Fluxos turbulentos de calor na interface oceano-atmosfera sobre os oceanos Atlântico Sudoeste e Austral

Os Oceanos Atlântico Sudoeste (OAS) e o Oceano Austral (OA) possuem grande relevância para os estudos de interação oceano-atmosfera, especialmente por suas características dinâmicas e termodinâmicas, que modulam as trocas de massa e energia e influenciam o tempo e o clima da América do Sul. O presente trabalho tem como objetivo estimar os fluxos de calor sensível (H) e calor latente (Le), utilizando duas metodologias: a parametrização de Bulk e a Covariância de Vórtices (CV). A partir desses fluxos, foram extraídos os coeficientes de transferência de calor sensível (Ch) e latente (Ce), por meio das fórmulas de Bulk e dos fluxos obtidos por CV, sendo posteriormente comparados com os fornecidos pelo algoritmo COARE3.5, utilizado no cálculo dos fluxos pelo método Bulk. Em seguida, foi desenvolvida uma Rede Neural Artificial (RNA) para prever Ch e Ce, utilizando como variáveis de entrada a pressão atmosférica, velocidade do vento, temperatura da superfície do mar (TSM), temperatura do ar e umidade relativa (RH). Inicialmente, a RNA foi treinada com dados in situ obtidos pelo projeto Antarctic Modeling Observation Systems (ATMOS), durante os meses de outubro e novembro dos anos de 2018, 2019, 2023 e 2024. Posteriormente, a mesma RNA foi aplicada utilizando dados de reanálise ERA5, para o mesmo período e área da RNA original. Por fim, realizou-se a espacialização geográfica dos coeficientes para toda a região de estudo, compreendendo o OAS e o OA. Os resultados mostraram que as RNAs treinadas com dados in situ apresentaram desempenho moderado (R² = 0,43 para Ch e R² = 0,56 para Ce), enquanto a inclusão de variáveis do ERA5 aumentou a performance para Ch (R² = 0,86) e para Ce (R² = 0,66). No OA, embora os ganhos com o ERA5 também tenham sido observados, foram mais limitados: o R² passou de 0,40 para 0,61 para Ch, e de 0,39 para 0,64 para Ce, refletindo a alta variabilidade sinótica e a influência de frentes polares. Os coeficientes de transferência de calor não são universais e exigem ajustes às condições regionais para aprimorar sua representação. A integração de observações diretas, reanálises e técnicas de aprendizado de máquina mostrou-se uma estratégia eficaz para reduzir as incertezas associadas aos fluxos turbulentos. ABSTRACT: The Southwest Atlantic Ocean (OAS) and the Southern Ocean (OA) hold great relevance for ocean-atmosphere interaction studies, particularly due to their dynamic and thermodynamic characteristics that modulate mass and energy exchanges and influence the weather and climate over South America. This study aims to estimate the sensible heat (H) and latent heat (Le) fluxes using two methodologies: the Bulk parameterization and the Eddy Covariance (CV) method. Based on these fluxes, the sensible (Ch) and latent (Ce) heat transfer coefficients were derived using the Bulk formulas and the CV-derived fluxes, and then compared with those calculated by the COARE3.5 algorithm, applied in the Bulk method. Subsequently, an Artificial Neural Network (ANN) was developed to predict Ch and Ce, using atmospheric pressure, wind speed, sea surface temperature (SST), air temperature, and relative humidity (RH) as input variables. The ANN was initially trained with in situ data from the Antarctic Modeling Observation Systems (ATMOS) project, covering the months of October and November for the years 2018, 2019, 2023, and 2024. The same ANN architecture was then applied using ERA5 reanalysis data for the same period and spatial domain. Finally, the geographic spatialization of the predicted coefficients was conducted for the entire study area, including both the OAS and OA. The results showed that the ANNs trained with in situ data presented moderate performance (R² = 0.43 for Ch and R² = 0.56 for Ce), while the inclusion of ERA5 variables significantly improved the results (R² = 0.86 for Ch and R² = 0.66 for Ce). In the OA, although improvements using ERA5 were also observed, they were more limited (R² increased from 0.40 to 0.61 for Ch, and from 0.39 to 0.64 for Ce), reflecting the high synoptic variability and the influence of polar fronts. The results confirm that heat transfer coefficients are not universal and must be regionally adjusted to improve their representation. The integration of direct observations, reanalysis products, and machine learning techniques proved to be an effective strategy to reduce uncertainties associated with turbulent heat fluxes.