño del incendio y el FRP para diferentes fases de combustión muestran resultados cualitativos similares (Figura complementaria 56). MASTER, WRF-Chem y HRRR-Smoke rastrean los flujos de calor de manera ligeramente diferente, por lo que para facilitar la comparación, todos se han convertido en flujo FRE (consulte “Métodos”).

un diagrama de dispersión del FRP total y el área de incendio saturado y en llamas de MASTER para cada paso elevado de incendio (diamantes de colores, estrellas, triángulos). La línea negra es un ajuste lineal a los puntos MAESTROS de la forma y = mx. Las barras de colores representan los rangos de flujo de FRE basados ​​en los supuestos de los modelos para el flujo de calor convectivo y la incertidumbre en la conversión entre flujo de calor convectivo y radiante (ver “Métodos”). El flujo FRE aumenta hacia la parte superior izquierda. Las formas representan la categoría de combustible de la campaña. Los colores de diamantes, estrellas y triángulos representan la contribución fraccionaria de la combustión en llamas (incluidos los píxeles saturados) al FRP total. Otros paneles muestran diagramas de caja y bigotes de b FRP observado yc fracción observada de FRP debido a la combustión con llama, agrupados por el comportamiento de inyección observado. Los elementos de caja y bigotes son como en el título de la Fig. 1.

La Figura 2a muestra que el mejor ajuste para el flujo FRE observado (0,55 kWm-2) está dentro del rango de los flujos FRE de sabana (0,40-3,09 kWm-2) y pastizales (0,29-0,57 kWm-2) de WRF-Chem y es no está dentro del rango del flujo FRE del bosque WRF-Chem (2,69–13,86 kWm-2) o cualquier flujo supuesto de FRE HRRR-Smoke (3,44–4,76 kWm-2). Dicho de otra manera, WRF-Chem y HRRR-Smoke suponen flujos FRE iguales a 0,5–25 y 6–9 veces el flujo FRE promedio observado, respectivamente. Esto es consistente con la falta general de superposición entre los puntos de dispersión y las barras de color amarillo y naranja en la Fig. 2a. Por lo tanto, esto proporciona evidencia observacional para la hipótesis de que los flujos de calor supuestos que se utilizan en el modelo de Freitas, especialmente para los combustibles forestales, probablemente sean demasiado grandes. Dado que estos flujos de calor se utilizan directamente para calcular la flotabilidad inicial de la columna, esto conduce a columnas simuladas que se elevan más fácilmente hacia la troposfera libre.

Una advertencia de este hallazgo es que una fracción de los píxeles en llamas recuperados por MASTER están marcados como saturados y, por lo tanto, se podría subestimar el FRP, lo que afectaría nuestras conclusiones. La comparación de MASTER con las observaciones satelitales (que son menos propensas a la saturación debido a una mayor huella de píxeles) muestra que MASTER tiende a proporcionar estimaciones de FRP entre MODIS (pendiente = 1,65) y Visible Infrarrojo Imaging Radiometer Suite (VIIRS, pendiente = 0,79) ( Figura complementaria 57). Si asumimos que las recuperaciones de VIIRS están más cerca de la realidad, podemos usar la pendiente del diagrama de dispersión para corregir las recuperaciones MASTER, lo que arroja un flujo FRE promedio observado de 0,7 kWm-2, lo que no cambia nuestros hallazgos. Por lo tanto, no esperamos que la saturación de MASTER influya en gran medida en nuestro resultado final.

Para investigar los factores que influyen en la variabilidad del flujo de FRE, se calculó el flujo de FRE para los puntos MASTER agrupados por la categoría de combustible de campaña dominante (ver "Métodos") y por la fracción en llamas de FRP. Esto resultó en un flujo FRE de 0,55 kWm-2 para incendios forestales, 0,51 kWm-2 para incendios de sabana, 0,59 kWm-2 para incendios de pastizales, 0,56 kWm-2 para >85% de fracción en llamas y 0,36 kWm-2 para <85%. fracción en llamas. El flujo de FRE es generalmente constante según el tipo de combustible y parece variar más con la fase de combustión del fuego. En otras palabras, dadas las condiciones adecuadas de propagación y consumo de combustible, los incendios forestales y de pastos pueden arder con la misma intensidad, lo que concuerda con estudios previos25. Por lo tanto, los flujos de calor utilizados para impulsar el modelo Fretias deberían ser pequeños, relativamente constantes entre los tipos de combustible y quizás más estrechamente asociados con el clima de incendio.

La Figura 2a respalda la idea de que los supuestos de flujo de calor del modelo asignan demasiada energía de flotación por unidad de área, lo que probablemente sea el principal contribuyente a la sobrepredicción de la inyección. La sobrepredicción ocurre incluso cuando se supone un tamaño de incendio pequeño en WRF-Chem (0,25 km2 por celda de la cuadrícula), lo que respalda aún más la idea de que los modelos asumen demasiada energía de incendio por unidad de área. Además, WRF-Chem tiende a identificar correctamente eventos de no inyección en incendios dominados por pastos y sabanas (Fig. 1b), ya que estos incendios tienen el flujo de calor modelado más bajo. Los flujos FRE utilizados en HRRR-Smoke para todos los tipos de combustible generalmente se encuentran en el rango de flujos FRE para bosques especificados en la ref. 14, consistente con HRRR-Smoke que muestra una alta tasa de inyección falsa independientemente del tipo de combustible (Tabla 1). El cálculo interno de HRRR-Smoke del flujo de calor total a partir del flujo FRE (ver “Métodos”) probablemente evita que las alturas superiores de la columna sean anormalmente altas. Por lo tanto, los flujos de calor utilizados para impulsar el modelo Fretias deben actualizarse para que sean consistentes con los flujos FRE más pequeños observados. La relación lineal entre FRP y el área quemada (línea continua negra) es consistente en varios órdenes de magnitud, lo que puede usarse para actualizar el esquema HRRR-Smoke donde el área quemada es una función del FRP.

La Figura 2b muestra el comportamiento de inyección observado en función del FRP observado, mostrando una tendencia casi significativa (valor de p = 0,063) de inyecciones que ocurren con un FRP más alto. Por lo tanto, aunque los flujos de calor deben actualizarse en HRRR-Smoke, es valioso impulsar la inyección de penacho con FRP observado, como ya se implementa en HRRR-Smoke (ver “Métodos”) y otros sistemas (p. ej., ref. 26). ). MASTER FRP está altamente correlacionado con el área quemada (R2 = 0,96) y, por lo tanto, también serían apropiados enfoques que utilicen el área quemada observada para impulsar el aumento del penacho. Por otro lado, la Fig. 2c muestra que el comportamiento de inyección observado tiene poca asociación con la fracción en llamas de los píxeles MAESTROS. Sin embargo, la fracción en llamas juega un papel indirecto, ya que las fracciones en llamas más altas están asociadas con flujos FRE más altos y, por lo tanto, el flujo de calor podría implementarse como una función de la fracción en llamas si esto está disponible a partir de las observaciones.

El paso final de este análisis fue volver a ejecutar el modelo WRF-Chem para casos seleccionados con un flujo de calor ajustado basado en el flujo FRE promedio observado de 0,55 kWm-2 (flujo de calor total de 3,4 a 5,3 kWm-2). Se realizó la prueba de sensibilidad de las inyecciones falsas de WRF-Chem y se reevaluaron un total de 24 de los 51 casos. Estos casos se muestran como un cuarto panel en los transectos relevantes en las Figs. complementarias. 1–51. La configuración del modelo WRF-Chem para las simulaciones de sensibilidad se muestra en la Tabla 2, y HRRR-Smoke no se incluye en el análisis de sensibilidad ya que se estaba ejecutando únicamente como un producto de pronóstico en tiempo real para el período FIREX-AQ.

De los 24 casos que se volvieron a analizar con flujos de calor actualizados, 18 siguieron siendo inyecciones falsas y 6 se reclasificaron correctamente como no inyecciones. Esto produce una tasa mejorada de falsos positivos de 0,75, dado que la tasa inicial de falsos positivos de este subconjunto fue 1. Si el comportamiento de la inyección se evalúa utilizando el PBLH observado como límite de inyección, entonces 7 casos siguen siendo falsos positivos y 17 casos se vuelven a detectar correctamente. clasificados como no inyecciones para una tasa de falsos positivos del subconjunto igual a 0,29. El análisis de sensibilidad muestra que se necesitan tanto una capa límite precisa como un flujo de calor preciso para modelar correctamente el comportamiento de la inyección.

En promedio, en estos 24 casos, la altura media de la capa mixta en el penacho (un indicador de la altura de la cima del humo19) disminuyó en 455 m con la inclusión de flujos de calor más realistas. Agrupado por categoría de combustible modelo, esto corresponde a una disminución de 687 m para los incendios forestales extratropicales (14 casos), una disminución de 141 m para los incendios de sabana (7 casos), una disminución de 20 m para los incendios de pasto (3 casos). De los seis casos que fueron reclasificados como no inyecciones con respecto al WRF-Chem PBLH, 5 tenían bosques extratropicales como categoría de combustible modelo dominante y 1 fue un incendio de sabana. Todos menos uno vieron una reducción en la altura media de la columna de humo (disminución promedio de 506 m en los 6 casos). De los 18 casos que siguieron siendo inyecciones, 9 estaban dominados por bosques extratropicales, 6 estaban dominados por sabanas y 3 estaban dominados por pastizales.

El uso de flujos de calor y capas límite que estén en línea con los valores observados reduce la aparición de falsos positivos y reduce la altura media de la cima del humo para el modelo WRF-Chem. Este efecto es consistente con otros estudios que han demostrado que las alturas de las plumas modeladas disminuyen en proporción a la disminución de los valores de flujo de calor18, con el hecho de que el modelo de Freitas asume los valores de flujo de calor más altos para los incendios forestales14, y con estudios que han analizado la subpredicción del PBLH por WRF-Chem23,24. Si bien observamos que clasificar el comportamiento de la inyección con respecto a la capa límite observada mejora el rendimiento del modelo, se esperan mejoras adicionales en WRF-Chem PBLH mediante el uso de versiones más recientes del modelo (la que se usa aquí data de 2014) que son más consistentes con Los sesgos reducidos del modelo HRRR-Smoke en PBLH.

Comparamos el comportamiento de la inyección de humo en los modelos WRF-Chem y HRRR-Smoke con observaciones LIDAR en el aire y descubrimos que ambos modelos tienden a sobrepredecir el comportamiento de la inyección. Los flujos de calor irrealmente altos utilizados para impulsar la flotabilidad de las columnas se identifican como un probable contribuyente a la alta tasa de inyecciones falsas en ambos modelos, y la subpredicción de PBLH se identifica como un segundo contribuyente a la alta tasa de inyecciones falsas en el modelo WRF-Chem. . Las observaciones de FRP y el área de incendio del instrumento MASTER proporcionan una restricción de observación sobre el flujo de calor, que utilizamos para determinar que los flujos de FRE supuestos en WRF-Chem (HRRR-Smoke) son generalmente más altos que los observados en un factor de 0,5 a 25 ( 6–9). Las observaciones se ubicaron principalmente dentro de los rangos de flujo FRE asumidos en WRF-Chem para incendios de pastizales y sabanas (flujo FRE promedio = 0,55 kWm-2), consistente con WRF-Chem que predice correctamente las no inyecciones para altas fracciones de pastizales y con HRRR- El humo predice una alta tasa de falsos positivos. Se demostró que el flujo de FRE varía débilmente con el tipo de combustible y más fuertemente con la fracción de FRP debido a la combustión con llama. El ajuste de los flujos de calor utilizados en WRF-Chem en función de los datos de campo mejora parcialmente el comportamiento de sobrepredicción que dominó el error en este modelo, y se logra una mejora adicional cuando el comportamiento de inyección del modelo se evalúa utilizando el PBLH observado como límite de inyección. No se realizaron pruebas de sensibilidad para HRRR-Smoke, pero planteamos la hipótesis de que la reducción de los flujos de calor mejorará la representación de la inyección, aunque este efecto puede verse algo atenuado por el cálculo interno de HRRR-Smoke del flujo de calor total.

El conjunto de datos FIREX-AQ que utilizamos es limitado porque se centra únicamente en los incendios forestales del oeste de los Estados Unidos durante la temporada de incendios relativamente normal de 2019. Además, debido a la naturaleza de observar el humo de los incendios forestales desde un avión, los planificadores de vuelo preferían columnas más intensas y elevadas. A pesar de estas limitaciones, el conjunto de datos occidental FIREX-AQ contiene una variedad de tamaños de incendio, comportamientos de inyección y tipos de combustible (Fig. 2a). Además, estos resultados son consistentes con estudios que utilizaron satélites para evaluar el aumento del penacho15,18.

Nuestros resultados también muestran que los flujos de calor pueden no depender del combustible como supone el modelo de Freitas. La parametrización del aumento del penacho de Freitas se desarrolló originalmente para los incendios forestales tropicales14,18, por lo que es posible que estas constantes estén adaptadas a esta región y, por lo tanto, no sean totalmente aplicables a los incendios forestales del oeste de EE. UU.

Estudios anteriores han identificado deficiencias en el modelo de Freitas, incluida la subestimación del rango de altura de inyección y la identificación errónea de las inyecciones18. Los datos disponibles de FIREX-AQ nos han permitido identificar los supuestos flujos de calor y la incertidumbre de la capa límite que contribuyen a los problemas conocidos con el rendimiento del modelo Freitas. Esperamos que nuestros resultados mejoren los modelos de humo en una variedad de disciplinas, incluida la previsión de la visibilidad y la calidad del aire, las interacciones entre los incendios forestales y el clima y los estudios de impacto en la salud.

La campaña de campo FIREX-AQ se centró en columnas de humo utilizando el laboratorio aéreo DC-8. Este conjunto de datos contiene mediciones de alta resolución de la retrodispersión del penacho, FRP, área del incendio y combustibles quemados en cada incendio. Además, las simulaciones WRF-Chem y HRRR-Smoke implementan versiones ligeramente diferentes de la parametrización de Freitas. WRF-Chem se ejecutó casi en tiempo real para respaldar los esfuerzos de planificación de vuelos y HRRR-Smoke es un sistema operativo de la NOAA.

Un Lidar de absorción diferencial de alta resolución espectral aerotransportado (DIAL-HSRL27) proporcionó un coeficiente de retrodispersión de aerosol a 532 nm (resolución vertical = 30 m, resolución horizontal = 10 s) para evaluar la altura de inyección del penacho. Se tomaron mediciones de FRP, área quemada y fase del fuego (en llamas, humeante o saturado) utilizando el generador de imágenes multiespectral MASTER28. Para cada incendio, la categoría de combustible de la campaña se determinó como la categoría de combustible dominante según el Sistema de Clasificación de Características de Combustibles (FCCS), un conjunto de datos de alta resolución creado mediante teledetección y mediciones in situ de la cobertura del suelo y la carga de combustible. En este estudio, las categorías de combustible del FCCS se asignaron a las categorías de combustible asumidas por el MODIS-Programa Internacional de Biosfera Geosfera (IGBP)29,30. Una comparación de los combustibles modelados y de campaña (Figura complementaria 58) muestra que el modelo utiliza el tipo de combustible correcto en el 47% de los casos. Dado que el tipo de combustible influye directamente en el flujo de calor supuesto, los errores en el combustible modelo pueden llevar a que el flujo de calor se sobreestime o subestime con respecto al flujo de calor que se asumiría si se hubiera utilizado el combustible de campaña para determinar el flujo de calor. La mayoría de los errores (presentes en el 39% de los casos) funcionan para reducir el flujo de calor y, a pesar de ello, las estimaciones del flujo de calor siguen siendo demasiado altas.

En este estudio, se utilizan recuperaciones de FRP y clases de fases de combustión del instrumento MASTER para evaluar las suposiciones de los modelos sobre el flujo de calor del incendio. La detección de incendios de MASTER se basa en el concepto de algoritmo contextual desarrollado originalmente para los instrumentos MODIS a bordo de los satélites Terra y Aqua31. Con respecto a la recuperación de FRP, estudios previos indican que el 98% de la variación en la energía radiativa del fuego se explica por variaciones en la radiancia espectral del infrarrojo medio (MIR) emitida a ~4 μm32. Por lo tanto, la recuperación de FRP a partir de observaciones MASTER se basa en el enfoque de radiancia MIR33 utilizando la banda espectral MASTER de 3,91 µm (en adelante, 4 µm). Para clasificar los píxeles de fuego detectados por MASTER por fase de combustión (es decir, en llamas y ardiendo), los esfuerzos para derivar y aplicar umbrales constantes no tuvieron éxito, ya que el rango de valores que representan estas fases variaba ampliamente de una escena a otra, en parte debido a las diferencias en el fuego. regímenes y variaciones de fracciones de píxeles con diferentes fases de incendio, y en parte debido a la compleja dinámica de calibración radiométrica de instrumentos más allá del alcance de esta discusión34. Por lo tanto, se utiliza un enfoque similar al algoritmo contextual de detección de incendios31 para lograr esta clasificación, con umbrales derivados empíricamente de cada escena de las imágenes MASTER. Los píxeles en llamas se determinaron como píxeles de fuego para los cuales la temperatura de brillo de 4 µm es superior a 3 desviaciones estándar por encima de la temperatura de brillo media de 4 µm del fondo y para los cuales la diferencia entre las temperaturas de brillo de 4 y 11 µm excede los 100 K. Los píxeles humeantes se determinaron como disparar píxeles para los cuales la temperatura de brillo de 4 µm es superior a 2 desviaciones estándar por encima de la temperatura media de brillo de 4 µm del fondo y para los cuales la temperatura de brillo de 11 µm es superior a 1 desviación estándar por encima de la temperatura media de brillo de 11 µm del fondo. Dado que se encontró que algunos de los píxeles de fuego más intensos estaban saturados debido al rango dinámico limitado del canal de fuego MASTER de 4 µm en relación con las altas temperaturas que pueden alcanzar los píxeles que están completamente cubiertos por las llamas (hasta 1500 K), Los píxeles saturados se determinaron utilizando los valores de radiancia de 4 µm. Dada la escena con un 20 % de píxeles de fondo válidos, estos píxeles con valores de radiancia de 4 µm >99,5 % del valor máximo se marcan como saturados. Estos valores máximos pueden variar de una escena a otra e incluso de una línea de exploración a otra, pero en una línea de exploración determinada, generalmente son iguales (dentro del 0,005%). Cuando se produce la saturación, los grupos de píxeles alrededor de los píxeles saturados tienden a tener el mismo valor de radiancia de 4 µm. Estos píxeles también se marcan como saturados, lo cual es una limitación de este método.

El análisis preliminar (Figura 57 complementaria) mostró que MASTER FRP es comparable al FRP de MODIS, VIIRS y el generador de imágenes de línea base avanzada por satélite ambiental operativo geoestacionario (GOES-ABI). MASTER tiende a subestimar las mediciones de VIIRS FRP (sesgo = −66,11 MW) y a sobreestimar MODIS (sesgo = 379,6 MW). En el gráfico MODIS, la fuerte asociación (R2 = 0,97) está impulsada en gran parte por el valor atípico, pero eliminar el valor atípico aún da como resultado que MASTER sobreprediga MODIS (R2 = 0,72, sesgo = 190.215,3 MW, pendiente = 1,39). Consulte la figura complementaria 55 para ver la comparación completa. Tenga en cuenta que no todos los casos en los que tenemos columnas tienen datos MAESTROS asociados.

En este estudio, comparamos la parametrización del aumento de la pluma de Freitas en WRF-Chem y HRRR-Smoke; los detalles de cada uno se enumeran en la Tabla 2. Las diferencias relevantes para esta investigación están en la forma en que cada modelo aborda el flujo de calor y el tamaño del fuego. WRF-Chem supone un tamaño de incendio constante de 0,25 km2 por celda de rejilla modelo y flujos de calor totales dependientes del combustible que varían desde 4,4 kWm-2 para incendios de pasto hasta 80 kWm-2 para incendios forestales. HRRR-Smoke, por otro lado, supone flujos de FRE dependientes del combustible que oscilan entre 3,44 y 4,76 kWm-2 para todos los tipos de combustible y utiliza estas constantes junto con mediciones de FRP para estimar el tamaño del incendio. Dado que HRRR-Smoke asume flujos FRE, realiza una conversión interna al flujo de calor total utilizando un factor de 1.635,36. En ambos modelos, la energía convectiva se calcula utilizando el flujo de calor total prescrito o calculado según la categoría de combustible y suponiendo que la energía convectiva es el 55 % del flujo de calor total36. Ambos modelos suponen que sólo las emisiones en llamas experimentan un aumento de la pluma y suponen que una fracción fija de las emisiones son en llamas. El módulo de elevación de la pluma se ejecuta cada 30 minutos del tiempo del modelo.

Las emisiones del Quick Fire Emissions Dataset (QFED) utilizadas en WRF-Chem se volvieron a calcular según la resolución del modelo asignando las emisiones a la celda de la cuadrícula más cercana. Las emisiones diarias del QFED se recalcularon a resolución horaria asignando un porcentaje de las emisiones diarias a cada hora, ocurriendo el pico del ciclo diurno a las 16:00 LT y conteniendo el 17% de las emisiones diarias. Además, este ciclo diurno supone que la mayoría de las emisiones se liberan durante las horas del día (alrededor de las 10:00 a las 19:00 LT) y menos del 1% de las emisiones diarias se liberan por hora durante las horas de la noche37.

Higos suplementarios. 1–51 muestran los 51 transectos que fueron seleccionados para el análisis en este trabajo. Las observaciones se tomaron durante transectos en los que la aeronave voló sobre la fuente del incendio y a favor o en contra del viento a lo largo del eje más largo de la columna. Se extrajeron columnas modeladas de partículas de menos de 2,5 micrones de diámetro (PM2,5) a lo largo de la trayectoria de vuelo, considerando incendios que se desplazaron ligeramente en el espacio y el tiempo en WRF-Chem en relación con las observaciones (Figuras complementarias 59-60). Todas las secciones transversales se muestran en las figuras complementarias. 1–51 y las tablas complementarias 1–2 indican el comportamiento de inyección de todas las muestras. Los nodos terminales de la clasificación (Fig. 3g) se utilizan para determinar contra qué PBL evaluar la inyección y comparar con el DIAL-HSRL PBLH.

Perfiles verticales de una retrodispersión DIAL-HSRL, b HRRR-Smoke PM2.5 yc WRF-Chem PM2.5 para Shady Fire el 26 de julio de 2019 a las 01:25-01:35 UTC. Perfiles verticales de retrodispersión d DIAL-HSRL, e HRRR-Smoke PM2.5 y f WRF-Chem PM2.5 para el incendio de North Hills el 29 de julio de 2019 a las 22:40-22:55 UTC. g El árbol de decisión que se utiliza para clasificar cada caso. En los nodos terminales (cuadros rojos y verdes), se dan entre paréntesis los casos representativos de cada ruta que termina en ese nodo terminal. Los círculos abiertos en (a) y (d) indican la altura de la capa límite del penacho, y los círculos rellenos indican la altura superior del penacho. Las líneas sólidas de color gris claro y las líneas grises discontinuas cortas en (b, c) y (e, f) denotan el PBLH modelado y las alturas de las capas mixtas derivadas de los gradientes verticales de PM2.5, respectivamente. Para WRF-Chem, la altura de la capa mezclada a las 4:00 p.m. LT, el momento en que la capa mezclada es más gruesa, se muestra con una línea larga y discontinua de color gris oscuro. 5 min de tiempo de vuelo corresponden a 50-70 km.

En algunos casos, los aviones observaron incendios que no están presentes en el modelo HRRR-Smoke. Esto se debe a lagunas de datos en las detecciones de incendios satelitales, lo que significa que el FRP no se incorporó al modelo y, por lo tanto, las emisiones de incendios y la altura de la columna nunca se derivan para esos incendios. Este problema afectó al incendio Shady (observado el 24 de julio de 2019) y al incendio Tucker (observado el 29 de julio de 2019). Es probable que estas detecciones faltantes se deban a nubes en el área, lo que podría provocar que se pierdan las recuperaciones de FRP por satélite (Tucker), o que las nubes persistentes amortigüen el comportamiento del fuego y provoquen detecciones perdidas incluso después de que las nubes se hayan despejado (Shady). Estos casos faltantes de HRRR-Smoke están presentes en el conjunto de datos WRF-Chem, porque el inventario de emisiones QFED tiene la capacidad de estimar emisiones para regiones cubiertas de nubes38. Debido a que estos casos tienen gráficos de cortina WRF-Chem disponibles, están presentes en nuestro análisis, pero para las muestras HRRR-Smoke, el comportamiento de la inyección se ha etiquetado como no un número (nan, Tablas complementarias 1-2).

En aproximadamente la mitad de los casos de WRF-Chem, los incendios modelados parecen desplazados con respecto a las observaciones. Al muestrear el modelo en la ubicación del vuelo, esto aparece como partes faltantes de la columna (Figura complementaria 59a) y solo captura el borde de la columna (Figura complementaria 59d). Este cambio aparente es el resultado de las diferencias de resolución entre el modelo WRF-Chem (4 km) y el inventario de emisiones QFED (0,1 grados, ~12 km). A medida que cada muestra de QFED se vuelve a clasificar en una única celda de la cuadrícula WRF-Chem, puede producirse un cambio en la ubicación del incendio. HRRR-Smoke no está sujeto a este problema porque se ejecuta a una resolución de 3 km e ingiere 375 m de VIIRS FRP para calcular y asignar espacialmente las emisiones de incendios, el área y el aumento del penacho39.

En lugar de excluir estos casos y perder la mitad del tamaño de nuestra muestra en el análisis, implementamos cambios espaciales en el algoritmo de muestreo para asegurar que el modelo fuera muestreado en la parte más densa de la columna. La distancia de desplazamiento se define como la distancia entre la aproximación más cercana del vuelo al lugar del incendio modelado y el lugar del incendio modelado en sí, que se define como el centro de masa de las emisiones en un conjunto de cuadros de cuadrícula de 9 × 9 alrededor del lugar del incendio observado ( repositorio de datos FIREX-AQ). Luego, la distancia de desplazamiento se utiliza para trasladar la trayectoria de vuelo en el espacio y se muestrea el modelo en estas nuevas ubicaciones. Esto supone que los cambios son lo suficientemente pequeños como para que la meteorología del modelo y los factores que impulsan el aumento del penacho no cambien en el rango espacial relativamente pequeño de los cambios (los cambios suelen ser de una fracción de grado). Esto aumentó sustancialmente el número de comparaciones entre el modelo y las observaciones. Sin embargo, se reconoce que el cambio puede dar lugar a un mayor error cuando el tipo de combustible cambia a lo largo de la distancia desplazada, ya que esto afecta el cálculo del aumento de la pluma14. La Figura complementaria 59c, d (línea roja) muestra cómo el cambio nos permite muestrear el modelo en el lugar donde ocurre el aumento de la pluma y cómo esto afecta el rendimiento del modelo.

En dos casos, se encontró una mala concordancia entre el modelo y la observación por una razón diferente. En la Figura complementaria 60b, la columna de fuego no es evidente en el perfil vertical de PM2.5 de WRF-Chem, y la Figura complementaria 60a muestra que esto se debe a que las emisiones QFED no están presentes en el modelo en el momento del muestreo. Como se señaló anteriormente, a las emisiones diarias de QFED se les asignan valores horarios basados ​​en la hora UTC y cada día (a la 01 UTC) se importa un nuevo conjunto de emisiones a QFED, que tiende a ser entre las 5 y las 6 p. m., hora local para el dominio FIREX-AQ. Esto conduce a discontinuidades en el ciclo diurno de emisiones que normalmente coincidía con la observación del DC-8 de la columna de fuego. Por lo tanto, también se implementó un cambio de horario para los dos casos en los que esto ocurrió. En estos casos, el modelo fue muestreado en un intervalo de tiempo una hora más tarde que el momento en que el DC-8 sobrepasó la columna. De manera similar al cambio espacial, el cambio de tiempo supone que no hay cambios en la meteorología (es decir, la dirección del viento) de un paso de tiempo al siguiente. Aunque en realidad la meteorología puede cambiar drásticamente en el transcurso de una hora, el momento de los pasos elevados (dentro de los 20 o 30 minutos de la siguiente hora) podemos ignorar parte de esta variabilidad. La figura complementaria 60c-d muestra cómo el muestreo del modelo WRF-Chem una hora después nos lleva a un momento en el que las emisiones del modelo están presentes y se puede evaluar el comportamiento del aumento de la pluma.

Definimos la inyección como una capa estratificada de humo sobre el PBL o una capa residual sobre el incendio cuya forma estratificada se mantiene durante al menos cinco minutos (50 a 70 km según la velocidad terrestre de la aeronave) de transporte a favor del viento. Esta definición está motivada por las diferencias entre humo inyectado y no inyectado13 y la tendencia del humo inyectado a agregarse en capas estables troposféricas libres8. Con esta definición, las inyecciones son independientes de la presencia de humo de PBL. En las figuras 3a a c, e, se muestran ejemplos de inyección, y en las figuras 3d, f, se muestran ejemplos de no inyección.

En las cortinas DIAL-HSRL (Fig. 3a, d), los valores de retrodispersión de 1–56 Mm−1 sr−1 (amarillo-rojo oscuro, círculos rellenos de negro) representan humo, y los valores de 0,18–0,56 Mm−1 sr− 1 (verde oscuro-verde claro, círculos abiertos negros) representan el PBL fuera de la pluma. Dado que la presencia de fuego influye en la altura de la capa de mezcla observada por el DIAL-HSRL, se eligieron ubicaciones a barlovento y a favor del viento donde el PBLH permaneció relativamente estable como la región fuera de la pluma (círculos abiertos negros en 3a-3f). En ambos modelos (Fig. 3b-c, e-f), se supone que los valores de PM2,5 de 5,6 a 1000 µg m-3 (azul claro-rojo oscuro) son humo. Determinar la altura del PBL modelado fuera de la pluma es más complejo debido al hecho de que WRF-Chem simula los aerosoles de fondo y HRRR-Smoke no. Por lo tanto, en todos los casos del modelo, utilizamos la altura PBL modelada fuera de la pluma o la altura potencial de la capa mixta derivada de la temperatura a las 4:00 p.m. hora local (líneas discontinuas gris claro o gris oscuro en las figuras 3b-c, e-f). en la ubicación de los círculos abiertos negros) para clasificar la inyección. Esta metodología evalúa la inyección modelada con respecto al PBL observado y modelado y la inyección observada con respecto al PBL observado. Esto es diferente de estudios anteriores que utilizan alturas PBL modeladas solo como estándar para juzgar la inyección11. Comparar la retrodispersión ambiental con PM2.5 basada en la extinción seca es suficiente para nuestros propósitos porque las regiones con humo y las regiones sin humo son visualmente distintas entre sí y tienen un grado satisfactorio de coincidencia espacial tanto en la retrodispersión como en las cortinas de PM2.5.

La Figura 3g muestra el proceso de estilo de árbol de decisión que se aplicó a todos los casos para determinar si se produjo o no la inyección. La primera división en el árbol (nodo A) pregunta qué fracción de la capa superior de humo está por encima del PBLH fuera de la pluma. El nodo A identifica casos en los que el humo permanece bien mezclado en todo el PBL local (Fig. 3d) y es especialmente útil para evaluar los modelos (es decir, Fig. 3f) ya que el modelo de Freitas inyecta emisiones de llamas a la altura donde la columna simulada deja de elevarse. sino para una variedad de flujos de calor14, lo que permite la posibilidad de que las columnas se inyecten en múltiples niveles verticales que podrían estar por debajo del PBLH.

Para los casos en los que la mayoría de la pluma elevada reside en la troposfera libre, el nodo B1 indica que el comportamiento a favor del viento influirá en si las plumas se clasificarán o no como inyecciones. Si las columnas mantienen su forma estratificada (es decir, en todos los paneles de la Fig. 3a), entonces se consideran inyecciones. Esto viene con la salvedad (nodo F1) de que el humo en la capa residual, aunque pueda parecer de forma estratificada, no se considera una inyección en este trabajo. Estos casos ocurren cuando los incendios se observaron después del anochecer, por lo que el PBL convectivo diurno se reemplazó con una capa residual menos turbulenta, lo que llevó a la estructura estratificada que probablemente tendrá impactos más localizados en la calidad del aire al día siguiente si se alcanza un PBLH similar. Los casos en los que la pluma se mezcla con el PBL dentro de los 5 minutos de vuelo se consideran no inyecciones (nodos C2, E2). Si la mezcla ocurre después de 5 min de tiempo de vuelo, el caso se considera una inyección (nodo E1).

Algunos incendios se observaron varias veces en un solo día, lo que puede sesgar los datos hacia esos incendios. Para mitigar este sesgo, se utilizó un enfoque de arranque que genera diagramas de caja y bigotes mediante un submuestreo del conjunto de datos de modo que solo se seleccionó un paso elevado de avión por incendio por día. Los diagramas de caja finales (Fig. 1 y Figuras complementarias 50 a 52) se generaron utilizando las estadísticas promedio de todos los diagramas de caja de 2000 de dichas iteraciones. La categoría falsa de no inyección no contenía suficientes casos para incluir estadísticas significativas para ninguno de los modelos. HRRR-Smoke no tenía suficientes casos verdaderos sin inyección para generar estadísticas, pero las distribuciones de inyección verdadera y falsa son similares a las distribuciones correspondientes de WRF-Chem (es decir, Fig. 1).

Se eligió el flujo FRE como cantidad estándar con la que comparar los flujos de calor entre los modelos y las observaciones, y se deriva de las mediciones de la siguiente manera. Primero, el FRP se suma a todos los píxeles MAESTROS presentes en una sola escena, lo que produce el FRP total. A continuación, los tamaños de los píxeles MASTER se derivan de la altitud de la aeronave sobre el terreno utilizando una relación lineal (planificación de vuelo MASTER). El flujo FRE es entonces la pendiente del ajuste lineal FRP = m·AREA, que en el texto principal se calcula para todo el conjunto de datos y también para los subconjuntos. Este análisis se puede realizar utilizando píxeles humeantes, píxeles en llamas y saturados, o todos los píxeles.

HRRR-Smoke informa los flujos de calor como proporciones de área a FRP, por lo que tomamos su inversa para traducirlos en flujos de FRE. WRF-Chem utiliza los flujos de calor convectivos predeterminados asumidos por el modelo de Freitas, que se supone que son 0,55 de los flujos de calor totales14,36. El flujo de calor convectivo resultante se convierte en un flujo FRE utilizando fracciones radiantes y convectivas medidas40. Estas fracciones radiantes y convectivas se midieron a ~3,9 µm, que es similar a las longitudes de onda utilizadas por MASTER para medir FRP. El factor de conversión es el siguiente: fracción radiante/fracción convectiva = 0,12/0,51 = 0,2440. Las mediciones de la fracción radiante y convectiva contienen una incertidumbre considerable y se utilizaron dos instrumentos para medir la fracción radiante40. Para producir los rangos de WRF-Chem en la Fig. 2, se realizaron cálculos de propagación de errores y se traza el rango que incluye los errores de ambas mediciones de fracción radiante. También podemos utilizar la propagación del error para obtener un rango de la relación fracción radiante/fracción convectiva, que arroja 0,239 ± 0,076 y 0,234 ± 0,07 cuando se utilizan los diferentes instrumentos para estimar la fracción radiante40. Se puede hacer lo inverso de estos cálculos para obtener los flujos de calor totales a partir de los flujos FRE medidos. Esto produce resultados análogos a los descritos anteriormente (“Resultados”, Evaluación de supuestos de flujo de calor).

Los datos de observación de vuelo de FIREX-AQ, junto con los datos de DIAL-HSRL y los datos de combustibles de la campaña están archivados por NASA/LARC/SD/ASDC41 (https://www-air.larc.nasa.gov/missions/firex-aq/ ). Los productos de datos de MASTER Fire Radiative Power se pueden encontrar aquí (https://asapdata.arc.nasa.gov/share/Ichoku_RFP/). Los datos de los gráficos de cortina de humo de WRF-Chem y HRRR-Smoke se pueden encontrar aquí42 (https://doi.org/10.5281/zenodo.7033257).

Se escribió un código personalizado para este manuscrito para generar todas las figuras presentadas y calcular los flujos FRE. El código se escribió en MATLAB R2017a y R2019b. Código disponible en el siguiente https://doi.org/10.5281/zenodo.7033257.

Ward, DS y cols. El cambiante forzamiento radiativo de los incendios: estimaciones de modelos globales para el pasado, presente y futuro. Atmos. Química. Física. 12, 10857–10886 (2012).

Artículo CAS Google Scholar

Muñoz-Alpízar, R. et al. Exposición plurianual (2013-2016) a la contaminación por incendios forestales PM2,5 en América del Norte según lo determinado a partir de pronósticos operativos de calidad del aire. Atmósfera 8, 179 (2017).

Artículo de Google Scholar

Spracklen, DV y cols. Los incendios forestales provocan la variabilidad interanual de los aerosoles de carbono orgánico en el oeste de EE. UU. durante el verano. Geofís. Res. Letón. 34, L16816 (2007).

Reid, CE y cols. Revisión crítica de los impactos en la salud de la exposición al humo de los incendios forestales. Reinar. Perspectiva de salud. 124, 1334-1343 (2016).

Artículo de Google Scholar

Westerling, AL El calentamiento y el inicio de la primavera aumentan la actividad de incendios forestales en el oeste de EE. UU. Ciencia 313, 940–943 (2006).

Artículo CAS Google Scholar

Zhuang, Y. et al. Cuantificar las contribuciones de la variabilidad natural y los forzamientos antropogénicos al aumento del riesgo climático de incendios en el oeste de los Estados Unidos. PNAS 118, e2111875118 (2021).

Ford, B. y col. Impactos de los incendios futuros en las concentraciones de humo, la visibilidad y la salud en los Estados Unidos contiguos. GeoSalud 2, 229–247 (2018).

Artículo CAS Google Scholar

Kahn, RA y cols. Características físicas de la columna de fuente de aerosol obtenidas de imágenes multiángulo basadas en el espacio. J. Geophys. Res. 112, D11205 (2007).

Val Martín, M. et al. Alturas de inyección de humo procedente de incendios en América del Norte: análisis de 5 años de observaciones satelitales. Atmos. Química. Física. 10, 1491-1510 (2010).

Artículo CAS Google Scholar

Soja, AJ et al. Definición de la estructura vertical de los aerosoles de humo: altura de desentrenamiento de la columna de humo basada en Caliop (Unión Geofísica Estadounidense, 2021).

Kahn, RA y cols. Alturas de inyección de humo de incendios forestales: dos perspectivas desde el espacio. Geofís. Res. Letón. 35, L04809 (2008).

Val Martin, M., Kahn, R. & Tosca, M. Un análisis global de las alturas de inyección de humo de incendios forestales derivadas de imágenes de múltiples ángulos basadas en el espacio. Teledetección 10, 1609 (2018).

Artículo de Google Scholar

Schum, SK y cols. Características moleculares y físicas del aerosol en un sitio remoto de troposfera libre: implicaciones para el envejecimiento atmosférico. Atmos. Química. Física. 18, 14017–14036 (2018).

Artículo CAS Google Scholar

Freitas, SR et al. Incluyendo el aumento de la columna de humo a escala sub-red de los incendios de vegetación en modelos de transporte atmosférico de baja resolución. Atmos. Química. Física. 7, 3385–3398 (2007).

Artículo CAS Google Scholar

Sessions, WR, Fuelberg, HE, Kahn, RA y Winker, DM Una investigación de métodos para inyectar emisiones de incendios forestales boreales utilizando WRF-Chem durante ARCTAS. Atmos. Química. Física. 11, 5719–5744 (2011).

Artículo CAS Google Scholar

Roy, A. y col. en Energía, Medio Ambiente y Sostenibilidad 245–278 (Springer, 2017).

Mallia, D., Kochanski, A., Urbanski, S. y Lin, J. Optimización de enfoques de modelado de aumento de humo y penachos a escalas locales. Atmósfera 9, 166 (2018).

Artículo de Google Scholar

Val Martín, M. et al. Restricciones de observación basadas en el espacio para modelos 1-D de elevación de columnas de humo de incendios. J. Geophys. Res. 117, D22204 (2012).

Ye, X. et al. Evaluación e intercomparación de pronósticos de humo de incendios forestales de múltiples sistemas de modelado para el incendio de Williams Flats de 2019. Atmos. Química. Física. 21, 14427–14469 (2021).

Artículo CAS Google Scholar

Freitas, SR, Longo, KM, Trentmann, J. & Latham, D. Nota técnica: Sensibilidad de los modelos de elevación de columnas de humo 1-D a la inclusión de la resistencia del viento ambiental. Atmos. Química. Física. 10, 585–594 (2010).

Artículo CAS Google Scholar

Walter, C. y otros. La importancia del aumento de la pluma en las concentraciones y los impactos atmosféricos de los aerosoles que queman biomasa. Atmos. Química. Física. 16, 9201–9219 (2016).

Artículo CAS Google Scholar

Paugam, R., Wooster, M., Freitas, S. y Val Martin, M. Una revisión de enfoques para estimar la altura de inyección de la pluma de incendios forestales dentro de modelos de transporte químico atmosférico a gran escala. Atmos. Química. Física. 16, 907–925 (2016).

Artículo CAS Google Scholar

Hu, X. et al. Evaluación de tres esquemas de capa límite planetaria en el modelo WRF. J. Aplica. Meteorol. Climatol. 49, 1831–1844 (2010).

Artículo de Google Scholar

Shin, HH y cols. Impactos de la altura del nivel más bajo del modelo en el rendimiento de las parametrizaciones de la capa límite planetaria. J. Aplica. Meteorol. Climatol. 140, 664–682 (2012).

Google Académico

Stocks, BJ y Kauffman, JB en Registros de sedimentos de quema de biomasa y cambio global 169–188 (Springer Berlin Heidelberg, 1997).

Sofiev, M., Ermakova, T. & Vankevich, R. Evaluación de la altura de inyección de humo de incendios forestales utilizando datos de teledetección. Atmos. Química. Física. 12, 1995-2006 (2012).

Artículo CAS Google Scholar

Cabello, JW et al. Lidar aerotransportado de alta resolución espectral para perfilar las propiedades ópticas de aerosoles. Aplica. Optar. 47, 6734 (2008).

Artículo de Google Scholar

Hook, SJ, Myers, JJ, Thome, KJ, Fitzgerald, M. & Kahle, AB El simulador aerotransportado MODIS/ASTER (MASTER): un nuevo instrumento para estudios de ciencias de la tierra. Sensores remotos. Medio ambiente. 76, 93-102 (2001).

Artículo de Google Scholar

Strahler, A. y col. Documento de base teórica del algoritmo de cobertura terrestre MODIS (ATBD) Versión 5.0 Investigador principal de cobertura terrestre y cambio de cobertura terrestre de MODIS (1999).

Prichard, SJ y cols. Sistema de clasificación de características de combustible versión 3.0: documentación técnica (Departamento de Agricultura de EE. UU., Servicio Forestal, 2013).

Giglio, L., Descloitres, J., Justice, CO y Kaufman, YJ Un algoritmo de detección de incendios contextual mejorado para MODIS. Sensores remotos. Medio ambiente. 87, 273–282 (2003).

Artículo de Google Scholar

Wooster, M. Energía radiativa del fuego para el estudio cuantitativo de la quema de biomasa: derivación del satélite experimental BIRD y comparación con los productos de incendio MODIS. Sensores remotos. Medio ambiente. 86, 83-107 (2003).

Artículo de Google Scholar

Wooster, MJ, Roberts, G., Perry, GLW y Kaufman, YJ Recuperación de tasas de combustión de biomasa y totales a partir de observaciones de potencia radiativa del fuego: derivación de FRP y relaciones de calibración entre el consumo de biomasa y la liberación de energía radiativa del fuego. J. Geophys. Res. 110, D24311 (2005).

Grell, GA & Freitas, SR Una parametrización convectiva estocástica consciente de escalas y aerosoles para modelado del clima y la calidad del aire. Atmos. Química. Física. 14, 5233–5250 (2014).

Artículo CAS Google Scholar

Paugam, R. y col. Desarrollo y optimización de un modelo de aumento de penacho de incendios forestales basado en datos de teledetección: Parte 2. https://doi.org/10.5194/acpd-15-9815-2015 (2015).

McCarter, RJ & Broido, A. Energía radiativa y convectiva de los incendios de cunas de madera. Pirodinámica 2, 65–85 (1965).

Google Académico

Asociación Aérea Regional Occidental. Inventario de emisiones de incendios de 2002 para la región WRAP: Proyecto de fase II No. 178–6 (Air Sciences, INC, 2005)

Darmenov, AS, Da Silva, AM y Koster, RD Conjunto de datos sobre emisiones de incendios rápidos (QFED): documentación de las versiones 2.1, 2.2 y 2.4 vol. 38 (2015).

Ahmadov, R. y otros. Uso de datos de potencia radiativa de incendios del VIIRS para simular las emisiones de la quema de biomasa, el aumento de la columna y el transporte de humo en un sistema de modelado de la calidad del aire en tiempo real. en el Simposio Internacional de Geociencia y Teledetección del IEEE de 2017 (IGARSS) (IEEE, 2017).

Freeborn, PH y cols. Relaciones entre la liberación de energía, la pérdida de masa de combustible y las emisiones de gases traza y aerosoles durante los incendios de biomasa en laboratorio. J. Geophys. Res. 113, D01301 (2008).

Equipo científico de FIREX-AQ. Influencia del fuego en los entornos regionales y globales y en la calidad del aire. https://doi.org/10.5067/SUBORBITAL/FIREXAQ2019/DATA001 (2019).

Thapa, LH Las suposiciones sobre el flujo de calor contribuyen a la sobreestimación de la inyección de humo de incendios forestales en la troposfera libre durante los incendios forestales del oeste de EE. UU. de 2019. Zenodo. https://doi.org/10.5281/zenodo.7033257 (2022).

Archer-Nicholls, S. et al. Caracterización de las emisiones de quema de biomasa brasileña utilizando WRF-Chem con aerosol seccional MOSAIC. Geociencias. Desarrollo de modelos. 8, 549–577 (2015).

Artículo de Google Scholar

Wiedinmyer, C. y col. The Fire INventory de NCAR (FINN): un modelo global de alta resolución para estimar las emisiones de la quema a cielo abierto. Geociencias. Desarrollo de modelos. 4, 625–641 (2011).

Artículo de Google Scholar

Iacono, MJ y cols. Forzamiento radiativo por gases de efecto invernadero de larga duración: cálculos con los modelos de transferencia radiativa AER. J. Geophys. Res. 113, D13103 (2008).

Chen, F. y Dudhia, J. Acoplamiento de un modelo hidrológico avanzado de superficie terrestre con el sistema de modelado MM5 de Penn State-NCAR. Parte I: Implementación y sensibilidad del modelo. Lun. Nosotros. Rev. 129, 569–585 (2001).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%282001%29129%3C0569%3ACAALSH%3E2.0.CO%3B2" aria-label="Article reference 46" data-doi="10.1175/1520-0493(2001)1292.0.CO;2">Artículo de Google Scholar

Thompson, G. & Eidhammer, T. Un estudio de los impactos de los aerosoles en las nubes y el desarrollo de las precipitaciones en un gran ciclón invernal. J. Atmós. Ciencia. 71, 3636–3658 (2014).

Artículo de Google Scholar

Janjić, ZI Implementación no singular del esquema Mellor-Yamada nivel 2.5 en el modelo NCEP Meso. Nota de la Oficina NCEP 437, 61pp (2002).

Kleinman, LI y cols. Rápida evolución de partículas de aerosol y sus propiedades ópticas a favor del viento de incendios forestales en el oeste de EE. UU. Atmos. Química. Física. 20, 13319–13341 (2020).

Artículo CAS Google Scholar

Zaveri, RA, Easter, RC, Fast, JD & Peters, LK Modelo para simular interacciones y química de aerosoles (MOSAIC). J. Geophys. Res. 113, D13204 (2008).

Thompson, G., Rasmussen, RM y Manning, K. Pronósticos explícitos de precipitaciones invernales utilizando un esquema de microfísica masiva mejorado. Parte I: Descripción y análisis de sensibilidad. Lun. Nosotros. Rev. 132, 519–542 (2004).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%282004%29132%3C0519%3AEFOWPU%3E2.0.CO%3B2" aria-label="Article reference 51" data-doi="10.1175/1520-0493(2004)1322.0.CO;2">Artículo de Google Scholar

Nakanishi, M. & Niino, H. Un modelo mejorado de nivel 3 de Mellor-Yamada con física de condensación: su diseño y verificación. Meteorol de capa límite. 112, 1–31 (2004).

Artículo de Google Scholar

Lyapustin, A. et al. Implementación multiángulo de corrección atmosférica (MAIAC): 2. Algoritmo de aerosol. J. Geophys. Res. 116, D03211 (2011).

Lyapustin, A., Wang, Y., Korkin, S. & Huang, D. Colección MODIS 6 Algoritmo MAIAC. Atmos. Medidas. Tecnología. 11, 5741–5765 (2018).

Artículo de Google Scholar

Descargar referencias

Este trabajo ha sido apoyado por las siguientes subvenciones: NASA 80NSSC18K0629, NASA 80NSSC20K1650, NASA 80NSSC18K0685, NOAA NA18OAR4310107, NSF 2013461. Los recursos que respaldan este trabajo fueron proporcionados por el Programa de Computación de Alta Gama (HEC) de la NASA a través del Centro de Simulación Climática de la NASA ( NCCS) en el Centro de vuelos espaciales Goddard (GSFC). Los datos de FIREX-AQ están archivados por la Administración Nacional de Aeronáutica y del Espacio, Gobierno de EE. UU., NASA/LARC/SD/ASDC (https://doi.org/10.5067/ASDC/FIREXAQ_Ground_InSitu_Data_1. https://espo.nasa.gov/firex -aq). RA y EJ agradecen al programa JPSS PGRR de NOAA por su financiación y al resto del equipo y colaboradores de HRRR-Smoke por ayudar con el desarrollo del modelo. CI reconoce el apoyo del Programa de Asociación Educativa de NOAA para Instituciones de Servicios a Minorías (NOAA/EPP/MSI) bajo el acuerdo no. NA16SEC4810006, así como a Jeffrey Myers y el equipo de instrumentos MASTER para la calibración de instrumentos aéreos y la observación de incendios. SK agradece la ayuda de Chuanyu Xu en el procesamiento de datos MAESTROS. Las opiniones expresadas en este manuscrito son las de los autores y no reflejan las opiniones de la NOAA ni del Departamento de Comercio.

Departamento de Ciencias Atmosféricas y Oceánicas, Universidad de California, Los Ángeles, Los Ángeles, CA, EE. UU.

Laura H. Thapa, Xinxin Ye y Pablo E. Saide

Centro de Investigación Langley de la NASA, Hampton, Virginia, EE.UU.

Johnathan W. Hair, Marta A. Fenn, Taylor Shingler y Amber J. Soja

Science Systems and Applications Inc, Hampton, VA, EE. UU.

Marta A. Fenn y Luke Ellison

Centro NESDIS de NOAA para aplicaciones e investigación de satélites, College Park, MD, EE. UU.

Shobha Kondragunta

Departamento de Estudios Interdisciplinarios, Universidad Howard, Washington, DC, EE.UU.

Carlos Ichoku

Instituto de Investigación Ambiental del Área de la Bahía (BAERI), Moffett Field, CA, EE. UU.

RoseAnne Domínguez

Centro de vuelos espaciales Goddard de la NASA, Greenbelt, MD, EE. UU.

Lucas Ellison

Instituto Nacional Aeroespacial, Hampton, VA, EE. UU.

Ámbar J. Soja y Emily Gargulinski

CIRES, Universidad de Colorado Boulder, Boulder, CO, EE. UU.

Ravan Ahmadov y Eric James

Laboratorio de Sistemas Globales de la NOAA, Boulder, CO, EE. UU.

Ravan Ahmadov, Eric James y Georg A. Grell

Instituto Nacional de Investigaciones Espaciales - INPE, São Paulo, Brasil

Saulo R. Freitas

Universidad Federal de São João del-Rei, São João del-Rei, MG, Brasil

Gabriel Pereira

Instituto de Medio Ambiente y Sostenibilidad, Universidad de California, Los Ángeles, Los Ángeles, CA, EE. UU.

Pablo E. Saide

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Cada autor contribuyó de la siguiente manera: LHT diseñó el estudio, escribió scripts en MATLAB para generar todas las figuras, analizó los datos y redactó el artículo con contribuciones de todos los coautores. XY proporcionó scripts de Matlab para generar gráficos de cortina de DIAL-HSRL, WRF-Chem y HRRR-Smoke y extraer variables relevantes del modelo. JWH, MAF y TS realizaron observaciones DIAL-HSRL. SK procesó los datos MASTER L1B y contribuyó con la comparación MASTER y satelital, incluidos los datos utilizados para generar la Fig. S55. CI y LE procesaron observaciones MASTER y generaron los archivos de datos MASTER FRP L2 utilizando su algoritmo original. RD realizó y proporcionó observaciones MASTER. AJS y ​​EG ayudaron con la interpretación de los resultados y proporcionaron la información sobre los combustibles utilizados para generar la Fig. 2. RA, EJ, GAG y GP proporcionaron datos y emisiones de pronóstico de HRRR-Smoke. SRF proporcionó el código de elevación de la pluma independiente 1D y ayudó en la interpretación de los resultados. PES diseñó el estudio, proporcionó scripts de MATLAB para generar diagramas de cortina, editó el manuscrito y asesoró a LHT durante el proyecto.

Correspondencia a Laura H. Thapa o Paul E. Saide.

Los autores declaran no tener conflictos de intereses.

Communications Earth & Environment agradece a los revisores anónimos por su contribución a la revisión por pares de este trabajo. Editores principales: Kerstin Schepanski y Clare Davis. Los informes de los revisores pares están disponibles.

Nota del editor Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Thapa, LH, Ye, X., Hair, JW et al. Las suposiciones sobre el flujo de calor contribuyen a la sobreestimación de la inyección de humo de incendios forestales en la troposfera libre. Entorno Terrestre Comunitario 3, 236 (2022). https://doi.org/10.1038/s43247-022-00563-x

Descargar cita

Recibido: 19 de agosto de 2021

Aceptado: 23 de septiembre de 2022

Publicado: 10 de octubre de 2022

DOI: https://doi.org/10.1038/s43247-022-00563-x

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.