ads:
INPE-14806-TDI/1249
CONSEQUÊNCIAS DAS MUDANÇAS CLIMÁTICAS GLOBAIS
NOS BIOMAS DA AMÉRICA DO SUL: UM MODELO DE
VEGETAÇÃO POTENCIAL INCLUINDO CICLO DE CARBONO
David Montenegro Lapola
Dissertação de Mestrado do Curso de Pós-Graduação em Meteorologia, orientada pelos
Drs. Marcos Daisuke Oyama e Carlos Afonso Nobre, aprovada em 26 de março de
2007.
INPE
São José dos Campos
2007
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
Publicado por: esta página é responsabilidade do SID
Instituto Nacional de Pesquisas Espaciais (INPE)
Gabinete do Diretor – (GB)
Serviço de Informação e Documentação (SID)
Caixa Postal 515 – CEP 12.245-970
São José dos Campos – SP – Brasil
Tel.: (012) 3945-6911
Fax: (012) 3945-6919
E-mail: [email protected]
Solicita-se intercâmbio
We ask for exchange
Publicação Externa – É permitida sua reprodução para interessados.
ads:
INPE-14806-TDI/1249
CONSEQUÊNCIAS DAS MUDANÇAS CLIMÁTICAS GLOBAIS
NOS BIOMAS DA AMÉRICA DO SUL: UM MODELO DE
VEGETAÇÃO POTENCIAL INCLUINDO CICLO DE CARBONO
David Montenegro Lapola
Dissertação de Mestrado do Curso de Pós-Graduação em Meteorologia, orientada pelos
Drs. Marcos Daisuke Oyama e Carlos Afonso Nobre, aprovada em 26 de março de
2007.
INPE
São José dos Campos
2007
551.583 (8)
Lapola, D. M.
Consequências das mudanças climáticas globais nos
biomas da América do Sul: um modelo de vegetação
potencial incluindo ciclo de carbono / David Montenegro
Lapola. - São José dos Campos: INPE, 2007.
183 p. ; (INPE-14806-TDI/1249)
1. Mudanças climáticas. 2. Brasil.
3. Bioma. 4. Ciclo de carbono. 5. Savanização. 6. Modelo
de vegetação potencal. I. Título.
Os loucos abrem os caminhos que mais tarde os sábios percorrem.
James Joyce
A meus netos.
Que não presenciem o que estamos prevendo.
Ou que nossas previsões estejam erradas.
Mas se eles presenciarem,
e nossas previsões estiverem corretas,
que não nos culpem por nossos erros.
Aceitem nossa condição de humanos.
E possam encontrar o bom senso que não tivemos.
AGRADECIMENTOS
Aos mestres. Sou muito grato em especial a duas pessoas: Marcos D. Oyama,
professor, orientador, e amigo de primeira classe, e Carlos A. Nobre, portador de uma
visão sistêmica exemplar. Obrigado pela confiança, constantes incentivos e por
vislumbrarem a interdisciplinaridade da ciência como um caminho para solucionar os
problemas atuais que a humanidade está enfrentando. Neste âmbito, devo então
agradecê-los (e à pós-graduação em meteorologia do INPE também) por me aceitarem
abertamente, apesar da minha formação em ecologia, no mestrado em meteorologia e no
Grupo de Interações Biosfera-Atmosfera.
À minha família. Em especial à Lucia Figueiredo, agora minha esposa, pelo amor
dispensado. Minha mãe, irmãos e Rodrigo Neregato, pelo aconchego nas voltas a Rio
Claro. A meu pai que, mesmo distante, sei que torce por mim. A meus sogros e
cunhadas, pela receptividade nas idas a São Paulo.
Aos amigos. Em especial para Marcos P. Souza (O Tímido), pela memorável
descontração e risadas nos momentos mais difíceis. Em especial também à Rosane dos
Santos, pela força, e à Marina H. Magalhães pela atenção e amizade. Agradeço ainda
àqueles amigos sem os quais esses dois anos teriam sido menos prazerosos: Rogério
Carneiro, Roger Torres, Cristiano Prestrelo, Luiz Lima, Priscila Tavares, Valdeci
França, Paulo Bastos, Taise Farias, Tiago Rebelo, Annette Pic, Rafael Oliveira, Natália
Crusco, Leandro Machado, Denise dos Santos e Ronaldo (segurança alojamento).
Ainda. Ao Paulo Kubota, mestre em FORTRAN, pelos ensinamentos, e Luiz Salazar pela
ajuda com os dados do IPCC-AR4. Gilvan Sampaio, Manuel F. Cardoso e Guillermo
Obregón pelas discussões científicas. À FAPESP pela concessão da bolsa de mestrado
(proc. nº 04/12235-3). Aos quatro Beatles e ao Frédéric Chopin, pela música
eternamente inspiradora.
Aos aqui não mencionados. Estejam certos de que sempre me lembrarei de vocês,
pelos bons ou maus momentos compartilhados. De qualquer modo, essa lembrança será
sempre com gratidão, pois reconheço que esses momentos me fizeram crescer.
E com certeza, o que vier daqui para frente será ainda melhor.
RESUMO
Desenvolve-se o CPTEC-PVM2, modelo de vegetação potencial (MVPot) que inclui
um sub-modelo de ciclo de carbono ao CPTEC-PVM. A partir de climatologias mensais
de temperatura, precipitação, e concentração atmosférica de CO
2
, este sub-modelo de
ciclo de carbono calcula a produtividade primária líquida (NPP) e respiração
heterotrófica dos ecossistemas, assim como os estoques de carbono no solo, tendo bom
desempenho em relação a dados observados e modelados. Sendo assim, através de três
variáveis calculadas (média anual de NPP, um índice de sazonalidade da NPP e a
temperatura do mês mais frio), o CPTEC-PVM2 fornece o bioma em equilíbrio com
determinado clima. O CPTEC-PVM2 tem um desempenho classificado como “regular”,
o que é comparável ao de outros MVPot que modelam o ciclo de carbono. Como
aplicação imediata do modelo, analisa-se os efeitos de mudanças climáticas futuras na
distribuição dos biomas forçando-se o CPTEC-PVM2 com climatologias oriundas de 14
MCGAO do IPCC-AR4, sob dois cenários de emissões antropogênicas, SRES-A2 e
SRES-B1. Na América do Sul os maiores impactos seriam observados na Amazônia e
no Nordeste Brasileiro. Ainda há incertezas quanto a uma savanização do sudeste da
Amazônia e semi-desertificação ou savanização do Nordeste Brasileiro. A provável
savanização do sudeste da Amazônia dependeria principalmente de um aumento da
sazonalidade, enquanto no Nordeste Brasileiro as incertezas dependem do sinal das
anomalias de precipitação na região. De qualquer modo, a inserção de mecanismos de
interação CO
2
– vegetação (ciclo de carbono) resulta em prognósticos diferentes, menos
catastróficos, e provavelmente mais realistas do que o apontado por estudos com a
versão original do CPTEC-PVM.
CONSEQUENCES OF GLOBAL CLIMATIC CHANGES ON SOUTH
AMERICAN BIOMES: A POTENTIAL VEGETATION MODEL INCLUDING
THE CARBON CYCLE
ABSTRACT
The CPTEC-PVM2 has been developed, a potential vegetation model (PVM) which
adds a carbon cycle sub-model to CPTEC-PVM. From monthly climatologies of
temperature, precipitation and CO
2
atmospheric concentration this sub-model calculates
net primary productivity (NPP) and heterotrophic respiration of ecosystems, as well as
soil carbon storage, with a good agreement when compared to observational and
modeled data. Therefore, from three calculated variables (mean annual NPP, a
seasonality index of NPP and the coldest month temperature), CPTEC-PVM2 assigns a
biome in equilibrium with a given climate. CPTEC-PVM2 shows a skill classified as
“regular” which is comparable to other PVM that simulate the carbon cycle. As an
immediate application of the model, the effects of future climatic changes on biomes
distribution are analyzed by forcing CPTEC-PVM2 with climatologies originated from
14 IPCC-AR4’s AOGCM, under two anthropogenic emissions scenarios, SRES-A2 and
SRES-B1. In South America larger impacts would concentrate in Amazonia and
Northeast Brazil. Still there are uncertainties regarding a savannization of Southeast
Amazonia and a semi-desertification or savannization of Northeast Brazil. The possible
savannization of Southeast Amazonia, would rely mainly on an increase of seasonality,
while in Northeast Brazil the uncertainties depend upon the signal of precipitation
anomalies in the region. However, the insertion of CO
2
– vegetation interaction
mechanisms (carbon cycle) results in prognostics different, less catastrophic, and
probably more realistic than those pointed by studies with the original version of
CPTEC-PVM.
SUMÁRIO
Pág.
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE SÍMBOLOS, SIGLAS E ABREVIATURAS
1 INTRODUÇÃO .........................................................................................................27
1.1 Objetivos..................................................................................................................30
1.2 O Modelo de Vegetação Potencial do CPTEC (CPTEC-PVM) ..............................31
2 MAPA DE VEGETAÇÃO NATURAL...................................................................33
2.1 Melhoria da classificação de Dorman e Sellers (1989) ...........................................33
2.2 Novo mapa de vegetação natural .............................................................................35
3 CICLO DE CARBONO............................................................................................37
3.1 Mecanismos de interação CO
2
– vegetação: ciclo de carbono.................................37
3.1.1 O processo de fotossíntese....................................................................................39
3.1.2 O processo de respiração ......................................................................................40
3.2 O sub-modelo de ciclo de carbono proposto............................................................42
3.2.1 Fotossíntese ..........................................................................................................43
3.2.2 Respiração vegetal e produtividade......................................................................50
3.2.3 Respiração heterotrófica.......................................................................................51
3.2.4 Acoplamento ao CPTEC-PVM ............................................................................53
3.3 Validação .................................................................................................................57
3.3.1 Fotossíntese, respiração vegetal e produtividade primária...................................57
3.3.2 Respiração heterotrófica, carbono no solo e na serapilheira ...............................62
3.4 Nova forma de determinação da distribuição de biomas (algoritmo)......................68
3.5 Vegetação Potencial utilizando o CPTEC-PVM2 (sem fogo natural).....................74
4 FOGO NATURAL.....................................................................................................81
4.1 Fogo natural, fator determinante em biomas tropicais.............................................81
4.2 Estabilidade savana - floresta...................................................................................82
4.3 Aspectos físicos básicos de raios .............................................................................83
4.4 Relação entre raios e ventos nos trópicos: parametrização de fogo natural.............84
4.5 Vegetação Potencial utilizando o CPTEC-PVM2 (versão final).............................90
5 APLICAÇÕES DO CPTEC-PVM2.........................................................................97
5.1 Análise de sensibilidade...........................................................................................97
5.2 Efeitos de mudanças climáticas futuras .................................................................103
5.2.1 Cenários SRES-A2 e SRES-B1 do IPCC-AR4 ..................................................103
5.2.1.1 Influências na América do Sul ........................................................................106
5.2.2 Aplicação do CPTEC-PVM2 a cenários de mudanças climáticas......................109
5.2.2.1 O ciclo de carbono frente às mudanças climáticas..........................................116
5.2.2.2 Efeitos nos biomas da América do Sul em 2070-2099 ...................................123
5.2.2.3 Redução da sensibilidade de NPP...................................................................133
5.2.2.4 Limitações e avanços feitos.............................................................................137
5.3 Último Máximo Glacial (21 ka).............................................................................139
5.4 Efeitos pós Revolução Industrial ...........................................................................142
6 CONCLUSÕES........................................................................................................145
6.1 Trabalhos futuros ...................................................................................................147
REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................149
APÊNDICE A - NOVO MAPA DE VEGETAÇÃO NATURAL (INTEGRAL).....163
APÊNDICE B - RESULTADOS COM VERSÃO SEM FOGO NATURAL ..........177
ANEXO A - A LEI DE BEER APLICADA À TRANSFERÊNCIA RADIATIVA
DENTRO DE DOSSÉIS......................................................................181
LISTA DE FIGURAS
Pág.
2.1 - (a) Consenso entre os mapas globais de vegetação natural de Ramankutty e
Foley (1999) e Matthews (1983), sob a classificação de LONS06 (áreas
continentais em branco representam áreas onde não há consenso); (b) novo
mapa global de vegetação natural em resolução horizontal de 1 grau. ................. 36
3.1 - Parametrização da radiação fotossinteticamente ativa incidente (I
PAR
) a
partir da temperatura (curva vermelha), baseada em dados observados de I
PAR
média anual (pontos pretos) (dados: ISLSCP2). ................................................... 46
3.2 - Parametrização do índice de área foliar (LAI) a partir da fotossíntese foliar
bruta (f
1
) comparada à relação entre essas duas variáveis em um modelo
“big-leaf” (Cox et al., 1998) e em um modelo “multi-layer” (apresentado em
de Pury e Farquhar 1997). ..................................................................................... 48
3.3 - Taxa de fotossíntese bruta ao nível foliar (Foliar), e ao nível do dossel
quando escalonando a fotossíntese foliar pela formulação convencional dos
modelos “big-leaf” (Dossel big-leaf) e quando utilizando a abordagem de
divisão do dossel em uma parte iluminada e outra sombreada (Dossel
sun/shade). ............................................................................................................. 52
3.4 - A resistência do dossel (r
c
) determinada pela produtividade primária líquida
(NPP) no CPTEC-PVM2 com a concentração atmosférica de CO
2
atual e em
uma atmosfera 2x CO
2
. .......................................................................................... 54
3.5 - Diagrama esquemático simplificado do sub-modelo de ciclo de carbono
proposto, apresentando os processos que influenciam em cada
compartimento. T: temperatura; P: precipitação; w: água no solo; Vm: taxa de
carboxilação da Rubisco; LAI: índice de área foliar; NPP: produtividade
primária líquida; r
c
: resistência do dossel; E: evapotranspiração. ......................... 55
3.6 - Sequência detalhada de cálculo do sub-modelo de ciclo de carbono
proposto. Os números indicam as equações apresentadas no texto. ...................... 56
3.7 - Correlação entre a NPP média por bioma modelada pelo CPTEC-PVM2 e a
média (com desvio padrão) observada na natureza (Olson et al., 1983;
MODIS; Turner et al., 2006) ou simulada por outros modelos (Cramer et al.,
1999). Os números acima de cada ponto representam o bioma LONS06 em
questão. .................................................................................................................. 58
3.8 - (a) Produtividade primária líquida [NPP, kgC m
-2
(vegetação) ano
-1
]
calculada pelo CPTEC-PVM2 e (b) pelos 17 modelos analisados em Cramer
et al. (1999), e (c) a diferença entre (a) e (b). ........................................................ 59
3.9 - Correlação entre o LAI médio por bioma modelado pelo CPTEC-PVM2 e a
média (com desvio padrão) observada na natureza (MODIS; Turner et al.,
2006) e simulada pelo SSiB (DS89). Os números acima de cada ponto
representam o bioma LONS06 em questão. .......................................................... 60
3.10 - Variação sazonal da produtividade primária líquida (NPP) global do
CPTEC-PVM2 (vermelho) frente ao intervalo de variação de NPP global de
15 modelos analisados em Cramer et al. (1999) (área em cinza). [1 Pg =
10
15
g]. .................................................................................................................... 61
3.11 - Resposta da produtividade primária líquida (NPP) à (a) temperatura, (b)
concentração atmosférica de CO
2
, (c) disponibilidade de água no solo, e (d)
radiação fotossinteticamente ativa incidente, quando as outras variáveis são
mantidas constantes. T = 15°C; CO
2
= 350 ppmv; w = 1,0; I
PAR
= 120 W m
-2
e LAI = 5.0. As curvas azul, preta e vermelha correspondem respectivamente
a os modelos Simple TRIFFID, TRIFFID e CPTEC-PVM2. As áreas em
cinza representam o intervalo de variação dos outros modelos de NPP
analisados em Adams et al. (2004). Fonte: adaptado de Adams et al. (2004). ...... 63
3.12 - Armazenamento de carbono na (a) serapilheira e (b) no solo, e (c)
respiração heterotrófica modelados pelo CPTEC-PVM2 (kgC m
-2
ano
-1
). ........... 65
3.13 - Correlação das médias (para cada um dos biomas) de (a) respiração
heterotrófica, (b) carbono na serapilheira, e (c) carbono no solo (todos em
kgC m
-2
ano
-1
), obtidas com o CPTEC-PVM2 frente a dados observados
(Schlesinger, 1977; Zinke et al., 1984; Raich et al., 2002) e/ou simulados por
outros modelos (Foley, 1995; Sitch et al., 2003). .................................................. 66
3.14 - Resposta da respiração heterotrófica (R
H
) à (a) temperatura do solo, (b)
disponibilidade de água no solo, (c) evapotranspiração e, (d) índice de área
foliar (LAI), enquanto as outras variáveis são mantidas constantes. T
soil
=
15°C; w = 1.0; E = 2,7 mm d
-1
; LAI = 5. ............................................................... 67
3.15 - Algoritmo usado para determinação da distribuição de biomas a partir das
variáveis ambientais, T
C
(°C), M
NPP
[kgC m
-2
(vegetação) ano
-1
] e S
NPP
(adimensional). S: sim; N: não. ............................................................................. 71
3.16 - (a) vegetação natural de referência (Apêndice A) e (b) vegetação potencial
gerada pelo CPTEC-PVM2, sem parametrização de fogo natural. ....................... 75
3.17 - (a) vegetação natural de referência (Apêndice A) e (b) vegetação potencial
gerada pelo CPTEC-PVM2 na América do Sul, sem parametrização de fogo
natural. ................................................................................................................... 76
4.1 - (a) Descargas elétricas nuvem-solo no mês seguinte ao da transição da
estação seca para a chuvosa (dados do GHRC/NASA, média 1995-2003); (b)
vento zonal em 850 hPa (m s
-1
) no mês seguinte ao da transição da estação
seca para a chuvosa (dados da Reanálise do NCEP/NCAR). ................................ 86
4.2 - (a) Vegetação natural de referência (Apêndice A) e (b) vegetação potencial
gerada pelo CPTEC-PVM2 considerando dados de raios nuvem-solo como
parametrização de fogo natural. ............................................................................. 88
4.3 - Algoritmo usado na parametrização de fogo natural para determinação da
distribuição de biomas tropicais a partir do vento zonal em 850 hPa (U) e
variável ambiental S
NPP
(adimensional). ............................................................... 89
4.4 - Relação entre F e U_lim, limiar de U (m s
-1
) a partir do qual a
parametrização age quando utilizando dados de vento zonal em 850 hPa. As
linhas pretas delimitam o intervalo de U_lim que maximiza F (F > 0,25).
Vide texto para detalhes. ....................................................................................... 91
4.5 - (a) Vegetação natural de referência (Apêndice A) e vegetação potencial
gerada pelo CPTEC-PVM2, (b) sem parametrização de fogo natural; e (c)
com parametrização de fogo natural (versão final). .............................................. 92
4.6 - (a) Vegetação natural de referência (Apêndice A) e vegetação potencial
gerada pelo CPTEC-PVM2 para a América do Sul, (b) sem parametrização
de fogo natural; e (c) com parametrização de fogo natural (versão final). ............ 93
5.1 - (a) Vegetação potencial atual gerada pelo CPTEC-PVM2, e sensibilidade
da distribuição de biomas a anomalias de temperatura média anual (°C): (b) -
2; (c) -4; (d) -6; (e) +2; (f) +4; (g) +6. Precipitação, concentração atmosférica
de CO
2
e vento zonal em 850 hPa são mantidos inalterados. ................................ 98
5.2 - (a) Vegetação potencial atual gerada pelo CPTEC-PVM2, e sensibilidade da
distribuição de biomas a anomalias de precipitação média anual (mm dia
-1
):
(b) -0,2; (c) -1; (d) -3; (e) +0,2; (f) +1; (g) +3. Temperatura, concentração
atmosférica de CO
2
e vento zonal em 850 hPa são mantidos inalterados. ............ 99
5.3 - (a) Vegetação potencial atual gerada pelo CPTEC-PVM2 (350 ppmv), e
sensibilidade da distribuição de biomas a diferentes concentrações
atmosféricas de CO
2
(ppmv): (b) 250; (c) 180; (d) 140; (e) 450; (f) 600; (g)
850. Temperatura, precipitação e vento zonal em 850 hPa são mantidos
inalterados. ........................................................................................................... 100
5.4 - (a) Vegetação potencial atual gerada pelo CPTEC-PVM2, e sensibilidade da
distribuição de biomas a anomalias de velocidade do vento zonal em 850 hPa
média anual (m s
-1
): (b) -2; (c) -4; (d) -8; (e) +2; (f) +4; (g) +8. Temperatura,
precipitação e concentração atmosférica de CO
2
são mantidos inalterados. ....... 101
5.5 - Anomalias de (a) temperatura (°C), (b) precipitação (mm mês
-1
), e (c) vento
zonal em 850 hPa (m s
-1
) média entre os 14 MCGAO utilizados, previstas
para o período 2070-2099 em relação ao período 1961-1990 no cenário
SRES-A2. São mostrados apenas os pontos de grade onde mais de 75% dos
modelos concordam quanto ao sinal da anomalia (áreas em branco
representam não-consenso). ................................................................................. 107
5.6 - O mesmo que na Figura 5.5, para o cenário SRES-B1. ..................................... 108
5.7 - Anomalias de temperatura (°C) previstas pelos 14 MCGAO utilizados, para
o período 2070-2099 em relação ao período 1961-1990 no cenário SRES-A2.
Na extrema esquerda acima é mostrado o consenso onde 75% ou mais dos
MCGAO concordam quanto ao sinal da anomalia. ............................................. 110
5.8 - Anomalias de precipitação (mm mês
-1
) previstas pelos 14 MCGAO
utilizados, para o período 2070-2099 em relação ao período 1961-1990 no
cenário SRES-A2. Na extrema esquerda acima é mostrado o consenso onde
75% ou mais dos MCGAO concordam quanto ao sinal da anomalia (áreas
em branco representam não-consenso). ............................................................... 111
5.9 - Anomalias de vento zonal em 850 hPa (m s
-1
) previstas pelos 14 MCGAO
utilizados, para o período 2070-2099 em relação ao período 1961-1990 no
cenário SRES-A2 (áreas em branco representam falta de dados). Na extrema
esquerda acima é mostrado o consenso onde 75% ou mais dos MCGAO
concordam quanto ao sinal da anomalia (áreas em branco no campo de
consenso representam não-consenso). ................................................................. 112
5.10 - Anomalias de temperatura (°C) previstas pelos 14 MCGAO utilizados,
para o período 2070-2099 em relação ao período 1961-1990 no cenário
SRES-B1. Na extrema esquerda acima é mostrado o consenso onde 75% ou
mais dos MCGAO concordam quanto ao sinal da anomalia. .............................. 113
5.11 - Anomalias de precipitação (mm mês
-1
) previstas pelos 14 MCGAO
utilizados, para o período 2070-2099 em relação ao período 1961-1990 no
cenário SRES-B1. Na extrema esquerda acima é mostrado o consenso onde
75% ou mais dos MCGAO concordam quanto ao sinal da anomalia (áreas
em branco representam não-consenso). ............................................................... 114
5.12 - Anomalias de vento zonal em 850 hPa (m s
-1
) previstas pelos 14 MCGAO
utilizados, para o período 2070-2099 em relação ao período 1961-1990 no
cenário SRES-B1 (áreas em branco representam falta de dados). Na extrema
esquerda acima é mostrado o consenso onde 75% ou mais dos MCGAO
concordam quanto ao sinal da anomalia (áreas em branco no campo de
consenso representam não-consenso). ................................................................. 115
5.13 - (a) Produtividade primária líquida, NPP [kgC m
-2
(vegetação) ano
-1
]
simulada pelo CPTEC-PVM2, e anomalias de NPP média entre os 14
MCGAO utilizados, previstas para o período 2070-2099 em relação ao
período 1961-1990 no cenário SRES-A2 (b) e SRES-B1 (c). São mostrados
apenas os pontos de grade onde mais de 75% dos modelos concordam quanto
ao sinal da anomalia (áreas continentais em branco representam não-
consenso). ............................................................................................................ 120
5.14 - Anomalias de (a) sazonalidade de NPP (S
NPP
, adimensional), e (b) carbono
no solo (kgC m
-2
ano
-1
) para 2070-2099 sob SRES-A2. São mostrados
apenas os pontos de grade onde mais de 75% dos modelos concordam quanto
ao sinal da anomalia (áreas continentais em branco representam não-
consenso). ............................................................................................................ 121
5.15 - (a) Respiração heterotrófica, R
H
(kgC m
-2
ano
-1
) simulada pelo CPTEC-
PVM2, e anomalias de R
H
média entre os 14 MCGAO utilizados, previstas
para o período 2070-2099 em relação ao período 1961-1990 no cenário
SRES-A2 (b) e SRES-B1 (c). São mostrados apenas os pontos de grade onde
mais de 75% dos modelos concordam quanto ao sinal da anomalia (áreas
continentais em branco representam não-consenso). .......................................... 122
5.16 - (a) Vegetação potencial atual e para 2070-2099 sob o cenário (b) SRES-A2
e (c) SRES-B1 geradas pelo CPTEC-PVM2. Em (b) e (c) são mostrados
apenas os pontos onde mais de 75% (mais de 10) dos MCGAO utilizados
concordam quanto ao bioma diagnosticado (áreas continentais em branco
representam não-consenso). ................................................................................. 126
5.17 - Distribuição de biomas na América do Sul em 2070-2099 segundo
CPTEC-PVM2 no cenário SRES-A2 para cada um dos 14 MCGAO
utilizados. Acima à esquerda é mostrado o mapa de vegetação potencial atual
e o consenso entre 75% dos MCGAO utilizados (áreas continentais em
branco representam não-consenso). ..................................................................... 128
5.18 - Mesmo que Figura 5.17 para o cenário SRES-B1. .......................................... 129
5.19 - (a) Vegetação potencial, (b) evapotranspiração (mm d
-1
), e (c) estresse
hídrico (f
5
, adimensional) atuais. O mesmo é mostrado respectivamente para
os MCGAO UKMO-HadCM3 [(d), (e), (f)] e GISS-ER [(g), (h), (i)] em
2070-2099 segundo CPTEC-PVM2 no cenário SRES-A2 [(e), (f), (h) e (i)
são anomalias]. .................................................................................................... 130
5.20 - Mesmo que Figura 5.17, com redução forçada de NPP (e S
NPP
é
determinado por essa NPP reduzida). .................................................................. 135
5.21 - Mesmo que Figura 5.17, com redução forçada de NPP (e S
NPP
é
determinado pela NPP sem redução). ................................................................. 136
5.22 - Impactos consensuais nos biomas da América do Sul em 2070-2099 para o
cenário SRES-A2, utilizando o CPTEC-PVM2 (b) original; (c) forçando
redução de NPP (e consequentemente de S
NPP
); (d) forçando redução de NPP
mas considerando S
NPP
igual a (b). Áreas continentais em branco
representam não-consenso. (a) Vegetação potencial atual. ................................. 137
5.23 - Vegetação potencial durante o Último Máximo Glacial (21 ka),
considerando, respectivamente, uma redução de temperatura (°C) e
precipitação de: (b) -3; 0%; (c) -3; -25%; (d) -3; -50%; (e) -4; 0%; (f) -4; -
25%; (g) -4; -50%; (h) -5; 0%; (i) -5; -25%; (j) -5; -50%. (a) Vegetação
potencial atual. ..................................................................................................... 141
5.24 - (a) Vegetação potencial atual e, (b) vegetação potencial para o período pré
Revolução Industrial, com redução de temperatura de 0,7°C e concentração
atmosférica de CO
2
de 280 ppmv (precipitação é mantida inalterada). .............. 143
A.1 - Mapas de vegetação natural de (a) Ramankutty e Foley (1999), (b)
Matthews (1983) e (c) consenso entre eles (áreas continentais em branco
representam não-consenso) todos sob a classisifcação LONS06. ....................... 172
A.2 - Novo mapa global de vegetação natural, na classificação LONS06. ................ 176
B.1 - (a) Vegetação potencial atual e para 2070-2099 sob o cenário (b) SRES-A2
e (c) SRES-B1 geradas pelo CPTEC-PVM2 (versão sem parametrização de
fogo natural). Em (b) e (c) são mostrados apenas os pontos onde mais de
75% (mais de 10) dos MCG utilizados concordam quanto ao bioma
diagnosticado (áreas continentais em branco representam não-consenso). ......... 178
B.2 - Distribuição de biomas na América do Sul em 2070-2099 segundo CPTEC-
PVM2 (versão sem parametrização de fogo natural) no cenário SRES-A2
para cada um dos 14 MCG utilizados. Acima à esquerda é mostrado o mapa
de vegetação potencial atual e o consenso entre 75% dos MCG utilizados
(áreas continentais em branco representam não-consenso). ................................ 179
B.3 - Mesmo que Figura B.2, para o cenário SRES-B1. ............................................ 180
C.1 - Configuração geométrica da atenuação da radiação solar pela atmosfera
terrestre em relação ao zênite, que é perpendicular à superfície. ........................ 182
LISTA DE TABELAS
Pág.
2.1 - Classificação de vegetação de Dorman e Sellers (1989) utilizada pelo
CPTEC-PVM original............................................................................................ 34
3.1 - Valores do parâmetros (k
n
) utilizados no CPTEC-PVM2..................................... 45
3.2 - Produtividade primária líquida (NPP) modelada pelo CPTEC-PVM2
comparada com dados observados (Olson et al., 1983; MODIS; Turner et al.,
2006) e com a média estimada a partir de 17 modelos de NPP (Cramer et al.,
1999) em cada um dos biomas de LONS06........................................................... 58
3.3 - Índice de área foliar (LAI) modelado pelo CPTEC-PVM2 comparado com
dados observados (MODIS; Turner et al., 2006) e com dados do SSiB
(Dorman e Sellers, 1989)........................................................................................ 60
3.4 - Respiração heterotrófica (R
H
) modelada pelo CPTEC-PVM2 comparada
com dados observados (Schlesinger, 1977; Raich et al., 2002) e com dados
oriundos de modelagem (LPJ Model) (Sitch et al., 1999) em cada um dos
biomas de LONS06. ............................................................................................... 64
3.5 - Grau de concordância entre mapas de acordo com a estatística κ. ....................... 78
3.6 - Desempenho do CPTEC-PVM2 (sem parametrização de fogo) e do CPTEC-
PVM original.......................................................................................................... 78
4.1 - Desempenho do CPTEC-PVM2 quando utilizando dados de raios nuvem-
solo na parametrização de fogo natural (vide Figura 3.2), em comparação
com a versão sem fogo do CPTEC-PVM2, apenas para os biomas envolvidos
na parametrização................................................................................................... 87
4.2 - Método usado para verificar a correspondência entre os resultados do
CPTEC-PVM quando parametrizando fogo natural com dados de raios
(raios-ns) ou dados de ventos (U-850). r_lim representa o limiar de raios-ns
(no caso 28 mill descargas) a partir do qual a parametrização age quando
utilizando dados de raios nuvem-solo; e U_lim representa o limiar de U-850
a partir do qual a parametrização age quando utilizando dados de vento zonal
em 850 hPa............................................................................................................. 87
4.3 - Desempenho da versão final do CPTEC-PVM2 (com parametrização de
fogo natural), frente a versão sem fogo natural e ao CPTEC-PVM original. ........ 94
5.1 - Modelos de Circulação Geral Oceano-Atmosfera cujas simulações
climáticas futuras são utilizadas neste estudo e respectivos centros
desenvolvedores. .................................................................................................. 104
5.2 - Comparação entre os resultados consensuais de Salazar et al. (2006) e o
presente estudo em relação aos impactos das mudanças climáticas para a
distribuição de biomas na Amazônia em 2070-2099. ......................................... 131
A.1 - Parâmetros do SSiB não-variantes no tempo para o novo tipo de bioma
floresta tropical estacional. .................................................................................. 168
A.2 - Parâmetros do SSiB variantes no tempo (LAI, fração verde, cobertura
vegetacional, comprimento de rugosidade e altura de deslocamento são
derivados de dados de NDVI; os parâmetros c
b
e c
d
são estimados de z
0
). ......... 169
A.3 - Relação entre as classificações M83 e RF99. Um * denota conversão de um
bioma M83 para um RF99 quando F
iJ1
≥ 0,7; ** quando 0,4 ≤ F
iJ1
≤ 0,7 e
F
iJ2
≤ 0,2 e *** quando nenhum dos dois critérios acima foram satisfeitos,
então o bioma i de M83foi subjetivamente associado a um de RF99 (vide
texto). Os tipos vegetacionais de RF99 são encontrados na Tabela A.4. ............ 170
A.4 - Relação entre as classificações de RF99 e LONS06. ........................................ 171
A.5 - Principais regiões de não-consenso entre os mapas de M83 e RF99. Na
primeira coluna L refere-se a regiões de pequenas altitudes (< 1000 m) e U a
regiões de maior altitude (> 1000 m). ................................................................. 175
LISTA DE SÍMBOLOS, SIGLAS E ABREVIATURAS
Γ: ponto de compensação do CO
2
para fotossíntese (Pa)
C
a
: CO
2
atmosférico (Pa)
c
i
: pressão parcial de CO
2
no interior da folha (Pa)
C
L
: carbono na serapilheira (kgC m
-2
)
CPTEC-PVM: modelo de vegetação potencial do CPTEC
C
S
: carbono no solo (kgC m
-2
)
D: índice de sazonalidade (adimensional)
DS89: Dorman e Sellers (1989)
E: evapotranspiração atual (mm
d
-1
)
f
n
: função
G
0
: tempo térmico acumulado com temperatura basal de 0ºC (ºC dia mês
-1
)
G
5
: tempo térmico acumulado com temperatura basal de 5ºC (ºC dia mês
-1
)
GHG: gases do efeito estufa
h: umidade relativa
H: índice hídrico (adimensional)
I
PAR
: radiação fotossinteticamente ativa que alcança o dossel (Ein/(m
2
s))
IPCC: Intergovernmental Panel on Climate Change
J
C
: taxa de fotossíntese bruta limitada pela Rubisco [mol CO
2
m
-2
(vegetação) s
-1
]
J
E
: taxa de fotossíntese bruta limitada pelo transporte [mol CO
2
m
-2
(vegetação) s
-1
]
J
L
: taxa de fotossíntese bruta limitada pela luz [mol CO
2
m
-2
(vegetação) s
-1
]
k
n
: constante (Tabela 3.1)
LAI: índice de área foliar (m
2
folha/m
2
área)
L
f
: taxa de formação de serapilheira (kgC m
-2
)
LONS06: classificação de tipos vegetacionais proposta no Apêndice A
MCGA: modelo de circulação geral da atmosfera
MCGAO: modelo de circulação geral atmosfera-oceano
M
NPP
: produtividade primária líquida média anual [kgC m
-2
(vegetação) ano
-1
]
NEP: produção líquida do ecossistema (NPP - R
H
)
NPP: produção primária líquida [kgC m
-2
(vegetação) ano
-1
]
p: pressão atmosférica (Pa)
P: taxa de fotossíntese bruta [kgC m
-2
(vegetação) ano
-1
]
r
c
: resistência do dossel (s m
-1
)
r: deficit de umidade na superfície da folha (kg/kg)
r
max
: umidade atmosférica saturada (kg/kg)
R
A
: taxa de respiração autotrófica [kgC m
-2
(vegetação) ano
-1
]
R
H
: taxa de respiração heterotrófica (kgC m
-2
ano
-1
)
R
L
: taxa de respiração das folhas [kgC m
-2
(vegetação) ano
-1
]
R
P
: taxa de respiração de partes não-foliares [kgC m
-2
(vegetação) ano
-1
]
S
NPP
: índice de sazonalidade (adimensional)
SRES: Special Report on Emission Scenarios (IPCC, 2000)
T: temperatura do ar à superfície (
o
C)
T
c
: temperatura do mês mais frio (ºC)
V
m
: taxa máxima de carboxilação pela Rubisco [mol CO
2
m
-2
(vegetação) s
-1
]
w: fração de água no solo (=S/S
max
, adimensional)
27
1 INTRODUÇÃO
Mudanças climáticas em escala planetária podem ocorrer quando há variações em
forçantes do sistema terrestre. É consenso que atividades humanas têm inserido novas e
diversas forçantes no sistema terrestre, sobretudo a partir da Revolução Industrial no
fim do século XVIII. Entre estas forçantes destacam-se: aumento na queima de
combustíveis fósseis; sensível perda de áreas de habitats naturais (especialmente
florestas tropicais) e, conseqüentemente, de biodiversidade. São estas forçantes
antrópicas que estão contribuindo, direta ou indiretamente, para as chamadas mudanças
climáticas globais (IPCC, 2007).
Um dos aspectos das mudanças globais é o aquecimento devido ao aumento das
emissões antropogênicas de gases de efeito estufa (GHG, “greenhouse gases”). Antes de
1750, a concentração de dióxido de carbono (CO
2
) na atmosfera variou, por 740.000
anos, entre 180 a 280 ppmv (Augustin et al., 1999). Esse número tem aumentado desde
então, atingindo 379 ppmv em 2005 (IPCC, 2007). Emissões antropogênicas têm grande
responsabilidade por este quadro, sobretudo no século XX (IPCC, 2007). Discussões em
conferências internacionais (como a Rio +10 em 2002) e mesmo a recente
implementação do Protocolo de Kyoto não apontam para uma redução significativa das
emissões até 2012. Sendo assim, o Intergovernmental Panel on Climate Change (IPCC;
http://www.ipcc.ch) elabora, a cada cinco anos, avaliações climáticas para os próximos
100 anos considerando o aumento da concentração de GHG e de aerossóis (IPCC, 2001;
IPCC, 2007). Com base nestes cenários, para a América do Sul, utilizando um conjunto
de modelos de circulação geral atmosfera-oceano (MCGAO), estimou-se um aumento
na temperatura de superfície de 2-4ºC até 2100. Quanto à precipitação, no entanto, ainda
não há consenso, embora haja uma tendência de redução de precipitação durante a
estação seca (jun-jul-ago) em quase todo sub-continente (Giorgi e Francisco, 2000;
IPCC, 2007).
28
Outro aspecto notável das mudanças globais é o seu provável impacto nos ecossistemas
naturais. Isso porque assim como o clima reconhecidamente influencia o solo e a biota,
ele também pode ser fortemente modulado por processos biológicos da vegetação,
fitoplâncton, e outras características da biosfera (Claussen, 2004). Argumenta-se que o
clima e a vegetação coexistem em um equilíbrio dinâmico, o qual pode ser alterado por
perturbações em qualquer um dos dois componentes (Scheffer et al., 2001). Assim, uma
questão atual e importante consiste em quais seriam as conseqüências das mudanças
climáticas na distribuição dos biomas terrestres. Para a América do Sul, os resultados de
MCGAO acoplados a modelos de vegetação dinâmica são controversos. Por exemplo,
até 2100, enquanto alguns modelos indicam que a Amazônia sofreria uma savanização
1
,
outros dão indícios de que a floresta se expandiria sobre áreas de savana (Cox et al.,
2000; Levis et al., 2000; Cramer et al., 2001; Nobre et al., 2004).
Consideremos que em 2100, na América do Sul, haverá um aumento na concentração de
CO
2
e de temperatura (e incerteza quanto à precipitação), considerando apenas a
influência do clima como condicionante do tipo de vegetação. As incertezas quanto aos
impactos na precipitação (levantadas pelo IPCC) levariam também a incertezas na
distribuição de biomas no final do século? Ou os efeitos de CO
2
e temperatura
sobrepujariam os de precipitação? Haveria alterações na interação biosfera-atmosfera
associada às conseqüências climáticas na América do Sul? Essas questões permanecem
em grande parte sem uma resposta definitiva.
As interações bioma-clima podem ser expressas quantitativamente, e de maneira mais
simples, através de modelos de vegetação potencial (MVPot). Os MVPot diagnosticam
o bioma em equilíbrio com um dado clima. Vários MVPot são encontrados na literatura
[BIOME de Prentice et al. (1992), MAPSS de Neilson (1995), BIOME3 de Haxeltine e
Prentice (1996), TRIFFID de Cox (2001), CPTEC-PVM de Oyama e Nobre (2004),
etc.]. Uma vez que o clima não é o único fator que determina o tipo vegetacional (outros
fatores, como o tipo de solo, também influenciam na distribuição da vegetação), há
______________
1
Neste estudo o termo ‘savanização’ refere-se a uma perda das condições climáticas mantenedoras de
uma floresta. Isso pode levar, em longa escala de tempo (séculos a milênios) a uma fitofisionomia mais
aberta, semelhante à encontrada em savanas.
29
diferenças na distribuição espacial da vegetação potencial (produto dos MVPot) e da
natural (i.e., observada na natureza sem influência do homem). Entretanto, os atuais
MVPot têm apresentado bom desempenho em escala global, ou seja, conseguem
reproduzir bem o padrão real de distribuição global dos biomas. Por outro lado, em
escala regional, para a América do Sul, esses MVPot apresentam algumas deficiências.
Por exemplo, o BIOME, que tem sido amplamente utilizado em estudos climáticos (e.g.
Claussen, 1997) na América do Sul não representa corretamente a vegetação de
gramíneas dos Pampas sulinos, e também reduz drasticamente a área de caatinga no
Nordeste brasileiro. Os mesmos problemas ocorrem no BIOME3, que é uma versão
atualizada do BIOME. O BIOME3 inclui modelagem do ciclo de carbono, mas seu
desempenho com vegetação de savana é pior que o de seu predecessor. Já o CPTEC
Potential Vegetation Model (CPTEC-PVM; Oyama e Nobre, 2004) apresenta bom
desempenho em escala global e consegue reproduzir satisfatoriamente os biomas da
América do Sul, corrigindo os erros dos outros MVPot para os Pampas, a caatinga e
savana. Porém, o CPTEC-PVM, assim como as duas versões do BIOME, cometem um
erro na Índia e no Sudeste Asiático, diagnosticando savana onde deveria ocorrer floresta
tropical. O CPTEC-PVM foi elaborado para ser acoplado ao MCGA do CPTEC/COLA,
que utiliza como modelo de processos de superfície o SSiB (Simplified Simple
Biosphere model; Xue et al., 1991). Como o SSiB segue a classificação de biomas de
Dorman e Sellers (1989, aqui referida como DS89), que classifica os biomas naturais
em 12 categorias, o CPTEC-PVM também utiliza essa classificação.
O CPTEC-PVM não considera ciclo de carbono e mecanismos de feedback entre CO
2
atmosférico e a vegetação, o que limita o seu uso em estudos de mudanças globais.
Nobre et al. (2004) e Salazar et al. (2006) avaliaram os impactos de mudanças
climáticas futuras sobre os biomas da América do Sul utilizando a versão original do
CPTEC-PVM, e demonstraram consensualmente uma tendência de savanização da
Amazônia e semi-desertificação do Nordeste brasileiro. Entretanto, os impactos no
clima e na vegetação podem ser diferentes com a inclusão de mecanismos de interação
CO
2
– vegetação (ciclo de carbono) no CPTEC-PVM. Isso porque o aumento na
concentração de CO
2
pode alterar a relação entre produtividade das plantas e resistência
30
estomática (Field et al., 1995) e consequentemente reduzir a evapotranspiração e alterar
os balanços de água e energia à superfície (Sellers et al., 1996a). Como consequência, as
regras de alocação de biomas do CPTEC-PVM, baseadas sobretudo na
evapotranspiração (vide seção 1.2), tornam-se inválidas, o que denota a importância da
inclusão do ciclo de carbono no modelo para se estudar os efeitos do clima na vegetação
nos próximos 100 anos.
A inserção do ciclo de carbono no CPTEC-PVM trará um refinamento considerável e
desejável a esse MVPot, além de, como mencionado, expandir sua aplicabilidade.
1.1 Objetivos
Os objetivos deste estudo são:
1) Inserir um sub-modelo de ciclo do carbono na mais recente versão do CPTEC-
PVM (que considera fogo natural), gerando o CPTEC-PVM2;
2) Utilizar o CPTEC-PVM2 para avaliar o impacto de mudanças climáticas
globais na distribuição de biomas na América do Sul.
Quanto ao objetivo I, propomos elaborar o CPTEC-PVM2 procurando manter, para as
condições atuais, o bom desempenho global e regional mostrado pelo CPTEC-PVM
original. Embora a inclusão de ciclo de carbono seja algo já realizado por outros MVPot
(e.g. BIOME3), faremos isso atentando especialmente aos biomas tropicais da América
do Sul. Uma vez alcançado, o objetivo I permitirá uma melhoria conceitual considerável
do CPTEC-PVM e possibilitará, no futuro, a investigação dos estados de equilíbrio
bioma-clima para condições de CO
2
diferentes da atual através, por exemplo, do
acoplamento assíncrono do CPTEC-PVM2 ao MCGA do CPTEC/COLA (de forma
semelhante a Oyama e Nobre, 2003).
Em relação ao objetivo II, a avaliação verificará a validade das conclusões de Nobre et.
al. (2004) e Salazar et al. (2006) e não se limitará a uma comparação da distribuição de
biomas naturais no presente e no futuro, mas enfocará também os mecanismos
31
biofísicos responsáveis pelos impactos nos ecossistemas. Tal esforço permitirá
avançarmos na direção de um conhecimento mais completo sobre o efeito de mudanças
climáticas globais nos biomas da América do Sul, ou mais especificamente, do Brasil.
1.2 O Modelo de Vegetação Potencial do CPTEC (CPTEC-PVM)
O CPTEC-PVM (Oyama e Nobre, 2004) utiliza como entrada climatologias mensais de
precipitação e temperatura do ar à superfície. O sub-modelo de balanço hídrico (que se
baseia em grande parte em Willmott et al., 1985) calcula o armazenamento de água do
solo e os termos do balanço de água à superfície. Com isso, calculam-se cinco variáveis
ambientais: G
0
, tempo térmico acumulado com temperatura basal de 0ºC; G
5
, com
temperatura basal de 5ºC (ambos em ºC dia mês
-1
); T
c
, temperatura do mês mais frio
(ºC); H, um índice hídrico (adimensional); e D, um índice de sazonalidade
(adimensional). As variáveis G
0
, G
5
, T
c
e H baseiam-se em Prentice et al. (1992). A
variável D representa explicitamente a variação sazonal de água no solo, enquanto H o
faz implicitamente, sendo ambas variáveis importantes para biomas tropicais, porém
bastante dependentes das taxas de evapotranspiração. A partir do conjunto de variáveis
ambientais, o sub-modelo de vegetação diagnostica o bioma em equilíbrio com o dado
clima. Em geral, sob condições ambientais severas, i.e. baixos valores de G ou H, há
ausência de vegetação: gelo ou deserto. Se as condições se tornam menos severas,
mesmo com G ou H baixos, ou com T
c
muito baixa, biomas resistentes (ou extremos)
ocorrem: tundra, semi-deserto ou floresta de lariços. Sob condições mais amenas,
ocorrem biomas tropicais (T
c
alta) ou extratropicais (T
c
baixa). Nesse caso, florestas
ocorrem onde H e/ou D são suficientemente altos; caso contrário, ocorrem campos
(extratropicais) ou savana e caatinga (trópicos) (Oyama e Nobre, 2004). As saídas do
modelo compõem um mapa de vegetação potencial, o qual deve ser comparado a um
mapa de vegetação natural referencial (e.g. capítulo 2, Apêndice A). A estatística kappa
(κ) mede o grau de similaridade entre os dois mapas, sendo que κ varia de 0 (total
discordância) a 1 (total concordância) (Monserud e Leemans, 1992). Em nível global, κ
tem um valor de 0,58 no CPTEC-PVM original (Oyama e Nobre, 2004).
32
A versão mais recente do CPTEC-PVM conta com uma parametrização de fogo natural
como determinante da ocorrência de savana nos trópicos. Nessa parametrização, a
velocidade média anual do vento zonal em 850 hPa na transição da estação seca para a
chuvosa atua na escolha de savanas e florestas. Cardoso et al. (2006), através de um
índice combinado entre a velocidade média e variação intra-anual do vento zonal em
850 hPa, corrigem satisfatoriamente o erro que o CPTEC-PVM cometia na Índia e
Sudeste Asiático, alocando agora floresta temperada onde o modelo antes alocava
savana. Lapola et al. (2006) utilizando os mesmos dados de ventos fazem uma
correlação entre a velocidade do vento zonal em 850 hPa durante a transição da estação
seca para a chuvosa com dados observados de descargas elétricas. Através da
velocidade do vento zonal em 850 hPa durante a transição da estação seca há também a
correção do erro do CPTEC-PVM, porém alocando agora floresta tropical estacional
onde antes o modelo alocava savana na Índia e Sudeste Asiático (capítulo 3).
33
2 MAPA DE VEGETAÇÃO NATURAL
Os resultados sumarizados neste capítulo estão extensamente relatados e discutidos no
Apêndice A.
2.1 Melhoria da classificação de Dorman e Sellers (1989)
A classificação de Dorman e Sellers (1989, DS89), utilizada no CPTEC-PVM, baseia-se
na de Küchler (e.g. Küchler, 1988) e contempla dois tipos florestais para os trópicos: (1)
árvores perenes de folhas largas (broadleaf-evergreen trees, tipo 1 em DS89); e (2)
árvores decíduas de folhas largas (broadleaf-deciduous trees, tipo 2), sendo que este
último se aplica tanto às florestas decíduas e semidecíduas tropicais quanto às florestas
decíduas temperadas (Tabela 2.1). Sabe-se que há muitas diferenças entre esses dois
tipos florestais, que vão desde características do clima até a identidade da comunidade
vegetal em si.
De acordo a duração da estação seca e da porcentagem de árvores que perdem suas
folhas, as formações florestais tropicais podem ser classificadas em: (i) floresta tropical
ombrófila, (ii) floresta tropical estacional semidecidual e (iii) floresta tropical estacional
decidual. Nas florestas tropicais ombrófilas (ou floresta ombrófila densa) não há
ocorrência de estação seca (3 meses com precipitação abaixo de 100 mm) e, por isso, a
fenologia da comunidade vegetal como um todo não apresenta sazonalidade, estando
sempre verde. Já as florestas tropicais estacionais, possuem um período seco que varia
de 2 a 3 meses para a semidecídua e de 5 a 6 meses para a decídua. Nessa época, de 20 a
50% da árvores da floresta semidecídua e até 100% na floresta decídua perdem suas
folhas. As florestas estacionais (semidecídua ou decídua) estão, portanto, intimamente
relacionados com um intenso ciclo sazonal de precipitação (Eyre, 1968; Odum, 1983;
Barnes et al., 1998; Schultz, 2005).
34
Tabela 2.1 - Classificação de vegetação de Dorman e Sellers (1989) utilizada pelo
CPTEC-PVM original.
Número Descrição Nome
1 Árvores perenifólias, com folhas largas Floresta tropical
2 Árvores caducifólias, com folhas largas Floresta temperada*
3
Árvores com folhas largas e árvores com folhas
aciculadas
Floresta mista
4 Árvores perenifólias, com folhas aciculadas Floresta boreal
5 Árvores caducifólias, com folhas aciculadas Floresta de lariços
6 Árvores de folhas largas e/ou gramíneas Savana (cerrado)
7 Somente gramíneas perenes
Campos extra-tropicais
(campos, pradarias, estepes)
8 Arbustos com folhas largas e gramíneas perenes Caatinga
9 Arbustos com folhas largas e solo nu Semi-deserto
10
Arbustos e árvores anãs com musgos, líquens,
gramíneas e ervas baixas
Tundra
11 Solo nu Deserto
12
Trigo de inverno e árvores caducifólias com folhas
largas
Cultivos agrícolas**
20 Gelo Gelo
* inclui não apenas florestas extratropicais, mas também florestas tropicais decíduas e semidecíduas
** este estudo abordará apenas vegetação natural, portanto este bioma será desconsiderado
Considerando que o tipo 2 de DS89 (árvores decíduas de folhas largas) se refere às
florestas decíduas temperadas, seria recomendável a inclusão de novos tipos de
vegetação que representassem, na região tropical, florestas diferentes da ombrófila (tipo
1). Assim, sugerimos que o seguinte bioma seja adicionado à classificação de DS89:
Floresta tropical estacional (tropical seasonal forest): englobando florestas estacionais
semidecíduas e decíduas. Possui grande semelhança com as florestas tropicais
ombrófilas porém com um forte componente sazonal de precipitação influenciando na
fenologia da comunidade vegetal.
Desse modo, os 11 tipos de biomas naturais de DS89 e o novo tipo (floresta tropical
estacional, doravante considerado como o tipo 13) compõem a classificação LONS06.
35
2.2 Novo mapa de vegetação natural
O CPTEC-PVM funciona em uma base comparativa, ou seja, as saídas do modelo
compõem um mapa de vegetação potencial que deve ser comparado com um mapa de
referência, o qual deve mostrar a distribuição real dos biomas no planeta (obviamente na
classificação DS89, doravante LONS06). Assim, para que se possa discutir com
confiabilidade sobre os resultados do CPTEC-PVM2, um novo mapa de vegetação
natural foi elaborado. Para a confecção desse novo mapa foram utilizados inicialmente
os mapas globais de vegetação natural de Ramankutty e Foley (1999) e de Matthews
(1983), ambos em resolução de 1 grau (mapas-base). Após serem colocados sob uma
mesma classificação (LONS06), obtivemos um mapa de consenso entre eles (Figura
2.1a). Tal mapa de consenso demonstra que, apesar desses mapas servirem ao mesmo
propósito e serem amplamente utilizados pela comunidade científica, mais de 30% das
áreas continentais não apresentam consenso.
Em seguida, com o preenchimento dessas áreas de não-consenso do mapa de consenso,
obtivemos o novo mapa global de vegetação natural em resolução horizontal de 1 grau
(Figura 2.1b), posteriormente interpolado para uso na resolução do CPTEC-PVM (T62,
que corresponde a aproximadamente 2°). Esse preenchimento se baseou, sobretudo, em
mapas regionais de vegetação natural disponíveis na internet. Grande parte desses
mapas são provenientes da “Perry Catañeda Library Map Collection” da University of
Texas (http://www.lib.utexas.edu/maps). No total foram utilizados mais de 100 mapas
regionais para esse preenchimento.
A vantagem deste novo mapa é que ele representa um avanço para a classificação DS89,
uma vez inserido o tipo “floresta tropical estacional” em DS89. A exemplo dos mapas-
base, o uso deste novo mapa não se restringe ao CPTEC-PVM ou estudos climáticos,
podendo também ser uma ferramenta para estudos de mudança de uso da terra,
modelagem de ecossistemas, etc.
36
Figura 2.1 – (a) Consenso entre os mapas globais de vegetação natural de Ramankutty e
Foley (1999) e Matthews (1983), sob a classificação de LONS06 (áreas
continentais em branco representam áreas onde não há consenso); (b) novo
mapa global de vegetação natural em resolução horizontal de 1 grau.
(a)
(b)
37
3 CICLO DE CARBONO
3.1 Mecanismos de interação CO
2
– vegetação: ciclo de carbono
O ciclo terrestre do carbono além de prover energia e massa à maioria da vida na Terra,
relaciona-se com regulação da atmosfera global e conseqüentemente com o clima. Pode
ser sumarizado da seguinte maneira: as plantas removem CO
2
da atmosfera através do
processo de fotossíntese. Uma quantidade desse carbono é usada na própria manutenção
da planta, em um processo conhecido como respiração autotrófica (ou vegetal), que
resulta em liberação de CO
2
para a atmosfera. O restante de carbono absorvido pelas
plantas (aproximadamente 50%), é chamado de produtividade primária líquida, e é o
que vai compor as folhas, galhos, troncos e raízes das plantas. A quantidade global de
carbono armazenado nas plantas é relativamente pequena em comparação às grandes
quantidades de carbono armazenadas no oceano e em reservatórios de combustíveis
fósseis. Porém, esse estoque de carbono na vegetação assume importância fundamental
uma vez que ele pode aumentar ou diminuir rapidamente, em resposta ao clima ou
intervenções humanas (como incêndios florestais), tendo efeitos fortes e imediatos na
concentração de CO
2
na atmosfera (Foley e Ramankutty, 2004; Steffen et al., 2004).
Doravante, as plantas ou suas folhas eventualmente morrem e apodrecem, ou são
comidas por herbívoros ou ainda consumidas pelo fogo. Nos dois primeiros casos o
carbono outrora na vegetação agora vai para a serapilheira (ou liteira), onde passa para
microorganismos ou animais como fonte de energia para a construção e manutenção de
seus corpos. Esses microorganismos e animais também liberam CO
2
para a atmosfera,
em um processo conhecido como respiração heterotrófica (ou microbiana). Perturbações
como tempestades e o aquecimento global aceleram o processo de respiração e,
portanto, a liberação de CO
2
para a atmosfera (Foley e Ramankutty, 2004; Steffen et al.,
2004).
38
Grande parte do carbono que flui através da serapilheira vai parar no solo, na forma de
restos de plantas, animais e cinzas de incêndios, todos resistentes à decomposição.
Embora a entrada de carbono no solo seja relativamente pequena, a saída de carbono é
menor ainda, o que faz com que o solo seja o maior reservatório de carbono nos
continentes (Foley e Ramankutty, 2004; Steffen et al., 2004).
A concentração de CO
2
na atmosfera tem forte influência na abertura dos estômatos
(microporos nas superfícies foliares das plantas que permitem a difusão de gases entre o
interior da planta a atmosfera circundante) e na transpiração. Os estômatos abrem
menos em altas concentrações de CO
2
(Field et al., 1995) significando que menos água
é perdida por transpiração, o que pode levar a um aquecimento da superfície e reduzir a
ciclagem de umidade, afetando o clima (Sellers et al., 1996a).
Em modelagem, uma das melhores e mais acuradas formas de se prescrever um bioma
potencial é provavelmente através da estimativa de produtividade primária líquida (net
primary productivity, NPP em inglês) máxima possível segundo as condições climáticas
locais (revisado em Adams et al., 2004). Isso porque cada fitofisionomia, ou cada tipo
de bioma possui valores característicos de NPP: enquanto em uma floresta tropical a
NPP gira em torno de 1,2 kgC m
-2
(vegetação) ano
-1
, em regiões de tundra esse valor cai
para aproximadamente 0,15 kgC m
-2
(vegetação) ano
-1
(Turner et al., 2006). Entretanto,
alguns biomas distintos têm valores bastante próximos de NPP, o que implica a
necessidade de levar em conta outras variáveis ambientais para diferenciar esses
biomas. A NPP se define como a acumulação líquida de carbono através da fotossíntese
menos a respiração vegetal em um determinado intervalo de tempo (Foley e
Ramankutty, 2004). Desse modo, para se obter uma estimativa de NPP há que se
modelar os processos que caracterizam e influenciam a fotossíntese e a respiração
vegetal. Ambos processos podem ser satisfatoriamente representados através de um
modelo de ciclo de carbono, o qual também pode diagnosticar os fluxos de carbono na
serapilheira e no solo.
39
3.1.1 O processo de fotossíntese
A fotossíntese é um processo fotoelétrico que transforma a radiação fotossinteticamente
ativa incidente (I
PAR
, 0,4 µm a 0,7 µm, com uma janela de reflexão entre 0,50 e 0,55 µm)
em energia armazenada na forma de carboidratos. O processo pode ser representado da
seguinte maneira:
6 CO
2
+ 12 H
2
O + I
PAR
C
6
H
12
O
6
+ 6 O
2
+ 6 H
2
O
Nos vegetais superiores, isso acontece em organelas celulares chamadas cloroplastos,
que contêm o pigmento clorofila e a enzima responsável pela fixação de CO
2
. Além da
clorofila, os principais componentes da fotossíntese são o dióxido de carbono (CO
2
), luz
e água (as informações desta seção e da seguinte baseiam-se em Begon et al., 1996;
Stern, 1997; Raven et al., 1998).
O processo de fotossíntese se dá em duas etapas sucessivas: (i) as reações à luz, e (ii) as
reações de fixação de carbono. Em (i) a luz inicia reações nas moléculas de clorofila que
resultam na conversão de energia luminosa em energia química. Nessa etapa moléculas
de água são divididas, produzindo íons de hidrogênio e elétrons, e há liberação de
oxigênio; moléculas de armazenamento de energia ATP (adenosina trifosfato) são
criadas; e o hidrogênio das moléculas quebradas de água se aderem a moléculas de
NADP
+
(nicotinamida adenina dinucleotídeo fosfato) que carregam o hidrogênio e são
usadas na segunda fase da fotossíntese, nas reações de fixação de carbono.
As reações de fixação de carbono são por vezes chamadas de reações escuras, uma vez
que não há luz envolvida diretamente no seu funcionamento. As reações de fixação de
carbono podem ocorrer de três maneiras diferentes: o modo C
3
(ciclo de Calvin), o
modo C
4
e ainda o modo CAM. A forma mais comum, que ocorre na maioria das
espécies de plantas, é o ciclo de Calvin. Nesse ciclo, o CO
2
é fixado a um ácido com
três carbonos através da enzima Rubisco, que é presente em quantidades massivas nas
folhas de plantas C
3
. Essa etapa é chamada de carboxilação da Rubisco. Após vários
processos, as moléculas combinadas são convertidas em açúcares com 6 carbonos,
como a glicose (C
6
H
12
O
6
). Quando a concentração de O
2
no interior do estômatos está
clorofila
enzimas
40
alta (por exemplo, quando os estômatos estão fechados para prevenir a perda de água
em dias secos) a Rubisco pode fixar O
2
ao invés de CO
2
, em um processo chamado
foto-respiração. Argumenta-se que a foto-respiração seja um mero rélicto evolutivo,
atualmente sem funcionalidade para a planta, uma vez que os produtos desse processo
entram no ciclo de Calvin a um alto custo energético.
A taxa de fotossíntese de plantas C
3
aumenta com a taxa de radiação incidente, mas
alcança um platô, geralmente antes de plantas C
4
, que são mais adaptadas a condições
de altas taxas de radiação e altas temperaturas. Além disso, as plantas com metabolismo
C
3
têm uma menor eficiência no uso da água em comparação a plantas C
4
ou CAM,
devido principalmente ao fato de que a Rubisco não consegue manter um gradiente
muito forte de CO
2
entre o interior da folha e a atmosfera. Desse modo, em plantas C
3
, o
CO
2
se difunde mais vagarosamente para o interior da folha, ocasionando grande perda
de água para a atmosfera circundante. Plantas C
4
(e.g. milho, cana-de-açúcar) e CAM
(e.g. cactos, orquídeas) usam uma enzima mais eficiente para a captura do CO
2
atmosférico, o que as tornam bastante eficientes em relação à perda de água e
resistência a altas temperaturas. Porém, esses tipos de plantas apresentam uma grande
desvantagem competitiva frente a plantas C
3
, uma vez que são ineficientes em baixas
intensidades luminosas (como no interior de uma floresta) e em regiões frias.
3.1.2 O processo de respiração
A respiração é um processo de liberação de energia que ocorre em todas as células, 24
horas por dia, independentemente de a fotossíntese estar também ocorrendo nessas
mesmas células. O processo se inicia no citoplasma e termina nas mitocôndrias. A
energia liberada provém de moléculas simples de açúcar, que são quebradas durante
uma série de etapas pela ação de enzimas. Na respiração aeróbica, a forma mais
difundida de respiração nos seres multicelulares, o processo não se completa na
ausência de oxigênio (O
2
). A liberação controlada de energia é a principal vantagem da
respiração, que pode ser representada da seguinte maneira:
41
C
6
H
12
O
6
+ 6 O
2
6 CO
2
+ 6 H
2
O + energia (36 ATP)
A respiração aeróbica pode ser dividida em três grandes etapas: (i) glicólise, (ii) ciclo de
Krebs, e (iii) cadeia de transporte de elétrons, sendo que (i) ocorre no citoplasma e (ii) e
(iii) nas mitocôndrias. Em (i) a molécula de glicose é quebrada, formando-se moléculas
de ácido pirúvico, havendo também liberação de hidrogênio, energia (ganho líquido de
2 ATP) e água. No início do ciclo de Krebs há liberação de CO
2
do ácido pirúvico,
restando moléculas com 2 carbonos que se combinam com um aceptor (CoA) e formam
o acetil CoA. Este último é que realmente entra no ciclo de Krebs, onde há remoção
sucessiva de pequenas quantidades de energia dessas moléculas pela ação de enzimas.
Essa energia é transferida para compostos como NADH (nicotinamida adenina
dinucleotídeo) e ATP; e há liberação de CO
2
durante o ciclo. Em (iii) muito da energia
da glicose já foi transferida para aceptores de hidrogênio e elétrons. Os elétrons do
hidrogênio são então transportados através de uma cadeia de transporte de elétrons, que
consiste em moléculas aceptoras especiais, organizadas de maneira precisa na
membrana interna da mitocôndria. A energia é então liberada em pequenas quantidades
ao longo dessa cadeia, havendo formação de água enquanto os íons de hidrogênio e
elétrons finalmente se combinam com oxigênio do ar, formando ATP. Como etapa final,
ao agir como o último aceptor de elétrons da cadeia, o oxigênio se combina com
hidrogênio e forma água.
A energia armazenada nas moléculas de ATP pode então ser usada na síntese de outras
moléculas, para crescimento, transporte ativo, e em outros processos metabólicos. Para
cada mol de glicose (180g) aerobicamente respirada, há liberação de 686 kcal de
energia, sendo que aproximadamente 39% desse valor é armazenado em moléculas de
ATP e o resto é liberado na forma de calor. Por isso a temperatura é um dos fatores
cruciais que afetam a taxa de respiração: com um aumento de 10°C na temperatura do
ar, as taxas de respiração podem dobrar e até triplicar, tendo conseqüências óbvias como
a rápida liberação de energia e grande perda de água. Outro fator que potencialmente
limita as taxas de respiração é a disponibilidade de água. Quanto maior a quantidade de
água, maiores serão as taxas de respiração, umas vez que a água dentro das células e de
suas organelas age como o meio onde as reações enzimáticas ocorrem.
enzimas
42
3.2 O sub-modelo de ciclo de carbono proposto
A estrutura do sub-modelo aqui proposto é a seguinte: dadas a média mensal de
temperatura (T), quantidade de água no solo (w) e concentração atmosférica de CO
2
(C
a
)
como “inputs”, o modelo calculará o valor ótimo de NPP para um dado ponto de grade,
que será a base para escolha do bioma que deve ocorrer no referido ponto. Além da
NPP, o sub-modelo de ciclo de carbono ainda calcula os fluxos de carbono para a
serapilheira e solo, através da respiração heterotrófica (R
H
), o que nos permite obter a
produtividade líquida do ecossistema (NEP = NPP – R
H
). O sub-modelo de ciclo de
carbono ainda provê dados para o cálculo da resistência do dossel (pelo sub-modelo de
balanço hídrico), a qual por sua vez influencia diretamente as taxas de
evapotranspiração no sub-modelo de balanço hídrico.
O modelo de fotossíntese e respiração autotrófica é parametrizado para plantas C
3
, que
são maioria até mesmo em biomas tropicais, representando aproximadamente 82% da
cobertura vegetal do planeta (Still et al., 2003). Embora a simulação de plantas C
4
conjuntamente a plantas C
3
leve a resultados mais precisos principalmente no balanço
de água (Still et al., 2003), no CPTEC-PVM o sub-modelo de balanço hídrico assume
previamente uma cobertura uniforme e permanente de gramíneas (C
3
) em todo o
planeta, o que resulta na modelagem do ciclo de carbono, neste estudo, apenas para
plantas C
3
. A formulação geral se assemelha bastante a dos modelos de vegetação
dinâmica TRIFFID (Cox, 2001) e Simple TRIFFID (Huntingford et al., 2000) e do
esquema de parametrização de superfície SiB2 (Sellers et al., 1996b), os quais por sua
vez derivam dos trabalhos pioneiros de Farquhar et al. (1980) e Collatz et al. (1991).
Algumas formulações são baseadas em outras fontes e estão indicadas quando tal. Em
todo o sub-modelo de fotossíntese, respiração vegetal e heterotrófica são aplicados
limites de temperatura (-10 a 50ºC) fora dos quais esses processos são considerados
nulos.
43
3.2.1 Fotossíntese
A taxa bruta de fotossíntese do dossel P [kgC m
-2
(vegetação) ano
-1
] é calculada em
termos de três fatores potencialmente limitantes do processo fotossintético: J
C
a
limitação enzimática pela Rubisco; J
L
limitação por luminosidade; e J
E
limitação da
capacidade de transporte dos produtos fotossintéticos. Assim (f
n
são funções, e k
n
constantes sumarizadas na Tabela 3.1):
)()(),,(31557600012,0),,(
441 shade
shade
sun
sun
ELCa
LAIfLAIfJJJfxxwCTP = (3.1)
A fotossíntese bruta ao nível da folha [mol CO
2
m
-2
(vegetação)
s
-1
] é calculada como o
mínimo entre as três taxas limitantes (J
C
, J
L
, J
E
) multiplicado por f
5
(w) (Equação 3.21):
f
1
(J
C
, J
L
, J
E
) = menor raíz de = k
1
J
2
– J(J
P
+ J
E
) + J
P
J
E
= 0 (3.2)
Sendo J
P
o mínimo entre J
C
e J
L
:
J
P
= menor raíz de = k
2
J
P
2
– J
P
(J
C
+ J
L
) + J
C
J
L
= 0 (3.3)
A taxa de fotossíntese limitada pela capacidade de carboxilação da Rubisco é dada por
[mol CO
2
m
-2
(vegetação)
s
-1
]:
J
C
(T, C
a
) =
)))(/(1)((),(
)(),(
)(
332
TfkTfCTc
TCTc
TV
ai
ai
m
++
Γ
−
(3.4)
Taxa de fotossíntese limitada pela luz [mol CO
2
m
-2
(vegetação)
s
-1
]:
J
L
(T, C
a
, I
PAR
) = k
4
(1 - k
5
) I
PAR
)(),(
)(),(
6
TkCTc
TCTc
ai
ai
Γ+
Γ
−
(3.5)
A taxa de fotossíntese limitada pela capacidade de transporte [mol CO
2
m
-2
(vegetação)
s
-1
]:
J
E
(T) = k
7
V
m
(T) (3.6)
44
A radiação fotossinteticamente ativa que atinge o dossel I
PAR
[Ein/(m
2
s)] é
parametrizada de forma bastante simples, sendo determinada pela temperatura e
(representando aproximadamente 50% da radiação de onda curta que atinge a
superfície):
I
PAR
(T) = 5275,1015,0
2
++ TT (3.7)
Essa parametrização baseia-se fundamentalmente em dados observados de I
PAR
(Raschke et al., 2006), média mensal diurna, provenientes do projeto ISLSCP
(http://islscp2.sesda.com/ ISLSCP2_1/html_pages/islscp2_home.html). Por ser
parametrizado a partir da média anual dos dados observados, que não capta a variação
sazonal em altas latitudes, o comportamento do I
PAR
modelado em temperaturas abaixo
de -10ºC foge um pouco dos valores observados (Figura 3.1), o que, no entanto, não
influencia significativamente nos valores finais de NPP
2
.
Ponto de compensação da foto-respiração (Pa):
Γ(T) =
)(
98
3
1110
kTk
kk
k
−
(3.8)
Constante de Michaelis-Menten para CO
2
(Pa):
f
2
(T) =
)(
1312
1110
)(
kTk
kk
−
(3.9)
Destacando que, para concentrações atmosféricas de CO
2
inferiores a atual (350 ppmv),
recomenda-se o ajuste de k
12
para [C
a
- Γ(T)]. Isso se deve ao fato de que, sob baixas
concentrações do substrato (no caso o CO
2
), este se torna o fator limitante da reação
enzimática (no caso a Rubisco). Entretanto, a constante k
12
dada na Tabela 3.1 é válida
quando a concentração da enzima é o fator limitante da reação (Nelson e Cox, 2004).
Do contrário, k
12
precisa ser re-ajustado [vide discussão em Alexandrov et al. (2003), e
também Harley et al. (1985) e von Caemmerer et al. (1994)].
______________
2
Como I
PAR
calculado pelo CPTEC-PVM2 não é modificado quando se usa climatologias futuras
(capítulo 5), poder-se-ia usar diretamente a média mensal de I
PAR
observado (Raschke et al., 2006).
45
Tabela 3.1 - Valores do parâmetros (k
n
) utilizados no CPTEC-PVM2.
Parâmetro Descrição Valor
k
1
Coeficiente de co-limitação de fotossíntese 0,93
k
2
Coeficiente de co-limitação de fotossíntese 0,83
k
3
Concentração de oxigênio atmosférico 21200 Pa
k
4
Eficiência Quântica 0,08 mol elétrons/Ein
k
5
Taxa de espalhamento da luz 0,15
k
6
Parâmetro de J
L
2
k
7
Razão entre fotossíntese limitada pela luz e pela carboxilação da Rubisco 0,5
k
8
Parâmetro do ponto de compensação de CO
2
para fotossíntese 5200
k
9
Parâmetro do ponto de compensação de CO
2
para fotossíntese 0,57
k
10
Parâmetro da função Q
10
0,1
k
11
Temperatura de referência da função Q
10
25
o
C
k
12
Constante de Michaelis-Menten para parâmetro de CO
2
30 Pa
k
13
Constante de Michaelis-Menten para parâmetro de CO
2
2,1
k
14
Constante de Michaelis-Menten para parâmetro de O
2
30000 Pa
k
15
Constante de Michaelis-Menten para parâmetro de O
2
1,2
k
16
Razão máxima entre CO
2
interno e externo (plantas C
3
) 0,9
k
17
Déficit de umidade crítica (plantas C
3
) 0,1
k
18
Taxa máxima de carboxilação da Rubisco 0,00004 mol CO
2
/(m
2
s)
k
19
Parâmetro da taxa de carboxilação da Rubisco 2
k
20
Parâmetro da taxa de carboxilação da Rubisco 0,3
k
21
Parâmetro da taxa de carboxilação da Rubisco 36
o
C
k
22
Taxa máxima de fotossíntese bruta 8x10
-6
mol CO
2
(m
2
s)
k
23
Coeficiente de extinção da luz para parte “sol” do dossel 0,5/sen(90°)
k
24
Coeficiente de extinção da luz para parte “sombra” do dossel 0,5/sen(20°)
k
25
Concentração crítica de umidade no solo 0,500
k
26
Concentração de umidade no solo no ponto de murcha 0,205*
k
27
Razão entre taxas de respiração e de carboxilação da Rubisco 0,015
k
28
Razão entre respiração da "planta toda" e da folha 3,85
k
29
Queda de folhas secas (formação de litter) 0,1 kgC/m
2
/ano
k
30
Taxa média de decaimento da serapilheira (folhas) 1**
k
31
Fração média de carbono perdido da serapilheira para a atmosfera
0,3
k
32
Taxa de movimentação (turnover) do carbono no solo 1/(20 anos)
k
33
Parâmetro Q
10
de sensibilidade da respiração do solo à temperatura 2
k
34
Taxa específica de respiração heterotrófica 0,25
k
35
Coeficiente obtido empiricamente para plantas C
3
0,9
* De Cox et al. (1998).
** De Foley (1995).
46
Constante de Michaelis-Menten para O
2
(Pa):
f
3
(T) =
)(
1514
1110
)(
kTk
kk
−
(3.10)
Pressão parcial de CO
2
no interior da folha (Pa):
c
i
(T, C
a
) =
)())((
)(
1
17
16
TTC
k
Tr
k
a
Γ+Γ−
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
−
(3.11)
Figura 3.1 – Parametrização da radiação fotossinteticamente ativa incidente (I
PAR
) a
partir da temperatura (curva vermelha), baseada em dados observados de
I
PAR
média anual (pontos pretos) [Dados: ISLSCP2; W m
-2
= 4,58x10
-6
Ein/(m
2
s)].
Taxa máxima de carboxilação da Rubisco [mol CO
2
m
-2
(vegetação)
s
-1
] (a partir de
Huntingford et al. (2000)):
Tem
p
eratura
(
°C
)
Radiação fotossinteticamente ativa incidente (W
m
-2
)
47
V
m
(T) =
)(
)(
1918
2120
1110
1
kTk
kTk
e
kk
−
−
+
(3.12)
O
déficit de umidade ao nível da folha (kg/kg) é obtido subtraindo-se a razão de mistura
atual ao nível da folha [igual à atmosférica; 0,685r
max
(T)] da razão de mistura saturada,
em consonância com o modelo de balanço hídrico do CPTEC-PVM (Oyama e Nobre,
2004):
r(T) = -0,315r
max
(T)
(3.13)
Umidade atmosférica saturada (kg/kg; razão de mistura saturada), dependente da
pressão parcial de saturação do vapor de água (e
s,T
):
r
max
(T) =
Ts
Ts
ep
e
,
,
622,0
−
(3.14)
O índice de área foliar total (m
2
folha m
-2
área ) é obtido a partir da fotossíntese bruta a
nível foliar (Equação 3.2):
LAI = 0,2exp
22
1
),,(
5,2
k
JJJf
ELC
(3.15)
Tal aproximação é baseada em de Pury e Farquhar (1997) e Cox et al. (1998), os quais,
contrariamente, utilizam a o LAI para determinar a fotossíntese líquida foliar
(fotossíntese foliar bruta menos respiração foliar). Sendo assim os valores apresentados
na Figura 3.2 para de Pury e Farquhar (1997) e Cox et al. (1998) correspondem a
fotossíntese foliar líquida. Nesta mesma figura percebe-se que os valores de fotossíntese
de Cox et al. (1998) são bastante altos em relação à de Pury e Farquhar (1997), este
último se aproximando mais do observado na natureza. O problema encontrado em Cox
et al. (1998), da super-estimação da fotossíntese ao nível do dossel, é comum entre os
chamados modelos “big-leaf”. Nos chamados modelos “multi-layer” tal problema é
eliminado, embora esses modelos, que dividem o dossel em várias camadas, tenham a
desvantagem de possuírem uma formulação matemática complicada (de Pury e
48
0
10
20
30
40
50
60
0246810
Índice de área foliar (m2 folha / m2 area)
Fotossíntese foliar
[umol/m2(veg)/s]
Cox et al. 1998
de Pury & Farquhar 1997
CPTEC PVM2
Figura 3.2 - Parametrização do índice de área foliar (LAI) a partir da fotossíntese foliar
bruta (f
1
) comparada à relação entre essas duas variáveis em um modelo
“big-leaf” (Cox et al., 1998) e em um modelo “multi-layer” (apresentado em
de Pury e Farquhar 1997).
Farquhar, 1997). O sub-modelo de carbono do CPTEC-PVM2 pode ser considerado um
modelo “big-leaf”, mas com uma abordagem diferente na relação entre a fotossíntese
calculada e o LAI. Entretanto, como todo modelo “big-leaf”, o CPTEC-PVM2 demanda
análise cuidadosa do escalonamento do nível foliar para o dossel.
de Pury e Farquhar (1997) apontam para o problema da super-estimação da fotossíntese
foliar quando escalonada para o nível do dossel em modelos “big-leaf” como uma
conseqüência de estes considerarem a incidência de I
PAR
e a capacidade fotossintética
constantes em todo o dossel. Por exemplo, a abordagem sugerida por Sellers et al.
(1992), e amplamente utilizada em modelos “big-leaf” (inclusive no Simple TRIFFID e
TRIFFID), considera que a capacidade fotossintética das folhas (que varia na escala de
dias a meses) muda na mesma velocidade que as mudanças diurnas da I
PAR
(de minutos
49
a horas). de Pury e Farquhar (1997) sugerem que tal problema pode ser resolvido, sem
os complexos cálculos dos modelos “multi-layer”, utilizando uma abordagem que
divide o dossel em uma parte iluminada e outra sombreada. Assim, a partir da Lei de
Beer-Lambert (vide Anexo A), o índice de área foliar da parte iluminada diretamente
pelo sol (LAI
sun
) e da parte sombreada (LAI
shade
) são calculados da seguinte forma:
23
23
1
k
e
LAI
LAIk
sun
−
−
= (3.16)
Considerando que a maior parte da radiação incidente é absorvida nos dois primeiros m
2
de folhas / m
2
de área (LAI
sun
varia de 0 a 2).
sunshade
LAILAILAI −= (3.17)
No modelo “sun/shade” original de de Pury e Farquhar (1997) LAI
sun
e LAI
shade
são
utilizados para calcular I
PAR
(Equação 3.7) e V
m
(Equação 3.12), uma vez que o LAI total
é obtido previamente de dados observacionais. No nosso caso, como LAI total só é
obtido no final do processo de cálculo (determinado pela fotossíntese foliar bruta), então
LAI
sun
e LAI
shade
são utilizados no escalonamento da fotossíntese do nível da folha para
o nível do dossel para cada uma dessas partes do dossel. O escalonamento do dossel em
modelos “big-leaf” geralmente é feito a partir de:
23
4
23
1
)(
k
e
LAIf
LAIk−
−
= , (3.18)
que no nosso caso é usada somente para o escalonamento da respiração vegetal, uma
vez que esta não depende diretamente de I
PAR
. Para a fotossíntese são usadas:
23
4
23
1
)(
k
e
LAIf
SUN
LAIk
sun
sun
−
−
= (3.19)
24
4
24
1
)(
k
e
LAIf
shade
LAIk
shade
shade
−
−
= (3.20)
50
Ainda baseando-se na Lei de Beer (Anexo A), considera-se que na parte iluminada a
radiação atinge o dossel diretamente em um ângulo de 90° (k
23
, vide Tabela 3.1) em
relação à superfície (consideração esta utilizada praticamente em todos modelos “big-
leaf”). Já na parte sombreada, considera-se que o sol atinge a superfície em um ângulo
de 20° (k
24
, vide Tabela 3.1), representando a chegada de menos radiação solar (I
PAR
),
que confere a esta parte do dossel uma característica de sombreamento. Na prática, essa
redução na I
PAR
que atinge a parte sombreada se deve, sobretudo, à absorção de grande
parte dessa radiação pelas folhas da porção iluminada do dossel. Tanto para valores de
LAI alto ou baixo há redução da taxa de fotossíntese quando escalonada das folhas para
o dossel (Figura 3.3). Isso porque a fotossíntese a nível foliar (curva azul na Figura 3.3)
deve ser interpretada como uma fotossíntese potencial, que ocorreria se todo o dossel
estivesse em uma condição de iluminação total. Entretanto, há redução significativa
quando LAI é menor que 1, consequência da formulação utilizada, sendo que o ideal
seria que ambas curvas (azul e verde) na Figura 3.3 fossem iguais no intervalo de LAI
de 0 a 1.
Resposta à estresse hídrico (adimensional), ressaltando que o w utilizado no modelo de
fotossíntese e de respiração é o do dia anterior ao do cálculo:
f
5
(w) =
26
2526
25
2625
26
1
kw
kwk
kw
w
kk
kw
<
≤≤
>
⎪
⎪
⎪
⎩
⎪
⎪
⎪
⎨
⎧
−
−
(3.21)
3.2.2 Respiração vegetal e produtividade
Na representação da respiração vegetal R
A
[kgC m
-2
(vegetação) ano
-1
], o processo é
dividido entre respiração das folhas (R
L
; inlcui respiração de crescimento) e respiração
de manutenção das outras partes da plantas excetuando-se as folhas (R
P
). Essa
51
representação baseia-se substancialmente na do Simple TRIFFID (Huntingford et al.,
2000). Assim:
PLA
RRwTR +=),(
(3.22)
A respiração das folhas é tida como:
R
L
(T, w) = 0,012 x 31557600 x k
27
V
m
(T) f
4
(LAI) f
5
(w) (3.23)
E R
P
:
R
P
(T) = k
28
R
L
(T) (3.24)
Com isso podemos agora calcular a produtividade primária líquida NPP [kgC m
-2
(vegetação) ano
-1
]:
NPP (T, C
a
,, w) = P(T, C
a
, w) - R
A
(T, w) (3.25)
3.2.3 Respiração heterotrófica
A seguinte formulação do compartimento heterotrófico do ciclo de carbono baseia-se na
dos modelos DEMETER (Foley, 1995), BIOME3 (Equação 3.27; Haxeltine e Prentice,
1996) e TRIFFID, (Cox et al. 2001).
A respiração heterotrófica é formulada como a soma dos termos respiração heterotrófica
na serapilheira e no solo:
R
H
(E,T,w) = k
34
[C
L
(LAI, E) f
6
(E)
2
+ C
S
(T,w) (E) f
5
(w)f
7
(T)
2
] (3.26)
Sendo o termo da esquerda referente à respiração da serapilheira, e o da direita à
respiração do solo. A saída de carbono da vegetação para o solo se dá através da queda
de folhas e formação da serapilheira L
f
(kgC m
-2
), que é diretamente relacionada com o
LAI:
52
0
2
4
6
8
10
0123456789
Índice de área foliar
Fotossíntese [kgC/m2(veg)/yr]
Foliar Dossel (big-leaf) Dossel (sun/shade)
Figura 3.3 – Taxa de fotossíntese bruta ao nível foliar (Foliar), e ao nível do dossel
quando escalonando a fotossíntese foliar pela formulação convencional dos
modelos “big-leaf” (Dossel big-leaf) e quando utilizando a abordagem de
divisão do dossel em uma parte iluminada e outra sombreada (Dossel
sun/shade).
L
f
(LAI) = k
29
LAI (3.27)
Desse modo, a quantidade de carbono armazenado no componente serapilheira C
L
(kgC
m
-2
) é calculada da seguinte maneira:
C
L
(E) =
)(
6
Ef
L
f
(3.28)
Sendo f
6
uma função de decaimento da serapilheira dependente da evapotranspiração
anual, que se relaciona com o fluxo de carbono da serapilheira em direção ao solo ou
atmosfera:
53
f
6
(E) = k
30
10
[-1,4553 + 0,0014175(annual E)]
(3.29)
O armazenamento de carbono no solo C
S
(kgC m
-2
) se dá por:
C
S
(T,w) = )(
)(
5
732
31
wf
Tfk
Ck
L
(3.30)
Sendo f
7
uma função da temperatura do solo (esta última calculada pelo modelo de
balanço hídrico):
f
7
(T) =
)(
33
1110
kTk
soil
k
−
(3.31)
3.2.4 Acoplamento ao CPTEC-PVM
A partir da formulação sugerida por Collatz et al. (1991) e utilizada no SiB2 (Sellers et
al., 1996b: Equação C16):
bLAIph
c
NPP
mg
S
S
c
+= , (3.32)
sendo que g
c
é a condutância do dossel (inverso da resistência do dossel), m e b são
constantes, c
S
é a concentração de CO
2
na superfície foliar, e h
S
a umidade relativa na
superfície da folha. A partir dessa equação, propomos aqui uma mudança na forma de
cálculo da resistência do dossel r
c
(s m
-1
) utilizada para o cálculo da evapotranspiração
no sub-modelo de balanço hídrico do CPTEC-PVM original (Oyama e Nobre, 2004):
r
c
=
pNPPxhk
C
a
6
35
1064,2
−
, (3.33)
Se c
S
, ao invés de C
a
, fosse considerado, seria necessário resolver um sistema de três
equações, entre as variáveis C
a
, c
S
e c
i
, o que complicaria desnecessariamente o modelo.
Sendo assim, por simplicidade, considera-se que a concentração de CO
2
na superfície
54
0
200
400
600
800
1000
00,511,52
Produtividade primária líquida (kgC/m2/yr)
Resistência do dossel (s/m)
350 ppmv CO2 700 ppmv CO2
Figura 3.4 – A resistência do dossel (r
c
) determinada pela produtividade primária
líquida (NPP) no CPTEC-PVM2 com a concentração atmosférica de CO
2
atual e em uma atmosfera 2x CO
2
.
foliar é igual à atmosférica (C
a
) (o que gera uma linearidade entre NPP e C
a
, sendo os
outros fatores iguais). Considera-se ainda que a umidade relativa ao nível da folha é
igual à atmosférica (68,5%). Nessa formulação r
c
responde de forma inversa à
produtividade primária e aumenta com o a concentração atmosférica de CO
2
(Figura
3.4).
A sequência de cálculo do sub-modelo de carbono aqui proposto pode ser visualizada de
forma simplificada na Figura 3.5 e detalhadamente na Figura 3.6.
55
Figura 3.5 – Diagrama esquemático simplificado do sub-modelo de ciclo de carbono
proposto, apresentando os processos que influenciam em cada
compartimento. T: temperatura; P: precipitação; w: água no solo; Vm: taxa
de carboxilação da Rubisco; LAI: índice de área foliar; NPP: produtividade
primária líquida; r
c
: resistência do dossel; E: evapotranspiração.
FOTOSSÍNTESE
BALANÇO
HÍDRICO
RESPIRAÇÃO
MICROBIANA
RESPIRAÇÃO
VEGETAL
T e P
V
m
LAI
E
w
r
c
NPP
56
Figura 3.6 – Sequência detalhada de cálculo do sub-modelo de ciclo de carbono proposto. Os números
entre parênteses indicam as equações apresentadas no texto.
57
3.3 Validação
3.3.1 Fotossíntese, respiração vegetal e produtividade primária
As saídas do modelo de ciclo de carbono descrito acima foram comparadas com dados
de NPP global e demonstraram ser comparáveis a valores obtidos com modelagem ou
observados (Tabela 3.2, Figura 3.7).
Nota-se que na região extra-tropical há uma sub-estimativa da NPP, i.e. os valores de
NPP do CPTEC-PVM2 são inferiores aos observados e também ao obtido por meio de
modelagem, notavelmente para os biomas floresta temperada (2), floresta mista (3),
floresta boreal (4) e campos (7). Há que se considerar que diferentemente de vários
modelos de NPP, o CPTEC-PVM2, roda em uma base apenas para tipos de plantas C
3
,
que pode culminar em diferenças nos valores de NPP observado e modelado. Essa
subestimativa decorre também da utilização do escalonamento “sol/sombra” do dossel
para regiões com baixos valores de LAI (como a região extra-tropical no geral) como
explicado acima; e também da parametrização de I
PAR
pela temperatura, que é
subestimada na região extra-tropical durante o inverno (Figura 3.1). Em relação aos
modelos analisados em Cramer et al. (1999), a diferença destes com o CPTEC-PVM2
fica, na maior parte do globo, em torno de ± 0,2 kgC m
-2
(vegetação) ano
-1
(Figura 3.8),
com especial atenção para regiões de floresta boreal no CPTEC-PVM2, que são até 0,6
kgC m
-2
(vegetação) ano
-1
mais baixas que em Cramer et al. (1999). Praticamente a
mesma correspondência é encontrada também ao se comparar o LAI modelado pelo
CPTEC-PVM2 com dados observados ou modelados (Tabela 3.3; Figura 3.9). Na
região tropical há boa correspondência, enquanto em regiões extra-tropicais, o CPTEC-
PVM2 subestima valores reais de LAI. Vale notar a similaridade entre o LAI do CPTEC-
PVM2 e o do SSiB na região tropical (Tabela 3.3), com vistas ao acoplamento do
CPTEC-PVM2 ao MCGA do CPTEC/COLA (cf. seção 5.2.2.4).
58
Tabela 3.2 – Produtividade primária líquida (NPP) modelada pelo CPTEC-PVM2
comparada com dados observados (Olson et al., 1983; MODIS; Turner et
al., 2006) e com a média estimada a partir de 17 modelos de NPP (Cramer
et al., 1999) em cada um dos biomas de LONS06.
NPP [kgC m
-2
(vegetação) ano
-1
]
Bioma
CPTEC-
PVM2
Olson et
al. (1983)
Cramer et
al. (1999)
MODIS*
Turner et al.
(2006) (BigFoot)
1 Floresta Tropical Ombrófila 1,2 1,68 1,2 1,10 1,15
2 Floresta Temperada 0,5 1,26 0,95 0,85
3 Floresta Mista 0,3 0,6 0,52 0,45
4 Floresta Boreal 0,17 0,4 0,35 0,23
5 Floresta de Lariços 0,15 0,3 0,25
6 Savana 0,8 1,03 0,8 0,75
7 Campos 0,2 0,79 0,4 0,45 0,48
8 Caatinga 0,4 0,77 0,45 0,45
9 Semi-deserto 0,15 0,16 0,2 0,25 0,05
10 Tundra 0,02 0,1 0,08 0,06
11 Deserto 0,02 0,005 0,01
13 Floresta Tropical Estacional 1 1,2 1 0,85
20 Gelo 0 0 0
*Dados disponíveis em: http://earthobservatory.nasa.gov/Observatory/Datasets/psn.modis.html (por
inspeção visual)
0
0,2
0,4
0,6
0,8
1
1,2
0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8
Figura 3.7 – Correlação entre a NPP média por bioma modelada pelo CPTEC-PVM2 e
a média (com desvio padrão) observada na natureza (Olson et al., 1983;
MODIS; Turner et al., 2006) ou simulada por outros modelos (Cramer et al.,
1999). Os números acima de cada ponto representam o bioma LONS06 em
questão.
N
PP observado e modelado [kgC m
-2
(vegetação) ano
-1
]
NPP do CPTEC-PVM2
[kgC m
-2
(vegetação) ano
-1
]
1
13
6
2
8
3
7
4
5
9
11
10
20
59
Figura 3.8 – (a) Produtividade primária líquida (NPP, kgC m
-2
(vegetação) ano
-1
)
calculada pelo CPTEC-PVM2 e (b) pelos 17 modelos analisados em
Cramer et al. (1999), e (c) a diferença entre (a) e (b).
(a)
(b)
(c)
60
Tabela 3.3 – Índice de área foliar (LAI) modelado pelo CPTEC-PVM2 comparado com
dados observados (MODIS; Turner et al., 2006) e com dados do SSiB
(Dorman e Sellers, 1989).
LAI (m
2
m
-2
)
Bioma
CPTEC-
PVM2
MODIS*
Turner et al.
(2006) (BigFoot)
DS89
(SSiB)
1 Floresta Tropical Ombrófila 5,5 5,50 6,40 5
2 Floresta Temperada 2,25 4,00 2,75
3 Floresta Mista 2 3,75 2,50 4,8
4 Floresta Boreal 1 3,00 4,30 7
5 Floresta de Lariços 0,8 3,00 1,85
6 Savana 3,5 2,80 2,75
7 Campos 1,25 1,20 1,30 2,1
8 Caatinga 2,5 1,8 2,25
9 Semi-deserto 0,8 0,30 0,10 0,45
10 Tundra 0,4 1,10 0,65 0,45
11 Deserto 0,2 0,30 0
13 Floresta Tropical Estacional 3,45 3,50 3,5**
20 Gelo 0 0 0
*Dados disponíveis em: http://earthobservatory.nasa.gov/Observatory/Datasets/lai.modis.html (por
inspeção visual)
** Vide Tabela A.2
0
1
2
3
4
5
6
0123456
Figura 3.9 – Correlação entre o LAI médio por bioma modelado pelo CPTEC-PVM2 e a
média (com desvio padrão) observada na natureza (MODIS; Turner et al.,
2006) e simulada pelo SSiB (DS89). Os números acima de cada ponto
representam o bioma LONS06 em questão.
LAI observado e modelado (m
2
m
-2
)
LAI do CPTEC-PVM2
(
m
2
m
-2
)
1
13
6
2
8
3
7
4
5
9
11
10
20
61
Figura 3.10 – Variação sazonal da produtividade primária líquida (NPP) global do
CPTEC-PVM2 (vermelho) frente ao intervalo de variação de NPP global
de 15 modelos analisados em Cramer et al. (1999) (área em cinza). [1 Pg =
10
15
g].
Em relação à variação sazonal, o CPTEC-PVM2 apresenta comportamento similar aos
modelos de Cramer et al. (1999) (Figura 3.10); e similar também ao comportamento de
outros fatores do modelo, como por exemplo o LAI, o que demonstra a suscetibilidade
destes processos à disponibilidade de água no solo. Enquanto a NPP média anual global
dos modelos analisados em Cramer et al. (1999) é de 54,9 PgC ano
-1
, o CPTEC-PVM2
produz um valor próximo a este, 47 PgC ano
-1
. No CPTEC-PVM2, o maior nível de
NPP (5,65 PgC mês
-1
) se dá no mês de julho, verão no hemisfério norte, que conta com
a maior porção continental livre de gelo permanente do planeta. Do mesmo modo, o
menor valor (2,85 PgC mês
-1
) se dá em fevereiro, quando é inverno no hemisfério norte.
A Figura 3.11 sumariza a sensibilidade da NPP calculada pelo sub-modelo de carbono
do CPTEC-PVM2 a variáveis chave de entrada: temperatura (ºC), concentração
atmosférica de CO
2
(ppmv), água no solo (0 a 1 adimensional) e intensidade luminosa
(Wm
-2
) (considerando um LAI fixo igual a 5.0; i.e.não há limitação em relação ao LAI).
De modo geral, a NPP está satisfatoriamente dentro do intervalo normal dos modelos
N
PP
(
P
g
C mês
-1
)
62
estudados em Adams et al. (2004), obviamente se aproximando mais dos modelos
Simple TRIFFID e TRIFFID. Assim como esses modelos, no CPTEC-PVM2 a resposta
da NPP à temperatura apresenta-se na forma de uma curva parabólica, respectivamente
com máximo em 20ºC (Figura 3.11a). Em relação à concentração atmosférica de CO
2
, a
resposta é de um aumento quase linear (Figura 3.11b). Para uma quantidade de água no
solo variando de 0 a 1, assim como no TRIFFID, a NPP responde de maneira linear,
com saturação a partir de w = 0,5, porém com uma diferença importante: abaixo do
ponto de murcha (w = 0,205) ainda há fotossíntese e consequentemente NPP, que
decaem ambas suavemente a 0 quando w tende a 0 (Figura 3.11c). Para o I
PAR
, a
resposta da NPP é de aumento até o ponto de saturação (que tem valor aproximado de
110 W m
-2
), após o qual NPP permanece constante (Figura 3.11d).
3.3.2 Respiração heterotrófica, carbono no solo e na serapilheira
Os estoques de carbono na serapilheira, no solo e a respiração heterotrófica modelados
pelo CPTEC-PVM2 são mostrados na Figura 3.12. A taxa de respiração heterotrófica
modelada pelo CPTEC-PVM2, assim como a quantidade de carbono armazenado na
serapilheira e no solo foram comparados com dados observados e modelados (Tabela
3.3; Figura 3.13). A respiração heterotrófica modelada pelo CPTEC-PVM2 possui
valores próximos a de dados observados ou modelados (Figura 3.13a), tendo, portanto,
bom desempenho na região tropical e extra-tropical. Nas regiões tropicais (extra-
tropicais) os altos (baixos) valores de temperatura do solo, água no solo (solo
congelado) e evapotranspiração se somam para aumentar (diminuir) sensivelmente os
valores da respiração heterotrófica (R
H
). Raich et al. (2002) aponta para um valor de R
H
global de 80,4 PgC ano
-1
, enquanto o CPTEC-PVM2 simula um total de 66,3
3
PgC ano-
1
.
______________
3
Como o sub-modelo de ciclo de carbono do CPTEC-PVM2 é um modelo de equilíbrio, o ideal seria que
NPP = R
H
, ou seja, que NEP tendesse a zero (se fosse um modelo de vegetação dinâmica, NEP poderia
ser diferente de 0). Uma vez que os modelos de NPP e R
H
foram desenvolvidos de forma independente,
há um desbalanço entre NPP (47 PgC ano
-1
) e R
H
(66,3 PgC ano
-1
), o que aponta para necessidade de
correção do sub-modelo de R
H
. De qualquer forma esse desbalanço atual entre NPP e R
H
não influencia a
distribuição de biomas no CPTEC-PVM2, uma vez que R
H
não é usado no algoritmo de determinação de
biomas.
63
Figura 3.11 – Resposta da produtividade primária líquida (NPP) à (a) temperatura, (b)
concentração atmosférica de CO
2
, (c) disponibilidade de água no solo, e (d)
radiação fotossinteticamente ativa incidente, quando as outras variáveis são
mantidas constantes. T = 15°C; CO
2
= 350 ppmv; w = 1,0; I
PAR
= 120 W m
-2
e LAI
= 5.0. As curvas azul, preta e vermelha correspondem respectivamente a os
modelos Simple TRIFFID, TRIFFID e CPTEC-PVM2. As áreas em cinza
representam o intervalo de variação dos outros modelos de NPP analisados em
Adams et al. (2004). Fonte: adaptado de Adams et al. (2004).
A Figura 3.14 apresenta o comportamento de R
H
frente a variações de uma de suas
variáveis controladoras (temperatura do solo, água no solo, evapotranspiração, índice de
área foliar) quando as outras são mantidas constantes. Com o aumento da temperatura
do solo e da disponibilidade de água, há maior decomposição do carbono presente no
solo, o que culmina em altos valores de R
H
em locais onde as duas primeiras variáveis
NPP
(
k
g
C m
-
2
ano
-
1
)
(
a
)
(
b
)
(
c
)
(
d
)
I
PAR
(W m
-
2
)
CO
2
Atmosférico (ppmv)
Temperatura (°C)
Á
gua no solo (adimensional)
NPP
(
k
g
C m
-
2
ano
-
1
)
NPP
(
k
g
C m
-
2
ano
-
1
)
NPP
(
k
g
C m
-
2
ano
-
1
)
64
são altas (e.g. Amazônia). Por outro lado, em regiões onde essas variáveis têm baixos
valores (e.g. Sibéria) há pouca atividade biológica no solo, R
H
se mantém em valores
baixos e mais carbono é retido no solo (Figura 3.14a). A resposta de R
H
a variações na
evapotranspiração tem um padrão senoidal devido ao fato de que baixos (altos) valores
de E desfavorecem (favorecem) a respiração na serapilheira, sendo que mais (menos)
carbono é direcionado para o solo, o que, então, aumenta (diminui) a respiração
heterotrófica do solo. Assim, os dois máximos observados na Figura 3.14c representam
a respiração heterotrófica oriunda do solo e da serapilheira. Geralmente em locais onde
as variáveis temperatura do solo, água no solo e evapotranspiração são altas, o índice de
área foliar (LAI) também o é. O LAI representa o canal de passagem de carbono entre os
compartimentos autotrófico e heterotrófico do ciclo do carbono. Sendo assim, maiores
valores de LAI geram maior entrada de carbono para a parte heterotrófica do ciclo de
carbono (na forma de produção de serapilheira), e possivelmente levam a maiores
valores de R
H
(Figura 3.14d).
Tabela 3.4 – Respiração heterotrófica (R
H
) modelada pelo CPTEC-PVM2 comparada
com dados observados (Schlesinger, 1977; Raich et al., 2002) e com dados
oriundos de modelagem (LPJ Model) (Sitch et al., 1999) em cada um dos
biomas de LONS06.
Respiração Heterotrófica (kgC m
-2
ano
-1
)
Bioma CPTEC-
PVM2
Schlesinger
(1977)
Raich et
al. (2002)
Sitch et
al.
(2003)
1
Floresta Tropical Ombrófila
1,50 1,50 1,32 1,00
2
Floresta Temperada
0,68 0,66 0,73 0,70
3
Floresta Mista
0,42 0,45 0,55
4
Floresta Boreal
0,36 0,19 0,38 0,40
5
Floresta de Lariços
0,25 0,22 0,30
6
Savana
0,93 0,65 0,71 0,70
7
Campos
0,32 0,29 0,41 0,40
8
Caatinga
0,82 0,52 0,50 0,45
9
Semi-deserto
0,39 0,32 0,20
10
Tundra
0,10 0,09 0,15 0,12
11
Deserto
0,09 0,02 0,18 0,08
13
Floresta Tropical Estacional
1,12 0,80
20
Gelo
0 0 0
65
Figura 3.12 – Armazenamento de carbono na (a) serapilheira e (b) no solo, e (c)
respiração heterotrófica modelados pelo CPTEC-PVM2 [kgC m
-2
em (a) e
(b); kgC m
-2
ano
-1
em (c)].
(a)
(b)
(c)
66
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
0 0,2 0,4 0,6 0,8 1 1,2 1,4
0
0,4
0,8
1,2
1,6
2
0,0 0,4 0,8 1,2 1,6 2,0
0
5
10
15
20
25
0 5 10 15 20 25
Figura 3.13 – Correlação das médias (para cada um dos biomas) de (a) respiração heterotrófica,
(b) carbono na serapilheira, e (c) carbono no solo [kgC m
-2
ano
-1
em (a); kgC m
-2
em (b) e (c)], obtidas com o CPTEC-PVM2 frente a média (com desvio padrão)
de dados observados (Schlesinger, 1977; Zinke et al., 1984; Raich et al., 2002)
e/ou simulados por outros modelos (Foley, 1995; Sitch et al., 2003).
(a)
(b)
(c)
Carbono no solo observado e modelado
Res
p
ira
ç
ão Heterotrófica observada e modelada
Carbono na sera
p
ilheira observado e modelado
Respiração heterotrófica
CPTEC-PVM2
Carbono na serapilheira
CPTEC-PVM2
Carbono no solo
CPTEC-PVM2
3
7
9
1
13
6
2
8
4
5
10
11
20
8
2
3
4
7
9
6
5
10
13
11
1
20
5
10
4
7
3
2
13
1
8
6
9
11
20
67
0
1
2
3
4
5
6
-20-100 10203040
Temperatura do solo (°C)
Respiração heterotrófica
(kgC/m2/y)
0
0,2
0,4
0,6
0,8
1
1,2
0 0,2 0,4 0,6 0,8 1
Água no solo
Respiração heterotrófica
(kgC/m2/y)
0
0,5
1
1,5
2
2,5
3
012345
Evapotranspiração (mm/d)
Respiração heterotrófica
(kgC/m2/y)
0
0,2
0,4
0,6
0,8
1
1,2
1,4
0123456
Índice de área foliar
Respiração heterotrófica
(kgC/m2/y)
Figura 3.14 – Resposta da respiração heterotrófica (R
H
) à (a) temperatura do solo, (b)
disponibilidade de água no solo, (c) evapotranspiração e, (d) índice de área foliar
(LAI), enquanto as outras variáveis são mantidas constantes. T
soil
= 15°C; w = 1.0; E
= 2,7 mm d
-1
; LAI = 5.
De modo geral, os dados da quantidade de carbono na serapilheira (C
L
) modelados pelo
CPTEC-PVM2 têm uma correspondência razoável (Figura 3.13b) com dados do modelo
DEMETER (Foley, 1995), estando, de fato, um pouco abaixo dos valores daquele
modelo. Entretanto, vale lembrar que este valor de r representa a comparação dos dados
obtidos com o CPTEC-PVM2 frente à apenas um outro modelo. Em termos globais o
valor de C
L
, 100,9 PgC, está dentro do intervalo reportado por observações de campo
[55 PgC (Schlesinger, 1977)] ou por modelagem [150 PgC (Foley, 1995), 210 PgC
(Esser et al., 1982)]. O carbono na serapilheira mostrado na Figura 3.12a representa o
(a)
(b)
(c)
(d)
68
equilíbrio entre a formação e a decomposição da serapilheira. Assim, os maiores valores
de C
L
são registrados em biomas extra-tropicais (biomas 2, 3, 4, 5 e 7), onde há bastante
formação de serapilheira (LAI alto), e pouca decomposição (evapotranspiração baixa).
Com exceção dos biomas floresta tropical ombrófila, floresta temperada e semi-deserto,
os estoques de carbono no solo do CPTEC-PVM2 se correlacionam bem (Figura 3.13c)
com os dados observados e modelados. Os maiores estoques de carbono no solo estão
presentes nos biomas extra-tropicais, onde há pouca decomposição do carbono que entra
no solo (vide discussão acima sobre Figura 3.14). Sendo assim, a grande quantidade de
carbono presente no solo de uma floresta boreal, por exemplo, é o resultado de décadas
de acúmulo do carbono vindo da serapilheira e não decomposto no solo. A quantidade
total de carbono estocado no solo em todo o globo, modelada pelo CPTEC-PVM2, é de
1301 PgC, valor próximo ao obtido por observações [1456 PgC (Schlesinger, 1977)] ou
por modelagem [1373 PgC (Foley, 1995)].
3.4 Nova forma de determinação da distribuição de biomas (algoritmo)
Apesar de o sub-modelo de carbono do CPTEC-PVM2 ser bastante parecido com o do
TRIFFID (Cox et al., 2001), sua forma de escolha da distribuição de biomas é diferente.
O CPTEC-PVM2 pode ser considerado um modelo biogeoquímico, uma vez que simula
processos bioquímicos, como a fotossíntese e respiração, de acordo com um
determinado clima. Entretanto, o CPTEC-PVM2 também incorpora elementos de
modelos biogeográficos, pois utiliza um mapa (gerado pelo próprio modelo) de
variáveis climáticas e ecológicas para determinar o tipo de bioma a ocorrer em cada
ponto de grade. Denota-se então que o CPTEC-PVM2 é um modelo de equilíbrio, que
prevê apenas soluções estacionárias, ou seja, não permite mudanças na vegetação sob
um mesmo clima. Outros modelos com as mesmas características do CPTEC-PVM2,
como BIOME (Prentice et al., 1992), o modelo de Lenton (2000), e ALBIOC (Roelandt,
2001) utilizam as taxas de NPP diretamente na determinação da ocorrência de biomas
ou tipos vegetacionais. Por outro lado, os modelos de vegetação dinâmica, que prevêm
soluções transientes, como BIOME3 (Haxeltine e Prentice, 1996), TRIFFID (Cox et al.,
69
2001) e IBIS (Foley et al., 1996), possuem regras de alocação de biomas bastante
diferentes e mais complexas que a aqui apresentada para o CPTEC-PVM2. Esses
modelos determinam uma distribuição constante da vegetação (geralmente tipos
funcionais de plantas, PFT), sobretudo através de variáveis climáticas e características
morfo-fisiológicas das plantas. Em seguida calcula-se a NPP para cada um desses PFT
partir de variáveis climáticas e dados de sensoriamento remoto. Como cada ponto de
grade nesses modelos pode contar mais de um PFT, simula-se então a competição entre
eles, baseada na habilidade das plantas em captar recursos, especialmente água e luz.
No CPTEC-PVM original (Oyama e Nobre, 2004) os biomas eram determinados a
partir de cinco variáveis ambientais (vide seção 1.2). No CPTEC-PVM2 essa escolha se
baseia em três variáveis, sendo duas novas:
12...1,}min{
=
= iTT
iC
(3.34)
12
12
1
∑
=
=
i
NPP
NPP
M (3.35)
NPP
NPP
M
NPPNPP
S
minmax
−
=
(3.36)
12...1,}max{
max
=
= iNPPNPP
i
(3.37)
12...1,}min{
min
=
= iNPPNPP
i
(3.38)
Sendo T
C
, temperatura do mês mais frio (ºC); M
NPP
, produtividade primária líquida
média anual [kgC m
-2
(vegetação) ano
-1
]; S
NPP
, um índice de sazonalidade
(adimensional) baseado nos máximos (NPP
max
) e mínimos (NPP
min
) da NPP (o índice i
se refere ao mês do ano). Os índices H e D usados no CPTEC-PVM original, e que
representavam implícita e explicitamente, respectivamente, a variação de água no solo
são agora substituídos por M
NPP
e S
NPP
, que captam indiretamente a influência da
disponibilidade de água no solo, através do ciclo de carbono. Além disso, o novo índice
70
S
NPP
substitui o antigo D como um fator importante na determinação dos limites entre
biomas tropicais de maior (florestas tropicais ombrófila e estacional) e menor porte
(savana e caatinga). Quanto maior o valor de S
NPP
(0-1) maior a variação de NPP em
torno de sua média no ano, o que indica maior sazonalidade climática (precipitação e/ou
temperatura).
Desse modo, uma vez rodados para cada ponto de grade o sub-modelo de balanço
hídrico e o sub-modelo de ciclo de carbono, as variáveis ambientais acima citadas são
calculadas. Assim, com essas três variáveis, os biomas são escolhidos a partir do
algoritmo mostrado na Figura 3.15. Este algoritmo basicamente divide o globo em três
regiões, boreal, temperada e tropical a partir de T
C
. Dentro de cada uma dessas regiões,
cada intervalo de M
NPP
designa um bioma. Por exemplo, um valor de M
NPP
= 0,16
resulta em floresta boreal na região boreal, campos na região temperada e semi-deserto
na região tropical. Esta abordagem delimita bem os biomas extra-tropicais dos tropicais,
como por exemplo, campos (7) que não ocorre onde T
C
> 10°C (diferentemente do
CPTEC-PVM original). T
C
é ainda usado para determinar os biomas de floresta de
lariços (5) e para determinar os limites entre os biomas campos (7) e floresta temperada
(2), o que culmina na boa representação dos Pampas (Campos sulinos) na América do
Sul. O índice S
NPP
é estritamente usado na região tropical, para determinar os limites de
vegetação florestal [ombrófila (1) e estacional (13)] e não-florestal [savana (6) e
caatinga (8)].
Os valores limites das variáveis ambientais para cada um dos biomas foram obtidos a
partir de calibração, baseando-se também na literatura. O procedimento de calibração,
em dois passos, é similar ao descrito em Oyama e Nobre (2004). Entretanto, o
procedimento de escolha de valores “first-guess” (primeiro passo) é aqui substituído por
valores de NPP da literatura (e.g. Tabela 3.2). O segundo passo é idêntico a Oyama e
Nobre (2004), onde se busca subjetivamente os limiares das variáveis ambientais que
resultem no melhor desempenho global e regional (América do Sul) do modelo. Assim
como no CPTEC-PVM original, o segundo passo nem sempre é necessário
(principalmente na região tropical). Entretanto, em regiões extra-tropicais, onde o
71
Figura 3.15 – Algoritmo usado para determinação da distribuição de biomas a partir das
variáveis ambientais, T
C
(°C), M
NPP
[kgC m
-2
(vegetação) ano
-1
] e S
NPP
(adimensional). S: sim; N: não.
72
CPTEC-PVM2 subestima valores de NPP (Figura 3.8) o segundo passo se faz
necessário. Uma descrição detalhada sobre e determinação de valores limites para as
variáveis ambientais é dada a seguir:
• O valor máximo de M
NPP
para gelo [=0 kgC m
-2
(vegetação) ano
-1
] segue
Cramer et al. (1999).
• O limite superior de M
NPP
para tundra [=0,03 kgC m
-2
(vegetação) ano
-1
]
minimiza erro entre biomas tundra (10) e floresta boreal decídua (5).
• O limite superior de M
NPP
para tundra [=0,03 kgC m
-2
(vegetação) ano
-1
]
minimiza erro entre biomas tundra (10) e floresta boreal decídua (5).
• O limite superior de T
C
para floresta boreal decídua (lariço) (=-27°C), da mesma
maneira que em Oyama e Nobre (2004), minimiza erro entre os biomas floresta
de lariço (5) e floresta boreal (4).
• O limite superior de M
NPP
para floresta boreal [=0,2 kgC m
-2
(vegetação) ano
-1
]
minimiza erro entre os biomas floresta boreal (4) e floresta mista (3).
• O limite superior de T
C
para as florestas temperada (2) e mista (3) (=6°C) segue
Oyama e Nobre (2004). Isso previne que floresta temperada seja alocada no
lugar do bioma campos (7) nos Pampas, na América do Sul. Entretanto,
diferentemente do CPTEC-PVM original, os biomas 2 e 3 que antes ocorriam no
intervalo de T
C
de -6 a 6°C agora ocorrem em um intervalo maior (-9 a 6°C).
Logicamente que em regiões onde a temperatura tende ao limite inferior
(superior) de T
C
, M
NPP
é menor (maior), o que leva à alocação do bioma 3 (2).
• Os limites inferiores de M
NPP
para o bioma campos [0,25 e 0,30 kgC m
-2
(vegetação) ano
-1
] minimizam erro entre o bioma 7 (campos) e os biomas 3
(floresta Mista) e 9 (semi-deserto) na região (de T
C
) boreal e temperada
respectivamente.
• O limite superior de M
NPP
para o bioma campos [=0,18 kgC m
-2
(vegetação) ano
-
1
] minimiza erro entre os biomas 7 (campos) e 3 (floresta Mista) na região
temperada de T
C
.
• Os limites superiores de M
NPP
para o bioma deserto [0,01 e 0,04 kgC m
-2
(vegetação) ano
-1
] minimizam erro entre os biomas 11 (deserto) e 9 (semi-
deserto) nas regiões (de T
C
) temperada e tropical, respectivamente.
73
• Os limites superiores de M
NPP
para o bioma semi-deserto [0,15; 0,30 e 0,20 kgC
m
-2
(vegetação) ano
-1
] minimizam erro entre o bioma 9 (semi-deserto) e os
biomas 7 (campos), 7 (campos, novamente) e 8 (caatinga) respectivamente,
sendo os dois primeiros valores para a região (de T
C
) temperada e o último para
a região tropical. Os dois valores que minimizam (duas vezes) erro entre os
biomas 9 (semi-deserto) e 7 (campos) representam respectivamente os limiares
de M
NPP
para as (sub-) regiões abaixo e acima do limite de T
C
= 6°C dentro da
região (de T
C
) temperada.
• O limite superior de M
NPP
para caatinga [=0,6 kgC m
-2
(vegetação) ano
-1
]
minimiza erro entre os biomas 8 (caatinga) e 6 (savana).
• O limite superior de M
NPP
para floresta tropical estacional [=1,03 kgC m
-2
(vegetação) ano
-1
] minimiza erro entre os biomas 13 (floresta tropical estacional)
e 1 (floresta tropical ombrófila).
Os limites superiores de T
C
, embora artificiais do ponto de vista fisiológico (tendo em
conta que todos os processos no modelo de carbono ocorrem no intervalo de
temperatura de -10 a 50°C), são necessários devido ao fato do CPTEC-PVM2 não
contar com um sistema de dominância hierárquico a partir de tipos funcionais de plantas
(como nos MVPot BIOME e BIOME3). Por exemplo, o limite de T
C
para floresta de
lariço (-27°C) deve ser interpretado não só como um limite superior de T
C
, mas também
como um limite inferior para florestas boreais, campos e semi-deserto. O mesmo vale
para as três grandes regiões de T
C
que dividem o globo em região boreal, temperada e
tropical. Sem essa divisão seria difícil diferenciar biomas tropicais de extra-tropicais
apenas com base em NPP, uma vez que alguns biomas possuem valores muito próximos
de M
NPP
mas ocorrem em regiões climaticamente bastante distintas (e.g. floresta
temperada e floresta tropical estacional).
74
3.5 Vegetação Potencial utilizando o CPTEC-PVM2 (sem fogo natural)
A Figura 3.16 mostra a vegetação potencial simulada pelo CPTEC-PVM2, frente ao
mapa de vegetação natural referencial (Apêndice A). Há boa representação do padrão
geral de biomas no globo: floresta tropical ombrófila na Amazônia, África Central e
Indonésia; savana no Brasil e África; caatinga no Nordeste Brasileiro, no Chaco
Paraguaio e Sahel; campos em parte da Eurásia e América do Norte; floresta temperada
nos EUA, Europa Ocidental e China; floresta boreal no Canadá e Rússia; floresta de
lariços no Nordeste da Ásia; tundra no extremo norte do Canadá e Rússia; semi-deserto
no Oriente Médio, Austrália, Patagônia e Oeste Norte-Americano; deserto no Saara.
Entretanto há três erros consideráveis em nível global: (1) super-estimativa de floresta
temperada nos EUA e Europa; (2) super-estimativa de floresta boreal na Ásia; (3)
alocação de caatinga e savana na Índia e Sudeste Asiático. Os dois primeiros problemas
comprometem a representação do bioma 7 (campos) tanto na América do Norte, como
na Ásia (vide análise objetiva abaixo). O terceiro problema é comum em MVPot
(CPTEC-PVM, BIOME, BIOME3), embora nesses modelos houvesse a alocação de
savana, e não de caatinga na Índia, como no CPTEC-PVM2. O fato de, sob o presente
algoritmo, haver a alocação de caatinga e savana nessa região se deve à pronunciada
estação seca na Índia e Sudeste Asiático. Para explicar o por quê de a vegetação natural
ser de floresta mesmo tendo a região uma estação seca relativamente prolongada,
hipóteses como a existência de espécies de árvores mais adaptadas à seca e um eficiente
armazenamento de água da estação úmida foram propostas (e.g. Oyama e Nobre, 2004).
Embora essas hipóteses não sejam descartadas, a existência de florestas na Índia e no
Sudeste Asiático pode ser devida a um fator mais fundamental: uma menor freqüência
de incêndios naturais em comparação com a América do Sul e África. Esse problema é
corrigido com uma parametrização simples de fogo natural que já foi implementada em
uma versão recente do CPTEC-PVM (Cardoso et al., 2006; Lapola et al., 2006).
Entretanto, devido a ocorrência de caatinga, e não apenas savana na Índia, essa
75
Figura 3.16 – (a) vegetação natural de referência (Apêndice A) e (b) vegetação potencial
gerada pelo CPTEC-PVM2, sem parametrização de fogo natural.
(a)
(b)
76
Figura 3.17 – (a) vegetação natural de referência (Apêndice A) e (b) vegetação potencial
gerada pelo CPTEC-PVM2 na América do Sul, sem parametrização de
fogo natural.
parametrização é adaptada para o CPTEC-PVM2, envolvendo os biomas floresta
tropical ombrófila e estacional, savana e caatinga (capítulo 4).
Na América do Sul (Figura 3.17), o CPTEC-PVM2 é capaz de reproduzir o corredor
mais seco que corta o sub-continente no sentido SO-NE, com as savanas do Cerrado
Brasileiro, caatinga no Nordeste Brasileiro e na região do Chaco. Transversalmente
opostas a esse corredor mais seco estão também bem representadas as florestas tropicais
(a) (b)
77
(ombrófila e estacional) na Amazônia e parte da Mata Atlântica. Ainda há a correta
alocação de campos na região Argentina dos Pampas e semi-deserto na Patagônia.
Em nível regional, na América do Sul, há erro na delimitação dos limites da Mata
Atlântica e também há a incorreta alocação de savanas no norte dos Pampas. O primeiro
erro talvez seja oriundo da climatologia utilizada (já o que o mesmo erro ocorria no
CPTEC-PVM), e o segundo se deve ao fato de o bioma campos (7) não poder ocorrer
em regiões onde T
C
> 10°C, como no norte dos Pampas (o que em termos conceituais é
mais compatível com a definição desse bioma). De qualquer forma, poucos (senão
nenhum) MVPot conseguem reproduzir corretamente a vegetação dos Pampas (e o
CPTEC-PVM2 reproduz parcialmente, ou seja, o erro não é total). Conjectura-se que a
vegetação de gramíneas nos Pampas seja um rélicto da vegetação presente então durante
a última glaciação, que supostamente estaria retrocedendo, na devida escala de tempo
(secular), dando lugar à florestas tropicais, mais compatíveis com o clima atual da
região (Marchiori, 2004). Isso explica os referidos erros dos MVPot, incluindo o
CPTEC-PVM2, nessa região.
A exemplo do CPTEC-PVM original, duas estatísticas foram usadas para se comparar
objetivamente os mapas de vegetação natural (Apêndice A) e potencial gerado pelo
CPTEC-PVM2. A primeira, fração de concordância (%, também conhecida como
coeficiente de correlação intraclasse) é a fração de pontos de grade onde há
concordância entre os mapas para um dado bioma. A segunda, estatística kappa (κ,
Monserud e Leemans, 1992), mede o grau de similaridade entre dois mapas. As
convenções mostradas na Tabela 3.4 para κ são aqui seguidas. Em ambas análises os
pontos de grade representando bioma gelo (20) não foram considerados, para evitar um
aumento artificial do desempenho do modelo.
A Tabela 3.5 mostra o desempenho do CPTEC-PVM2 sem a parametrização de fogo
natural (vide capítulo 4). Nessa versão, o valor global de κ é de 0,48, o que representa
um desempenho regular, valor inferior ao obtido com o CPTEC-PVM, porém
comparável a outros modelos, que utilizam NPP na determinação dos biomas. Por
exemplo, o BIOME (Prentice et al., 1992) resulta em um valor de κ = 0,49; Monserud e
78
Tabela 3.5 – Grau de concordância entre mapas de acordo com a estatística κ.
κ Grau de concordância
< 0,05 Inexistente
0,05 - 0,20 Muito ruim
0,20 - 0,40 Ruim
0,40 - 0,55 Regular
0,55 - 0,70 Bom
0,70 - 0,85 Muito bom
0,85 - 0,99 Excelente
> 0,99 Perfeito
Fonte: adaptado de Monserud e Leemans (1992)
Tabela 3.6 – Desempenho do CPTEC-PVM2 (sem parametrização de fogo) e do
CPTEC-PVM original.
CPTEC-PVM2 (sem fogo)
CPTEC-PVM
Bioma
Fração de concordância κ
Fração de concordância κ
1 Floresta Tropical Ombrófila 74 0,74 71 0,73
2 Floresta Temperada 69 0,52 52 0,49
3 Floresta Mista 17 0,14 26 0,26
4 Floresta Boreal 63 0,50 55 0,56
5 Floresta de Lariços 64 0,61 70 0,65
6 Savana 48 0,42 66 0,60
7 Campos 27 0,28 76 0,50
8 Caatinga 40 0,28 53 0,41
9 Semi-deserto 55 0,49 55 0,56
10 Tundra 38 0,60 62 0,67
11 Deserto 71 0,72 70 0,74
13 Floresta Tropical Estacional 11 0,12 - -
Global 53 0,48 62 0,58
79
Leemans (1992) obtiveram um valor de κ = 0,43 utilizando uma versão modificada do
modelo de Holdridge; com o BIOME3 (Haxeltine e Prentice, 1996) obtém-se um valor
de κ = 0,53 (resolução 0,5°), todos esses exemplos na mesma categoria de grau de
concordância “regular”.
Em cerca de 53% dos pontos de grade, o modelo consegue diagnosticar corretamente o
bioma. Esse valor é aproximadamente 10% menor que no CPTEC-PVM, porém
superior aos 38-40% obtidos por Prentice (1990) ao utilizar quatro MVPot simples.
Analisando separadamente cada bioma, o grau de concordância é muito bom para
floresta tropical ombrófila e deserto; bom para floresta temperada, floresta boreal,
floresta de lariços e tundra; regular para savana, semi-deserto; ruim para campos,
caatinga; muito ruim para floresta mista e floresta tropical estacional. Em relação ao
CPTEC-PVM original, há melhora no desempenho de floresta tropical ombrófila e
floresta temperada. As quedas de desempenho mais significativas são dos biomas
floresta mista, savana, campos e caatinga. O novo tipo de floresta tropical estacional
apresenta desempenho muito ruim, o qual é melhorado, principalmente na Índia e
Sudeste Asiático, através da parametrização de fogo natural. Vale notar que o CPTEC-
PVM original tem um desempenho superior ao CPTEC-PVM2, mas este último utiliza,
como referência do seu desempenho, um mapa de vegetação natural mais refinado e
confiável, além de considerar um outro tipo de bioma tropical (floresta tropical
estacional).
Sendo assim, em suma, o CPTEC-PVM2 consegue reproduzir satisfatoriamente os
biomas em nível global e para a América do Sul através da implementação de um sub-
modelo de ciclo de carbono. Embora haja piora na representação de alguns biomas em
relação ao CPTEC-PVM original, o desempenho do CPTEC-PVM2 é comparável ao de
MVPot existentes e utilizados atualmente. Além disso, há que se considerar os
importantes avanços conceituais feitos nesta versão. Entre eles: (1) a inserção de um
novo tipo de bioma na classificação do modelo, floresta tropical estacional; (2) inserção
de um sub-modelo de ciclo de carbono na formulação do modelo e, portanto,
reformulação das regras de determinação da distribuição dos biomas; (3) utilização de
80
um mapa de vegetação natural de referência (Apêndice A) mais refinado e confiável.
Essas mudanças, embora levem a uma queda no desempenho do modelo, permitem, por
exemplo, o seu uso em cenários de mudanças climáticas futuros levando em conta os
mecanismos de interação CO
2
– vegetação (capítulo 5).
81
4 FOGO NATURAL
4.1 Fogo natural, fator determinante em biomas tropicais
Há evidências de que o fogo natural está presente há muito tempo na história da Terra
(Scott, 2000), o que possibilitou a evolução de fisionomias vegetais adaptadas,
resistentes e/ou tolerantes ao fogo. Nos trópicos em particular, o fogo natural é um
“distúrbio” importante, senão fundamental, em savanas, tendo uma reincidência média
de 2 a 5 anos (Coutinho, 1982; Coutinho, 1990; Ramos-Neto e Pivello, 2000; Miranda
et al., 2002). Nestes ecossistemas a extensão da estação seca (superior a 3 meses)
contribui fortemente para o comportamento fenológico da vegetação ali presente, que se
torna seca nestes meses levando ao acúmulo de combustível (folhas secas). Aliada a
pouca precipitação, a baixa umidade do ar na estação seca confere alta flamabilidade a
esse combustível. Medições via satélite [e.g. sensores LIS (Lightning Imaging Sensor;
satélite TRIMM) e OTD (Optical Transient Detector; satélite Microlab 1)], ou mesmo in
loco, demonstram que a ocorrência de raios em regiões de savana é alta (Figura 4.1a), o
que explica esta alta freqüência de incêndios naturais (como observado por Ramos-Neto
e Pivello, 2000). Tem-se que a época de transição da estação seca
4
para a chuvosa seria
a época de maior ocorrência de raios e, portanto de incêndios naturais.
As condições propiciadoras de incêndios naturais podem ser convenientemente
imaginadas como um triângulo de inter-relações, com disponibilidade de combustível,
flamabilidade do combustível e um fator de ignição em cada uma das extremidades
desse triângulo (Whelan, 1995). A disponibilidade do combustível se verifica pela
quantidade de serapilheira disponível. A flamabilidade através da umidade na
serapilheira (umidade relativa, ou duração da estação seca podem ser boas
______________
4
Aqui se define transição da estação seca para chuvosa como o período onde há aumento significativo
[diferença de w entre mês corrente e o anterior é maior ou igual a (w máximo dentro de um ano menos w
mínimo dentro de um ano, dividido por 8)] no nível de água no solo após um período com os menores
níveis de água no solo dentro de um ano.
82
aproximações), e o fator de ignição através da ocorrência de descargas elétricas do tipo
nuvem-solo. O período no qual estes três fatores mais contribuem para a ocorrência de
incêndios naturais nos trópicos é durante a transição da estação seca para a chuvosa,
quando há bastante combustível inflamável (folhas mortas secas) e grande quantidade
de raios (eventos de precipitação convectiva que indicam o início da estação chuvosa).
4.2 Estabilidade savana - floresta
O fogo permite a convivência mútua de espécies que não o fariam na ausência de fogo,
uma vez que diminui a ocorrência da vegetação dominante (Whelan, 1995). Assim, o
fogo natural desempenha papel importante também na estabilidade dos ecossistemas
onde ele ocorre. Por exemplo, a hipótese de Lund-Rizzini postula que as fisionomias
herbáceas (campos e cerrado stricto sensu) do cerrado brasileiro se originaram de um
cerrado de fisionomia florestal (cerradão) a partir de freqüentes incêndios (Lund, 1843;
Rizzini, 1979). Essa hipótese postula ainda que, desde que não haja limitações edáficas,
o cerrado strictu sensu se origina do cerradão, este último se configurando como uma
vegetação original (ou clímax) do bioma do cerrado. Essa hipótese foi comprovada por
experimentos de proteção ao fogo em savanas da América do Sul (Coutinho, 1982;
Coutinho, 1990; San José e Farinas, 1991; Hoffmann, 1996; Henriques e Hay, 2002), da
África (Brookman-Amissah et al., 1980; Trollope, 1982) e da Austrália (Gill et al.,
1981; Lacey et al., 1982). O que esses experimentos comprovaram é que a altas
freqüências de incêndios reduzem a cobertura de plantas lenhosas e mantêm a
fisionomia aberta de gramíneas. Já na ausência de fogo, a vegetação lenhosa se
desenvolve e inibe o crescimento de gramíneas. Isso parece indicar dois estados de
equilíbrio da vegetação de savana/floresta, ambos estáveis e auto-reinforçantes (Ludwig
et al. 1997; Miranda et al., 2002; Scheffer et al., 2005). Portanto, de modo geral, se as
queimadas cessassem, o que certamente ocorreria em uma savana seria a evolução da
fisionomia para um tipo florestal (a exemplo dos estudos experimentais citados acima).
83
4.3 Aspectos físicos básicos de raios
Um raio, ou relâmpago, é uma descarga elétrica de grandes proporções que ocorre na
troposfera da Terra como conseqüência da eletrificação (separação de cargas elétricas)
das nuvens de tempestade, os cumulo-nimbus. Os fatores que regulam as dimensões
dessas nuvens, suas características físicas, elétricas e morfológicas são a latitude, a
topografia da superfície, o perfil de temperatura atmosférico e a circulação dos ventos
(Rakov e Uman, 2003; Wallace e Hobbs, 2006). Devido à grande variabilidade desses
fatores, os quais determinam diretamente as características elétricas das nuvens, os
relâmpagos, por conseqüência, também apresentam uma grande variabilidade de suas
características físicas (Naccarato, 2005).
Existem dois tipos básicos de relâmpagos, os que se limitam ao céu e os que atingem o
solo, sendo estes últimos os que se relacionam diretamente com a ocorrência de
incêndios naturais. Sabe-se que há forte relação entre o número total de descargas
elétricas e o CAPE (energia convectiva potencial disponível), sendo que quanto maior
for o CAPE, maior será o número de raios na nuvem. Isso por que, com maior energia
convectiva os hidrometeoros crescem mais e se tornam mais eletrificados (Petersen e
Rutledge, 1996; Naccarato, 2005). Entretanto, é difícil estabelecer qual a exata
proporção de raios que atingem o solo em relação ao total de raios que ocorre em uma
tempestade. Price e Rind (1994) com o uso de MCGA estimaram que, em nível global, a
porcentagem média de raios nuvem-solo é de 25% (região tropical = 22%; latitudes
médias = 33%). Entretanto, para tempestades individuais, esse valor pode variar de 5-
50%, dependendo muito das características físicas da nuvem e do terreno sobre o qual
ela está (Price e Rind, 1994). Os mesmo autores argumentam em outro trabalho que
quanto mais alto (baixo) for o topo da nuvem, maior (menor) será o número total de
descargas (em consonância com a hipótese do CAPE citada acima). Entretanto, quanto
menor (maior) for o setor frio da nuvem (com temperaturas abaixo de 0°C), maior
(menor) será a porcentagem de raios nuvem-solo em relação ao total (Price e Rind,
1993). Com o desenvolvimento do setor frio, aumenta a força do campo elétrico no
84
interior da nuvem, o que resulta em um grande aumento da quantidade de raios intra-
nuvem em relação aos raios nuvem-solo (Price e Rind, 1993).
4.4 Relação entre raios e ventos nos trópicos: parametrização de fogo natural
Vários MVPot, como o CPTEC-PVM (Oyama e Nobre, 2004), BIOME (Prentice et al.,
1992) e BIOME3 (Haxeltine e Prentice, 1996), cometem um erro sistemático na Índia e
no Sudeste Asiático ao alocar savana onde na verdade a vegetação nativa é de floresta
tropical estacional. Embora haja outras hipóteses [e.g. erro sistemático dos modelos de
balanço hídrico apontam um déficit hídrico na estação seca na região; as florestas da
região têm características ecofisiológicas diferentes de outras florestas do globo (Oyama
e Nobre, 2004)], a existência de florestas na Índia e no Sudeste Asiático pode ser devido
a uma menor freqüência de incêndios naturais em comparação com a América do Sul e
África. Na transição da estação seca para a chuvosa há menor quantidade de descargas
elétricas nos regimes de monções da Índia e do Sudeste Asiático (Figura 4.1a). Nestas
regiões o vento em baixos níveis é predominantemente de oeste (Figura 4.1b) e a
vegetação natural é de floresta tropical estacional (Figura 2.1b). Por outro lado, há
maior atividade de raios na transição da estação seca para a chuvosa nas regiões de
savana da América do Sul e África (Figuras 4.1a e 2.1b) e o vento em baixos níveis
predominante é de leste (Figura 4.1b). Cardoso et al. (2006) mostraram que incluir o
vento zonal em 850 hPa (U-850) como indicador de fogo natural no CPTEC-PVM
corrige o erro que a versão original do modelo (Oyama e Nobre, 2004) cometia na Índia
e no Sudeste Asiático. Aqui, o nosso intuito é adaptar essa parametrização ao CPTEC-
PVM2, tendo em mente que: a relação entre U-850 e raios nuvem-solo (raios-ns) ainda
não foi comprovada diretamente; e que uma considerável área da Índia que antes era
representada por savana no CPTEC-PVM original é agora substituída por caatinga no
CPTEC-PVM2. Desse modo, os objetivos aqui são: (i) verificar a relação (indireta,
através da distribuição de biomas) entre U-850 e raios-ns, ambos na transição da estação
seca para a chuvosa, com uso do CPTEC-PVM2; e (ii) identificar o limiar de U-850
85
abaixo (a partir) do qual há ocorrência de biomas não-florestais (florestais), utilizando
para isso, dados de raios-ns diretamente no CPTEC-PVM2.
Os dados de vento zonal em 850 hPa são climatologias mensais provenientes da
Reanálise do NCEP/NCAR (Kalnay et al., 1996; http://www.cdc.noaa.gov/
cdc/reanalysis). Os dados de raios totais (intra-nuvem e nuvem-solo) provêm do Global
Hidrology Resource Center – NASA (http://thunder.nsstc.nasa.gov/), sendo uma
climatologia mensal de 8 anos (1995-2003) combinada entre dois sensores (LIS/OTD).
Os raios-ns foram obtidos ao se multiplicar os dados de raios totais pelo fator 0,22, que
representa a média de raios-ns em relação ao raios totais nos trópicos (Price e Rind,
1994). Para se determinar a relação entre U-850 e raios-ns, e também o limiar de U-850
(U_lim) a partir do qual se considera que há um nível relativamente baixo de raios-ns e,
portanto, uma fitofisionomia florestal, primeiramente rodou-se o CPTEC-PVM2 com os
dados de raios-ns. Verificou-se que o valor de 28 mil raios no mês seguinte ao da
transição da estação seca para a chuvosa é o que produz o melhor desempenho regional
no modelo (Figura 4.2, Tabela 4.1). Nota-se uma sensível piora na representação dos
biomas de savana e caatinga, que, no entanto, é compensada por um melhora na
representação da floresta tropical estacional. A partir disso, sendo o limiar de raios-ns
(r_lim) igual a 28 mil, obteve-se o valor de U_lim (também no mês seguinte ao da
transição da estação seca para a chuvosa) seguindo o procedimento explicado a seguir.
Seja ni (i = 1, ... , 4) o número de pontos de grade conforme mostrado na Tabela 4.2
(p.ex., n1 corresponde aos pontos onde U-850
≥ U_lim e raios-ns ≥ r_lim). Obviamente
que n1 + n3 = N
+
, n2 + n4 = N
-
, e que N
+
+ N
-
= 552, este último representando o
número total de pontos de grade nos quais a parametrização de fogo (seja ela com dados
de ventos ou de raios) é utilizada. Considere-se f1 = n1 / N
+
, f2 = n2 / N
-
, f3 = n3 / N
+
,
f4 = n4 / N
-
. O ideal seria que f2 e f3 tivessem ambos um valor igual a 1, ou seja, que
dessem uma distribuição de biomas igual àquela quando se usa dados de raios no
CPTEC-PVM2 (embora haja erros na distribuição de vegetação quando se utiliza dados
de raios, como no Nordeste Brasileiro). Para cada U_lim, seja F = min(f2, f3), ou seja, o
mínimo entre f2 e f3. Procuramos então o intervalo de U_lim que maximiza F. Então,
86
Figura 4.1 – (a) Descargas elétricas nuvem-solo no mês seguinte ao da transição da
estação seca para a chuvosa (dados do GHRC/NASA, média 1995-2003); (b)
vento zonal em 850 hPa (m s
-1
) no mês seguinte ao da transição da estação
seca para a chuvosa (dados da Reanálise do NCEP/NCAR).
(a)
(b)
87
Tabela 4.1 – Desempenho do CPTEC-PVM2 quando utilizando dados de raios nuvem-
solo na parametrização de fogo natural (vide Figura 3.2), em comparação
com a versão sem fogo do CPTEC-PVM2, apenas para os biomas
envolvidos na parametrização.
CPTEC-PVM2 (sem fogo) CPTEC-PVM2 (com fogo/raios)
Bioma
Fração de concordância κ Fração de concordância κ
1 Floresta Tropical Ombrófila 74 0,74 76 0,73
6 Savana 48 0,42 28 0,29
8 Caatinga 40 0,28 26 0,23
13 Floresta Tropical Estacional 11 0,12 37 0,25
Global 53 0,48 52 0,47
Tabela 4.2 - Método usado para verificar a correspondência entre os resultados do
CPTEC-PVM quando parametrizando fogo natural com dados de raios
(raios-ns) ou dados de ventos (U-850). r_lim representa o limiar de raios-ns
(no caso 28 mil descargas) a partir do qual a parametrização age quando
utilizando dados de raios nuvem-solo; e U_lim representa o limiar de U-850
a partir do qual a parametrização age quando utilizando dados de vento
zonal em 850 hPa.
raios-ns ≥ r_lim raios-ns < r_lim
U-850 ≥ U_lim
n1 / N
+
n2 / N
-
U-850 < U_lim
n3 / N
+
n4 / N
-
Total pontos
N
+
= 308 N
-
= 244
dentro desse intervalo, busca-se o U_lim que gera a melhor distribuição regional de
biomas no CPTEC-PVM2. Em linhas gerais, F representa a porcentagem mínima de
acerto que o CPTEC-PVM2 gera ao se rodar o modelo com um determinado valor de
U_lim.
Os pontos de caatinga onde S
NPP
é menor que 0,25 (i.e. sazonalidade baixa) e todos os
pontos de savana resultantes do algoritmo descrito no capítulo 3 (Figura 3.19) são
88
Figura 4.2 – (a) Vegetação natural de referência (Apêndice A) e (b) vegetação potencial
gerada pelo CPTEC-PVM2 considerando dados de raios nuvem-solo como
parametrização de fogo natural.
(a)
(b)
89
Figura 4.3 – Algoritmo usado na parametrização de fogo natural para determinação da
distribuição de biomas tropicais a partir do vento zonal em 850 hPa (U) e
variável ambiental S
NPP
(adimensional).
submetidos então à regra da Figura 4.3. Ou seja, nesses pontos de grade envolvidos na
parametrização, se U-850 for maior que U_lim, há conversão destes pontos para biomas
florestais. Nesse caso, onde sazonalidade de NPP for pequena (grande), esta floresta
tropical será ombrófila (estacional). Do contrário, se U-850 for menor que U_lim, estes
pontos de grade permanecem como biomas tropicais não-florestais. Doravante, onde a
sazonalidade de NPP for pequena (grande), este bioma não-florestal será savana
(caatinga).
A relação entre U_lim e F pode ser vista na Figura 4.4. Considerando que F é
maximizado quando F > 0,25, o intervalo de U_lim que maximiza F é de –1,9 a 1,8 m
s
-1
. O valor de U_lim que gera os melhores resultados no CPTEC-PVM2 é U_lim = 1,5
m s
-1
, quando F tem um valor de 0,27 e a distribuição dos biomas envolvidos na
parametrização (savana, caatinga e florestas tropicais estacional e ombrófila) é mais
parecida com a do mapa referencial (Figura 4.5, Tabela 4.3). Comparando entre si os
mapas gerados ao se utilizar dados de raios e o com dados de ventos obtemos um grau
de concordância muito bom entre os biomas envolvidos [κ = 0,96 para o tipo 1 (floresta
tropical ombrófila); κ = 0.68 para o tipo 6 (savana); κ = 0,76 para o tipo 8 (caatinga); κ
= 0,56 para o tipo 13 (floresta tropical estacional)], o que demonstra a similaridade de
resultados obtidos tanto com raios-ns como com U-850. F assume o valor máximo de
0,42 quando U_lim é igual a -1,08 m s
-1
; entretanto, com este valor de U_lim o CPTEC-
90
PVM2 não apresenta bom desempenho regional na representação de biomas
(principalmente na América do Sul).
Estudos já publicados podem ajudar a explicar os mecanismos por trás dessa relação
entre raios e U-850, uma vez que ligações entre a direção dos ventos, convecção e
atividade elétrica já foram encontradas também, por exemplo, na Amazônia: ventos de
leste favorecem a formação e propagação de células de chuva e complexos convectivos
de meso-escala, enquanto em regimes de oeste a propagação desses sistemas
convectivos é mais desorganizada e há menos atividade elétrica (Laurent et al., 2002;
Petersen et al., 2002).
4.5 Vegetação Potencial utilizando o CPTEC-PVM2 (versão final)
A Figura 4.5 mostra comparação entre a distribuição global de biomas gerada pelo
CPTEC-PVM2 sem e com a parametrização de fogo natural. A Figura 4.6 mostra o
mesmo somente na América do Sul. Em nível global, na Índia e Sudeste Asiático há a
correta substituição de caatinga e savana por floresta tropical estacional. Na África há a
correta permanência das savanas, com uma pequena substituição (errônea) de caatinga e
savana por floresta tropical estacional no extremo leste do Sahel. Na América do Sul,
como desejado, há poucas mudanças: cerca de quatro pontos de grade no Nordeste
Brasileiro que antes eram savana agora passam a ser caatinga; e o norte da Bolívia que
era savana passa a ser, corretamente, floresta tropical ombrófila e estacional.
A Tabela 4.3 sumariza objetivamente o desempenho do CPTEC-PVM2 com a
parametrização de fogo (versão final), sem a parametrização de fogo (capítulo 3), frente
ao CPTEC-PVM original. Nesta versão final do CPTEC-PVM2, o valor global de κ é
igual a 0,49, ou seja, o desempenho do modelo ainda é classificado como regular,
embora o valor global de κ (e também da fração de concordância) seja 1% maior que na
versão sem fogo (para a América do Sul, o valor médio de κ é de 0,49, igual à média
global). Nota-se um melhora no desempenho das florestas tropicais, sendo o aumento
91
Figura 4.4
- Relação entre F e U_lim, limiar de U (m s
-1
) a partir do qual a
parametrização age quando utilizando dados de vento zonal em 850 hPa.
As linhas pretas delimitam o intervalo de U_lim que maximiza F (F >
0,25). Vide texto para detalhes.
mais sensível para floresta tropical estacional que passa de um valor κ = 0,12 na versão
sem fogo para um valor de κ = 0,35 (vide tabela 3.4). Os outros biomas envolvidos, não
se alteram (caatinga) ou experimentam uma redução de 0,01 em κ (savana). Estes
valores são inferiores em relação aos obtidos com o CPTEC-PVM original (exceto para
floresta tropical ombrófila, que experimenta um aumento de κ = +0,02). Entretanto,
como discutido no capítulo 3, esse valor global de κ é bastante comparável com o de
outros MVPot existentes [por exemplo, esse valor global de κ é exatamente igual ao
obtido com o MVPot BIOME (Prentice et al., 1992)]. Além disso, há que se considerar
os avanços conceituais feitos no CPTEC-PVM2 em relação ao CPTEC-PVM original.
Entre eles, a obtenção de um novo mapa de vegetação natural de referência (Apêndice
A; lembrando que o desempenho global do CPTEC-PVM original frente a esse novo
mapa cai cerca de κ = -0,05); a inclusão de um novo tipo de vegetação (floresta tropical
estacional) e a total re-formulação da forma de escolha dos biomas, que agora se baseia
sobretudo nos níveis de NPP.
U_lim
F
92
Figura 4.5 – (a) Vegetação natural de referência (Apêndice A) e vegetação potencial
gerada pelo CPTEC-PVM2, (b) sem parametrização de fogo natural; e (c)
com parametrização de fogo natural (versão final).
(a)
(b)
(c)
93
Figura 4.6 – (a) Vegetação natural de referência (Apêndice A) e vegetação potencial
gerada pelo CPTEC-PVM2 para a América do Sul, (b) sem parametrização
de fogo natural; e (c) com parametrização de fogo natural (versão final).
(a)
(b)
(c)
94
Tabela 4.3 – Desempenho da versão final do CPTEC-PVM2 (com parametrização de fogo natural), frente a
versão sem fogo natural e ao CPTEC-PVM original.
95
Nossos resultados com a parametrização de fogo natural corroboram a hipótese de que
um menor nível de descargas elétricas, e, por conseguinte, de focos de incêndios na
região da Índia e do Sudeste Asiático é de fato importante (mas provavelmente não o
único determinante) para a ocorrência de floresta tropical estacional, mesmo sendo a
região climaticamente compatível com uma vegetação de savana e caatinga (Figura
4.5b). Também podemos inferir que raios-ns e U-850 apresentam uma relação
considerável, uma vez que originam resultados semelhantes ao serem usados no
CPTEC-PVM. Desse modo, incêndios naturais podem ser, com certo grau de confiança,
parametrizados no CPTEC-PVM2 utilizando-se U-850 como um indicador indireto de
raios-ns e fogo natural. Entretanto, há que se lembrar que a parametrização aqui
apresentada é diferente da desenvolvida para o CPTEC-PVM original (Cardoso et al.,
2006; Lapola et al., 2006) devido ao fato de que o CPTEC-PVM2 (sem fogo) aloca
caatinga em uma grande região da Índia onde a versão original do modelo alocava
apenas savana (embora o CPTEC-PVM2 ainda aloque savana no Sudeste Asiático).
Sendo assim, de modo a manter uma boa representação de vegetação na região da Índia
e Sudeste Asiático, a parametrização de fogo natural foi mantida no CPTEC-PVM2,
mas teve de ser adequada. Essa adequação levou à inclusão, na parametrização, do
bioma caatinga que, pelo conhecido até agora, não tem forte relação com fogo natural.
Desenvolveu-se então um algoritmo (Figura 4.3) que resultasse em uma boa
representação da vegetação na Índia e Sudeste Asiático (a exemplo de Cardoso et al.,
2006; Lapola et al., 2006), entretanto sem comprometer a América do Sul, foco deste
estudo. Vale lembrar ainda que esta é apenas uma parametrização simples e com viés
empírico, e que tem o intuito apenas de corrigir erros pontuais que o modelo comete
nessa região da Índia e Sudeste Asiático seguindo o que Cardoso et al. (2006) e Lapola
et al. (2006) fizeram para a versão original do CPTEC-PVM.
96
97
5 APLICAÇÕES DO CPTEC-PVM2
5.1 Análise de sensibilidade
Variações ou mudanças climáticas futuras podem levar a alterações na distribuição de
biomas no Brasil e América do Sul. Desse modo, faz-se importante uma análise de
sensibilidade da distribuição destes biomas a mudanças prescritas de temperatura,
precipitação, concentração atmosférica de CO
2
e vento zonal em 850 hPa, que são as
variáveis de entrada do CPTEC-PVM2. Por exemplo, seja a análise de sensibilidade dos
biomas da América do Sul a um resfriamento de 2°C. Sendo assim, esse valor de 2°C é
subtraído de todos os meses do ano, ou seja, em média anual, a redução é de 2°C,
embora a variação sazonal permaneça inalterada. Essa subtração é feita para todos os
pontos de grade (em todo globo, embora nossa análise vá se restringir à América do Sul
e ao Brasil). As mudanças de precipitação, concentração de CO
2
e vento zonal são feitas
de forma análoga, com a restrição de que tanto a precipitação como a concentração de
CO
2
não podem ser negativas.
Mantendo-se a precipitação, concentração de CO
2
(350 ppmv) e vento zonal inalterados,
altera-se a temperatura média anual (Figura 5.1). No geral, como em Oyama (2002), um
resfriamento leva à expansão de biomas de maior porte, enquanto um aquecimento leva
à expansão de biomas mais abertos [com a importante diferença de que em Oyama
(2002) não havia o tipo de bioma floresta tropical estacional, que se “posiciona” entre
floresta tropical ombrófila e savana]. Isso ocorre porque, por exemplo, um aquecimento
(resfriamento) levaria a um aumento (redução) da constante de Michaelis-Menten para o
CO
2
, o que levaria a redução (aumento) da taxa de fotossíntese limitada pela
carboxilação da Rubisco (principal limitante da fotossíntese na região tropical), levando
a uma diminuição (aumento) da produtividade primária líquida, favorecendo biomas de
menor porte. Diferentemente de Oyama (2002), mesmo um aumento extremo de
98
Figura 5.1 – (a) Vegetação potencial atual gerada pelo CPTEC-PVM2, e sensibilidade
da distribuição de biomas a anomalias de temperatura média anual (°C):
(b) -2; (c) -4; (d) -6; (e) +2; (f) +4; (g) +6. Precipitação, concentração
atmosférica de CO
2
e vento zonal em 850 hPa são mantidos inalterados.
(a)
(b) (c)
(d)
(e) (f)
(g)
99
Figura 5.2 – (a) Vegetação potencial atual gerada pelo CPTEC-PVM2, e sensibilidade
da distribuição de biomas a anomalias de precipitação média anual (mm
dia
-1
): (b) -0,2; (c) -1; (d) -3; (e) +0,2; (f) +1; (g) +3. Temperatura,
concentração atmosférica de CO
2
e vento zonal em 850 hPa são mantidos
inalterados.
(a)
(b) (c)
(d)
(e) (f)
(g)
100
Figura 5.3 – (a) Vegetação potencial atual gerada pelo CPTEC-PVM2 (350 ppmv), e
sensibilidade da distribuição de biomas a diferentes concentrações
atmosféricas de CO
2
(ppmv): (b) 250; (c) 180; (d) 140; (e) 450; (f) 600; (g)
850. Temperatura, precipitação e vento zonal em 850 hPa são mantidos
inalterados.
(a)
(b) (c)
(d)
(e) (f)
(g)
101
Figura 5.4 – (a) Vegetação potencial atual gerada pelo CPTEC-PVM2, e sensibilidade
da distribuição de biomas a anomalias de velocidade do vento zonal em
850 hPa média anual (m s
-1
): (b) -2; (c) -4; (d) -8; (e) +2; (f) +4; (g) +8.
Temperatura, precipitação e concentração atmosférica de CO
2
são
mantidos inalterados.
(a)
(b) (c)
(d)
(e) (f)
(g)
102
temperatura não é suficiente para que a Amazônia seja invadida por savana, mas sim
por floresta tropical estacional, uma vez que a sazonalidade é mantida.
Mantendo-se a temperatura, nível de CO
2
e vento zonal inalterados, altera-se a
precipitação (Figura 5.2). O aumento de precipitação favorece a expansão de biomas de
maior porte, enquanto a redução os de menor porte. Isso ocorre porque, por exemplo,
redução (aumento) de precipitação levaria a menor (maior) quantidade de água no solo,
o que levaria a redução (aumento) da produtividade primária líquida, favorecendo
biomas de menor (maior) porte.
Mantendo-se temperatura, precipitação e vento zonal constantes, altera-se a
concentração atmosférica de CO
2
, que é espacialmente constante em todo globo (Figura
5.3). Como citado no capítulo 3, para concentrações atmosféricas de CO
2
abaixo da
atual (350 ppmv), altera-se a constante k
12
da Equação 3.9 (para C
a
– Γ), devido a
alterações na relação entre a enzima (Rubisco) e o substrato (CO
2
) sob baixas
concentrações deste último (Nelson e Cox, 2004; Alexandrov et al., 2003). De modo
geral, o aumento na concentração atmosférica de CO
2
favorece a ocorrência de biomas
de maior porte, enquanto que uma diminuição favorece os de menor porte. Isso ocorre
porque, por exemplo, um aumento (diminuição) na concentração atmosférica de CO
2
leva a um aumento (redução) na pressão parcial de CO
2
no interior da folha, o que leva
a um aumento (redução) da taxa de fotossíntese bruta e consequentemente da
produtividade primária líquida, o que favorece a ocorrência de biomas de maior (menor)
porte.
Mantendo-se a temperatura, precipitação e concentração atmosférica de CO
2
inalteradas, altera-se o vento zonal em 850 hPa (Figura 5.4). A redução do vento zonal
não acarreta em nenhuma mudança significativa de biomas, enquanto que um aumento
favorece uma expansão de biomas florestais. Isso ocorre porque, de modo geral, o vento
zonal nos biomas brasileiros do cerrado e caatinga na transição da estação seca para a
chuvosa é predominantemente negativo (de oeste), o que favorece incêndios e a
permanência desses biomas como tal. Sendo assim, uma redução no vento não altera
nada, enquanto um aumento faz o vento, gradativamente, se tornar positivo (de leste), o
103
que favorece a substituição destes dois biomas por florestas tropicais, a exemplo do que
ocorre na Índia (vide capítulo 4).
Em suma, de acordo com o CPTEC-PVM2 (vide capítulo 3 para detalhes sobre
funcionamento do modelo), a expansão de biomas de maior porte é favorecida por
resfriamento, aumento de precipitação, aumento da concentração atmosférica de CO
2
e
aumento da velocidade do vento zonal em 850 hPa; enquanto o contrário favorece os
biomas de menor porte. Esta análise de sensibilidade mostrada aqui pode parecer
artificial, uma vez que se considera uma mesma magnitude de aumento/redução para
todos os pontos de grade. Entretanto, este teste com o modelo facilita a análise dos
resultados com mudanças climáticas futuras reais (próxima seção), quando se estará
considerando todos os fatores, ou variáveis, conjuntamente.
5.2 Efeitos de mudanças climáticas futuras
5.2.1 Cenários SRES-A2 e SRES-B1 do IPCC-AR4
O Intergovernmental Panel on Climate Change (IPCC) elabora, a cada seis anos,
relatórios sobre o presente estado do conhecimento sobre as mudanças climáticas.
Embora o quarto relatório do IPCC, IPCC-AR4, não tenha sido publicado integralmente
até o presente momento (apenas o sumário para tomadores de decisões políticas foi
divulgado em fevereiro de 2007), os dados numéricos das últimas simulações climáticas
conduzidas com o uso de diversos modelos de circulação geral atmosfera-oceano
(MCGAO) estão disponíveis na internet (IPCC Data Distribution Center, http://ipcc-
ddc.cru.uea.ac.uk/). A Tabela 5.1 mostra os 14 MCGAO cujas simulações climáticas
são utilizadas neste estudo (utilizamos apenas os modelos que disponibilizam dados de
temperatura, precipitação e vento zonal em 850 hPa). A resolução dos modelos é
variável, sendo que todos dados foram transformados para a resolução do CPTEC-
PVM2, T62 (1,875°). Com base nestes dados numéricos, pode-se estimar as anomalias
de temperatura e precipitação (entre outras variáveis) para o globo esperadas até 2100
104
Tabela 5.1 – Modelos de Circulação Geral Oceano-Atmosfera cujas simulações
climáticas futuras são utilizadas neste estudo e respectivos centros
desenvolvedores.
Centro Acrônimo do Centro Modelo
Bjerknes Centre for Climate Research (Noruega) BCCR BCM2.0
Canadian Center for Climate Modelling and
Analysis (Canadá)
CCCMA CGCM3 (T47)
Centre National de Recherches Meteorologiques
(França)
CNRM CM3
Commonwealth Scientific and Industrial Research
Organisation (Austrália)
CSIRO Mk3.0
Max-Planck-Institut für Meteorologie (Alemanha) MPI-M ECHAM5-OM
Geophysical Fluid Dynamics Laboratory (EUA) GFDL CM2.0
Geophysical Fluid Dynamics Laboratory (EUA) GFDL CM2.1
Goddard Institute for Space Studies (EUA) GISS E-R
Institute for Numerical Mathematics (Rússia) INM CM3.0
Institut Pierre Simon Laplace (França) IPSL CM4
Center for Climate System Research / National
Institute for Environmental Studies (Japão)
CCSR/NIES MIROC3.2(medres)
Meteorological Research Institute (Japão) MRI CGCM2.3.2
National Centre for Atmospheric Research (EUA) NCAR CCSM3
UK Met. Office / Hadley Centre for Climate
Prediction (Reino Unido)
UKMO HadCM3
em relação ao clima atual (tendo como referência o período de 1961-1990). Isso foi
feito para dois cenários de emissões antropogênicas de GHG, o SRES-A2 (altas
emissões) e SRES-B1 (baixas emissões).
A Figura 5.5 mostra as anomalias de temperatura, precipitação e vento zonal em 2100
apenas nos pontos onde mais de 75% dos modelos concordam quanto ao sinal da
anomalia futura (média entre os 14 MCGAO) para o cenário SRES-A2. A Figura 5.6
mostra o mesmo para o cenário SRES-B1. Considerando estes dois cenários, os
modelos mostram uma concordância unânime em quase todo o globo quanto ao sinal
das anomalias de temperatura, que são positivas. Prevê-se um aquecimento em todo o
globo, que na região tropical varia de 2-5°C e na região extra-tropical seria de 2-7°C.
105
Esse aquecimento em todo o globo seria, em grande parte, devido a três mecanismos de
feedback do sistema climático (Hartmann, 1994):
i. Feedback (negativo) de Stefan-Boltzmann: a partir da relação entre a temperatura de
um corpo e sua emissão de radiação de onda longa (Lei de Stefan-Boltzmann), podemos
afirmar que com o aumento da temperatura da superfície da Terra (resultado do
aumento das concentrações de CO
2
que ocasionaria um aumento da absorção de
radiação de onda longa em 15
µm pelo CO
2
) resultaria em um aumento do fluxo de
radiação de onda longa saindo da Terra, o que leva a um resfriamento da superfície.
ii. Feedback (positivo) evaporativo: da dependência da pressão de vapor de saturação
sobre a temperatura (Clausius-Clapeyron) obtém-se que o aquecimento somente devido
ao CO
2
levaria a um aumento de 10% na umidade específica de saturação. A absorção
de radiação de onda longa (6,3
µm e bandas rotacionais) pelo vapor de água ocasionaria
mais aquecimento.
iii. Feedback (positivo) gelo-albedo: aumento inicial da temperatura devido aos dois
primeiros mecanismos de feedback levaria ao derretimento de gelo nas regiões polares e
em montanhas. Com isso teria-se uma diminuição do albedo nessas regiões e
conseqüente aumento de temperatura, o que reinforça o processo.
O último mecanismo de feedback, observado sobretudo no Oceano Ártico, explica, em
parte, o maior aquecimento previsto no Hemisfério Norte (mas há que se considerar
também as elevadas concentrações atmosféricas de CO
2
em regiões fortemente
industrializadas nos EUA, Europa e China).
Em relação à precipitação, ainda há grande divergência entre os modelos,
principalmente na região entre as latitudes 45°N e 45°S. Fora dessa região (extra-
trópicos) há um bom consenso de que haveria aumento de precipitação da ordem de 0-
20 mm mês
-1
. Já na região “tropical” mencionada acima (entre 45°N e 45°S) há grande
discordância em relação à posição e magnitude das anomalias (embora note-se uma
tendência de pequena redução da precipitação, em torno de 0-10 mm mês
-1
). Em relação
ao vento zonal em 850 hPa, a discordância também é grande, exceto na faixa de latitude
106
60°S, zona de formação de ciclones extra-tropicais, onde se nota um aumento de 1-3
mis
-1
(Figuras 5.5c e 5.6c). Na faixa equatorial, a discordância em relação às anomalias
de precipitação está associada à discordância no deslocamento das zonas de
convergência (e.g. ZCIT) predito pelos diversos modelos. De qualquer modo, prevê-se
uma aceleração do ciclo da água no planeta como um todo (vide feedback evaporativo
acima), significando que a água permanecerá menos tempo em cada compartimento do
ciclo hidrológico (e.g. chuvas concentradas) (IPCC, 2007; Steffen et al. 2004).
5.2.1.1 Influências na América do Sul
As previsões de temperatura, precipitação e vento zonal em 850 hPa para cada um dos
modelos e cenários na América do Sul são mostradas nas Figuras 5.3-5.8. Para a
América do Sul, a região tropical (e portanto o Brasil em quase sua totalidade), seria a
mais afetada em termos de temperatura (Figuras 5.7 e 5.10), com um aquecimento de 2-
4°C em praticamente todo o Brasil. Todos os 14 modelos concordam com o sinal, o
limite inferior e a uniformidade [em consonância com Giorgi e Francisco (2000)] do
aquecimento para o Brasil. Entretanto, três modelos (ECHAM5, HadCM3 e MIROC3.2-
medres) destoam positivamente dos demais modelos em relação a magnitude do
aquecimento em ambos cenários, chegando a um aquecimento de até 7°C no modelo
HadCM3 em SRES-A2 na Amazônia.
Em relação a precipitação (Figuras 5.8 e 5.11), na América do Sul as regiões mais
afetadas seriam a Amazônia e o Nordeste Brasileiro uma vez que, na maioria dos
MCGAO, as anomalias de maior magnitude (positivas ou negativas) localizam-se
nessas duas regiões. Essas anomalias futuras de precipitação na Amazônia e Nordeste
Brasileiro podem estar relacionadas com mudanças na intensidade e posicionamento da
ZCIT. Entretanto, a discordância é grande [tanto para precipitação como para vento
zonal em 850 hPa (Figuras 5.9 e 5.12)]: enquanto alguns modelos apontam para
anomalias positivas sobre a Amazônia e Nordeste Brasileiro, outros apontam para
107
Figura 5.5 – Anomalias de (a) temperatura (°C), (b) precipitação (mm mês
-1
), e (c)
vento zonal em 850 hPa (m s
-1
) média entre os 14 MCGAO utilizados,
previstas para o período 2070-2099 em relação ao período 1961-1990 no
cenário SRES-A2. São mostrados apenas os pontos de grade onde mais de
75% dos modelos concordam quanto ao sinal da anomalia (áreas em branco
representam não-consenso).
(a)
(b)
(c)
108
Figura 5.6 – O mesmo que na Figura 5.5, para o cenário SRES-B1.
(a)
(b)
(c)
109
anomalias negativas (a exemplo de Giorgi e Francisco, 2000), embora ambas regiões
sejam locais de grande previsibilidade climática (Marengo et al., 2003; Moura e
Hastenrath, 2004). Uma limitação dessa precipitação modelada é que os MCGAO são
de baixa resolução horizontal, ou seja, não são capazes de representar os sistemas
convectivos de escala regional (como complexos convectivos de meso-escala ou linhas
de instabilidade). Tanto na Amazônia, como no Nordeste Brasileiro, esses sistemas
convectivos de meso-escala, junto com a ZCIT, são de suma importância para os
regimes de precipitação locais (Satyamurty et al., 1998).
5.2.2 Aplicação do CPTEC-PVM2 a cenários de mudanças climáticas
As climatologias para o final do século XXI apresentadas acima foram aplicadas ao
CPTEC-PVM2 de modo a identificar possíveis mudanças na distribuição de biomas na
América do Sul, a exemplo de Nobre et al. (2004) e Salazar et al. (2006). Como os
MCGAO podem cometer erros sistemáticos, não utilizamos as climatologias do período
2070-2099 diretamente como entrada do CPTEC-PVM 2. Os dados de entrada para o
CPTEC-PVM2 foram obtidos de acordo com o procedimento descrito em Oyama
(2002):
a) Para um dado mês, calcula-se a média de precipitação (por exemplo) do
MCGAO entre 1961 e 1990 (x
1
), e entre 2070 e 2099 (x
2
).
b) Faz-se a diferença entre x
2
e x
1
(∆x = x
2
– x
1
; ∆x é a anomalia, mostradas na
Figuras 5.1-5.8).
c) Soma-se ∆x à média observada (y
1
) entre 1961 e 1990 (y
2
= y
1
+∆x).
d) Repete-se os passos anteriores para cada mês, modelo (14 MCGAO) e cenário
(SRES-A2 e SRES-B1).
110
Figura 5.7 – Anomalias de temperatura (°C) previstas pelos 14 MCGAO utilizados, para
o período 2070-2099 em relação ao período 1961-1990 no cenário SRES-
A2. Na extrema esquerda acima é mostrado o consenso onde 75% ou mais
dos MCGAO concordam quanto ao sinal da anomalia.
111
Figura 5.8 – Anomalias de precipitação (mm mês
-1
) previstas pelos 14 MCGAO
utilizados, para o período 2070-2099 em relação ao período 1961-1990 no
cenário SRES-A2. Na extrema esquerda acima é mostrado o consenso
onde 75% ou mais dos MCGAO concordam quanto ao sinal da anomalia
(áreas em branco representam não-consenso).
112
Figura 5.9 – Anomalias de vento zonal em 850 hPa (m s
-1
) previstas pelos 14 MCGAO
utilizados, para o período 2070-2099 em relação ao período 1961-1990 no
cenário SRES-A2 (áreas em branco representam falta de dados). Na extrema
esquerda acima é mostrado o consenso onde 75% ou mais dos MCGAO
concordam quanto ao sinal da anomalia (áreas em branco no campo de
consenso representam não-consenso).
113
Figura 5.10 – Anomalias de temperatura (°C) previstas pelos 14 MCGAO utilizados,
para o período 2070-2099 em relação ao período 1961-1990 no cenário
SRES-B1. Na extrema esquerda acima é mostrado o consenso onde 75% ou
mais dos MCGAO concordam quanto ao sinal da anomalia.
114
Figura 5.11 – Anomalias de precipitação (mm mês
-1
) previstas pelos 14 MCGAO
utilizados, para o período 2070-2099 em relação ao período 1961-1990 no
cenário SRES-B1. Na extrema esquerda acima é mostrado o consenso onde
75% ou mais dos MCGAO concordam quanto ao sinal da anomalia (áreas
em branco representam não-consenso).
115
Figura 5.12 – Anomalias de vento zonal em 850 hPa (m s
-1
) previstas pelos 14 MCGAO
utilizados, para o período 2070-2099 em relação ao período 1961-1990 no
cenário SRES-B1 (áreas em branco representam falta de dados). Na extrema
esquerda acima é mostrado o consenso onde 75% ou mais dos MCGAO
concordam quanto ao sinal da anomalia (áreas em branco no campo de
consenso representam não-consenso).
116
Os valores de y
1
representam a climatologia já utilizada pelo CPTEC-PVM2 [Willmott
e Matsuura, 1998 (temperatura e precipitação); Kalnay et al., 1996 (vento zonal em 850
hPa)]. Os valores de y
2
(i.e. climatologia observada somada à anomalia) são as entradas
do CPTEC-PVM2 para previsão futura da distribuição de biomas. Cada conjunto de
climatologias (y
2
) de cada modelo, ao ser aplicado no CPTEC-PVM2, gera um mapa de
biomas, assim como as taxas de NPP e R
H
. Para cada um dos dois cenários gera-se um
mapa mostrando apenas os pontos onde mais de 75% dos modelos (mais de 10
modelos) associam o mesmo bioma (sinal da anomalia de NPP ou R
H
). Ao final tem-se
dois mapas, um para cada cenário, mostrando o consenso entre os MCGAO utilizados.
Esses dois mapas podem ser considerados como os resultados robustos. O mesmo
procedimento foi feito para a versão sem fogo do CPTEC-PVM2, e os resultados e
breve discussão destas simulações sem a parametrização de fogo são mostrados no
Apêndice B. As concentrações atmosféricas médias de CO
2
utilizadas para o período de
2070-2099 foram de 730 ppmv em SRES-A2 e 535 ppmv em SRES-B1 (IPCC, 2000).
5.2.2.1 O ciclo de carbono frente às mudanças climáticas
O estoque de carbono na vegetação terrestre assume importância fundamental devido ao
fato de que ele pode aumentar ou diminuir rapidamente, em resposta ao clima ou
intervenções humanas (como incêndios florestais), tendo efeitos fortes e imediatos na
concentração de carbono na atmosfera (Foley e Ramankutty, 2004; Friedlingstein et al.,
2006). O estoque de carbono nos continentes depende fundamentalmente do balanço
entre o ganho de carbono através da NPP e a perda através de R
H
. Em vista do
considerável não-consenso sobre precipitação futura, ainda há pouco consenso sobre o
que aconteceria com NPP em um clima 2x CO
2
(Friedlingstein et al., 2006). Até mesmo
o efeito de fertilização por CO
2
, que supostamente ocasionaria um aumento de NPP
(Mooney et al., 1999), tem sido colocado em dúvida recentemente (Nowak et al., 2004).
O experimento FACE (Free-Air Carbon dioxide Enrichment), conduzido nos EUA e
Europa, consiste em parcelas de ecossistemas florestais e não-florestais ao ar livre que
117
são mantidas a um alto nível de CO
2
atmosférico. Os resultados até então obtidos pelo
FACE indicam: (i) aumento consensual da fotossíntese (da ordem de 26%), como
conseqüência da maior absorção de CO
2
atmosférico; (ii) nenhuma mudança nas taxas
de respiração vegetal; e (iii) aumento de 12 a 25% da NPP (Nowak et al., 2004; Norby
et al., 2002; Tissue et al., 2002). Entretanto, há que se considerar que variações
significativas ocorrem de acordo com a espécie vegetal em questão e também com a
disponibilidade de nutrientes, sobretudo nitrogênio (maior absorção de nitrogênio está
fortemente relacionada a aumento das taxas de fotossíntese) (Nowak et al., 2004).
Por exemplo, uma das espécies estudadas pelo FACE (Liquidambar styraciflua) aloca
esse carbono adicional na produção de raízes finas, as quais são rapidamente
incorporadas no estoque de carbono do solo, não contribuindo para o seqüestro de
carbono acima do solo (Norby et al., 2002). Por outro lado, outra espécie (Pinus taeda)
aloca esse carbono adicional no desenvolvimento de biomassa acima do solo (tronco,
galhos e folhas) (Hamilton et al., 2002).
Em ambos os cenários o CPTEC-PVM2 indica um aumento global de NPP, da ordem
de 31,5 PgC ano
-1
em SRES-B1, e 52,8 PgC ano
-1
em SRES-A2 (Figura 5.13). Observa-
se também (Figura 5.14) significativa redução da sazonalidade da NPP (S
NPP
) na região
extra-tropical, e uma tendência de aumento de S
NPP
na América do Sul, o que tem
implicações para distribuição de biomas na região (cf. seção 5.2.2.2). As anomalias de
NPP são superiores às obtidas nas simulações acopladas (atmosfera-oceano-vegetação)
de Friedlingstein et al. (2006), porém bastante comparável aos 40-60 PgC ano
-1
indicado
por simulações desacopladas (“offline”) (Friedlingstein et al., 2006; Cramer et al.,
2001). A maioria dos modelos destes estudos citados acima mostra uma diminuição de
NEP (NPP-R
H
) nos trópicos e no Hemisfério Sul, que é compensada por um aumento de
NEP no Hemisfério Norte. Estes aumento de 67% (B1) e 112% (A2) da NPP são
bastante altos em comparação com o aumento de 12-25% obtido a partir dos
experimentos FACE (com 550 ppmv de CO2, o que equivale a SRES-B1) (Nowak et
al., 2004; Norby et al., 2002). Entretanto, vale lembrar que esse experimento é feito
apenas com espécies de plantas típicas de florestas decíduas. Além disso, o FACE é
conduzido em uma condição na qual apenas o CO
2
atmosférico é alterado, ou seja, não
118
há, como no presente estudo, alteração de temperatura ou precipitação. Granados e
Körner (2002), por exemplo, observaram um aumento significativo (e similar ao aqui
obtido) da biomassa de trepadeiras tropicais, que cresceram de 110 a 212% com um
aumento gradativo de CO
2
atmosférico. De qualquer modo, embora se iguale a outros
resultados de modelagem (Cramer et al., 2001) ou observacionais (Granados e Körner
2002), as taxas de NPP no CPTEC-PVM2 parecem ser bastante sensíveis a aumento da
concentração de CO
2
atmosférico. No CPTEC-PVM2 o carbono adicional absorvido
pela vegetação é prontamente alocado na biomassa acima do solo, embora note-se
pequenas alterações da quantidade de carbono no solo na região tropical. Sendo assim, o
CPTEC-PVM2 é sensível ao efeito fisiológico do aumento de CO
2
(evidenciado pelo
aumento de NPP), mas nem sempre é sensível ao efeito estrutural do aumento de CO
2
(cf. seção 5.2.2.2) (Betts et al., 1997).
A Figura 5.13 mostra que o maior aumento de NPP é verificado no Hemisfério Norte,
onde o nível de NPP chega a ser 3 vezes maior que o simulado com climatologias
atuais. Nós trópicos esse aumento é de, no máximo, 1,8 vez. Como sugerido por
Friedlingstein et al. (2006), ao contrário dos biomas extra-tropicais que são mais
dependentes da temperatura (em termos da duração do permafrost e da estação de
crescimento), a NPP na região tropical é mais dependente de umidade, o que reflete em
incertezas da NPP em algumas regiões (sobretudo semi-áridas) ainda devido às
incertezas em relação à precipitação nessas regiões.
Na região tropical, um aumento de NPP nas magnitudes observadas na Figura 5.13
(levando em conta também o aumento do CO
2
atmosférico), ocasionaria um aumento de
5-10% na resistência do dossel, o que provavelmente tem pouco efeito nas taxas de
evapotranspiração (a tendência é de pequena redução ou nenhuma mudança na região
tropical). Já as regiões extra-tropicais (Hemisfério Norte principalmente)
experimentariam uma redução de aproximadamente 30-40% na resistência do dossel, o
que aumenta as taxas de evapotranspiração da região (em consonância com Levis et al.;
2000). Nessas regiões, a maior quantidade de água disponível no solo devido ao menor
tempo de ocorrência do permafrost e às anomalias positivas de precipitação, é agora
usada pelas plantas e liberada para a atmosfera. Isso corrobora a hipótese (Levis et al.,
119
2000; IPCC, 2001; Steffen et al., 2004) de que haveria uma aceleração do ciclo
hidrológico e que a água permaneceria menos tempo em cada compartimento do ciclo.
Há que se considerar ainda que a eficiência enzimática da Rubisco em capturar CO
2
da
atmosfera para o interior das plantas é maior nos trópicos, o que explica o notável
aumento nas taxas de NPP, embora haja irrisório aumento da condutância estomática.
Por outro lado, nas regiões extra-tropicais, onde a maior limitação para a fotossíntese é a
luz, as plantas têm que abrir significativamente mais os estômatos para que haja um
aumento tal qual o observado nas taxas de fotossíntese e consequentemente de NPP.
É notável a falta de consenso da NPP, em ambos cenários, em regiões atualmente semi-
desérticas ou com vegetação de caatinga. Essas regiões se mantêm próximas ao limite
de déficit hídrico no solo, e são fortemente dependentes das taxas de precipitação.
Especificamente na América do Sul nota-se um não-consenso em todo o Nordeste
Brasileiro, ou seja, a NPP nessa região pode tanto aumentar como diminuir em relação
às taxas atuais, acompanhando as previsões de precipitação para o fim do século. No
resto da América do Sul, o consenso aponta para aumento da NPP da ordem de 70-
100%.
A respiração heterotrófica (R
H
) é tipicamente assumida como aumentando com a
temperatura [embora haja um atual debate em relação à resposta de R
H
à temperatura
(Knorr et al., 2005)], o que leva a uma aceleração da taxa de decaimento do carbono
armazenado no solo e na serapilheira. Isso implica em um aumento nos níveis de R
H
e,
portanto, na liberação de CO
2
para a atmosfera, representando um feedback positivo
para o processo de aquecimento global. O CPTEC-PVM2 indica, em ambos os cenários,
um aumento global de R
H
, da ordem de 55,6 PgC ano
-1
em SRES-B1, e 144,2 PgC ano
-1
em SRES-A2 (Figura 5.15). Ambos valores parecem ser altos (em comparação com o
aumento de NPP), embora sejam comparáveis ao intervalo 20-40 PgC ano
-1
indicado
pelos modelos (“offline”) estudados em Cramer et al. (2001). O mesmo não-consenso
no Nordeste Brasileiro encontrado para NPP também ocorre com R
H
, uma vez que R
H
também depende do nível de água no solo e das taxas de evapotranspiração. Vale
120
Figura 5.13 – (a) Produtividade primária líquida, NPP [kgC m
-2
(vegetação) ano
-1
]
simulada pelo CPTEC-PVM2, e anomalias de NPP média entre os 14
MCGAO utilizados, previstas para o período 2070-2099 em relação ao
período 1961-1990 no cenário SRES-A2 (b) e SRES-B1 (c). São mostrados
apenas os pontos de grade onde mais de 75% dos modelos concordam
quanto ao sinal da anomalia (áreas continentais em branco representam não-
consenso).
(a)
(b)
(c)
121
Figura 5.14 – Anomalias de (a) sazonalidade de NPP (S
NPP
, adimensional), e (b)
carbono no solo (kgC m
-2
) para 2070-2099 sob SRES-A2. São mostrados
apenas os pontos de grade onde mais de 75% dos modelos concordam
quanto ao sinal da anomalia (áreas continentais em branco representam não-
consenso).
(a)
(b)
122
Figura 5.15 – (a) Respiração heterotrófica, R
H
(kgC m
-2
ano
-1
) simulada pelo CPTEC-
PVM2, e anomalias de R
H
média entre os 14 MCGAO utilizados, previstas
para o período 2070-2099 em relação ao período 1961-1990 no cenário
SRES-A2 (b) e SRES-B1 (c). São mostrados apenas os pontos de grade
onde mais de 75% dos modelos concordam quanto ao sinal da anomalia
(áreas continentais em branco representam não-consenso).
(a)
(b)
(c)
123
lembrar que o estoque de carbono no solo (assim como armazenamento de água) no
CPTEC-PVM2 é feito em um só compartimento, o que pode levar a erros nas
estimativas de R
H
(como em Jones et al., 2005).
5.2.2.2 Efeitos nos biomas da América do Sul em 2070-2099
A Figura 5.16 mostra a distribuição global de biomas para 2070-2099 (SRES-A2 e
SRES-B1) gerada pelo CPTEC-PVM2 a partir dos 14 MCGAO utilizados. São
mostrados apenas os pontos de grade onde mais de 75% dos modelos (i.e. mais de 10
modelos) concordam quanto ao bioma diagnosticado. Considerando os dois cenários de
emissões futuras, há uma discordância quanto à retração da tundra em altas latitudes da
Eurásia e América do Norte. Há significativa expansão de floresta temperada, no Leste
Europeu e no Oeste dos EUA. Ainda na região extra-tropical, a floresta boreal
praticamente desaparece, ocorrendo grande expansão de campos para norte. Isso se deve
ao fato de que o bioma de floresta boreal possui níveis de NPP naturalmente muito
próximos aos do bioma campos (Tabela 3.2). Provavelmente, com uma re-adequeção do
algoritmo na região de biomas extra-tropicais essa distribuição futura na região
temperada seja diferente [em vista da diferença destes resultados de distribuição de
biomas com os de outros estudos (e.g. Cramer et al., 2001)]. De qualquer maneira, essas
mudanças de biomas na região extra-tropical são causadas principalmente pelo efeito do
aumento consensual de precipitação (cf. seção 5.1). Na região tropical, de modo geral,
há pouca alteração na distribuição dos biomas. Há um não-consenso principalmente em
regiões semi-áridas, como o Sahel, o interior da Austrália e o Nordeste Brasileiro.
Nessas regiões as incertezas em relação à precipitação sobrepujam os feitos do aumento
de temperatura e CO
2
.
Na América do Sul (Figuras 5.17 e 5.18), as áreas mais afetadas seriam o Nordeste
Brasileiro, o sudeste da Amazônia, a região norte do Chaco (Bolívia) e o sul do Brasil.
Entretanto, em ambos cenários, há pouco consenso sobre qual bioma estaria presente
nessas regiões no final do século (exceto para o sul do Brasil, onde há consenso quanto
124
à expansão de floresta tropical ombrófila na região dos Pampas). Enquanto cinco
MCGAO (CGCM3.1-T47; ECHAM5; HadCM3; MPI-CGCM2.3.2; NCAR-CCSM3)
apontam para uma significativa savanização da parte sudeste da Amazônia, os outros
nove apontam para pouca ou nenhuma alteração de biomas. No Nordeste Brasileiro, sob
SRES-A2, quatro MCGAO (GFDL-CM2.0; GISS-ER; HadCM3; MIROC3.2-medres)
indicam que haveria mudança para um bioma de menor porte, mais seco, enquanto
outros quatro (BCCR-BCM2.0; CNRM-CM3; IPSL-CM4.0; NCAR-CCSM3) apontam
para uma mudança para biomas de maior porte, mais úmidos; e seis (CGCM3.1-T47;
CSIRO-Mk3.0; ECHAM5; GFDL-CM2.1; INM-CM3.0; MRI-CGCM2.3.2) não
indicam nenhuma mudança na região. No norte da região do Chaco (Bolívia), o não-
consenso se dá entre os biomas floresta tropical ombrófila, floresta tropical estacional e
savana.
Tanto na região do Nordeste Brasileiro como na do Chaco os MCGAO que apontam
para mudança para biomas de maior (menor) porte também apontam para anomalias
positivas (negativas) de precipitação nessas regiões. Denota-se então, a dependência da
vegetação sobre a precipitação nestas regiões. Já na Amazônia essa dependência direta
sobre a precipitação parece ser menor, uma vez que alguns modelos (e.g. CSIRO-
Mk3.0; GFDL-CM2.0; GFDL-CM2.1; MIROC3.2-medres) que indicam anomalias
negativas de precipitação no sudeste da Amazônia não demonstraram qualquer mudança
de bioma na região. Desse modo, na Amazônia o efeito do aumento da temperatura se
anula frente ao efeito do aumento da concentração de CO
2
(sobrepujando as incertezas
em relação a precipitação) para que, em uma grande parte dos modelos, não haja
mudança de biomas na região, favorecendo biomas de maior porte (cf. seção 5.1). Já no
Nordeste Brasileiro, as incertezas quanto à precipitação sobrepujam os efeitos do
aumento de temperatura e nível de CO
2
, o que reflete em uma grande área de incerteza
quanto aos biomas que substituiriam a caatinga na região.
Além do efeito radiativo indireto (aquecimento), o CO
2
tem outros dois efeitos diretos e
importantes sobre as plantas. O aumento da concentração atmosférica de CO
2
ocasiona
aumento das taxas de fotossíntese, o conhecido efeito de fertilização por CO
2
(Mooney
et al., 1999), favorecendo biomas de maior porte. Esse aumento na taxa de fotossíntese
125
se deve, sobretudo, ao fato de que as plantas conseguem mais rapidamente o carbono de
que precisam, diminuindo assim a taxa de abertura estomática e aumentando a
resistência estomática para a atmosfera. Esse aumento da resistência estomática
ocasiona menor perda de água pela planta e conseqüente redução da evapotranspiração.
Da Equação 3.33 pode-se inferir que um aumento nas concentrações de CO
2
leva a um
aumento da resistência do dossel e consequentemente a uma diminuição da
evapotranspiração. Por outro lado, um aumento de NPP tende a diminuir a resistência
de dossel, aumentando a evapotranspiração.
Em vista destas relações de efeitos opostos no equilíbrio entre NPP, CO
2
e
evapotranspiração, o CPTEC-PVM2 mostrou os seguintes resultados: no caso da
América do Sul, o aumento da resistência do dossel é pequeno (demonstrando que o
efeito do CO
2
sobre a resistência do dossel sobrepuja o efeito do aumento de NPP; o
contrário é observado no Hemisfério Norte; cf. seção 5.2.2.1), o que resulta, na média
dos 14 MCGAO, em pequena mudança da evapotranspiração. Adicionalmente, nos
MCGAO que apontam redução de evapotranspiração há aquecimento da superfície
(além do aumento de CO
2
), o que leva então à conversão para biomas de menor porte, o
que explicaria uma savanização da Amazônia e semi-desertificação do Nordeste
Brasileiro (Figura 5.19). Por outro lado, se esse aquecimento é contra-balanceado por
um aumento de precipitação [ocasionando aumento de f
5
(Equação 3.21)], então há troca
por biomas de maior porte, o que explicaria a manutenção da distribuição atual de
vegetação, ou mesmo savanização do Nordeste Brasileiro (cf. Figura 5.8 e 5.19). Em
vista da Figura 5.19, vale ressaltar a forte influência do aumento das concentrações de
CO
2
sobre NPP, ocasionando redução da resistência do dossel e aumento da
evapotranspiração (o que explica a tendência global de aumento de E). Por outro lado, a
diminuição de f
5
tem menor influência nos níveis de NPP, o que levaria ao aumento da
resistência do dossel e diminuição de evapotranspiração. Entretanto f
5
influencia
diretamente na sazonalidade da NPP (S
NPP
), que por sua vez designa os limites entre
floresta e savana nos trópicos.
Levis et al. (2000) apontam que nos trópicos, o efeito conjunto seria de aumento da
126
Figura 5.16 – (a) Vegetação potencial atual e para 2070-2099 sob o cenário (b) SRES-
A2 e (c) SRES-B1 geradas pelo CPTEC-PVM2. Em (b) e (c) são
mostrados apenas os pontos onde mais de 75% (mais de 10) dos MCGAO
utilizados concordam quanto ao bioma diagnosticado (áreas continentais
em branco representam não-consenso).
(a)
(b)
(c)
127
evapotranspiração, pequeno aumento de precipitação e expansão de florestas
(diferentemente dos resultados obtidos neste estudo). Ao contrário, Cox et al. (2000)
mostram que a crescente emissão antropogênica de CO
2
poderia levar a um desbalanço
entre emissão e fixação de carbono na Amazônia. Entretanto, as simulações de Cramer
et al. (2001) apontam para os mesmos mecanismos modelados em Cox et al. (2000) - de
que em 2100 a emissão de CO
2
seria maior que a fixação - o que, no entanto, não seria
suficiente para significativas mudanças de vegetação na Amazônia.
Nobre et al. (2004) rodaram a versão original do CPTEC-PVM (sem ciclo de carbono)
com dados de previsões futuras do IPCC-Third Assessment Report (5 MCGAO) para
acessar os impactos de mudanças climáticas nos biomas da América do Sul. Em 4 dos 5
MCGAO utilizados por eles houve tendência de substituição por biomas de climas mais
secos (savana substituindo floresta tropical e semi-deserto substituindo caatinga).
Salazar et al. (2006) fizeram o mesmo, utilizando a versão original do CPTEC-PVM
(sem ciclo de carbono), só que com os dados do IPCC-Fourth Assessment Report (os
mesmos aqui utilizados). Utilizando dados de 15 MCGAO, eles encontraram que uma
parte do sudeste da Amazônia seria (consensualmente) substituída por savana.
Comparando os resultados aqui obtidos com os de Salazar et al. (2006), para o cenário
SRES-A2 na Amazônia, as áreas apontadas por eles como não-consenso são, neste
estudo, preenchidas por floresta tropical ombrófila (não há mudança), enquanto as áreas
apontadas por eles como consenso de savanização são aqui indicadas como não-
consenso (Tabela 5.2). Em ambos estudos com o CPTEC-PVM original (Nobre et al.,
2004; Salazar et al., 2006) só o efeito do aumento da temperatura já era suficiente para
induzir um aumento de áreas de cerrado na Amazônia (e semi-deserto no Nordeste
Brasileiro). Assim, no CPTEC-PVM original, pequenas reduções de precipitação nessas
regiões já eram suficientes para savanizar partes da Amazônia (e induzir semi-
desertificação no Nordeste Brasileiro). No CPTEC-PVM2, com a inclusão do ciclo de
carbono, um aumento na concentração de CO
2
favoreceria uma mudança para biomas
de maior porte (cf. seção 5.1), contrabalanceando o efeito do aumento de temperatura.
Logo, com o CPTEC-PVM2, a redução de precipitação teria que ser maior para
128
Figura 5.17 – Distribuição de biomas na América do Sul em 2070-2099 segundo
CPTEC-PVM2 no cenário SRES-A2 para cada um dos 14 MCGAO
utilizados. Acima à esquerda é mostrado o mapa de vegetação potencial
atual e o consenso entre 75% dos MCGAO utilizados (áreas continentais
em branco representam não-consenso).
129
Figura 5.18 – Mesmo que Figura 5.17 para o cenário SRES-B1.
130
Figura 5.19 – (a) Vegetação potencial, (b) evapotranspiração (mm d
-1
), e (c) estresse
hídrico (f
5
, adimensional) atuais. O mesmo é mostrado respectivamente para
os MCGAO UKMO-HadCM3 [(d), (e), (f)] e GISS-ER [(g), (h), (i)] em
2070-2099 segundo CPTEC-PVM2 no cenário SRES-A2 [(e), (f), (h) e (i)
são anomalias].
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(i)
131
Tabela 5.2 – Comparação entre os resultados consensuais de Salazar et al. (2006) e o
presente estudo em relação aos impactos das mudanças climáticas para a
distribuição de biomas na Amazônia em 2070-2099.
Salazar et al. (2006)
CPTEC-PVM
Presente estudo
CPTEC-PVM2
permanência de floresta permanência de floresta
não-consenso permanência de floresta
Regiões da Amazônia
em 2070-2099
mudança para savana
(savanização)
não-consenso
savanizar significativamente a Amazônia. Ainda há que se considerar a questão do fogo:
para ocorrer savanização é necessário ter anomalias de oeste no vento zonal 850 hPa, o
que indicaria aumento na quantidade de incêndios naturais (embora haja poucas
diferenças na Amazônia ao se utilizar a versão sem fogo do CPTEC-PVM2; vide anexo
C).
Na realidade, no CPTEC-PVM2, a savanização da Amazônia (observadas em 5
MCGAO) dependeria, sobretudo, do valor assumido pelo índice de sazonalidade de
NPP (S
NPP
; Equação 3.35), o qual, quando alto, permite a ocorrência de savanas e
caatinga. Vale notar, na Figuras 5.13 e 5.14, que há consenso de que haveria aumento da
produtividade primária líquida (M
NPP
; Equação 3.34) na região, e, por outro lado, há
não-consenso, com leve tendência de aumento, da sazonalidade de NPP. A savanização
de parte da Amazônia dependeria então de variações da sazonalidade, ou seja, da
duração da estação seca. Esse aumento da sazonalidade climática poderia ser observado
a partir de um aumento nos contrastes de precipitação e também de temperatura entre o
verão e o inverno, ou a durante estação seca e a chuvosa. Sendo assim, uma estação seca
mais pronunciada no futuro
5
favoreceria a conversão de florestas para savana na
Amazônia; do contrário, o status quo permaneceria. A seca de 2005 na Amazônia, por
______________
5
IPCC (2007) aponta para uma redução consensual e significativa (de até 30%) de precipitação na maior
parte do Brasil durante a estação seca, sob o cenário SRES-A1B (cenário intermediário a A2 e B1).
132
exemplo, embora tenha ocorrido no sudoeste da bacia, é o tipo de evento que, se
recorrente, pode favorecer a conversão para savana apontada aqui por 5 MCGAO.
A seca de 2005 (que não foi um ano de El Niño) na Amazônia estava fortemente
associada às águas superficiais anomalamente quentes do Oceano Atlântico Tropical
Norte em 2005, o mesmo motivo causador da forte temporada de furacões nos EUA
naquele ano (apesar de não haver relação entre a seca na Amazônia e os furacões nos
EUA) (Marengo et al., 2006). Com essas anomalias de temperatura do oceano,
ocorreram anomalias também na circulação atmosférica regional, o que reduziu
significativamente o fluxo de umidade do Atlântico Tropical para o interior da bacia
Amazônica, resultando na estação seca mais severa dos últimos 100 anos na região
(Marengo et al., 2006). As secas nas regiões Centro-Norte e Sudeste da Amazônia (e
inclui-se agora aqui o Nordeste Brasileiro também), como a de 1998, são mais
relacionadas com eventos de El Niño. Sendo assim, se com o aquecimento global
tivermos mais eventos de El Niño, é provável que tenhamos estações secas mais
prolongadas nessas regiões, o que poderia ocasionar a mudança de biomas na Amazônia
e Nordeste Brasileiro. Entretanto, há pouco consenso sobre como o aumento das
emissões de GHG e o conseqüente aquecimento do planeta afetariam o funcionamento e
freqüência do El Niño / Oscilação Sul (ENSO) (Fedorov e Philander, 2000), embora
eles estejam ficando mais freqüentes nas últimas décadas, e embora os dois episódios de
El Niño mais intensos dos últimos 100 anos tenham ocorrido nas duas últimas décadas,
1982-1983 e 1997-1998 (Trenberth e Hoar, 1996; Timmermann et al., 1999; Fedorov e
Philander, 2000).
Portanto, em resumo, pode haver mudança de biomas no sudeste da Amazônia e
Nordeste Brasileiro frente ao cenários SRES-A2 (maiores impactos) ou SRES-B1
(menores impactos). Embora o aquecimento no Brasil seja consenso, ainda há
considerável não-consenso em relação à precipitação, o que leva também a incertezas na
distribuição de biomas nessas duas regiões no final do século. De qualquer modo, os
impactos serão menores que os obtidos por estudos prévios com o CPTEC-PVM
original. A inclusão dos efeitos de CO
2
no modelo coloca os prognósticos de mudança
de biomas na América do Sul em um patamar menos alarmante, e provavelmente mais
133
realista. Entretanto, há que se ter cautela na interpretação destes resultados, uma vez que
o assunto está intimamente relacionado com políticas públicas ambientais: este estudo
não é por si só conclusivo. Conjuntamente a outros estudos, ele contribui para a
avaliação dos impactos na vegetação da Amazônia e Nordeste Brasileiro até o final do
século decorrentes de mudanças climáticas. Embora se considere que a escala de tempo
de mudanças ou migração de ecossistemas seja de séculos a milênios, há fortes
evidências de que mudanças abruptas e repentinas podem acontecer em ecossistemas
(e.g. Scheffer et al., 2001). Há que se considerar ainda que este estudo exclui
perturbações humanas nos ecossistemas. Ou seja, os impactos de desmatamento,
incêndios e outras alterações ambientais antropogênicas têm grande potencial para
acelerar essa mudança abrupta de biomas na Amazônia e Nordeste Brasileiro. Se isso
realmente acontecer os impactos para biodiversidade, recursos hídricos e economia
regional serão profundos. Isso reforça a necessidade de se mitigar as mudanças
climáticas de modo a evitar suas conseqüências catastróficas, uma vez que os custos de
mitigação são inferiores aos custos de adaptação a essas mudanças (Stern, 2006).
5.2.2.3 Redução da sensibilidade de NPP
A aplicação de cenários climáticos futuros no CPTEC-PVM2 ocasiona um aumento de
NPP da ordem de 100% (Figura 5.13). Esse valor é bastante comparável aos obtidos por
simulações desacopladas (sistema clima-vegetação), como a aqui feita, em
Friedlingstein et al. (2006) e Cramer et al. (2001). Simulações acopladas (Friedlingstein
et al., 2006) indicam que esse aumento seria menor, da ordem de 50%. Por sua vez,
experimentos em ecossistemas reais, como o FACE (Nowak et al., 2004), que
consideram apenas o efeito isolado do aumento de CO
2
, indicam que esse aumento seria
menor ainda, da ordem de 12-25%.
Sendo assim, de modo a se obter resultados mais próximos a estes que indicam um
aumento menor de NPP, conduziu-se análise da distribuição futura de biomas na
América do Sul com um nível de aumento de NPP forçadamente menor ao obtido pelo
134
CPTEC-PVM2. Essa análise concentra-se no cenário SRES-A2, e permite um aumento
máximo de NPP de 25%. Assume-se então, frente aos resultados do FACE, que o
aumento de NPP seja somente em função do efeito de fertilização por CO
2
,
desconsiderando os efeitos climáticos adicionais. Sem qualquer ajuste, o CPTEC-
PVM2, sob SRES-A2 resulta em uma NPP de aproximadamente 100 PgC ano
-1
(47 PgC
ano
-1
mais 112% de aumento). Para este teste, limita-se esse valor global para 59 PgC
ano
-1
(47 PgC mais 25% de aumento). Considera-se dois cenários de sazonalidade da
NPP (S
NPP
): (i) S
NPP
é determinado normalmente por essa NPP reduzida [Equação 3.25
é multiplicada por 0,58]; e (ii) S
NPP
é mantido igual ao das simulações da seção 5.2.2.2,
i.e. é determinado pela NPP sem redução [Equação 3.34 (e não 3.25) é multiplicada por
0,58]. Em (ii) assume-se que a as anomalias de sazonalidade de NPP simuladas
normalmente pelo CPTEC-PVM2 estão corretas.
A redução forçada de NPP ocasiona queda no índice S
NPP
, o que, de modo geral,
favorece a expansão de florestas tropicais pelo interior da América do Sul (Figura 5.20).
Desse modo, os impactos consensuais na Amazônia são menores ainda que os
apontados pelo CPTEC-PVM2, sendo que apenas dois MCGAO apontam avanço
significativo de savana na Amazônia (ECHAM5 e UKMO-HadCM3). Para o Nordeste
Brasileiro os prognósticos apontados pelo CPTEC-PVM2 em SRES-A2 se mantêm.
Por outro lado, mantendo S
NPP
igual ao das simulações conduzidas na seção 5.2.2.2,
além dos cinco modelos citados acima, outros três MCGAO (GFDL-CM2.0, GFDL-
CM2.1 e MIROC3.2-medres) apontam para substituição de porções da floresta tropical
ombrófila da Amazônia por floresta tropical estacional ou savana. Desse modo, os
impactos consensuais para a Amazônia são maiores que os apontados pelo CPTEC-
PVM2. Similarmente, no Nordeste Brasileiro mais MCGAO apontam para uma
substituição da caatinga por semi-deserto (Figura 5.21).
Embora seja uma análise artificial [força-se uma redução de NPP e em (ii) S
NPP
não é
determinado por essa NPP], ela permite observar através dos mapas consensuais, que a
simulação conduzida pelo CPTEC-PVM2 na seção 5.2.2.2 é literalmente o meio-termo
135
Figura 5.20 – Mesmo que Figura 5.17, com redução forçada de NPP (e S
NPP
é
determinado por essa NPP reduzida).
136
Figura 5.21 – Mesmo que Figura 5.17, com redução forçada de NPP (e S
NPP
é
determinado pela NPP sem redução).
137
Figura 5.22 – Impactos consensuais nos biomas da América do Sul em 2070-2099 para
o cenário SRES-A2, utilizando o CPTEC-PVM2 (b) original; (c)
forçando redução de NPP (e consequentemente de S
NPP
); (d) forçando
redução de NPP mas considerando S
NPP
igual a (b). Áreas continentais
em branco representam não-consenso. (a) Vegetação potencial atual.
entre os extremos de impactos previstos para a Amazônia (Figura 5.22), o que dá mais
respaldo aos nossos resultados. Sendo assim, os impactos de mudanças climáticas para
os biomas da Amazônia parecem estar no meio-termo entre a “grande savanização” da
região (Cox et al, 2000; Nobre et al., 2004; Salazar et al., 2006) e o “grande
florestamento” do subcontinente (Levis et al., 2000; Cramer et al., 2001). Denota-se
então a importância do clima, e não só do efeito do CO
2
, na alteração de processos
fisiológicos (aumento da NPP) e estruturais nos ecossistemas.
5.2.2.4 Limitações e avanços feitos
Apesar de Nobre et al. (2004) e Salazar et al. (2006) (ambos estudos utilizando a versão
original do CPTEC-PVM) concordarem quanto à uma alteração da vegetação na região
(a)
(b)
(c) (d)
138
Amazônica, há que se lembrar que a versão original do CPTEC-PVM não conta com
um esquema de interação CO
2
-vegetação, o que limita seu uso em estudos de mudanças
climáticas futuras (vide Capítulo 3). O CPTEC-PVM2 já considera essas interações
através da modelagem do ciclo de carbono, o que o torna mais confiável, em termos da
representação (e interação) de certos processos, para tal estudo. Entretanto, há também
que se ponderar sobre as limitações deste modelo.
Os modelos atmosféricos, por exemplo, têm uma hierarquia de complexidade, com os
modelos do sistema climáticos totalmente integrados e “compreensivos” no final do
espectro de modelagem e os modelos altamente simplificados e conceituais no outro
extremo (McGuffie e Henderson-Sellers, 2005). A mesma hierarquia existente entre
modelos atmosféricos pode se aplicar também aos modelos de vegetação e
produtividade de ecossistemas. Adams et al. (2004) define uma hierarquia de
complexidade para alguns modelos de produtividade primária líquida (NPP): modelos
empíricos, modelos de fator β, modelos quase-bioquímicos e modelos bioquímicos,
estes últimos captando processos fisiológicos das plantas. O modelo de ciclo de carbono
do CPTEC-PVM2 pode ser considerado um modelo de complexidade intermediária.
Apesar de ser um modelo híbrido bioquímico-biogeográfico, ainda pode ser considerado
mais simples que o BIOME3 (Haxeltine e Prentice, 1996) e outros modelos mais
complexos e compreensivos de representação de superfície, como IBIS (Foley et al.,
1996) e LPJ (Sitch et al., 2003).
Além disso, na aplicação do CPTEC-PVM2 a cenários climatológicos futuros avalia-se
as mudanças que o clima provocaria no ciclo de carbono, mas não há acoplamento para
avaliar as mudanças (feedbacks) que o ciclo de carbono provocaria no clima. Embora
simulações com ciclo de carbono “offline” tenham sido amplamente conduzidas (e.g.
Prentice et al., 2001; Cramer et. al., 2001), os resultados de simulações acopladas (como
Friedlingstein et al., 2006) possuem uma margem de confiança maior, uma vez que o
acoplamento entre os compartimentos ‘atmosfera’ e ‘vegetação’ permite que ambos
influenciem no funcionamento um do outro. De qualquer forma, o CPTEC-PVM2 é um
139
modelo com bom desempenho para análises de grande escala como a aqui proposta,
devido também à sua resolução e ao número de biomas na classificação LONS06. Além
disso, seu sub-modelo de ciclo de carbono é bastante similar ao do modelo TRIFFID
(Cox et al. 2001), o qual é utilizado como modelo de ciclo de carbono pelo MCGAO do
Hadley Centre (Reino Unido) entre outros.
Para fins práticos de acoplamento ao MCGA do CPTEC/COLA, como esquema de
representação de superfície, o CPTEC-PVM2 apresenta melhorias significativas em
relação à sua versão anterior. Por exemplo, a inclusão de um novo tipo de bioma
(floresta tropical estacional), seja para uso com o SSiB ou com o próprio CPTEC-
PVM2, melhora a representação de superfície nas regiões de Mata Atlântica de interior
(sudeste da América do Sul), uma vez que se considera parâmetros biogeofísicos
diferentes e mais realistas do que os que são considerados atualmente (de savana e
floresta tropical ombrófila) nos modelos de previsão de tempo e clima do CPTEC. O
acoplamento de processos fisiológicos a processos atmosféricos no CPTEC-PVM2,
(e.g. dependência de E sobre NPP), também é um avanço para que, no futuro, o MCGA
do CPTEC/COLA (acoplado ao CPTEC-PVM2) possa ser utilizado em estudos da
interação biosfera-atmosfera nas próximas décadas e séculos ou em estudos
paleoclimáticos.
5.3 Último Máximo Glacial (21 ka)
Para avaliar o CPTEC-PVM2 sob baixas concentrações de CO
2
, testa-se o modelo sob
anomalias climáticas típicas do Último Máximo Glacial (LGM), ocorrido entre 21 e 20
mil anos atrás (ka), no Pleistoceno terminal. Além da queda do nível de CO
2
atmosférico para 180-200 ppmv (Augustin et al., 2004), há um certo consenso de que,
na América do Sul, as temperaturas eram de 3 a 7 °C menores que as atuais (Kutzbach
et al., 1998; Colinvaux et al., 2000; Behling et al., 2000; Behling, 2002). Em relação à
precipitação, mapas de paleo-biomas, obtidos sobretudo a partir de estudos
palinológicos, são úteis ao fornecerem indícios do grau de aridez do sub-continente (e.g.
140
Ab’Sáber, 1977; van der Hammen e Absy, 1994; Ray e Adams, 2001; Haffer e Prance,
2002). No geral, esses mapas apontam para uma aridez suficiente para cobrir o Nordeste
do Brasil com semi-desertos e grande parte do Brasil com savanas e caatingas, sendo
que a Mata Atlântica desapareceria, cedendo lugar a campos. Na Amazônia, a
estimativa do grau de aridez é importante para determinar até que ponto houve retração
da floresta e expansão do cerrado, confirmando ou refutando a teoria dos refúgios
florestais (Ab’Sáber, 1977). van der Hammen e Absy (1994) confirmam essa teoria
demonstrando que no LGM a floresta Amazônica se limitou a “ilhas” de floresta
isoladas por uma matriz de floresta mais seca ou savana. Argumenta-se que para que tal
distribuição de biomas ocorresse, houve redução de 40% da precipitação na Amazônia
(van der Hammen e Hooghiemstra, 2000). Por outro lado, Colinvaux et al. (2000)
argumentam que a Floresta Amazônica possuía extensão semelhante à atual no LGM,
indicando pouca aridez e pouca (ou nenhuma) redução de precipitação na região,
refutando a teoria dos refúgios florestais.
Sendo assim, essa análise com o CPTEC-PVM2 para o LGM engloba seis cenários:
reduções de temperatura de 3; 4 e 5°C; e reduções de precipitação de 0%, 25% e 50%;
considerando em todos casos uma concentração atmosférica de CO
2
de 180 ppmv
(Figura 5.23).
Em todos os cenários a floresta tropical ombrófila da Amazônia é substituída por
floresta tropical estacional, conseqüência de uma redução da NPP. Entretanto, o grau de
expansão da vegetação de savana na região Amazônia, e no sul/sudeste do Brasil
depende fundamentalmente do nível de redução de precipitação. Somente a redução de
50% na precipitação é suficiente para representar a distribuição de biomas sugerida pela
teoria dos refúgios florestais [valor próximo aos 40% sugerido por van der Hammen e
Hooghiemstra (2000)], inclusive com desaparecimento da Mata Atlântica. De qualquer
maneira, os resultados com o CPTEC-PVM2 para o LGM parecem se aproximar mais
do padrão apresentado por estudos que sugerem a ocupação da Amazônia por savana e
floresta tropical mais seca (estacional) durante o LGM (van der Hammen e Absy, 1994;
van der Hammen e Hooghiemstra, 2000; Haffer e Prance, 2002). Inclusive há, nos três
141
Figura 5.23 – Vegetação potencial durante o Último Máximo Glacial (21 ka),
considerando, respectivamente, uma redução de temperatura (°C) e
precipitação de: (b) -3; 0%; (c) -3; -25%; (d) -3; -50%; (e) -4; 0%; (f) -4; -
25%; (g) -4; -50%; (h) -5; 0%; (i) -5; -25%; (j) -5; -50%. (a) Vegetação
potencial atual.
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(i) (j)
142
cenários de redução de 50% de precipitação, reprodução de um refúgio florestal no
sudeste do Pará, indicado por Haffer e Prance (2002). Vale ressaltar ainda que uma
redução de 3°C e manutenção da condições atuais de precipitação já é suficiente para
que haja semi-desertificação de partes do Nordeste Brasileiro e do Sul do Brasil (em
consonância com Ab’Sáber, 1977 e Ray e Adams, 2001).
Logicamente há que se considerar as limitações de tal análise, que (i) determina as
mesmas anomalias climáticas para todos os pontos de grade; (ii) conta com um modelo
de ciclo de carbono parametrizado para condições fisiológicas de plantas atuais; (iii)
considera que I
PAR
é igual ao dos dias atuais. Uma análise mais confiável pode ser feita
utilizando-se climatologias específicas para o LGM oriundas de MCGAO, e fazendo-se
algumas adaptações no sub-modelo de ciclo de carbono do CPTEC-PVM2.
5.4 Efeitos pós Revolução Industrial
Uma análise experimental complementar é acessar os impactos do aumento da
concentração atmosférica de CO
2
de 280 para 350 ppmv
6
após a Revolução Industrial
no final do século
XVIII. Argumenta-se que esse aumento teve efeitos significativos na
produtividade de ecossistemas terrestres. Várias evidências sugerem que nas últimas
décadas a biosfera terrestre de fato se tornou um sumidouro de carbono atmosférico
(Foley e Ramankutty, 2004; Steffen et al., 2004).
Desse modo, aplica-se ao CPTEC-PVM2 uma anomalia de temperatura de -0.7°C, com
uma concentração de CO
2
de 280 ppmv (IPCC, 2007), e sem mudanças na precipitação
(Figura 5.24). Nota-se que a única mudança é a substituição de grande parte da floresta
tropical ombrófila da Amazônia e Mata Atlântica por floresta tropical estacional,
indicando um aumento de NPP no período do século
XVIII ao XX. Mesmo que o tipo de
bioma não tenha se alterado nesse período (a substituição de floresta tropical ombrófila
______________
6
Considerando a concentração de CO
2
para o período 1961-1990, uma vez que, para climatologias atuais,
o CPTEC-PVM2 roda nesse período. Em 2005 essa concentração atingiu 379 ppmv (IPCC, 2007).
143
Figura 5.24 – (a) Vegetação potencial atual e, (b) vegetação potencial para o período pré
Revolução Industrial, com redução de temperatura de 0,7°C e
concentração atmosférica de CO
2
de 280 ppmv (precipitação é mantida
inalterada).
por estacional parece ser uma limitação do modelo), nossos resultados indicam um
aumento de 20% na NPP desde o séc.
XVIII até os dias atuais. Esse aumento concorda
com observações que indicam o aumento da produtividade de ecossistemas terrestres
nas últimas décadas (Foley e Ramankutty, 2004), embora não se possa afirmar que isso
se deve exclusivamente ao efeito de fertilização por CO
2
(Steffen et al., 2004).
(a)
(b)
144
145
6 CONCLUSÕES
Desenvolveu-se o CPTEC-PVM2, modelo de vegetação potencial semelhante ao
CPTEC-PVM original, que, no entanto, agora inclui um sub-modelo de ciclo de
carbono. A partir da temperatura, precipitação, e concentração atmosférica de CO
2
, este
sub-modelo de ciclo de carbono calcula a produtividade primária líquida (NPP) e
respiração heterotrófica dos ecossistemas, assim como os estoques de carbono no solo,
tendo bom desempenho em relação à dados observados e modelados. Sendo assim, as
regras de alocação de biomas foram totalmente reformuladas, sendo que com três
variáveis (média anual de NPP, um índice de sazonalidade da NPP e a temperatura do
mês mais frio), o CPTEC-PVM2 fornece o bioma em equilíbrio com determinado clima.
O CPTEC-PVM2 tem um desempenho classificado como “regular” e inferior ao
CPTEC-PVM original, embora seja bastante comparável ao de outros MVPot que
modelam o ciclo de carbono. O CPTEC-PVM2 consegue representar bem o padrão
global de biomas e, na América do Sul representa bem o corredor de biomas secos
(Caatinga, Cerrado e Chaco), assim como os biomas florestais (Amazônia e Mata
Atlântica) e ainda aloca corretamente gramíneas na região dos Pampas Sulinos. Embora
seu desempenho seja inferior ao CPTEC-PVM original, outras melhorias conceituais
foram feitas (além da inclusão de ciclo de carbono), entre elas: obtenção de um novo
mapa de vegetação natural referencial, e inclusão de um novo tipo de bioma (floresta
tropical estacional). Ainda houve adaptação satisfatória da parametrização de fogo
natural (que a versão mais recente do CPTEC-PVM tinha) para o CPTEC-PVM2. O
teste de sensibilidade com o modelo indica que a expansão de biomas de maior porte é
favorecida por resfriamento, aumento de precipitação e aumento da concentração de
CO
2
, enquanto os biomas de menor porte são favorecidos por aquecimento, diminuição
de precipitação e diminuição da concentração de CO
2
.
Analisa-se então os efeitos de mudanças climáticas futuras na distribuição dos biomas
forçando-se o CPTEC-PVM2 com climatologias oriundas de 14 MCGAO do IPCC, sob
146
dois cenários de emissões antropogênicas, SRES-A2 e SRES-B1. Na América do Sul os
maiores impactos seriam observados na Amazônia, Nordeste Brasileiro e na região dos
Pampas Sulinos, em ambos os cenários (em SRES-A2 os impactos afetam áreas maiores
nessas regiões, enquanto em SRES-B1 os impactos são mais concentrados). Embora
haja consenso apontando para um aumento, em todo o sub-continente (exceto no
Nordeste Brasileiro), da NPP, ainda há incertezas quanto à distribuição de biomas em
2100 no Sudeste da Amazônia e no Nordeste Brasileiro (é consenso que os campos dos
Pampas Sulinos seriam substituídos por floresta). Entretanto, mais de 75% dos MCGAO
utilizados apontam que a provável savanização na Amazônia ocorreria em uma área
menor do que a apontada por estudos anteriores com o CPTEC-PVM original (Nobre et
al., 2004; Salazar, et al., 2006). Assim, os efeitos de aquecimento e aumento da
concentração de CO
2
sobrepujam as incertezas em relação a precipitação apontadas
pelos MCGAO do IPCC na Amazônia, uma vez que uma grande área permanece como
floresta ombrófila no final do século. Entretanto, no Sudeste da Amazônia ainda há
incertezas quanto à uma mudança de floresta para savanas. Essa provável mudança de
biomas na região dependeria de um aumento/diminuição da sazonalidade de
precipitação e temperatura. Embora os impactos na Amazônia, sejam menores que os
apontados por Nobre et al. (2004) e Salazar et al. (2006), há que se ter cautela com a
interpretação destes resultados, uma vez que 5 dos MCGAO utilizados apontam para a
savanização de significativa parte da Amazônia. No Nordeste Brasileiro há uma grande
área de incerteza: enquanto alguns modelos apontam para substituição da caatinga por
semi-deserto, outros apontam para uma substituição de caatinga por savana. Nesse caso
do Nordeste Brasileiro, as incertezas em relação às anomalias de precipitação
sobrepujam os efeitos do aquecimento e aumento da concentração de CO
2
.
Diferentemente da Amazônia, para o Nordeste Brasileiro mais MCGAO (8) apontam
para uma mudança de biomas, seja ela para um bioma de maior ou menor porte. Desse
modo, verifica-se que, tanto no cenário SRES-A2 como em SRES-B1, as mudanças
climáticas futuras previstas pelo IPCC podem ter impactos profundos sobre a vegetação
da América do Sul.
147
Analisa-se ainda, a distribuição de biomas durante o Último Máximo Glacial (LGM) e
durante o período pré-Revolução Industrial. Para o LGM, nossos resultados tendem ao
padrão de biomas apontado pela teoria dos refúgios florestais, embora somente uma
redução de precipitação de 50% seja suficiente para que haja efetiva ocupação de
savana na Amazônia. Para o outro teste, conclui-se que desde o século
XVIII até o XX
houve aumento da NPP, como conseqüência do aumento da concentração atmosférica
de CO
2
.
6.1 Trabalhos futuros
Como trabalho futuro, propõe-se um aperfeiçoamento do CPTEC-PVM2, a se
concentrar em três frentes: (1) reformulação do sub-modelo de respiração autotrófica
(R
H
); (2) adequação do algoritmo de escolha dos biomas para a região extra-tropical; (3)
redução da sensibilidade da NPP a mudanças da concentração atmosférica de CO
2
.
Em (1), deve-se encontrar uma relação “menos exponencial” entre a temperatura do
solo, água disponível no solo, evapotranspiração e índice de área foliar, de modo que o
sub-modelo seja menos sensível ao aumento dessas variáveis. Deve-se prezar pela
igualdade entre NPP e R
H
a nível global, de forma que a produtividade líquida do
ecossistema (NEP) tenha um valor mais próximo a zero do que a atualmente modelada
pelo CPTEC-PVM2 (-19,3 PgC ano
-1
). A reformulação de R
H
ainda pode permitir o uso
das quantidades de carbono na serapilheira como um indicador de combustível para
incêndios naturais e ser incluído na parametrização de fogo natural.
A adequação do algoritmo (2), através de um método de calibração mais criterioso, teria
como objetivo melhorar a representação do biomas campos (7) na região (de T
c
) boreal
e temperada, o que poderia aumentar o desempenho global do modelo.
Complementando essa adequação do algoritmo, propõe-se uma análise sistemática dos
pontos de caatinga presentes na Índia, visando pequena alteração do algoritmo a região
tropical que transforme esses pontos em savana, sem, no entanto, alterar a configuração
de biomas modelada na América do Sul. Isso permitiria a exclusão do bioma caatinga
148
da parametrização de fogo natural, uma vez que não há registros de incêndios naturais
como determinantes da ocorrência de caatinga, apenas para savanas, na região tropical.
Em (3) essa redução da sensibilidade deve exigir um estudo criterioso da constante de
Michaelis-Menten para CO
2
(Equação 3.9). Sugere-se fazer uma calibração cuidadosa
do parâmetro k
12
, de forma a evitar o erro sistemático cometido pelo modelo na seção
5.4.
Propõe-se ainda, assim como feito para o CPTEC-PVM original, o acoplamento do
CPTEC-PVM2 ao MCGA do CPTEC/COLA, com a finalidade de se investigar
possíveis estados alternativos de equilíbrio do sistema clima-vegetação, no presente
(como em Oyama e Nobre, 2003), ou no passado (como em Claussen, 1997). Esse
acoplamento ainda permitiria o estudo (acoplado) do efeito de mudanças climáticas
passadas ou futuras na distribuição de biomas na América do Sul. No caso de mudanças
futuras, ter-se-ia resultados mais confiáveis para comparação com os resultados deste
estudo e os de Nobre et al. (2004) e Salazar et al. (2006), uma vez que há dupla
interação entre o sistema clima-vegetação. No caso de mudanças passadas, sugere-se
investigação mais rigorosa que a aqui feita para o Último Máximo Glacial (LGM) e
durante o Médio Holoceno, para quando existem evidências de conexão entre a
Amazônia e a Mata Atlântica através da região onde atualmente há caatinga no
Nordeste Brasileiro.
149
REFERÊNCIAS BIBLIOGRÁFICAS
AB’SÁBER, A. N. Espaços ocupados pela expansão dos climas secos na América do
Sul, por ocasião dos períodos glaciais quaternários.
Paleoclimas, n.3, p. 1-9, 1977.
ADAMS, B.; WHITE, A.; LENTON, T. M. An analysis of some diverse approaches to
modelling terrestrial net primary productivity.
Ecological Modelling, v. 177, n. 3-4, p.
353-391, 2004.
ALEXANDROV, G. A.; OIKAWA, T.; YAMAGATA, Y. Climate dependence of the
CO
2
fertilization effect on terrestrial net primary production. Tellus, v. 55B, n. 2, p.
669-675, 2003.
AUGUSTIN, L.; BARBANTE, C.; BARNES, P. R. F.; BARNOLA, J. M.; BIGLER,
M.; CASTELLANO, E.; CATTANI, O.; CHAPPELLAZ, J.; DAHLJENSEN, D.;
DELMONTE, B.; DREYFUS, G.; DURAND, G.; FALOURD, S.; FISCHER, H.;
FLUCKIGER, J.; HANSSON, M. E.; HUYBRECHTS, P.; JUGIE, R.; JOHNSEN, S. J.;
JOUZEL, J.; KAUFMANN, P.; KIPFSTUHL, J.; LAMBERT, F.; LIPENKOV, V. Y.;
LITTOT, G. V. C.; LONGINELLI, A.; LORRAIN, R.; MAGGI, V.; MASSON-
DELMOTTE, V.; MILLER, H.; MULVANEY, R.; OERLEMANS, J.; OERTER, H.;
OROMBELLI, G.; PARRENIN, F.; PEEL, D. A.; PETIT, J. R.; RAYNAUD, D.;
RITZ, C.; RUTH, U.; SCHWANDER, J.; SIEGENTHALER, U.; SOUCHEZ, R.;
STAUFFER, B.; STEFFENSEN, J. P.; STENNI, B.; STOCKER, T. F.; TABACCO, I.
E.; UDISTI, R; VAN DE WAL, R. S. W.; VAN DEN BROEKE, M.; WEISS, J.;
WILHELMS, F.; WINTHER, J. G.; WOLFF, E. W.; ZUCCHELLI, M. Eight glacial
cycles from an Antarctic ice core.
Nature, v. 429, n. 6992, p. 623-628, 2004.
AVISSAR, R.; DIAS, P. L. S.; DIAS, M. A. F. S.; NOBRE, C. A. The large-scale
biosphere-atmosphere experiment in Amazonia (LBA): insights and future research
needs.
Journal of Geophysical Research, v. 107, n. D20, p. 2729-2742, 2002.
BARNES, B. V.; ZAK, D. R.; DENTON, S. R.; SPURR, S. H.
Forest ecology, 4. ed.
New York: John Wiley & Sons, 1998. 792 p.
BEGON, M.; HARPER, J. L.; TOWNSEND, C. R.
Ecology: individuals, populations
and communities. 3. ed. Oxford: Blackwell Science, 1996. 1068 p.
BEHLING, H.; ARZ, H. W.; PÄTZOLD, J.; WEFER, G. Late Quaternary vegetational
and climate dynamics in northeastern Brazil, inferences form marine core GeoB 3104-1.
Quaternary Science Reviews, v. 19, n. 10, p. 981-994, 2000.
BEHLING, H. South and southeast Brazilian grassland during Late Quaternary times: a
synthesis.
Palaeogeography, palaeoclimatology, palaeoecology, v. 177, n. 1-2, p. 19-
27, 2002.
150
BETTS, R. A.; COX, P. M.; LEE, S. E.; WOODWARD, F. I. Contrasting physiological
and structural vegetation feedbacks in climate change simulations.
Nature, v. 387, n.
6635, p. 796-799, 1997.
BROOKMAN-AMISSAH, J.; HALL, J. B.; SWAINE, M. D.; ATTAKORAH, J. Y. A
re-assessment of a fire protection experiment in North-eastern Ghana savanna.
Journal
of Applied Ecology, v.17, n. 1, p.85-99, 1980.
BUCHER, E. H. Chaco and Caatinga – South American Arid Savannas, Woodlands and
Thickets. In: HUNTLEY, B. J.; WALKER, B. H. (Ed.).
Ecology of Tropical
Savannas. Berlin: Springer-Verlag, 1982. p. 48-79.
CARDOSO, M.; NOBRE, C. A.; OYAMA, M. D.; SAMPAIO, G. Improving potential
biomes allocation by considering natural fires in savannas. In: INTERNATIONAL
CONFERENCE ON SOUTH HEMISPHERE METEOROLOGY AND
OCEANOGRAPHY, 8., 2006, Foz do Iguaçu.
Proceedings… São José dos Campos:
INPE, 2006. p. 513-515.
CAVALCANTI, I. F. A.; MARENGO, J. A.; SATYAMURTY, P.; NOBRE, C. A.;
TROSNIKOV, I.; BONATTI, J. P.; MANZI, A. O.; TARASOVA, T.; PEZZI, L. P.;
D'ALMEIDA, C.; SAMPAIO, G.; CASTRO, C. C.; SANCHES, M. B.; CAMARGO, L.
Global climatological features in a simulation using the CPTEC-COLA AGCM.
Journal of Climate, v. 15, n. 21, p. 2965-2988, 2002.
CHARNEY, J. G. The dynamics of deserts and droughts.
Quarterly Journal of The
Royal Meteorological Society, v. 101, n. 428, p. 193-202, 1975.
CLAUSSEN, M. Does land surface matter in weather and climate? In: Kabat, P.;
CLAUSSEN, M.; DIRMEYER, P. A.; GASH, J. H. C.; BRAVO DE GUENNI, L.;
MEYBECK, M.; PIELKE SR, R. A.; VÖRÖSMARTY, C. J.; HUTJES, R. W. A.;
LÜTKEMEIER, S. (Ed.).
Vegetation, water, humans and climate: a new perspective
on an interactive system. IGBP Global Change Series. New York: Springer-Verlag,
2004. part A, p. 5-6.
CLAUSSEN, M. Modeling bio-geophysical feedback in the African and Indian
monsoon region.
Climate Dynamics, v. 13, n. 4, p. 247-257, 1997.
COLINVAUX, P. A.; DE OLIVEIRA, P. E.; BUSH, M. B. Amazonian and Neotropical
plant communities on glacial time-scales: the failure of the aridity and refuge
hypothesis.
Quaternary Science Reviews, v. 19, n. 1-5, p. 141-169, 2000.
COLLATZ, G. J.; BALL, J. T.; GRIVET, C.; BERRY, J. A. Physiological and
environmental regulation of stomatal conductance, photosynthesis and transpiration: a
model that includes a laminar boundary layer.
Agricultural and Forest Meteorology,
v. 54, n. 2-4, p. 107-136, 1991.
151
COUTINHO, L. M. Ecological effects of fire in Brazilian Cerrado. In: HUNTLEY, B.
J.; WALKER, B. H. (Ed.).
Ecology of tropical savannas. Berlin: Springer-Verlag,
1982. p.273-291.
COUTINHO, L. M. Fire in the ecology of the Brazilian Cerrado. In: GOLDAMMER, J.
G. (Ed.).
Fire in the tropical biota: ecosystem processes and global challenges. Berlin:
Springer-Verlag, 1990. p.82-105.
COX, P. M.
Description of the “TRIFFID” dynamic global vegetation model.
Bracknell: UK Meteorological Office, 2001. 16 p. (Hadley Centre Technical Note 24).
COX, P. M.; HUNTINGFORD, C.; HARDING, R. J. A canopy conductance and
photosynthesis model for use in a GCM land surface scheme.
Journal of Hydrology, v.
213, n. 1-4, p. 79-94, 1998.
COX, P. M.; BETTS, R. A.; JONES, C. D.; SPALL, S. A.; TOTTERDELL, I. J.
Acceleration of global warming due to carbon-cycle feedbacks in a coupled climate
model.
Nature, v. 408, n. 6809, p. 184-187, 2000.
CRAMER, W.; KICKLIGHTER, D. W.; BONDEAU, A.; MOORE III, B.;
CHURKINA, G.; NEMRY, B.; RUIMY, A.; SCHLOSS, A. L.; THE PARTICIPANTS
OF THE POTSDAM NPP MODEL INTERCOMPARISON. Comparing global models
of terrestrial net primary productivity (NPP): overview and key results.
Global Change
Biology, v. 5, n. 1, p. 1-15, 1999.
CRAMER, W.; BONDEAU, A.; WOODWARD, F. I.; PRENTICE, I. C.; BETTS, R.
A.; BROVKIN, V.; COX, P. M.; FISHER, V.; FOLEY, J. A.; FRIEND, A. D.;
KUCHARIK, C.; LOMAS, M. R.; RAMANKUTTY, N.; SITCH, S.; SMITH, B.;
WHITE, A.; YOUNG-MOLLING, C. Global response of terrestrial ecosystem structure
and function to CO
2
and climate change: results from six dynamic global vegetation
models.
Global Change Biology, v. 7, n. 4, p. 357-373, 2001.
DE PURY, D. G. G.; FARQUHAR, G. D. Simple scaling of photosynthesis from leaves
to canopies without the errors of big-leaf models.
Plant, Cell and Environment, v. 20,
n. 5, p. 537-557, 1997.
DORMAN, J. L.; SELLERS, P. J. A global climatology of albedo, roughness lenght and
stomatal resistance for atmospheric general circulation models as represented by the
Simple Biosphere model (SiB).
Journal of Applied Meteorology, v. 28, n. 9, p. 833-
855, 1989.
ECHER, E.; SOUZA, M. P.; SCHUCH, N. J. A Lei de Beer aplicada na atmosfera
terrestre.
Revista Brasileira de Ensino de Física, v. 23, n. 3, p. 276-283, 2001.
ESSER, G.; ASELMAN, I.; LEITH, H. Modelling the carbon reservoir in the system
compartment “litter”. In:
Mitteilungen aus dem Geologisch-Palantologischen Institut
der Universitat Hamburg. Hamburg: Hamburg University, 1982. p. 114-137.
152
EYRE, S. R.
Vegetation and soils, a world picture. London: Edward Arnold
Publishers, 1968. 328 p.
EYSENBACH, G.; DIEPGEN, T. L. Towards quality management of medical
information on the internet: evaluation, labelling and filtering of information.
British
Medical Journal, v. 317, n. 7171, p. 1496-1500, 1998.
FARQUHAR, G. D.; VON CAEMMERER, S.; BERRY, J. A. A biochemical model of
photosynthetic CO
2
assimilation in leaves of C
3
plants. Planta, v. 149, n. 1, p. 78-90,
1980.
FEDOROV, A. V.; PHILANDER, G. S. Is El Niño changing?
Science, v. 288, n. 5473,
p. 1997-2002, 2000.
FIELD, C. B.; JACKSON, R. B.; MOONEY, H. A. Stomatal responses to increased
CO
2
: implications from the plant to the global scale. Plant, Cell and Environment, v.
18, n. 10, p. 1214-1225, 1995.
FOLEY, J. An equilibrium model of the terrestrial carbon budget.
Tellus, v. 47B, n. 3,
p. 310-319, 1995.
FOLEY, J. A.; RAMANKUTTY, N. A primer on the terrestrial carbon cycle: what we
don’t know but should. In: FIELD, C. B.; RAUPACH, M. R. (Ed.).
The global carbon
cycle. Washington: Island Press, 2004. cap. 14, p. 279-294.
FOLEY, J. A.; PRENTICE, I. C.; RAMANKUTTY, N.; LEVIS, S.; POLLARD, D.;
SITCH, S.; HAXELTINE, A. An integrated biosphere model of land surface processes,
terrestrial carbon balance and vegetation dynamics.
Global Biogeochemical Cycles, v.
10, n. 4, 603–628, 1996.
FOLEY, J. A.; DEFRIES, R.; ASNER, G. P.; BARFORD, C.; BONAN, G.;
CARPENTER, S. R.; CHAPIN, F. S.; COE, M. T.; DAILY, G. C.; GIBBS, H. K.;
HELKOWSKI, J. H.; HOLLOWAY, T.; HOWARD, E. A.; KUCHARIK, C. J.;
MONFREDA, C.; PATZ, J. A.; PRENTICE, I. C.; RAMANKUTTY, N.; SNYDER, P.
K. Global consequences of land use.
Science, v. 309, n. 5734, p. 570-574, 2005.
FRIEDLINGSTEIN, P.; COX, P.; BETTS, R.; BOPP, L.; VON BLOH, W.;
BROVKIN, V.; CADULE, P.; DONEY, S.; EBY, M.; FUNG, I.; BALA, G.; JOHN, J.;
JONES, C.; JOOS, F.; KATO, T.; KAWAMIYA, M.; KNORR, W.; LINDSAY K.;
MATTHEWS, H. D.; RADDATZ, T.; RAYNER, P.; REICK, C.; ROECKNER, E.;
SCHNITZLER, K.-G.; SCHNUR, R.; STRASSMANN, K.; WEAVER, A. J.;
YOSHIKAWA, C.; ZENG, N. Climate-carbon cycle feedback analysis: results from the
C
4
MIP Model Intercomparison. Journal of Climate, v. 19, n. 14, p. 3337-3353, 2006.
GILL, A. M.; GROVES, R. H.; NOBLE, I. R..
Fire and the australian biota.
Canberra: Australian Academy of Science, 1981. 169 p.
153
GIORGI, F.; FRANCISCO, R. Evaluating uncertainties in the prediction of regional
climate.
Geophysical Research Letters, v. 27, n. 9, p. 1295-1298, 2000.
GRANADOS, J.; KÖRNER, C. In deep shade elevated CO
2
increases the vigor of
tropical climbing plants.
Global Change Biology, v. 8, n. 11, p. 1109-1117, 2002.
HAFFER, J.; PRANCE, G. T. Impulsos climáticos da evolução na Amazônia durante o
Cenozóico: sobre a teoria dos Refúgios da diferenciação biótica.
Estudos Avançados,
v. 16, n. 46, p. 175-206, 2002.
HAMILTON, J. G.; DELUCIA, E. H.; GEORGE, K.; NAIDU, S. L.; FINZI, A. C.;
SCHLESINGER, W. H. Forest carbon balance under elevated CO
2
. Oecologia, v. 131,
n. 2, p. 250-260, 2002.
HARLEY, P. C.; WEBER, J. A.; GATES, D. M. Interactive effects of light, leaf
temperature, CO
2
and O
2
on photosynthesis in soybean. Planta, v. 165, n. 2, p. 249-263,
1985.
HARTMANN, D. L.
Global physical climatology. San Diego: Academic Press, 1994.
411 p.
HAXELTINE, A.; PRENTICE, I. C. BIOME3: an equilibrium terrestrial biosphere
model based on ecophysiological constraints, resource availability, and competition
among plant functional types.
Global Biogeochemical Cycles, v. 10, n. 4, p. 693-709,
1996.
HENRIQUES, R. P. B.; HAY, J. D. Patterns and dynamics of plant populations. In:
OLIVEIRA, P. S.; MARQUIS, R. J. (Ed.).
The cerrados of Brazil: ecology and natural
history of a Neotropical savanna. Columbia: Columbia University Press, 2002. cap. 8,
p.140-158.
HIROSE, T. Development of the Monsi-Saeki Theory on canopy structure and function.
Annals of Botany, v. 95, n. 3, p. 483-494, 2005.
HOFFMANN, W. A. The effects of fire and cover on seedling establishment in a
neotropical savanna.
Journal of Ecology, v.84, p.383-393, 1996.
HUNTINGFORD, C.; COX, P. M.; LENTON, T. M. Contrasting responses of a simple
terrestrial ecosystem model to global change.
Ecological Modelling, v. 134, n. 1, p. 41-
58, 2000.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE).
Mapa de
vegetação do Brasil. Rio de Janeiro: IBGE, 1993. Escala 1: 20.000.000.
INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE (IPCC).
IPCC Special
Report on Emissions Scenarios (SRES). Working Group III. Cambridge: Cambridge
University Press, 2000. 595 p.
154
INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE (IPCC).
Climate
change 2001: the scientific basis. Cambridge: Cambridge University Press, 2001. 881 p.
INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE (IPCC).
Climate
change 2007: the physical science basis (summary for policymakers). Gênova: IPCC
Secretariat, 2007. 18 p.
JONES, C.; MCCONNELL, K.; COLEMAN, P.; COX, P.; FALLOON, P.;
JENKINSON, D.; POWLSON, D. Global climate change and soil carbon stocks;
Predictions from two contrasting models for the turnover of organic carbon in soil.
Global Change Biology, v. 11, n. 1, p. 154-166, 2005.
KALNAY, E.; KANAMITSU, M.; KISTLER, R.; COLLINS, W.; DEAVEN, D.;
GANDIN, L.; IREDELL, M.; SAHA, S.; WHITE, G.; WOOLLEN, J.; ZHU, Y.;
CHELLIAH, M.; EBISUZAKI, W.; HIGGINS, W.; JANOWIAK, J.; MO, K. C.;
ROPELEWSKI, C.; WANG, J.; LEETMAA, A.; REYNOLDS, R.; JENNE, R.;
JOSEPH, D. The NCEP/NCAR 40-year Reanalysis Project.
Bulletin of the American
Meteorological Society, v. 77, n. 3, p. 437-471, 1996.
KNORR, W.; PRENTICE, I. C.; HOUSE, J. I.; HOLLAND, E. A. Long-term sensitivity
of soil carbon turnover to warming.
Nature, v. 433, n. 7023, p. 298-301, 2005.
KÜCHLER, A. W.
Potential natural vegetation of Alaska. Kansas: University of
Kansas, 1966. Escala 1: 7.500.000.
KÜCHLER, A. W. A physiognomic and structural analysis of vegetation. In:
KÜCHLER, A. W.; ZONNEVELD, I. S. (Ed.).
Vegetation mapping. Dordrecht:
Kluwer Academic Publishers, 1988. p. 37-50.
KUTZBACH, J.; GALLIMORE, R.; HARRISON, S.; BEHLING, P.; SELIN, R.;
LAARIF, F. Climate and biome simulations for the past 21,000 years.
Quaternary
Science Reviews
, v. 17, n. 6-7, p. 473-506, 1998.
LACEY, C. J.; WALKER, J.; NOBLE, I. R. Fire in Australian tropical savannas. In:
HUNTLEY, B. J.; WALKER, B. H. (Ed.).
Ecology of tropical savannas. Berlin:
Springer-Verlag, 1982. p.246-272.
LAPOLA, D. M.; OYAMA, M. D.; CARDOSO, M. F.; NOBRE, C. A. A importância
de incêndios naturais na ocorrência de savanas e florestas: um estudo de modelagem
com o CPTEC-PVM. In: Congresso Brasileiro de Meteorologia, 14., 2006,
Florianópolis.
Anais... São José dos Campos: SBMET, 2006. 6 p. CD-ROM.
LAURENT, H.; MACHADO, L. A. T.; MORALES, C. A.; DURIEUX, L.
Characteristics of the Amazonian mesoscale convective systems observed from satellite
and radar during the WETAMC/LBA experiment.
Journal of Geophysical Research,
v. 107, n. D20, art. n. 8054, 2002.
155
LENTON, T. M. Land and ocean carbon cycle feedback effects on global warming in a
simple Earth system model.
Tellus, v. 52B, n. 5, p. 1159-1188, 2000.
LEVIS, S.; FOLEY, J.A.; POLLARD, D. Large-scale vegetation feedbacks on a
doubled CO
2
climate. Journal of Climate, v.13, n.7, p.1313-1325, 2000.
LOS, S. O.; COLLATZ, G. J.; SELLERS, P. J.; MALMSTRÖM, C. M.; POLLACK, N.
H.; DEFRIES, R. S.; BOUNOUA, L.; PARRIS, M. T.; TUCKER, C. J.; DAZLICH, D.
A. A global 9-year biophysical land-surface data set from NOAA AVHRR data.
Journal of Hydrometeorology, v. 1, n. 2, p. 183-199, 2000.
LUDWIG, D.; WALKER, B.; HOLLING, C. S. Sustainability, stability and resilience.
Conservation Ecology, v.1, 1997. Disponível em: http://www.consecol.org/vol1/iss1/
art7/ , Acesso em 23/06/2005.
LUND, P. W. Blik paa Brasilien dryeverden.
Selsk Skrifter, v.11, p.1-82, 1843.
MARCHIORI, J. N. C.
Fitogeografia do Rio Grande do Sul: campos sulinos. Porto
Alegre: EST Edições, 2004. 110 p.
MARENGO, J. A.; CAVALCANTI I. F. A.; SATYAMURTY, P.; TROSNIKOV, I.;
NOBRE, C. A.; BONATTI, J. P., CAMARGO, H.; SAMPAIO, G.; SANCHES, M. B.;
MANZI, A. O.; CASTRO, C. A. C.; D’ALMEIDA, C.; PEZZI, L. P.; CANDIDO, L.
Assessment of regional seasonal rainfall predictability using the CPTEC/COLA
atmospheric GCM.
Climate Dynamics, v. 21, n. 5-6, p. 459-475, 2003.
MARENGO, J. A.; NOBRE, C. A.; TOMASELLA, J.; OYAMA, M. D.; SAMPAIO,
G.; OLIVEIRA, R.; CAMARGO, H.; ALVES, L. M.; BROWN, I. F. The drought of
Amazonia in 2005. In: Congresso Brasileiro de Meteorologia, 14., 2006, Florianópolis.
Anais... São José dos Campos: SBMET, 2006. 9 p. CD-ROM.
MATTHEWS, E. Global vegetation and land use: new high-resolution data bases for
climate studies.
Journal of Climate and Applied Meteorology, v. 22, n. 3, p. 474-487,
1983.
MCGUFFIE, K.; HENDERSON-SELLERS, A.
A climate modelling primer. 3. ed.
New York: John Wiley & Sons, 2005. 296 p.
MIRANDA, H. S.; BUSTAMANTE, M. M. C.; MIRANDA, A. C. The fire factor. In:
OLIVEIRA, P. S.; MARQUIS, R. J. (Ed.).
The cerrados of Brazil: ecology and natural
history of a Neotropical savanna. Columbia: Columbia University Press, 2002. cap. 4,
p.51-68.
MONSERUD, R. A.; LEEMANS, R. Comparing global vegetation maps with the
Kappa statistic.
Ecological Modelling, v. 62, n. 4, p. 275-293, 1992.
156
MONSI, M.; SAEKI, T. Über den Lichtfaktor in den Pflanzengesellschaften und seine
Bedeutung für die Stoffproduktion.
Japanese Journal of Botany, v. 14, n. 1, p. 22–52,
1953.
MOONEY, H. A.; CANADELL, J.; CHAPIN, F. S. III; EHLERINGER, J. R.;
KÖRNER, CH; MCMURTRIE, R. E.; PARTON, W. J.; PITELKA, L. F.; SCHULZE,
E.-D. Ecosystem physiology responses to global change. In: WALKER, B.; STEFFEN,
W.; CANADELL, J.; INGRAM, J. (Ed.).
The terrestrial biosphere and global
change: implications for natural and managed ecosystems. Cambridge: Cambridge
University Press, 1999. p. 141-189.
MOURA, A. D.; HASTENRATH, S. Climate prediction for Brazil’s Nordeste:
performance of empirical and numerical modeling methods.
Journal of Climate, v. 17,
n. 13, p. 2667-2672, 2004.
NACCARATO, K. P.
Análise das características dos relâmpagos na região sudeste
do Brasil. 2005. 358 p. Tese (Doutorado em Geofísica Espacial) – INPE, São José dos
Campos, 2005.
NEILSON, R. P. A model for predicting continental-scale vegetation distribution and
water balance.
Ecological Applications, v. 5, n. 2, p. 362-385, 1995.
NELSON, D. L.; COX, M. M.
Lehninger principles of biochemistry. 4. ed. New Yok:
W. H. Freeman, 2004. 1100 p.
NOBRE, C. A.; OYAMA, M. D.; SAMPAIO, G. O.; MARENGO, J.; SALATI, E.
Impacts of climate change scenarios for 2100 on the biomes of South America. In:
CLIVAR International Conference, 1., 2004, Baltimore.
Proceedings… Baltimore:
CLIVAR, 2004. p. 134.
NORBY, R. J.; HANSON, P. J.; O’NEILL, E. G.; TSCHAPLINSKI, T. J.; WELTZIN,
J. F.; HANSEN, R. T.; CHENG , W.; WULLSCHLEGER, S. D.; GUNDERSON, C.
A.; EDWARDS, N. T.; JOHNSON, D. W. Net primary productivity of a CO
2
-enriched
deciduous forest and the implications for carbon storage.
Ecological Applications, v.
12, n. 5, p. 1261-1266, 2002.
NOWAK, R. S.; ELLSWORTH, D. S.; SMITH, S. D. Functional responses of plants to
elevated atmospheric CO
2
—Do photosynthetic and productivity data from FACE
experiments support early predictions?
New Phytologist, v. 162, n. 2, p. 253–280,
2004.
ODUM, E. P.
Basic ecology. New York: CBS College Publishing, 1983. 434 p.
OLSON, J. S.; WATTS, J. A.; ALLISON, L. J.
Carbon in live vegetation of major
ecosystems
. Oak Ridge: Oak Ridge National Laboratory, 1983. 164 p. (Environmental
Sciences Division Publication n. 1997).
157
OLSON, J. S.
Global ecosystem framework-definitions. Sioux Falls: U.S. Geol. Surv.
S. D. 1994. 37 p. (USGS EROS data center internal report).
OYAMA, M. D.
Conseqüências climáticas da mudança de vegetação do nordeste
brasileiro: um estudo de modelagem. 2003. 220 p. (INPE-9898-TDI/875). Tese
(Doutorado em Meteorologia) - INPE, São José dos Campos, 2002.
OYAMA, M. D.; NOBRE, C. A. A new climate-vegetation equilibrium state for
Tropical South America.
Geophysical Research Letters, v. 30, n. 23, p. 2199, 2003.
OYAMA, M. D.; NOBRE, C. A. A simple potential vegetation model for coupling with
the Simple Biosphere Model (SiB).
Revista Brasileira de Meteorologia, v. 19, n. 2, p.
203-216, 2004.
PETERSEN, W. A.; RUTLEDGE, S. A. Cloud-to-ground lightning observations from
TOGA-COARE: selected results and lightning location algorithms.
Monthly Weather
Review, v. 124, n. 4, p. 602-620, 1996.
PETERSEN, W. A.; NESBITT, S. W.; BLAKESLEE, R. J.; CIFELLI, R.; HEIN, P.;
RUTLEDGE, S. A. TRMM observations of intraseasonal variability in convective
regimes over the Amazon.
Journal of Climate, v. 15, n. 11, p. 1278-1294, 2002.
PRENTICE, I. C. Bioclimatic distribution of vegetation for general circulation models.
Journal of Geophysical Research, v.95, n. D8, p. 11811-11830, 1990.
PRENTICE, I. C.; CRAMER, W.; HARRISON, S. P.; LEEMANS, R.; MONSERUD,
R. A.; SOLOMON, A. A global biome model based on plant physiology and
dominance, soil properties and climate.
Journal of Biogeography, v. 19, n. 2, p. 117-
134, 1992.
PRENTICE, I. C.; FARQUHAR, G. D.; FASHAM, M. J. R.; GOULDEN, M. L.;
HEIMANN, M.; JARAMILLO, V. J.; KHESHGI, H. S.; LE QUÉRÉ, C.; SCHOLES,
R. J.; WALLACE, D. W. R. The carbon cycle and atmospheric carbon dioxide. In:
INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE (IPCC).
Climate
change 2001: the scientific basis. Cambridge: Cambridge University Press, 2001. p.
183-238.
PRICE, C.; RIND, D. What determines the cloud-to-ground lightning fraction in
thunderstorms?
Geophysical Research Letters, v. 20, n. 6, p. 463-466, 1993.
PRICE, C.; RIND, D. Modeling global lightning distributions in a general circulation
model.
Monthly Weather Review, v. 122, n. 8, p. 1930-1939, 1994.
RAICH, J. W.; POTTER, C. S.; BHAGAWATI, D. Interannual variability in global soil
respiration, 1980-94.
Global Change Biology, v. 8, n. 8, p. 800-812, 2002.
RAKOV V. A.; UMAN, M. A.
Lightning: physics and effects. Cambridge: Cambridge
University Press, 2003. 850 p.
158
RAMANKUTTY, N.; FOLEY, J. A. Estimating historical changes in global land cover:
croplands from 1700 to 1992.
Global Biogeochemical Cycles, v. 13, n. 4, p. 997-1027,
1999.
RAMOS-NETO, M. B.; PIVELLO, V. R. Lightning fires in a Brazilian savanna
National Park: rethinking management strategies.
Environmental Manegement, v.26,
n.6, p.675-684, 2000.
RASCHKE, E.; BAKAN, S.; KINNE, S. An assessment of radiation budget data
provided by the ISCCP and GEWEX-SRB.
Geophysical Research Letters, v. 33, art.
L07812, doi:10.1029/2005GL025503, 2006.
RAVEN, P. H.; EVERT, R. F.; EICHHORN S. E.
Biology of plants. 6. ed. New York:
W. H. Freeman, 1998. 875 p.
RAY, N.; ADAMS, J. M. A GIS-based vegetation map of the world at the Last Glacial
Maximum (25,000-15,000 BP).
Internet Archaeology, n. 11, 2001. Disponível em:
http://intarch.ac.uk/journal/issue11/rayadams_toc.html. Acesso em: 19/01/2007.
RIZZINI, C. T.
Tratado de fitogeografia do Brasil: aspectos sociológicos e florísticos.
São Paulo: Hucitec Ltda, 1979. 325 p.
ROELANDT, C. Coupled simulation of potential natural vegetation, terrestrial carbon
balance and physical land-surface properties with the ALBIOC model.
Ecological
Modelling, v. 143, n. 3, p. 191-214, 2001.
SALAZAR, L.; NOBRE, C. A.; OYAMA, M. D. Conseqüências das mudanças
climáticas nos biomas da América do Sul. In: Congresso Brasileiro de Meteorologia,
14., 2006, Florianópolis.
Anais... São José dos Campos: SBMET, 2006. 6 p. CD-ROM.
SAN JOSÉ, J. J.; FARIÑAS, M. R. Temporal changes in the structure of a Trachypogon
savanna protected for 25 years.
Acta Oecologica, v.12, n.2, p.237-247, 1991.
SATYAMURTY, P.; NOBRE, C. A.; SILVA DIAS, P. L. South America.
Meteorological Monographs, v. 27, n. 49 (Southern Hemisphere Meteorology, cap.
3C), p. 119-139, 1998.
SCHEFFER, M.; CARPENTER, S.; FOLEY, J. A.; FOLKE, C.; WALKER, B.
Catastrophic shifts in ecosystems.
Nature, v. 413, n. 6856, p. 591-596, 2001.
SCHEFFER, M.; HOLMGREN, M.; BROVKIN, V.; CLAUSSEN, M. Synergy
between small- and large-scale feedbacks of vegetation on the water cycle.
Global
Change Biology, v. 11, n. 7, p. 1003-1012, 2005
SCHLESINGER, W. H. Carbon balance in terrestrial detritus.
Annual Review of
Ecology and Systematics, v. 8, p. 51-81, 1977.
159
SCHULTZ, J.
The ecozones of the world: the ecological divisions of the geosphere. 2.
ed. Berlim: Springer-Verlag, 2005. 252 p.
SCOTT, A. C. The pre-Quaternary history of fire.
Palaeogeography,
Palaeoclimatology, Palaeoecology, v.164, n. 1-4, p.297-345, 2000.
SELLERS, P. J.; MINTZ, Y.; SUD, Y. C.; DALCHER, A. A Simple Biosphere Model
(SiB) for use within General Circulation Models.
Journal of the Atmospheric
Sciences, v. 43, n. 6, p. 505-531, 1986.
SELLERS, P. J.; BERRY, J. A.; COLLATZ, G. J.; FIELD, C. B.; HALL, F. G. Canopy
reflectance, photosynthesis, and transpiration. III. A reanalysis using improved lead
models and a new canopy integration scheme.
Remote Sensing of Environment, v. 42,
n. 3, p. 187-216, 1992.
SELLERS, P. J.; BOUNUA, L.; COLLATZ, G. J.; RANDALL, D. A.; DAZLICH, D.
A.; LOS, S. O.; BARRY, J. A.; FUNG, I.; TUCKER, C. J.; FIELD, C. B.; JENSEN, T.
G. Comparison of radiative physiological effects of doubled atmospheric CO
2
on
climate.
Science, v. 271, n. 5254, p. 1402-1406, 1996a.
SELLERS, P. J.; RANDALL, D. A.; COLLATZ, G. J; BERRY, J. A.; FIELD, C. B.;
DAZLICH, D. A.; ZHANG, C.; COLLELO, G. D.; BOUNOUA, L. A revised land
surface parameterization (SiB2) for Atmospheric GCMs. Part I: model formulation.
Journal of Climate, v. 9, n. 4, p. 676-705, 1996b.
SITCH, S.; SMITH, B.; PRENTICE, I. C.; ARNETH, A.; BONDEAU, A.; CRAMER,
W.; KAPLAN, J. O.; LEVIS, S.; LUCHT, W.; SYKES, M. T.; THONICKE, K.;
VENEVSKY, S. Evaluation of ecosystem dynamics, plant geography and terrestrial
carbon cycling in the LPJ dynamic global vegetation model.
Global Change Biology,
v. 9, n. 2, p. 161-185, 2003.
STEFFEN, W.; SANDERSON, A.; TYSON, P. D.; JÄGER, J.; MATSON, P. A.;
MOORE III, B.; OLDFIELD, F.; RICHARDSON, K.; SCHELLNHUBER, H. J.;
TURNER II, B. L.; WASSON, R. J.
Global change and the Earth system: a planet
under pressure. Berlim: Springer-Verlag, 2003. 336 p.
STERN, K. R.
Introductory plant biology. Dubuque: Wm. C. Brown Publishers, 1997.
570p.
STERN, N.
The economics of climate change: the Stern review. HM Treasury.
Cambridge: Cambridge University Press, 2006. 743 p.
STILL, C. J.; BERRY, J. A.; COLLATZ, G. J.; DEFRIES, R. S. Global distribution of
C
3
and C
4
vegetation: carbon cycle implications. Global Biogeochemical Cycles, v. 17,
n. 1, art. 1006, doi:10.1029/2001GB001807, 2003.
160
TIMMERMANN, A.; OBERHUBER, J.; BACHER, A.; ESCH, M.; LATIF, M.;
ROECKNER, E. Increased El Niño frequency in a climate model forced by future
greenhouse warming.
Nature, v. 398, n. 6729, p. 694-697, 1999.
TISSUE, D. T.; LEWIS, J. D.; WULLSCHLEGER, S. D.; AMTHOR, J. S.; GRIFFIN,
K. L.; ANDERSON, O. R. Leaf respiration at different canopy positions in sweetgum
(Liquidambar styraciflua) grown in ambient and elevated concentrations of carbon
dioxide in the field.
Tree Physiology, v. 22, n. 15-16, p. 1157-1166, 2002.
TRENBERTH, K. E.; HOAR, T. J. The 1990-95 El Niño-Southern Oscillation event:
longest on record.
Geophysical Research Letters, v. 23, n. 1, p. 57-60, 1996.
TROLLOPE, W. S. W. Ecological effects of fire in South African savannas. In:
HUNTLEY, B. J.; WALKER, B. H. (Ed.).
Ecology of tropical savannas. Berlin:
Springer-Verlag, 1982. p. 292-306.
TURNER, D. P.; RITTS, W. D.; COHEN, W. B.; GOWER, S. T.; RUNNING, S. W.;
ZHAO, M.; COSTA, M. H.; KIRSCHBAUM, A. A.; HAM, J. M.; SALESKA, S. R.;
AHL, D. E. Evaluation of MODIS NPP and GPP products across multiple biomes.
Remote Sensing of Environment, v. 102, n. 3-4, p. 282-292, 2006.
UNESCO. The UNESCO classification of vegetation. In: KÜCHLER, A. W.;
ZONNEVELD, I. S. (Ed.).
Vegetation mapping. Dordrecht: Kluwer Academic
Publishers, 1988. p. 531-549.
VAN DER HAMMEN, T.; ABSY, M. L. Amazonia during the last glacial.
Palaeogeography, palaeoclimatology, palaeoecology, v. 109, n. 2-4, p. 247-261, 1994.
VAN DER HAMMEN, T.; HOOGHIEMSTRA, H. Neogene and Quaternary history of
vegetation, climate and plant diversity in Amazonia.
Quaternary Science Reviews, v.
19, n. 8, p. 727-742, 2000.
VON CAEMMERER, S.; EVANS, J. R.; HUDSON, G. S.; ANDREWS, T. J. The
kinetics of ribulose-1,5-biphosphate carboxylase/oxygenase in vivo inferred from
measurements of photosynthesis in leaves of transgenic tobacco.
Planta, v. 195, n. 1, p.
88-97, 1994.
WALLACE, J. M.; HOBBS, P. V.
Atmospheric science: an introductory survey. 2.
ed.
New York: Academic Press, 2006. 504 p.
WHELAN, R. J.
The ecology of fire. Cambridge: Cambridge University Press, 1995.
346 p.
WILLMOTT, C. J.; ROWE, C. M.; MINTZ, Y. Climatology of the terrestrial seasonal
water cycle.
Journal of Climatology, v. 5, n. 6, p. 589-606, 1985.
161
WILLMOTT, C. J.; MATSUURA, K.
Terrestrial air temperature and precipitation:
monthly and annual climatologies. Newark: University of Delaware, 1998. Disponível
em: http://climate.geog.udel.edu/~climate/html_pages/archive.html. Acesso em
13/04/2005.
XUE, Y.; SELLERS, P. J.; KINTER, J. L.; SHUKLA, J. A Simplified Biosphere Model
for Global Climate Studies.
Journal of Climate, v. 4, n. 3, p. 345-364, 1991.
162
163
APÊNDICE A - NOVO MAPA DE VEGETAÇÃO NATURAL (INTEGRAL)
Neste apêndice é apresentado o manuscrito completo que detalha a obtenção do novo
mapa de vegetação natural apresentado no capítulo 2. Tal manuscrito foi submetido em
janeiro de 2007 para publicação nos Anais da Academia Brasileira de Ciências.
A new world natural vegetation map for global change studies
David Montenegro Lapola, Marcos Daisuke Oyama, Carlos Afonso Nobre, Gilvan Sampaio
ABSTRACT
We developed a new world natural vegetation map at 1 degree horizontal resolution,
initially for use in global climate models. We used the Dorman and Sellers vegetation
classification with inclusion of a new biome – tropical seasonal forest, which refers to both
deciduous and semi-deciduous tropical forests – to represent the inland Atlantic Forest and dry
forests of India in a more realistic way. SSiB biogeophysical parameters for this new biome type
are presented. Under this new vegetation classification we obtained a consensus map between
two global natural vegetation maps widely used in climate studies. We found that these two
maps assign different biomes in ca. 1/3 of the continental grid points, demonstrating that even
widely used natural vegetation maps show marked disagreement with respect to biomes
distribution. To obtain a new global natural vegetation map, non-consensus areas were filled
according to regional consensus based on more than 100 regional maps available on internet. To
minimize the risks of using poor quality information, the regional maps were obtained from
reliable internet sources, and the non-consensus filling procedure was based on the consensus
among several regional maps obtained from independent sources. The new map was designed to
reproduce accurately both the large scale distribution of the main vegetation types (as it builds
on two reliable global natural vegetation maps) and the regional details (as it is based on the
consensus of regional maps). This new map certainly will be useful not only for climate studies,
but also for land cover and global change studies, as well as for large scale ecosystems
modeling.
164
RESUMO
Elaboramos um novo mapa global de vegetação natural na resolução horizontal de 1 grau,
inicialmente para uso em modelos climáticos atmosféricos. Utilizamos a classificação de
vegetação de Dorman e Sellers com a inclusão de um novo bioma – floresta tropical estacional,
que compreende as florestas tropicais decíduas e semi-decíduas – para representar de modo
mais realístico a Mata Atlântica de interior e as florestas secas da Índia. Apresentamos ainda os
parâmetros biogeofísicos do SSiB para este novo tipo de bioma. Sob essa nova classificação de
vegetação, obtivemos um mapa de consenso entre dois mapas de vegetação natural amplamente
utilizados em estudos climáticos. Demonstramos que esses dois mapas alocam biomas
diferentes em cerca de 1/3 dos pontos de grade continentais, demonstrando que mesmo mapas
de vegetação natural amplamente utilizados mostram grande discordância em relação à
distribuição dos biomas. Para obter um novo mapa global de vegetação natural, as áreas de não-
consenso foram preenchidas de acordo com consensos regionais baseados em mais de 100
mapas regionais disponíveis na internet. Para minimizar os riscos de se usar informação de
qualidade ruim, os mapas regionais foram obtidos de sítios confiáveis da internet, e o
procedimento de preenchimento se baseou no consenso entre vários mapas regionais obtidos de
fontes independentes. O novo mapa foi feito de modo a reproduzir a distribuição em larga escala
dos principais tipos de vegetação (uma vez que se pauta em dois mapas globais de vegetação
natural confiáveis) e também detalhes regionais (uma vez que se baseia em consensos de mapas
regionais) com precisão. Esse novo mapa certamente será útil não só em estudos climáticos, mas
também em estudos de mudanças globais e de uso da terra, assim como em modelagem de
ecossistemas em larga escala.
INTRODUCTION
The vegetation cover at the earth surface plays a recognized important role in global
climate regulation (e.g. Charney, 1975; Avissar et al., 2002). Thus, to perform more realistic
climate simulations, it is essential to use global vegetation maps which are regionally reliable, as
well as representing the broad spectrum of natural biomes. Atmospheric general circulation
models (AGCM) used in weather and climate prediction or in Earth system models require
correct representation of the biophysical properties of the land surface, such as those which
control the fluxes of radiation, momentum, sensible and latent heat, and trace gases. Since
vegetation mediates all these land-surface-atmosphere interactions, its accurate representation is
mandatory in such models. Natural vegetation maps consider vegetation in its natural
165
distribution without human action, while actual vegetation maps also consider anthropogenic
land cover changes in ecosystems. The Centro de Previsão de Tempo e Estudos Climáticos /
Center for Ocean-Land-Atmosphere Studies AGCM (CPTEC/COLA AGCM; Cavalcanti et al.,
2002), for example, uses the actual vegetation map and vegetation classification of Dorman and
Sellers (1989, DS89). The DS89 classification considers 11 natural biomes and 1 agroecosystem
(winter wheat cultivation). In some global change studies, such as prediction of global climate
change impacts on Earth's biomes, or large scale paleoclimatic or paleoecological
reconstruction, it is recommended to use natural vegetation maps (instead of actual vegetations
maps), since the past extension of agroecosystems and the factors regulating their future
extension are not fully known. Furthermore, in land use change studies (e.g. Ramankutty and
Foley, 1999), it is useful to compare the distribution of modern croplands to global natural
vegetation maps (natural vegetation maps are also referred to as potential vegetation maps, but
here we use the term “natural” instead of “potential”; the latter is regarded as the vegetation type
diagnosed only from climate), in order to access the consequences of human’s land use (Foley et
al., 2005). However, there are only few global natural vegetation maps available in the
literature, and among them there are marked disagreement in several regions (as we will show
here).
In this paper we report the development of a new global natural vegetation map, for use
initially in climate studies with the CPTEC/COLA AGCM. This new map builds on two global
natural vegetation maps, which have been widely used by scientific community, and in more
than 100 regional land cover maps. To better represent the tropical biomes, we add a new
vegetation type to DS89 classification and present its SSiB biogeophysical parameters. This
new classification is hereafter called LONS06. A detailed account of the new map development
is given in the following sections.
IMPROVEMENT OF DS89 CLASSIFICATION
The Küchler classification, on which DS89 is based, considers primarily physiognomic
features of the vegetation. In that classification, vegetation types are described by a combination
of letters and numbers that resembles the Köppen climate classification (Küchler, 1988). For
instance, D7 refers to broadleaf deciduous forest (D) with a 20-35 m tall canopy (7). The DS89
vegetation classification simply grouped the 32 main Küchler surface types into 12 major
classes (see DS89, p.838, for further details).
166
The DS89 classification considers two forest types for the tropics: broadleaf-evergreen
trees (type 1) and broadleaf-deciduous trees (type 2). From the DS89 map of natural vegetation
(DS89, p.839), it is clear that type 2 refers to tropical deciduous and semi-deciduous forests
(such as in India) as well as to temperate deciduous forest (such as in North America and
Europe). It is known that there are many differences between these two forest types, ranging
from climate characteristics up to the identity of the plant community per se. For example, the
oak (Quercus sp.) is a typical tree of temperate deciduous forests, but it never occurs in tropical
forests. Moreover, in the winter season of temperate regions, there is a marked reduction of
sunlight, while in the tropics the incidence of light is practically the same throughout the year,
which illustrates the difference in the very nature of deciduousness in tropical and temperate
forests. While in middle latitudes all deciduous trees lose their leaves in a particular season, in
the tropics some trees lose in an irregular basis, which is not closely related to temperature or
light incidence rhythms, but mostly to water availability. For this reason, tropical trees
presenting some degree of deciduousness have been named as “tropophyllous” plants (Küchler,
1988). Thus, considering DS89 type 2 as referring strictly to deciduous temperate forests, it
would be reasonable to include a new vegetation type in DS89 classification that would
represent forests different from the ombrophyllous type (type 1 in DS89) in tropical regions.
According to dry season length and the amount of trees which lose their leaves, tropical
forest formations can be classified in: (i) ombrophyllous, (ii) seasonal semi-deciduous and (iii)
seasonal deciduous (Eyre, 1968; Barnes et al., 1998). In ombrophyllous forests there is no
occurrence of dry season (monthly precipitation always exceed 100 mm) and, due to this,
phytocenoses as a whole practically do not present deciduousness, standing permanently green
(Eyre, 1968; Odum, 1983; Barnes et al., 1998; Schultz, 2005). Such kind of forest is found in
Amazonia, South America Atlantic Forest, Equatorial Africa, west coast of India, Sri Lanka and
Indo-Malaysia (where both ombrophyllous and seasonal forests are found). This category also
encompasses mixed ombrophyllous forests, which occur in mountain regions, where
gymnosperm and angiosperms elements are found within the same area (Barnes et al., 1998;
Schultz, 2005). By its turn, seasonal forests have a dry period which ranges from 2-3 months in
semi-deciduous to 5-6 months in deciduous forest. In this period, from 20 to 50% of trees in
semi-deciduous forest, and up to 100% of trees in deciduous forest, lose their leaves. Therefore,
seasonal tropical forests (semi-deciduous and deciduous) have a tight relation with seasonal
pulses of precipitation (Eyre, 1968; Odum, 1983; Barnes et al., 1998; Schultz, 2005). This sort
of forest occurs generally in the transition between ombrophyllous forest and savannas: southern
167
limit of Amazonia, inland Atlantic Forest, boundaries of the African rainforest, almost in entire
India and in Southeastern Asia (mixed with ombrophyllous forest).
Although semi-deciduous and deciduous tropical forests have some distinct
characteristics, they could be conveniently considered as belonging to just a single category.
This is justified because, in the tropics, the distribution of deciduous forests is small (Eyre,
1968; Barnes et al., 1998; Ramankutty and Foley, 1999), and the great majority of seasonal
forests fits better, due to climatic and biological reasons, into the semi-deciduous or semi-
evergreen category (except in India, where very dry forests with pronounced deciduousness are
found) (Eyre, 1968; Barnes et al., 1998; Schultz, 2005). Furthermore, for AGCM simulation
purposes, it is desirable to classify vegetation with a minimum possible number of categories,
since it is necessary to prescribe a great amount of physical and physiological parameters to
each vegetation type (cf. Sellers et al., 1986; Xue et al., 1991). Then while calling type 1
(tropical forest) from now on tropical ombrophyllous forest, we suggest that the following
biome be added to the DS89 classification:
Tropical seasonal forest: encompassing semi-deciduous and deciduous tropical forests. It has
great resemblance with tropical ombrophyllous forests, but, differently, the plant community
phenological pattern is clearly and strongly influenced by precipitation seasonality.
The 11 natural biome types of DS89 plus the new type (tropical seasonal forest,
hereafter considered as type 13) compounds LONS06 classification.
SSiB PARAMETERS FOR TROPICAL SEASONAL FOREST
In the SSiB model (Xue et al., 1991), the value of a large number of biogeophysical
parameters is assigned to each biome. For the proposed biome, tropical seasonal forest, the SSiB
parameters’ value is shown in Table A.1 and A.2 on a tentative basis. Due to the lack of field
data for undisturbed seasonal forest regions, it is assumed that tropical seasonal and
ombrophyllous forests have the same plant physiological and soil parameters’ value. Leaf area
index, green fraction, roughness length and displacement height are derived from Normalized
Difference Vegetation Index (NDVI) data over undisturbed seasonal forest regions in South
168
Table A.1 - Time invariant SSiB parameters for tropical seasonal forest new biome type.
Parameter Value Remark
Leaf stomatal resistance coefficients
a (J m
-3
)
b (W m
-2
)
c (s m
-1
)
2335.9
0.0145
153.49
same as 1*
same as 1
same as 1
Leaf angle orientation 0.1 same as 1
Optimum temperature for stomatal functioning (K) 303 same as 1
Minimum temperature for stomatal functioning (K) 273 same as 1
Maximum temperature for stomatal functioning (K) 318 same as 1
Constant for water vapor deficit adjustment (hPa
-1
) 0.0273 same as 1
Constant for moisture adjustment
c
1
c
2
1.2
6.25
same as 1
same as 1
Rooting depth (m) 1 same as 1
B soil parameter 7.12 same as 1
Soil moisture potential at saturation (m) -0.086 same as 1
Soil hydraulic conductivity at saturation (m s
-1
) 0.00002 same as 1
Soil porosity 0.42 same as 1
Thickness of 3 soil layers (m)
surface layer (1st)
root layer (2nd)
drainage layer (3rd)
0.02
1.48
2
same as 1
same as 1
same as 1
Height of canopy top (m) 27 estimated from d**
* tropical ombrophyllous forest
** displacement height
America and Africa (from ISLSCP2; Los et al., 2000). Canopy height (z
t
) is evaluated from the
displacement height (d) by assuming a linear relation between z
t
and d: 78.0dz
t
= , where
0.78 is valid for both tropical ombrophyllous forest and savanna. The parameters for bulk
boundary layer resistance (c
b
) and aerodynamic resistance between soil surface and canopy air
space (c
d
) are estimated from 713.37177.12
0
+
⋅
−
= zc
b
and 59.239ln478.78
0
+⋅
=
zc
d
,
where z
0
is the roughness length (m). These relations were adjusted using the annual average
values of c
b
, c
d
and z
0
for 5 biomes: tropical ombrophyllous forest (biome 1), temperate forest
(2), savanna (6), shrubland (caatinga, 8) and semi-desert vegetation (9).
169
Table A.2 - Time varying parameters (LAI, green fraction, vegetation cover, roughness length
and displacement height are derived from NDVI data; the parameters c
b
and c
d
are
estimated from z
0
).
Month
Leaf
area
index
(m
2
m
-2
)
Green
fraction
Vegetation
cover
Roughness
length
(m)
Displacement
height (m)
Parameter
for bulk
boundary
layer
resistance
(c
b
)
Parameter for
aerodynamic
resistance
between soil
surface and
canopy air
space
(c
d
)
J 3.15 0.732 0.98 1.89 21.07 14.70 289.66
F 3.03 0.729 0.98 1.88 21.01 14.82 289.03
M 2.97 0.728 0.98 1.87 20.97 14.94 288.64
A 2.94 0.707 0.98 1.84 20.86 15.31 287.65
M 2.88 0.718 0.98 1.84 20.86 15.31 287.65
J 2.97 0.740 0.98 1.87 20.97 14.94 288.64
J 3.15 0.774 0.98 1.93 21.24 14.21 291.06
A 4.89 0.839 0.98 1.95 21.40 13.97 291.89
S 4.60 0.801 0.98 1.94 21.36 14.09 291.78
O 4.13 0.780 0.98 1.94 21.32 14.09 291.58
N 3.73 0.726 0.98 1.92 21.22 14.33 290.94
D 3.26 0.753 0.98 1.89 21.07 14.70 289.66
THE NEW VEGETATION MAP
C
ONSENSUS MAP
We used the natural vegetation maps of Ramankutty and Foley (1999; RF99) and
Matthews (1983; M83), both at 1 degree horizontal resolution (about 100 km), to obtain a
consensus map between them. These two maps (hereafter called as base-maps) classify
vegetation in very distinct forms: RF99 map classification has 15 categories, while M83 has 32.
The classification used in RF99 map is derived from the Olson Global Ecosystems (OGE)
framework, which originally has 94 vegetation types (Olson, 1994). The M83 map classification
is based on UNESCO’s, that groups the world vegetation in 225 types according to its
physiognomy, latitude, deciduousness, altitude etc (UNESCO, 1988). In order to obtain these
maps under the LONS06 classification, it was necessary to relate RF99 and M83 map
classifications to LONS06. It was accomplished in two steps: firstly, the M83 map categories
170
Table A.3 - Relation between M83 and RF99 classifications. A * denotes conversion of M83
biome to one of RF99 when F
iJ1
≥ 0,7; ** when 0,4 ≤ F
iJ1
≤ 0,7 e F
iJ2
≤ 0,2 and ***
when it did not satisfied none of the two above criteria, then M83 biome i was
subjectively associated with one of RF99 (see text). RF99 vegetation types are
found in Table A.4.
M83 RF99
0
water 0*
1
tropical evergreen rainforest 1*
2
tropical/subtropical evergreen seasonal broad-leaved forest 1**
3
subtropical evergreen rainforest 2***
4
temperate/subpolar evergreen rainforest 8***
5
temperate evergreen seasonal broadleaved forest, summer rain 3***
6
evergreen broadleaved sclerophyllous forest, winter rain 3**
7
tropical/subtropical evergreen needle-leaved forest 4***
8
temperate/subpolar evergreen needle-leaved forest 6***
9
tropical/subtropical drought-deciduous forest 2**
10
cold-deciduous forest, with evergreens 5***
11
cold-deciduous forest, without evergreens 7***
12
xeromorphic forest/woodland 11**
13
evergreen broadleaved sclerophyllous woodland 9**
14
evergreen needleleaved woodland 6***
15
tropical/subtropical drought-deciduous woodland 9***
16
cold-deciduous woodland 8**
17
evergreen broadleaved shrubland/thick, evergreen dwarf-shrubland 12***
18
evergreen needleleaved or microphyllous shrubland/thicket 8**
19
drought-deciduous shrubland/thicket 12**
20
cold-deciduous subalpine/subpolar shrubland/dwarf shrub 13***
21
xeromorphic shrubland/dwarf shrubland 12***
22
arctic/alpine tundra, mossy bog 13***
23
tall/medium/short grassland, 10-40% woody cover 9**
24
tall/medium/short grassland, <10% woody cover 9**
25
tall/medium/short grassland, shrub cover 10***
26
tall grassland, no woody cover 10***
27
medium grassland, no woody cover 10**
28
meadow, short grassland, no woody cover 10**
29
forb formations 13**
30
desert 14**
31
ice 15*
were related to RF99 map categories (Table A.3); and then the RF99 map categories were
related to LONS06 types (Table A.4).
To find the relation between the M83 and RF99 map classifications, we followed a
semi-objective procedure. Consider the biome i of M83 map classification, and N
ij
as the
171
Table A.4 - Relation between RF99 and LONS06 classifications.
RF99 LONS06
0 water 0 water
1 tropical evergreen forest 1 tropical ombrophyllous forest
2 tropical deciduous forest 13 tropical seasonal forest
3 temperate broadleaf evergreen forest 2 temperate forest
4 temperate needleleaf evergreen forest 2 temperate forest
5 temperate deciduous forest 2 temperate forest
6 boreal evergreen forest 4 boreal forest
7 boreal deciduous forest (larch) 5 larch
8 mixed forest 3 mixed forest
9 savanna 6 savanna
10 grassland 7 grassland
11 dense shrubland 8 caatinga
12 open shrubland 9 semi-desert
13 tundra 10 tundra
14 desert 11desert
15 ice 20 ice
number of grid points classified as i in M83 map and j in RF99 map. The fraction of grid points
classified as biome i in M83 map and j in RF99 map is given by F
ij
= N
ij
/ N
i
, N
i
= Σ
j
N
ij
. Let J
1
and J
2
be the biomes of RF99 associated respectively with the first and second major fraction
value. Then the biome i of M83 map classification was associated to biome j of RF99 when one
the following objective criteria was met: F
iJ1
≥ 0,7 (greater than 70%) [represented by * in Table
A.3]; or 0,4 ≤ F
iJ1
≤ 0,7 (between 40 and 70%) and F
iJ2
≤ 0,2 (lower than 20%) [represented by
** in Table A.3]. If these criteria were not satisfied, biome i of M83 map classification was
associated (subjectively) to a RF99 biome (represented by *** in Table A.3) based on the
biomes definition and/or their geographic distribution. With the procedure here described we
grouped the 32 M83 types into the 15 of RF99 (Table A.3).
The relation between the categories of RF99 map classification and LONS06 types was
obtained subjectively, based only on the biomes definition and/or their geographic distribution
(Table A.4). Both base-maps are shown under LONS06 classification in Figures A.1a and A.1b.
These maps show only a “fair” agreement according to the kappa statistics (Monserud and
Leeemans, 1992) (к = 0.49). Our indirect relation between vegetation types of M83 map
classification and LONS06 is similar to that obtained by Sellers et al. (1996).
With the base-maps maps under the same classification (LONS06), we elaborated the
consensus map, i.e. a map that shows only the grid points for which both base-maps assign the
172
Figure A.1 - Natural vegetation maps of (a) Ramankutty and Foley (1999), (b) Matthews (1983)
and (c) consensus between them (white continental grid points represent non-
consensus areas), all under LONS06 classification.
173
same biome (Figure A.1c). The consensus areas were mainly found in tropical forest and desert
regions. More than 30% of the continental areas did not show consensus between the two base-
maps (white areas in Figure A.1c), which partially explains the only “fair” agreement revealed
by the kappa statistics.
NON-CONSENSUS AREAS
In order to fill the non-consensus areas between RF89 and M83 maps, we consulted more
than 100 regional natural vegetation maps available on the internet. Regional maps were used at
this part of the work (instead of additional global maps), because they provide a more accurate
vegetation distribution and a more detailed vegetation description on regional scale. Most of the
maps belongs to the Perry Castañeda Library Map Collection at University of Texas
(http://www.lib.utexas.edu/maps) where original maps were scanned and made available on the
World Web. Other digital maps, not present in that collection, such as the natural vegetation
map of Brazil (IBGE, 1993) and Alaska (Küchler, 1966), were also used. We filled the non-
consensus areas separately to lowland (continental areas below 1000 m) and upland areas
(above 1000 m). This procedure was adopted to fill high areas with special attention, due to the
difficulty in selecting a representative biome in very steep regions (because of vegetation
altitudinal zonation) and the fact that in elevated regions extra-tropical biomes may occur within
tropical latitudes.
The use of digital maps available on internet is a low-cost alternative to the use of
comprehensive collections of paper based maps. However, it is widely recognized that
information available on internet cannot always be regarded as reliable (e.g., Eysenbach and
Diepgen, 1998). To minimize the risks of using poor quality information, (i) most of the maps
came from reliable internet sites (e.g., University of Texas, USDA, IBGE) and (ii) the filling
procedure was based on the consensus among several regional maps obtained from independent
sources. The constraint of regional consensus not only filters out poor quality maps, but also
assures that the new map is not biased towards a particular regional (or global) map.
For a given non-consensus region, we obtained the consensus among at least two
regional maps of recognized different sources. Then, we related the LONS06 categories to the
vegetation types shown in the regional maps. Since regional maps usually consider more
vegetation categories than LONS06, and the categories are often referred to by using local
names, we also examined photographs of the vegetation types available on internet, to facilitate
the subjective grouping of the regional maps categories. Regions of non-consensus were filled
(grid) point by point, according to the consensus among the regional maps.
174
Table A.5 presents the main regions of non-consensus (lowlands and uplands), what the
base-maps allocates in each region, which base-map resembles better the regional maps
consensus, and some remarks on how these areas were filled. Detailed material on the above
described procedure, including many of the used regional maps, can be found on CPTEC web
site (http://www.cptec.inpe.br/biosfera).
M
INOR CONSENSUS MODIFICATION
We verified from the regional maps consensus that there were consensus areas between
the base-maps which did not correspond to the best representation (i.e. the consensus between
RF99 and M83 did not correspond to the regional consensus). These areas were changed
according to the regional consensus.
• South America Atlantic Forest: some grid points with tropical seasonal forests were
changed to savanna and vice versa.
• Eastern North America and Eastern Europe: some temperate forest areas were changed to
mixed forest (see the region at Table A.5).
• Central Russia: some mixed forest areas were changed to boreal deciduous forest
(larch)(see the region at Table A.5).
DISCUSSION
The new global natural vegetation map is shown in Figure A.2, and is available at CPTEC
web site (http://www.cptec.inpe.br/biosfera). Differently from RF99, this new map must be
closer to represent the world's natural vegetation in preagricultural times, since the majority of
the used regional maps displays natural primary (instead of potential secondary) vegetation.
Both base-maps presented a similar level of agreement with the new map (RF99 x new map: к =
0.60; M83 x new map: к = 0.58) meaning that no base-map could be regarded as the most
representative of the regional consensus.
The biomes distribution in some regions could be a subject of concern, in view of the fact
that LONS06 is restricted only to 13 phytophysiognomic types. For instance, caatinga (type 8)
was found in extra-tropical regions, such as in Spain and Australia; savanna (type 6) in Southern
Africa; and tropical seasonal forest (type 13) in Northeast Argentina. Thus, from a climatic
point of view, an inconsistency could be noticed: the occurrence of these “tropical”
175
Table A.5 - The main non-consensus regions between M83 and RF99 maps. In the first column, L refers to lowland
regions (< 1000 m), and U to upland regions (> 1000 m).
176
types (caatinga, savanna and tropical seasonal forest) in such high latitudes. This climatic
inconsistency is resulted from deficiencies in the LONS06 vegetation classification. For the
tropics, LONS06 has biomes of arboreal (tropical forests), arboreal-grassy (savanna) and
arbustive-grassy (caatinga) physiognomies. For extra-tropical regions, there are only biomes
with arboreal (temperate forests) and grassy (grasslands) physiognomies, what reveals the lack
of an “extra-tropical savanna or caatinga”. This could be a new vegetation type to be included
in LONS06 (in Spain, this new type would be more appropriate than tropical caatinga or
grasslands). However, this new type would cover a quite small area (ca. 200 grid points) and,
therefore, would not be suitable for climate modeling purposes which require a low number of
biomes to represent the global vegetation.
The new global natural vegetation map developed in this study may be regarded as an
advancement for the representation of tropical vegetation in DS89 classification, after the
inclusion of the tropical seasonal forest type. The lack of consensus among the base-maps
revealed that these maps, which have been widely used in climate studies, diverge considerably
between them (more than 30% of the continental grid points were non-consensus areas). The
use of this new map, just like the base-maps, is not restricted to climate studies but can also be
useful for land cover and global change studies, as well as for large scale ecosystems modeling.
Figure A.2 - The new global natural vegetation map in LONS06 classification.
177
APÊNDICE B - RESULTADOS COM VERSÃO SEM FOGO NATURAL
As climatologias dos 14 MCGAO utilizados no capítulo 5 também foram aplicadas no
CPTEC-PVM2 em sua versão sem a parametrização de fogo natural. A Figura B.1
mostra a distribuição global dos biomas em 2070-2099 (consenso 75% dos MCGAO)
ao se utilizar essa versão do modelo. Logicamente as diferenças se restringem aos
biomas que estão envolvidos na parametrização (florestas tropicais ombrófila e
estacional, savana e caatinga) (vide capítulo 4). Em termos globais, as principais
diferenças em relação à vegetação potencial atual simulada pelo CPTEC-PVM2 (sem
fogo) e os resultados apresentados no capítulo 5 é que, em ambos cenários, há
substituição de caatinga por savana na Índia e nas regiões semi-áridas da África.
Na América do Sul (Figuras B.2 e B.3), as diferenças se concentram no Nordeste
Brasileiro, com a maioria dos modelos apontando para uma savanização do norte da
região. No resto do Nordeste Brasileiro, o não-consenso se mantém (como apresentado
no capítulo 5), entretanto é notável que uma grande parte dos modelos apontam para a
substituição de caatinga por savana na região (apenas HadCM3 e MIROC3.2-medres
indicam significativa semi-desertificação na região).
Tanto no caso da Índia, como da África e do Nordeste Brasileiro, esse avanço da
vegetação de savana por regiões de caatinga se explica pelo fato de que, em média
anual, a NPP aumenta em todo o globo no final do século segundo o CPTEC-PVM2.
Esse aumento de NPP ocasiona, em um primeiro momento, a substituição do bioma
caatinga por um bioma de maior porte, savana. Na versão sem a parametrização de
fogo, essa substituição é definitiva (como mostrado pelas Figuras B.1-B.3). Entretanto,
na versão com a parametrização de fogo, essas áreas de savana que ainda passam pelo
crivo de um segundo algoritmo (Figura 4.2), que, ao diagnosticar pontos de savana onde
a sazonalidade é mais alta, os transforma novamente em caatinga (como mostrado nas
Figuras 5.15-5.17). De qualquer modo, em vista desse efeito sistemático, os resultados
mostrados no capítulo 5 devem ser interpretados como os resultados robustos deste
estudo.
178
Figura B.1 – (a) Vegetação potencial atual e para 2070-2099 sob o cenário (b) SRES-A2
e (c) SRES-B1 geradas pelo CPTEC-PVM2 (sem fogo natural). Em (b)
e (c) são mostrados apenas os pontos onde mais de 75% (mais de 10)
dos MCGAO utilizados concordam quanto ao bioma diagnosticado
(áreas continentais em branco representam não-consenso).
(a)
(b)
(c)
179
Figura B.2 – Distribuição de biomas na América do Sul em 2070-2099 segundo
CPTEC-PVM2 (sem fogo natural) no cenário SRES-A2 para cada um dos 14
MCGAO utilizados. Acima à esquerda é mostrado o mapa de vegetação
potencial atual e o consenso entre 75% dos MCGAO utilizados (áreas
continentais em branco representam não-consenso).
180
Figura B.3 – Mesmo que Figura B.2, para o cenário SRES-B1.
181
ANEXO A - A LEI DE BEER APLICADA À TRANSFERÊNCIA RADIATIVA
DENTRO DE DOSSÉIS
Há mais de cinqüenta anos que a Lei de Beer foi reconhecida como válida para
descrever a atenuação de radiação no interior de dosséis (Monsi e Saeki, 1953; revisado
em Hirose, 2005). A aproximação é bastante similar à utilizada em meteorologia para a
atmosfera terrestre (Echer, 2001). Uma das formas da Lei de Beer,
0
ln)(
I
I
dszmcA −== (C.1)
π
αλ
4
=m (C.2)
mc(z) =
τ
(C.3)
Sendo que,
A: absortância; k: coeficiente de extinção; c(s): quantidade de material absorvedor e
espalhador em dz; ds: espessura atravessada pela radiação; I: intensidade da radiação
após passar por dz; I
0
: intensidade da radiação antes de passar por dz; I / I
0
:
transmitância;
α
: coeficiente de absorção;
λ
: comprimento de onda da radiação;
τ
:
espessura óptica
Logo,
ds
e
I
I
τ
−
=
0
(C.4)
182
Integrando-se para toda a espessura ds,
∫
−
=
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
ds
ds
ds
e
I
I
0
0
τ
(C.5)
Para a atmosfera terrestre a espessura ds pode ser definida em termos do comprimento
de caminho na vertical dz e do ângulo de inclinação solar (90° - ângulo zenital)
θ
como
ilustrado na Figura B.1. Assim:
dsdz )sec(
θ
= (C.6)
Figura C.1 – Configuração geométrica da atenuação da radiação solar pela atmosfera
terrestre em relação ao zênite, que é perpendicular à superfície.
Lembrando que,
)90sin(
1
)cos(
1
)sec(
θθ
θ
−
== (C.7)
183
Sendo assim:
)sin(
1
)sin(
0
)sin(
0
0
θ
τ
θ
τ
θ
τ
τ
z
dz
dz
ds
dz
ds
e
ee
I
I
−
−
−
−
===
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
∫∫
(C.8)
Definindo z como sendo o índice de área foliar (LAI), a espessura óptica
τ
= 0,5 (valor
típico para atmosfera terrestre) e
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
)sin(
5,0
θ
como k,
k
e
I
I
kLAI
LAI
−
−
=
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
1
0
(C.9)
Sendo este k correspondente a k
23
e k
24
mostrados na Tabela 3.1. Para maiores detalhes,
vide Hirose (2005), de Pury e Farquhar (1997) e Echer et al. (2001).
PUBLICAÇÕES TÉCNICO-CIENTÍFICAS EDITADAS PELO INPE
Teses e Dissertações (TDI)
Manuais Técnicos (MAN)
Teses e Dissertações apresentadas
nos Cursos de Pós-Graduação do
INPE.
São publicações de caráter técnico
que incluem normas, procedimentos,
instruções e orientações.
Notas Técnico-Científicas (NTC)
Relatórios de Pesquisa (RPQ)
Incluem resultados preliminares de
pesquisa, descrição de equipamentos,
descrição e ou documentação de
programa de computador, descrição de
sistemas e experimentos, apresenta-
ção de testes, dados, atlas, e docu-
mentação de projetos de engenharia.
Reportam resultados ou progressos de
pesquisas tanto de natureza técnica
quanto científica, cujo nível seja
compatível com o de uma publicação
em periódico nacional ou internacional.
Propostas e Relatórios de Projetos
(PRP)
Publicações Didáticas (PUD)
São propostas de projetos técnico-
científicos e relatórios de acompanha-
mento de projetos, atividades e convê-
nios.
Incluem apostilas, notas de aula e
manuais didáticos.
Publicações Seriadas
Programas de Computador (PDC)
São os seriados técnico-científicos:
boletins, periódicos, anuários e anais
de eventos (simpósios e congressos).
Constam destas publicações o
Internacional Standard Serial Number
(ISSN), que é um código único e
definitivo para identificação de títulos
de seriados.
São a seqüência de instruções ou
códigos, expressos em uma linguagem
de programação compilada ou inter-
pretada, a ser executada por um
computador para alcançar um determi-
nado objetivo. São aceitos tanto
programas fonte quanto executáveis.
Pré-publicações (PRE)
Todos os artigos publicados em
periódicos, anais e como capítulos de
livros.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
