- -

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

RiuNet: Repositorio Institucional de la Universidad Politécnica de Valencia

Compartir/Enviar a

Citas

Estadísticas

  • Estadisticas de Uso

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

Mostrar el registro sencillo del ítem

Ficheros en el ítem

Thumbnail
Nombre: Aguilera-MendezJu ...
Tamaño: 1.729Mb
Formato: PDF
Descripción: Versión editorial
Abrir
dc.contributor.author Aguilera-Méndez, José María es_ES
dc.contributor.author Juárez-Toledo, Carlos es_ES
dc.contributor.author Tapia-Fabela, José Luis es_ES
dc.contributor.author Martínez-Carrillo, Irma es_ES
dc.contributor.author Hernández-Grajales, Raúl Vladimir es_ES
dc.coverage.spatial east=-89.49456155592232; north=19.1895295606624; name=Península de Yucatán, Mèxic es_ES
dc.date.accessioned 2023-02-08T08:18:41Z
dc.date.available 2023-02-08T08:18:41Z
dc.date.issued 2023-01-31
dc.identifier.issn 1134-2196
dc.identifier.uri http://hdl.handle.net/10251/191706
dc.description.abstract [EN] The study objective is to develop a methodology, based on the application of numerical models, to forecast the transport routes of sargassum and favor decision-making for collecting on coasts. The work presents the behavior of the sargassum trajectory as a phenomenon dependent on the metoceanic variables, while the numerical methods are used as modeling tools that retain the most relevant information, and the systemic vision allows the analysis of the partial results through a segmented understanding of the problem to arrive at a full solution. In this research, two numerical output responses are considered that are implemented in a wave model based on Lagrangian equations to obtain the wave forecast. Finally, the results are processed by applying a Brownian system to calculate the movement of free-floating particles through the speed and diffusivity direction presented by an animation software. es_ES
dc.description.abstract [ES] El objetivo del estudio es desarrollar una metodología, basada en la aplicación de modelos numéricos, para pronosticar las rutas de transporte del sargazo y favorecer la toma de decisiones de recolección en costas. El trabajo presenta el comportamiento de la trayectoria del sargazo como un fenómeno dependiente de las variables metoceánicas, mientras los métodos numéricos se utilizan como herramientas de modelado que retienen la información más relevante, y la visión sistémica permite el análisis de los resultados parciales a través de un entendimiento segmentado del problema para llegar a una solución completa. En esta investigación se consideran dos respuestas de salidas numéricas que se implementan en un modelo de olas basado en ecuaciones Lagrangianas para obtener el pronóstico de oleaje. Finalmente, los resultados son procesados aplicando un sistema Browniano para calcular el movimiento de partículas de libre flotación a través de la velocidad y dirección de difusividad representados en un software de animación. es_ES
dc.description.sponsorship El autor principal del artículo agradece el apoyo económico recibido a través del programa de becas de posgrados del Consejo Nacional de Ciencia y Tecnología (CONACYT), México. Con número de referencia 766292. A la Secretaría de Investigación y Estudios Avanzados de la Universidad Autónoma del Estado de México. es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València es_ES
dc.relation.ispartof Ingeniería del Agua es_ES
dc.rights Reconocimiento - No comercial - Compartir igual (by-nc-sa) es_ES
dc.subject Numerical models es_ES
dc.subject Brownian movement es_ES
dc.subject Sargassum es_ES
dc.subject SWAN model es_ES
dc.subject Alavai es_ES
dc.subject Modelos numéricos es_ES
dc.subject Movimiento Browniano es_ES
dc.subject Sargazo es_ES
dc.subject Modelo SWAN es_ES
dc.title Modelación numérica de la trayectoria del sargazo pelágico utilizando ecuaciones Brownianas con aplicación a las aguas de la Península de Yucatán, México es_ES
dc.title.alternative Numerical modeling of pelagic sargassum trajectory using Brownian equations with application to the waters of Yucatan Peninsula, Mexico es_ES
dc.type Artículo es_ES
dc.identifier.doi 10.4995/ia.2023.18700
dc.relation.projectID info:eu-repo/grantAgreement/CONACYT//766292 es_ES
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation Aguilera-Méndez, JM.; Juárez-Toledo, C.; Tapia-Fabela, JL.; Martínez-Carrillo, I.; Hernández-Grajales, RV. (2023). Modelación numérica de la trayectoria del sargazo pelágico utilizando ecuaciones Brownianas con aplicación a las aguas de la Península de Yucatán, México. Ingeniería del Agua. 27(1):45-58. https://doi.org/10.4995/ia.2023.18700 es_ES
dc.description.accrualMethod OJS es_ES
dc.relation.publisherversion https://doi.org/10.4995/ia.2023.18700 es_ES
dc.description.upvformatpinicio 45 es_ES
dc.description.upvformatpfin 58 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.volume 27 es_ES
dc.description.issue 1 es_ES
dc.identifier.eissn 1886-4996
dc.relation.pasarela OJS\18700 es_ES
dc.contributor.funder Consejo Nacional de Ciencia y Tecnología, México es_ES
dc.description.references Agencia Espacial Europea (ESA). (n.d.). Sentinel-3-olci. Recuperado 5 de enero, 2023, de https://sentinels.copernicus.eu/web/sentinel/technical-guides/sentinel-3-olci/olci-instrument es_ES
dc.description.references Aguilera-Méndez, J.M., Juárez-Toledo, C., Martínez-Carrillo, I., & Vera-Popoca, R.I. (2021). Generation of unstructured meshes using Delaunay triangles for tidal analysis of the port of Acapulco, Mexico. Revista de Simulación y Laboratorio, 8(24), 20–27. https://doi.org/10.35429/JSL.2021.24.8.20.27 es_ES
dc.description.references Aguilera-Méndez, J.M., Juárez-Toledo, C., Martínez-Carrillo, I., & Vera-Popoca, R.I. (2022). Use of unstructured meshes for wave height and particles horizontal displacement analysis in central zone Veracruz, Mexico. ECORFAN Journal-Taiwan, 6(11), 20–27. es_ES
dc.description.references Amorocho, J., & DeVries, J.J. (1980). A new evaluation of the wind stress coefficient over water surfaces. Journal of Geophysical Research, 85(C1), 433. https://doi.org/10.1029/JC085iC01p00433 es_ES
dc.description.references Arango, D.H.G., & Shchepetkin, D.A.F. (n.d.). Regional Ocean Modeling System. Recuperado 9 de enero, 2023, de https://www.myroms.org/ es_ES
dc.description.references Automated Data Inquiry for Oil Spills. (2017). https://response.restoration.noaa.gov/adios-desktop es_ES
dc.description.references Banas, N.S., & Hickey, B.M. (2005). Mapping exchange and residence time in a model of Willapa Bay, Washington, a branching, macrotidal estuary. Journal of Geophysical Research, 110(C11), C11011. https://doi.org/10.1029/2005JC002950 es_ES
dc.description.references Banas, N.S., Hickey, B.M., MacCready, P., & Newton, J.A. (2004). Dynamics of Willapa Bay, Washington: A Highly Unsteady, Partially Mixed Estuary. Journal of Physical Oceanography, 34(11), 2413–2427. https://doi.org/10.1175/JPO2637.1 es_ES
dc.description.references Banas, Neil S., McDonald, P.S., & Armstrong, D.A. (2009). Green Crab Larval Retention in Willapa Bay, Washington: An Intensive Lagrangian Modeling Approach. Estuaries and Coasts, 32(5), 893–905. https://doi.org/10.1007/s12237-009-9175-7 es_ES
dc.description.references Binding, C.E., Greenberg, T.A., & Bukata, R.P. (2013). The MERIS Maximum Chlorophyll Index; its merits and limitations for inland water algal bloom monitoring. Journal of Great Lakes Research, 39, 100–107. https://doi.org/10.1016/j.jglr.2013.04.005 es_ES
dc.description.references Binding, C.E., Greenberg, T.A., McCullough, G., Watson, S.B., & Page, E. (2018). An analysis of satellite-derived chlorophyll and algal bloom indices on Lake Winnipeg. Journal of Great Lakes Research, 44(3), 436–446. https://doi.org/10.1016/j.jglr.2018.04.001 es_ES
dc.description.references Booij, N., Ris, R.C., & Holthuijsen, L.H. (1999). A third-generation wave model for coastal regions 1. Model description and validation. Journal of Geophysical Research: Oceans, 104(C4), 7649–7666. https://doi.org/10.1029/98JC02622 es_ES
dc.description.references Chávez, V., Uribe-Martínez, A., Cuevas, E., Rodríguez-Martínez, R.E., van Tussenbroek, B.I., Francisco, V., Estévez, M., Celis, L.B., Monroy-Velázquez, L.V., Leal-Bautista, R., Álvarez-Filip, L., García-Sánchez, M., Masia, L., & Silva, R. (2020). Massive Influx of Pelagic Sargassum spp. on the Coasts of the Mexican Caribbean 2014–2020: Challenges and Opportunities. Water, 12(10), 2908. https://doi.org/10.3390/w12102908 es_ES
dc.description.references Dagestad, K.-F., Röhrs, J., Breivik, Ø., & Ådlandsvik, B. (2018). OpenDrift v1.0: a generic framework for trajectory modelling. Geoscientific Model Development, 11(4), 1405–1420. https://doi.org/10.5194/gmd-11-1405-2018 es_ES
dc.description.references ECMWF. (n.d.). European Centre for Medium-Range Weather Forecasts. Recuperado 9 de enero, 2023, from https://www.ecmwf.int es_ES
dc.description.references Fyrillas, M.M., & Nomura, K.K. (2007). Diffusion and Brownian motion in Lagrangian coordinates. Journal of Chemical Physics, 126(16), 1–9. https://doi.org/10.1063/1.2717185 es_ES
dc.description.references García, F., Palacio, C., & Garcia, U. (2009). Unestructured Mesh Generation for Numeric Models Implementation. Dyna, 76(157), 17–25. es_ES
dc.description.references GEBCO Compilation Group. (2021). GEBCO. https://doi.org/10.5285/c6612cbe-50b3-0cff-e053-6c86abc09f8f es_ES
dc.description.references General NOAA Operational Modeling Environment. (2022). Recuperado 20 de enero, 2023, de https://response.restoration.noaa.gov/oil-and-chemical-spills/oil-spills/response-tools/gnome.html es_ES
dc.description.references George Mason University (GMU), & National Space Agency (NASA). (n.d.). GrADS. Recuperado 6 de enero, 2023, de http://cola.gmu.edu/grads/ es_ES
dc.description.references Global Forecast System. (n.d.). Recuperado 30 de noviembre de 2022, de https://www.emc.ncep.noaa.gov/emc/pages/numerical_forecast_systems/gfs.php es_ES
dc.description.references Huang, Y., Weisberg, R.H., Zheng, L., & Zijlema, M. (2013). Gulf of Mexico hurricane wave simulations using SWAN: Bulk formula-based drag coefficient sensitivity for Hurricane Ike. Journal of Geophysical Research: Oceans, 118(8), 3916–3938. https://doi.org/10.1002/jgrc.20283 es_ES
dc.description.references Johns, E.M., Lumpkin, R., Putman, N.F., Smith, R.H., Muller-Karger, F.E., T. Rueda-Roa, D., Hu, C., Wang, M., Brooks, M.T., Gramer, L.J., & Werner, F.E. (2020). The establishment of a pelagic Sargassum population in the tropical Atlantic: Biological consequences of a basin-scale long distance dispersal event. Progress in Oceanography, 182(September 2019), 102269. https://doi.org/10.1016/j.pocean.2020.102269 es_ES
dc.description.references Key, K. (2010). Triangle (1.9). http://marineemlab.ucsd.edu es_ES
dc.description.references Kwon, K., Choi, B.-J., Kim, K.Y., & Kim, K. (2019). Tracing the trajectory of pelagic Sargassum using satellite monitoring and Lagrangian transport simulations in the East China Sea and Yellow Sea. ALGAE, 34(4), 315–326. https://doi.org/10.4490/algae.2019.34.12.11 es_ES
dc.description.references Legrand, S., Legat, V., & Deleersnijder, E. (2000). Delaunay mesh generation for an unstructured-grid ocean general circulation model. Ocean Modelling, 2(1–2), 17–28. https://doi.org/10.1016/S1463-5003(00)00005-6 es_ES
dc.description.references Lett, C., Verley, P., Mullon, C., Parada, C., Brochier, T., Penven, P., & Blanke, B. (2008). A Lagrangian tool for modelling ichthyoplankton dynamics. Environmental Modelling & Software, 23(9), 1210–1214. https://doi.org/10.1016/j.envsoft.2008.02.005 es_ES
dc.description.references Lin, T., Pujos, C., Ou, C., Bi, W., Calvayrac, F., & Wang, Q.A. (2011). Path probability for a Brownian motion. Chinese Science Bulletin, 56(34), 3736–3740. https://doi.org/10.1007/s11434-011-4803-6 es_ES
dc.description.references Marta-Almeida, M., Ruiz-Villarreal, M., Otero, P., Cobas, M., Peliz, A., Nolasco, R., Cirano, M., & Pereira, J. (2011). OOFɛ: A Python engine for automating regional and coastal ocean forecasts. Environmental Modelling & Software, 26(5), 680–682. https://doi.org/10.1016/j.envsoft.2010.11.015 es_ES
dc.description.references MM5 Homepage. (2004). https://a.atmos.washington.edu/~ovens/newwebpage/mm5-home.html es_ES
dc.description.references National Oceanic and Atmospheric Administration (NOAA). (n.d.-a). Global Forecast System (GFS) [0.5 Deg.]. Recuperado 7 de enero, 2023 de https://data.noaa.gov/dataset/dataset/global-forecast-system-gfs-0-5-deg es_ES
dc.description.references National Oceanic and Atmospheric Administration (NOAA). (n.d.-b). NOMADS. Recuperado 7 de enero, 2023, de https://nomads.ncep.noaa.gov/ es_ES
dc.description.references National Space Agency (NASA). (n.d.). OLCI. Recuperado 5 de enero, 2023, de https://www.earthdata.nasa.gov/sensors/olci es_ES
dc.description.references Núñez, P., García, A., Mazarrasa, I., Juanes, J.A., Abascal, A.J., Méndez, F., Castanedo, S., & Medina, R. (2019). A methodology to assess the probability of marine litter accumulation in estuaries. Marine Pollution Bulletin, 144, 309–324. https://doi.org/10.1016/j.marpolbul.2019.04.077 es_ES
dc.description.references Otero, P., Banas, N.S., & Ruiz-Villarreal, M. (2015). A surface ocean trajectories visualization tool and its initial application to the Galician coast. Environmental Modelling & Software, 66, 12–16. https://doi.org/10.1016/j.envsoft.2014.12.006 es_ES
dc.description.references Putman, N.F., Lumpkin, R., Olascoaga, M.J., Trinanes, J., & Goni, G.J. (2020). Improving transport predictions of pelagic Sargassum. Journal of Experimental Marine Biology and Ecology, 529, 151398. https://doi.org/10.1016/j.jembe.2020.151398 es_ES
dc.description.references Schwartz, M., & Brustein, R. (1988). From Lagrangian to Brownian motion. Journal of Statistical Physics, 51(3–4), 585–613. https://doi.org/10.1007/BF01028474 es_ES
dc.description.references Shewchuk, J.R. (2002). Delaunay refinement algorithms for triangular mesh generation. Computational Geometry, 22(1–3), 21–74. https://doi.org/10.1016/S0925-7721(01)00047-5 es_ES
dc.description.references Signoret, M., Bulit, C., & Pérez, R. (1998). Patrones de distribución de clorofila a y producción primaria en aguas del Golfo de México y del Mar Caribe. Hidrobiológica, 8(2), 81–88. http://www.redalyc.org/articulo.oa?id=57880201 es_ES
dc.description.references Skamarock WC, et al. (2008). A description of the advanced research WRF version 3, NCAR Tech. Note, NCAR/TN-468+STR. Natl. Cent. for Atmos. Res. Boulder, Colorado. es_ES
dc.description.references Staff. (2019, July 10). 10 cosas que sabemos del sargazo. El Universal, 1. https://www.eluniversal.com.mx/destinos/13-cosas-quesabemos-del-sargazo-en-las-playas-de-quintana-roo es_ES
dc.description.references Suárez, A.M., & Martínez-Daranas, B. (2018). La problemática del Sargazo en el caribe. In La problemática del Sargazo en el caribe. Adaptación basada en Ecosistemas: alternativa para la gestión sostenible de los recursos marinos y costeros del Caribe (Vol. 18, pp. 82–94). Instituto de Oceanología. es_ES
dc.description.references Suzuki, T. (2011). Wave dissipation over vegetation fields. PhD thesis. TUDelft. es_ES
dc.description.references Suzuki, T., & Arikawa, T. (2011). Numerical analysis of bulk drag coefficient in dense vegetation by immersed boundary method. Coastal Engineering Proceedings, 1(32), 48. https://doi.org/10.9753/icce.v32.waves.48 es_ES
dc.description.references The WAVEWATCH Development Group (WW3DG). (2019). User manual and system documentation of WAVEWATCH III R version 6.07. In Tech. Note 333. es_ES
dc.description.references WaveWatch III (WW3-GW) Global Wave Model. (2019). https://data.noaa.gov/dataset/dataset/wavewatch-iii-ww3-global-wavemodel2 es_ES
dc.description.references Zheng, X., Mayerle, R., Wang, Y., & Zhang, H. (2018). Study of the wind drag coefficient during the storm Xaver in the German Bight using data assimilation. Dynamics of Atmospheres and Oceans, 83, 64–74. https://doi.org/10.1016/j.dynatmoce.2018.06.001 es_ES


Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem