Tesis EEGP 12junio

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO
POSGRADO EN CIENCIAS DE LA TIERRA

INSTITUTO DE GEOFÍSICA
Estudio numérico de la circulación y

aireación asociadas al Grijalva-Usumacinta
en Laguna de Términos, Campeche
TESIS
QUE PARA OPTAR POR EL GRADO DE:
Maestro en Ciencias de la Tierra
PRESENTA:
Ernesto Eduardo Gómez de la Peña
TUTOR PRINCIPAL
Dr. José Gilberto Cardoso Mohedano
Instituto de Ciencias del Mar y Limnologı́a
COMITÉ TUTOR
Dr. Joan Albert Sánchez Cabeza
Instituto de Ciencias del Mar y Limnologı́a
Dr. Jorge Zavala Hidalgo

Instituto de Geofı́sica
Ciudad Universitaria, Cd.Mx., junio 2019

JURADO ASIGNADO:
Presidente: Dr. Jorge Zavala Hidalgo

Secretario: Dr. José Gilberto Cardoso Mohedano
Vocal: Dr. Joan Albert Sánchez Cabeza
1er. Suplente: Dra. Elsa Arellano Torres
2o. Suplente: Dra. Maria Eugenia Allende Arandı́a
La tesis se realizó en la Estación El Carmen, Instituto de Ciencias del Mar y

Limnologı́a, UNAM.
TUTOR DE TESIS:
Dr. José Gilberto Cardoso Mohedano
———————————————————
Agradecimientos
Agradezco el apoyo para realizar esta tesis al Posgrado en Ciencias de la

Tierra, UNAM, y a mi asesor Dr. José Gilberto Cardoso Mohedano, por su tiempo
y aportaciones. Agradezco el financiamiento parcial de los proyectos CONACYT
PDCPN2013-01/214349, CONACYT SEMARNAT-2016-01-278634, PAPIIT IN
110518, y LANCAD-UNAM-DGTIC-273.
Por los comentarios y correcciones realizadas al presente trabajo, agradezco
a los miembros del jurado Dr. Jorge Zavala Hidalgo, Dr. Joan Albert Sánchez
Cabeza, Dra. Elsa Arellano Torres, y Dra. Maria Eugenia Allende Arandı́a.
Por los datos del modelo WRF, agradezco nuevamente a la Dra. Maria Euge-
nia Allende Arandı́a, Laboratorio de Ingenerı́a y Procesos Costeros, Instituto de
Ingenierı́a, UNAM.
Agradezco a la Lic. Marisol Meneses Fernández por su apoyo en las campañas
de campo y aportaciones al presente trabajo.
Por los servicios, recursos y la siempre cordial disposición, agradezco a todo el
personal de la Estación El Carmen y de la UVES, ICMyL, UNAM. De igual forma
agradezco al Dr. Mario Alejandro Gómez Ponce, a Hernán Álvarez Guillén, y a
José Andrés Reda Deara por su apoyo logı́stico en las salidas de campo. A Edgar
Escalante Mancera y Miguel Angel Gómez Reali por el entrenamiento y gestión de
los equipos de campo. A Roberto Clemente López Murillo por el mantenimiento
del servidor Baktún y a León F. Álvarez Sánchez por el apoyo en gestión de datos.
v
Resumen
La modelación numérica representa una herramienta invaluable en el estudio

de la costa ya que asimila y generaliza las observaciones de campo a un bajo
costo. Esta herramienta es de especial utilidad en paı́ses como México, donde
la investigación costera es limitada debido a recursos insuficientes. La Laguna
de Términos (LT), además de ser el sistema de descarga fluvial más grande del
paı́s, es también un conjunto de ecosistemas crı́tico en la era del Cambio Global
debido a la alta biodiversidad que salvaguarda. A pesar de su importancia, existen
caracterı́sticas de LT cuyo estudio se encuentra en un nivel básico.
La presente tesis profundiza en el conocimiento sobre la circulación y dinámi-
ca del oxı́geno disuelto (OD) en LT a través de la modelación numérica. Para
dicho fin, se implementaron el modelo hidrodinámico Delft3D-FLOW, y el mo-
delo de calidad de agua (Delwaq) para el estudio de la dinámica fı́sica del OD.
Debido a la influencia del viento, la marea y la descarga fluvial en LT, se forzó el
modelo hidrodinámico con salidas del modelo atmosférico Weather Research and
Forecasting Model, componentes armónicos de marea TPXO.8, y datos de des-
carga del rı́o Palizada - Sistema Grijalva Usumacinta de la Comisión Nacional de
Agua. Para la validación de las simulaciones, se utilizaron datos de temperatura,
salinidad y OD de campañas de campo y sensores instalados en LT.
En el presente estudio se muestra que es necesario considerar tanto al viento
como a la marea para reproducir la hidrodinámica del sistema. Mas aún, se obser-
va que el viento es el factor dominante en la circulación en temporada de nortes y
secas, mientras que en temporada de lluvias es la marea. Las simulaciones de OD
indican que la interacción de la temperatura, salinidad y descarga del rı́o Palizada
determina dos regı́menes al año, uno de alta concentración (noviembre-marzo) y
otro de menor concentración (mayo-julio).
Los resultados del modelo del OD indican que la zona de descarga del rı́o
Palizada presenta concentraciones menores de oxı́geno con respecto al resto del
sistema. Lo anterior— aunado a las presiones antropogénicas y naturales a las
que LT se encuentra sujeta— señala la necesidad de evaluar la vulnerabilidad de
la zona en estudios futuros.
vii
Índice general
Índice de figuras XI
Índice de tablas XIII
1. Introducción 1
1.1. Cambio Global y sistemas costeros . . . . . . . . . . . . . . . . . 1
1.2. Área de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1. Sistemas fluvio-lagunares asociados . . . . . . . . . . . . . 4
1.2.2. Circulación . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3. Importancia ecológica y presiones ambientales . . . . . . . 6
1.3. Oxı́geno disuelto . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1. Procesos fı́sicos en el balance de oxı́geno . . . . . . . . . . 9
1.3.2. Procesos biogeoquı́micos en el balance de oxı́geno . . . . . 11
1.3.3. Oxı́geno disuelto en Laguna de Términos . . . . . . . . . . 11
1.3.4. Oxı́geno y Cambio Global . . . . . . . . . . . . . . . . . . 12
1.4. Modelos numéricos en el estudio de la costa . . . . . . . . . . . . 13
1.5. Motivación y objetivos . . . . . . . . . . . . . . . . . . . . . . . . 14
2. Marco teórico 17
2.1. Ecuaciones de movimiento . . . . . . . . . . . . . . . . . . . . . . 17
2.2. Modelo Delft3D-FLOW . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1. Aproximaciones . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.2. Sistemas de coordenadas . . . . . . . . . . . . . . . . . . . 21
2.2.3. Ecuaciones en el modelo Delft3D-FLOW . . . . . . . . . . 22
2.2.4. Modelo térmico . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3. Modelo de oxı́geno disuelto . . . . . . . . . . . . . . . . . . . . . . 25
3. Metodologı́a 27
3.1. Datos de campo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Modelo hidrodinámico . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.1. Configuración espacial y temporal . . . . . . . . . . . . . . 29
ix
ÍNDICE GENERAL
3.2.2. Condiciones iniciales y de frontera . . . . . . . . . . . . . . 30

3.2.3. Forzamiento atmosférico . . . . . . . . . . . . . . . . . . . 31
3.2.4. Configuración del modelo térmico . . . . . . . . . . . . . . 32
3.2.5. Calibración, sensibilidad y estabilidad . . . . . . . . . . . . 33
3.3. Modelo de Oxı́geno Disuelto . . . . . . . . . . . . . . . . . . . . . 36
4. Resultados 37
4.1. Datos de campo y sensores . . . . . . . . . . . . . . . . . . . . . . 37
4.2. Modelo hidrodinámico . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2.1. Calibración, sensibilidad y estabilidad . . . . . . . . . . . . 43
4.2.2. Hidrodinámica . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2.3. Temperatura y salinidad . . . . . . . . . . . . . . . . . . . 50
4.3. Modelo de oxı́geno disuelto . . . . . . . . . . . . . . . . . . . . . . 59
4.3.1. Estadı́stica descriptiva . . . . . . . . . . . . . . . . . . . . 59
4.3.2. Variabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3.3. Oxı́geno disuelto en superficie y fondo . . . . . . . . . . . 67
5. Discusión 71
5.1. Viento y marea en la circulación de Laguna de Términos . . . . . 71
5.2. Temperatura, salinidad e influencia del rı́o Grijalva -Usumacinta . 74
5.3. Oxı́geno disuelto . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6. Conclusiones 87
A. Teorı́a de las mareas 89
B. Análisis de varianza 91
Bibliografı́a 93
x
Índice de figuras
1.1. Distribución de la población costera en México (tomado de Nava

Fuentes et al. (2017). . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Ubicación de Laguna de Términos en México. . . . . . . . . . . . 3
1.3. Esquema de los procesos fı́sicos y biológicos que regulan la concen-
tración de OD en aguas costeras (Testa y Kemp, 2012). . . . . . 8
2.1. Elevación de la superficie libre del agua (ζ), profundidad (d) y

profundidad total (H), referidas a los planos σ = −1 y σ = 0.
Adaptado de Deltares (2011). . . . . . . . . . . . . . . . . . . . . 23
3.1. Mapa con estaciones de muestreo . . . . . . . . . . . . . . . . . . 28

3.2. Malla de cálculo del modelo Delft3D-FLOW . . . . . . . . . . . . 30
3.3. Series de temperatura y presión para el CME y el WRF. . . . . . 32
3.4. Estaciones utilizadas en el análisis de marea y calibración del modelo 35
4.1. Gráfica de caja y bigotes para la temperatura observada . . . . . 40

4.2. Gráfica de caja y bigotes para la salinidad observada . . . . . . . 41
4.3. Gráfica de caja y bigotes para el OD observado . . . . . . . . . . 42
4.4. Series de tiempo de los sensores de temperatura, salinidad y OD . 44
4.5. Spin-up . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.6. Celdas analizadas en los experimentos viento, marea, y mareaviento 48
4.7. Elevación de la columna de agua simulada . . . . . . . . . . . . . 49
4.8. Variación de la elevación de la columna de agua del experimento
marea, en 3 puntos distintos de la zona de estudio. . . . . . . . . . 50
4.9. Rapidez superficial simulada . . . . . . . . . . . . . . . . . . . . . 51
4.10. Circulación promedio . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.11. Velocidad superficial . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.12. Celdas analizadas para el modelo térmico . . . . . . . . . . . . . . 54
4.13. Gráfica de caja y bigotes para la temperatura simulada . . . . . . 55
4.14. Temperatura simulada y temperatura observada en la estación Ma-
rina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
xi
ÍNDICE DE FIGURAS
4.15. Temperatura superficial promedio simulada, temporada de secas y

lluvias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.16. Gráfica de caja y bigotes para la salinidad simulada . . . . . . . . 59
4.17. Salinidad simulada y salinidad observada en la estación Marina . 60
4.18. Salinidad superficial promedio simulada, temporada de secas y lluvias 61
4.19. Gráfica de caja y bigotes para el OD simulado . . . . . . . . . . . 62
4.20. Celdas analizadas, modelo de aireación . . . . . . . . . . . . . . . 64
4.21. Variabilidad anual del OD simulado . . . . . . . . . . . . . . . . . 65
4.22. Variabilidad anual de la temperatura simulada . . . . . . . . . . . 65
4.23. Variabilidad anual de la salinidad simulada . . . . . . . . . . . . . 66
4.24. Variabilidad de OD en condiciones de viento . . . . . . . . . . . . 67
4.25. OD superficial promedio, temporada de secas y lluvias . . . . . . 68
4.26. OD promedio en fondo, temporada de secas y lluvias . . . . . . . 69
5.1. Batimerı́a adaptada de Grenz et al. (2017) y zonas de acumulación 72

5.2. Correlación entre la elevación de la columna de agua de los expe-
rimentos viento y mareaviento . . . . . . . . . . . . . . . . . . . 74
5.3. Correlación entre la elevación de la columna de agua de los expe-
rimentos marea y mareaviento . . . . . . . . . . . . . . . . . . . 75
5.4. Desfase entre la temperatura del CME y el WRF. . . . . . . . . . 78
5.5. Comportamiento de la descarga del rı́o Palizada y salinidad mode-
lada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.6. Relación exponencial entre descarga del rı́o Palizada y salinidad
modelada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.7. Series de OD observado y simulado . . . . . . . . . . . . . . . . . 82
5.8. Factores fı́sicos en la dinámica del OD . . . . . . . . . . . . . . . 83
A.1. Predicción de la marea a través de la suma de componentes. . . . 89
xii
Índice de tablas
1.1. Descarga de rı́os en Laguna de Términos . . . . . . . . . . . . . . 4

1.2. Variaciones estacionales y espaciales de volumen de agua, flujo neto
y tiempo de residencia para Laguna de Términos . . . . . . . . . 7
1.3. Media anual e intervalo de oxı́geno disuelto reportados para Lagu-
na de Términos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.1. Coordenadas de las estaciones de muestreo . . . . . . . . . . . . . 28

3.2. Correlación entre las variables del CME y el WRF . . . . . . . . 32
3.3. Estaciones utilizadas para la calibración del modelo Delft3D-FLOW 34
4.1. Campañas de campo. . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.2. Temperatura observada en campo según la temporada climática y
la zona de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3. ANOVA para las variables temperatura, salinidad y OD para los
factores zona de muestreo y temporada climática . . . . . . . . . . 39
4.4. Salinidad observada en campo según la temporada climática y la
zona de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.5. OD observado en campo según la temporada climática y la zona
de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.6. Temperatura, salinidad y OD observada en los sensores. . . . . . 43
4.7. Vector de Diferencias Acumuladas por estación . . . . . . . . . . . 45
4.8. Parámetros evaluados en el análisis de sensibilidad . . . . . . . . . 46
4.9. Temperatura simulada según la temporada climática y la zona de
muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.10. Salinidad simulada según la temporada climática y la zona de
muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.11. OD simulado y observado en campo según la temporada climática
y la zona de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.12. Periodos de máximos y mı́nimos simulados de OD, temperatura y
salinidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
xiii
ÍNDICE DE TABLAS
5.1. Comparación de la temperatura y salinidad reportada en Ramos-

Miranda et al. (2005) y las observadas en el presente trabajo para
las zonas de influencia fluvial y zona de influencia mixta. . . . . . 76
5.2. Comparación de la temperatura y salinidad simuladas y observadas
para el periodo noviembre-diciembre en la zona lagunar . . . . . . 78
5.3. Promedios de OD observado en campo y simulado . . . . . . . . . 80
xiv
Glosario
BEC Boca El Carmen. 3, 5, 6, 27, 35, 47, 49, 54, 60, 62, 63, 71, 73, 75, 76, 81,
82
BPR Boca Puerto Real. 3, 5, 6, 45, 49, 71
CG Cambio Global. 1–3, 12, 13
CME Aeropuerto Internacional de Ciudad del Carmen. 31, 36, 77
D-waq Delft Water Quality Model. 25, 26, 36
ECA Elevación de la Columna de Agua. 47
ENOS El Niño-Oscilación del Sur. 76, 77, 84, 87, 88
LT Laguna de Términos. 3–7, 11, 14, 15, 25, 27, 29, 33, 37, 45, 49, 71, 73–84, 87,
88
OD Oxı́geno Disuelto. 7, 9, 11–14, 27, 36, 40, 79
SGU Sistema Grijalva Usumacinta. 4, 14, 30, 71, 74, 76, 77, 79, 84
WRF Weather Research and Forecasting Model. 31, 32, 77
xv
Capı́tulo 1
Introducción
1.1. Cambio Global y sistemas costeros

La actividad humana transforma profundamente al planeta Tierra. El desa-
rrollo industrial, el transporte, la generación de energı́a y la urbanización cambian
la estructura y funcionamiento de los ecosistemas, el clima, los ciclos del agua,
nutrientes, carbono, entre otros (IPCC, 2014). Estos cambios generan un impacto
ambiental a escala global, por lo que es necesario estudiarlos a través de diver-
sas disciplinas como la fı́sica, quı́mica, biologı́a y geologı́a. Para facilitar dicho
estudio se adopta el término Cambio Global (CG), que comprende los cambios
que generan un impacto a escala planetaria (Steffen et al., 2004). El CG afec-
ta de manera heterogénea a los ecosistemas y regiones del mundo, debido a que
la vulnerabilidad de cada región depende de sus caracterı́sticas particulares. Un
ejemplo son las zonas costeras, sistemas socio-ecológicos complejos (Atkins et al.,
2011) especialmente vulnerables ante el CG debido a la confluencia de cambios de
origen terrestre (e.g. descarga y contaminación fluvial) y marino (e.g. incremento
del nivel del mar).
La costa es un lugar atractivo debido a la disponibilidad de recursos y oportu-
nidades de comercio, esto causa que a nivel global las zonas costeras experimenten
un rápido crecimiento poblacional. Actualmente dos terceras partes de los asen-
tamientos urbanos de más de 5 millones de personas se encuentran por debajo
de los 10 metros de elevación sobre el nivel del mar (McGranahan et al., 2007).
En México, a pesar de que existen pocos asentamientos en la costa de más de
un millón de habitantes (figura 1.1), 9 de los 17 estados costeros superaron el
crecimiento nacional promedio en el periodo 2005-2010 (Comisión Intersectarial
para el Manejo Sustentable de Mareas y Costas, 2012). Se proyecta que para el
2030 la población en los estados costeros de México llegue a los 55 millones de
habitantes (Consejo Nacional de Población, 2006). Dicha urbanización represen-
1
1. INTRODUCCIÓN
Figura 1.1: Distribución de la población costera en México (tomado de Nava

Fuentes et al. (2017).
ta un reto para nuestro paı́s ya que expone a un creciente número de personas y

bienes inmuebles a los impactos del CG.
Existen puntos costeros clasificados como crı́ticos debido a su alta vulnera-
bilidad al CG (Newton y Weichselgartner, 2014) que se encuentran presentes en
México. El primero corresponde a las islas pequeñas, lugares con una limitada
fuente de recursos naturales y humanos. Estas son amenazadas por el cambio
climático, la acidificación del océano, la migración humana, el uso desmedido de
recursos, la contaminación, el incremento del nivel del mar, la invasión de espe-
cies no nativas y la eutrofización (Hughes y Connell, 1999; Pelling y Uitto, 2001).
El segundo punto crı́tico corresponde a los sistemas de descarga fluvial, donde
interaccionan el océano, la tierra y la atmósfera, y que son particularmente sen-
sibles al cambio en los flujos de agua, sedimento, fertilizantes y contaminantes
(Newton et al., 2012). El tercer y último punto es la costa urbana, donde tanto la
población como la degradación de los ecosistemas van en aumento (Gedan et al.,
2011; Shepard et al., 2011).
En México confluyen los tres puntos crı́ticos anteriores en Laguna de Térmi-
2
1.2 Área de estudio
Figura 1.2: Ubicación de Laguna de Términos en México.
nos, Campeche, haciendo de esta una de las zonas costeras con más riesgos po-
tenciales ante el CG.
1.2. Área de estudio

Laguna de Términos (LT), con coordenadas 18◦ 010 5400 − 19◦ 130 3300 Norte y
92◦ 320 3300 − 90◦ 590 1500 Oeste, se encuentra en la costa de Campeche, México,
entre la Penı́nsula de Yucatán y la planicie aluvial costera de Tabasco. Con una
profundidad promedio de 3.5 m y una extensión de 75 km de largo por 35 km
de ancho, LT se conecta con el Golfo de México a través de dos bocas naturales:
Puerto Real (BPR) al este, de 3.2 km de ancho, y El Carmen (BEC) al oeste con
3.8 km de ancho (Figura 1.2). LT es separada del océano abierto por dos islas
de barrera: Isla Aguada e Isla del Carmen. En esta última se localiza Ciudad
del Carmen, el asentamiento urbano más grande de la zona (169,466 habitantes
, INEGI, 2010).
Laguna de Términos es el sistema de descarga fluvial más grande y también
el mayor ecosistema costero del paı́s (Semarnat, 1997). Los canales y lagunas
asociadas suman 200,108 hectáreas; por otra parte, los manglares y marismas
aledaños se extienden por 259,000 hectáreas (Yáñez-Arancibia et al., 1994).
La región presenta tres tipos de climas (Garcı́a, 1973): clima cálido sub-húme-
do intermedio con lluvias en verano Aw1(w) frente a la Boca Puerto Real, clima
3
1. INTRODUCCIÓN
cálido subhúmedo con mayor humedad Aw2(w) en la zona que rodea al cuerpo
lagunar, y clima cálido húmedo con abundantes lluvias en verano Am(f) en la
zona de la descarga del Rı́o Palizada. Por otra parte, existen en el área tres esta-
ciones al año (Yáñez-Arancibia y Day Jr, 1982): la temporada de lluvias (junio-
septiembre), la temporada de nortes o tormentas invernales (octubre-enero), y la
temporada de secas (febrero-abril), donde mayo es un mes de transición (Guerra-
Santos y Kahl, 2018).
Durante la época de nortes el viento proviene del noroeste y su velocidad
promedio es de 8 m s−1 , mientras que en el resto del año los vientos son del
norte-noreste y este-sureste con velocidades promedio de entre 4 a 6 m s−1 (Yáñez-
Arancibia y Day Jr, 1982).
1.2.1. Sistemas fluvio-lagunares asociados

En LT descargan principalmente cuatro sistemas fluvio-lagunares (Bach et al.,
2005). El primer sistema es el Rı́o Palizada, efluente del Sistema Grijalva - Usu-
macinta (SGU). De los rı́os que desembocan en LT, el Rı́o Palizada es el de mayor
volumen de descarga (Tabla 1.1). El segundo es el Candelaria-Panlau, conformado
por el Rı́o Candelaria y el Rı́o Mamantel; el primer rı́o proviene de la penı́nsula de
Yucatán mientras que el segundo proviene de la Laguna Panlau. El tercer sistema
es el Chumpan-Balchacah, conformado por el Rı́o Chumpan, que se desarrolla en
la planicie costera y desemboca en la Laguna Balchacah ubicada en la punta sur
de LT. El cuarto y último sistema es el Pom-Atasta, conformado por el rı́o San
Pedro-San Pablo (ramificación del Usumacinta) que forma las lagunas Atasta y
Pom, que se encuentran conectadas con LT y tienen una baja contribución al
sistema.
Tabla 1.1: Descarga de rı́os en Laguna de Términos, adaptado de Yáñez-Arancibia

et al., 2005.
Descarga Rı́o Palizada (m3 s−1 ) Chumpán+Candelaria + Mamantel (m3 s−1 )

Porción occidental Porción oriental
(1/3 de LT) (2/3 de LT)
Media anual 394 122

Nortes 453 140
Secas 250 50
Lluvias 490 175
El Sistema Palizada es la principal fuente de agua y sedimentos terrı́genos en
4
1.2 Área de estudio
LT (6 × 109 m3 , Phleger y Ayala-Castanares (1971). Dicho sistema forma un

complejo rı́o-laguna-marisma cuyas caracterı́sticas fı́sico-quı́micas son moduladas
estacionalmente por las mareas astronómicas, la descarga fluvial y las estaciones
del año. La materia orgánica y los nutrientes que se producen en este complejo de
ecosistemas se exportan a LT e impulsan la productividad del sector occidental.
1.2.2. Circulación
La mayor parte de los estudios de circulación dentro de LT están basados
en mediciones de temperatura, salinidad, corrientes y elevación de la columna
de agua (Mancilla-Peraza y Vargas-Flores, 1980; Candela, 1983; Jensen et al.,
1989; David y Kjerfve, 1998; Espinal-González, 2002; Kjerfve et al., 1988); en
estos estudios las mediciones fueron realizadas en periodos menores a 3 meses.
Se reporta un flujo neto entrante en la BPR y un flujo saliente en la BEC, es
decir, una circulación hacia el suroeste (Mancilla-Peraza y Vargas-Flores, 1980;
Jensen et al., 1989; David y Kjerfve, 1998). Sin embargo, dicho patrón se modifica
al final de la estación de lluvias debido al aporte de agua de origen fluvial. Los
resultados de algunos modelos (Dressler, 1982; Jensen et al., 1989; Kjerfve et al.,
1988; David y Kjerfve, 1998; Espinal-González, 2002) indican una exportación de
agua fluvial a través de la BPR, revirtiéndose ası́ la circulación hacia el suroeste.
Por otra parte, se reportan 5 estudios sobre el modelado numérico de las
mareas en LT (Graham et al., 1981; Dressler, 1982; Kjerfve et al., 1988; Espinal-
González, 2002; Contreras Ruiz Esparza et al., 2014). Graham et al. (1981) ela-
boraron el primer modelo hidrodinámico, las condiciones de frontera se estiman
con las tablas de marea del Servicio Oceánico Nacional estadounidense (Natio-
nal Ocean Survey) de 1979. Graham et al. (1981) concluyen que el forzamiento
principal de LT es el viento. El segundo modelo (Dressler, 1982) utilizó los cuatro
componentes armónicos reportados en Grivel-Piña et al. (1982). Dicho modelo se
realizó con batimetrı́a teórica y con apertura-cierre artificial de las bocas. Por otro
lado, el modelo de Kjerfve et al. (1988) incluye los cuatro componentes armónicos
reportados en Grivel-Piña et al. (1982) ası́ como el forzamiento por descarga flu-
vial y viento. En dicho trabajo se observa que la onda de marea es mayor primero
en la BEC y después en la BPR, con un desfase de una hora. El cuarto modelo
fue elaborado por Espinal-González (2002), donde se reporta una circulación de
la BPR hacia la BEC.
Finalmente, el modelo mas reciente en el área fue elaborado por Contreras
Ruiz Esparza et al. (2014), donde se implementó un modelo hidrodinámico en
3D (MARS3D) cuyos resultados se compararon con un año de mediciones de una
red de sensores instalada en LT. Las mediciones realizadas por Contreras Ruiz
Esparza et al. (2014) son las que actualmente tienen la mayor cobertura temporal
y espacial entre los trabajos realizados en el área. Los resultados del MARS3D
5
1. INTRODUCCIÓN
indican que existe un flujo neto del suroeste hacia el noreste (de la BEC a la
BPR) en la porción sur de la laguna, mientras que en la parte norte ocurre lo
opuesto (Contreras Ruiz Esparza et al., 2014).
Además de la marea existen otros mecanismos que modulan la circulación
en LT, como los vientos, la descarga fluvial, y la estacionalidad (Contreras Ruiz
Esparza et al., 2014; Kjerfve et al., 1988; Day Jr y Yáñez-Arancibia, 1982). Estos
mecanismos parecen dominar la circulación al interior de la laguna mientras que la
marea astronómica explica alrededor del 80 % de la variabilidad de las corrientes
en las bocas lagunares (Contreras Ruiz Esparza et al., 2014). Por otra parte, la
descarga fluvial y la estacionalidad están ı́ntimamente ligadas y tienen un efecto
conjunto en la circulación de LT. Ejemplo de lo anterior es que en la estación de
secas el volumen fluvial descargado es un tercio menor que en las estaciones de
lluvias y nortes (Bach et al., 2005). Por otro lado, debido a que el Sistema Palizada
es el de mayor descarga en LT (Tabla 1.1), la influencia de agua epicontinental
en la parte occidental de la laguna es mayor que en la parte oriental. Ası́ mismo,
la porción oriental de LT muestra en la estación de secas una evaporación más
alta que la precipitación, lo que sugiere un comportamiento de estuario inverso
(Bach et al., 2005).
Algunos estudios en el área han estimado el tiempo de residencia en LT
(Yáñez-Arancibia et al., 2005; Bach et al., 2005; David y Kjerfve, 1998; Yáñez-
Arancibia y Day Jr, 1982). Las diferencias encontradas en los distintos trabajos
se deben principalmente a variaciones en la metodologı́a. Los estudios concuerdan
con que la parte occidental de la LT tiene un tiempo de residencia mucho menor
que la parte oriental (Yáñez-Arancibia et al., 2005; Bach et al., 2005; Yáñez-
Arancibia y Day Jr, 1982). Yáñez-Arancibia et al. (2005) reportan un tiempo
máximo de residencia en la estación de secas en la parte oriental del sistema,
mientras que la porción occidental presenta el mı́nimo en la estación de nortes
(Tabla 1.2).
1.2.3. Importancia ecológica y presiones ambientales

La Laguna de Términos y sus ecosistemas fueron declaradas Área de Pro-
tección de Fauna y Flora en 1994 (Yáñez-Arancibia et al., 1993; Diario Oficial
de la Federación, 1994; Semarnat, 1997). El área protegida engloba cuatro ti-
pos de ecosistemas: praderas de pastos sumergidos, bosques de manglar, tular
y vegetación riparia. LT es un conjunto de ecosistemas crı́tico debido a su alta
productividad primaria y secundaria (Ramos-Miranda y Villalobos-Zapata, 2015;
Yáñez-Arancibia et al., 2005), su alta biodiversidad (Villalobos-Zapata, 2010;
Yáñez-Arancibia et al., 2005), y su relación con la productividad pesquera del
Banco de Campeche (Yáñez-Arancibia et al., 1985; Yáñez-Arancibia y Aguirre-
León, 1988).
6
1.3 Oxı́geno disuelto
Tabla 1.2: Variaciones estacionales y espaciales de volumen de agua, flujo neto

y tiempo de residencia para Laguna de Términos, adaptado de Yáñez-Arancibia
et al., 2005.
Porción occidental Volumen de agua Flujo neto Tiempo de residencia

(1/3 de LT) (m3 × 109 ) (m3 × seg −1 ) (dı́as)
Nortes 0.89 462 22
Secas 0.62 227 32
Lluvias 1.17 492 28
Porción oriental Volumen de agua Flujo neto Tiempo de residencia

(2/3 de LT) (m3 × 109 ) (m3 × seg −1 ) (dı́as)
Nortes 1.23 158 90
Secas 0.67 4 1938
Lluvias 1.78 200 103
Debido a lo anterior, el estudio y monitoreo de la LT son cruciales para la

conservación de la biodiversidad nacional. A pesar de ser un área natural prote-
gida, LT presenta una alta presión antropogénica debido a factores locales y a la
industria petrolera circundante (Semarnat, 1997; Ramos-Miranda y Villalobos-
Zapata, 2015). Ejemplo de lo anterior es la presencia de contaminantes tóxicos en
la laguna como pesticidas y policlorobifenilos (Carvalho et al., 2009) y el incre-
mento en el aporte de sedimentos (Ramos-Miranda y Villalobos-Zapata, 2015),
el cual es causado por la intensa deforestación en la cuenca del Sistema Grijalva-
Usumacinta.
1.3. Oxı́geno disuelto

Uno de los factores fundamentales a estudiar en LT es el oxı́geno disuelto
(OD), parámetro vital para los organismos acuáticos ya que se requiere en la
respiración y otras necesidades metabólicas. La concentración de OD en la costa
depende de diversos procesos fı́sicos y biogeoquı́micos que naturalmente añaden
o remueven oxı́geno a la columna de agua (Figura 1.3).
7
1. INTRODUCCIÓN
Figura 1.3: Esquema de los procesos fı́sicos y biológicos que regulan la concentra-
ción de OD en aguas costeras (Testa y Kemp, 2012).
8
1.3.1. Procesos fı́sicos en el balance de oxı́geno

La solubilidad de O2 en el agua es determinada principalmente por dos va-
riables: salinidad y temperatura. Al aumentar dichas variables, el OD disminuye
(Garcia y Gordon, 1992). Como resultado de dicha dependencia, el OD varı́a es-
tacional, interanual y espacialmente en la mayorı́a de los sistemas costeros. Un
ejemplo es el aumento de la temperatura en verano y la consecuente reducción
del O2 disponible en la superficie de un cuerpo de agua (Kemp et al., 1992). La
relación entre la salinidad y la solubilidad del oxı́geno sigue el principio de que,
en general, la solubilidad de un gas en un solvente es afectada por la presencia
de otros solutos en la solución. En el caso del agua salada, los iones de la sal
atraen a las moléculas de agua. Esto causa que el agua se polarice y tenga una
menor afinidad por las moléculas no polares de oxı́geno. A mayor salinidad, mayor
polaridad del agua y menor solubilidad de O2 .
Por otra parte, en diversos ecosistemas costeros los gradientes de salinidad y
temperatura causan una estratificación por densidad, que frecuentemente aı́sla el
agua de fondo de la superficial (Pohlmann, 1996). Dicho aislamiento suele impedir
la mezcla vertical, lo que agota el OD en el fondo (e.g. Jørgensen, 1980; Turner
et al., 1987; Kemp et al., 1992).
Una vez determinada la solubilidad del oxı́geno en una masa de agua, existen
dos tipos de procesos que juegan un rol fundamental en el balance de OD. Por
una parte, se encuentran los mecanismos de reaireación que influyen en el inter-
cambio gaseoso que ocurre entre la superficie del cuerpo de agua y la atmósfera;
ejemplos de dichos mecanismos son el viento, la marea y el oleaje. Por otra parte
se encuentran los procesos de transporte advectivo-difusivo, tales como aporte de
agua continental y oceánica.
Mecanismos de reaireación
La principal fuente fı́sica de oxı́geno de un sistema acuático es el intercambio
de gases entre la superficie del agua y la atmósfera (Peña et al., 2010); proceso
conocido como reaireación. Los flujos de oxı́geno a través de la interfaz agua-
atmósfera F O2 (mol m−2 s−1 ) son resultado de la diferencia entre la presión
parcial del gas en la capa superficial del agua y la presión atmosférica:
F O2 = κ(O2surf − O2sat ) (1.1)

donde κ es la velocidad de transporte de gas, O2surf es la concentración de oxı́geno
en la capa superficial mezclada, y O2sat es la concentración de saturación de O2
que depende de la salinidad y temperatura de la superficie oceánica (Garcia y
Gordon, 1992).
9
1. INTRODUCCIÓN
La variable κ es determinada por la hidrodinámica de la capa lı́mite difusiva

cercana a la superficie en un cuerpo de agua (e.g. Liss y Slater, 1974). La ruptura
turbulenta de esta capa lı́mite aumenta los valores de κ e intensifica el intercambio
agua-atmósfera (Wanninkhof et al., 2009). Debido a lo anterior, el coeficiente de
transferencia del gas es influenciado principalmente por el viento, la corriente
de marea, y el oleaje (e.g. Raymond y Cole, 2001).En consecuencia, se utilizan
diversas parametrizaciones de κ, las mas utilizadas se basan en funciones no
lineales de la velocidad de viento, temperatura y salinidad superficiales del mar
(e.g. Wanninkhof, 1992).
En el océano costero y cuerpos de agua mayores, el esfuerzo del viento tiende
a ser el mecanismo fı́sico que determina el coeficiente de transferencia del gas
(Liss y Slater, 1974; Najjar y Keeling, 2000). En contraste con lo anterior, en
estuarios someros y cerrados κ suele ser dominada por la corriente de marea y la
turbulencia que esta genera al pasar sobre el lecho estuarino (Raymond y Cole,
2001).
Procesos de transporte advectivo-difusivo
La concentración de oxı́geno es afectada por procesos de transporte que ocu-
rren en la columna de agua. En la naturaleza dichos procesos ocurren por ad-
vección y por difusión, el balance de oxı́geno se aproxima entonces mediante la
siguiente expresión (Peña et al., 2010):
∂ 2 O2 ∂ 2 O2 ∂ 2 O2

∂O2 ∂O2 ∂O2 ∂O2
+u +v +w − KZ − KH + + nct = 0 (1.2)
∂t ∂x ∂y ∂z ∂z 2 ∂x2 ∂y 2
donde el primer término representa la tasa local de cambio del oxı́geno con res-
pecto al tiempo. El segundo y tercer términos representan la advección por co-
rrientes en la dirección este-oeste y norte-sur respectivamente. El cuarto término
representa el transporte vertical por surgencias y hundimientos. El quinto y sex-
to términos representan la mezcla vertical y horizontal respectivamente, donde
KZ (x, y, z) es la difusión turbulenta vertical y KH (x, y, z) es la difusión turbulenta
horizontal. Por último, los procesos no conservativos tales como fotosı́ntesis, res-
piración, remineralización de materia orgánica, etc. , se engloban en los términos
no conservativos (nct).
La entrada directa de O2 al sistema costero puede ocurrir por el transporte
horizontal de agua rica en oxı́geno proveniente de descargas de rı́os o de agua
oceánica (e.g. Kuo et al., 1991; Kemp et al., 1992; Feistel et al., 2006). En adición,
la advección de O2 puede ocurrir lateralmente de aguas profundas a aguas someras
en respuesta al esfuerzo del viento y el transporte de Ekman asociado (e.g. Sanford
et al., 1990; Grantham et al., 2004). En estuarios se reciben grandes entradas de
O2 con cada inundación de marea (e.g. Hoppema, 1991).
10
1.3.2. Procesos biogeoquı́micos en el balance de oxı́geno

Existen dos tipos principales de procesos biogeoquı́micos en el balance de OD
en un sistema acuático. Por una parte, se encuentran los procesos asociados a la
producción fotosintética de O2 ; por la otra, se encuentran los procesos asociados
a la respiración aeróbica y el consumo de O2 . La fotosı́ntesis es la fuente biológica
primordial de O2 en aguas costeras, es regulada principalmente por dos factores:
disponibilidad de luz y nutrientes, y herbivorı́a del fitoplancton (Harding et al.,
2002; Verduin, 1957). De esta forma, cuando existe una alta actividad fotosintética
el fitoplancton puede generar una sobresaturación de O2 (e.g. Murrell y Lores,
2004; Malone et al., 1986).
En cuanto a los procesos que consumen O2 , la respiración aeróbica tiende a
ser la forma dominante de metabolismo heterotrófico en aguas costeras debido
a la abundancia relativa de O2 y a la alta energı́a liberada por esta molécula
en reacciones de oxido-reducción. La respiración, donde se consume la materia
orgánica generada en la fotosı́ntesis, es vital desde una perspectiva fisiológica
(King, 2005) . La respiración tiene también importancia ecológica, pues refleja la
actividad metabólica de un ecosistema completo (e.g. Robinson et al., 2005). Los
actores principales en la respiración aeróbica son las comunidades bacterianas que
degradan la materia orgánica en los sistemas acuáticos.
1.3.3. Oxı́geno disuelto en Laguna de Términos

Existen pocos estudios con mediciones de oxı́geno disuelto en LT (Vazquez
et al., 1999; Medina-Gómez et al., 2015; Poot-Delgado et al., 2018). En el estudio
de Vazquez et al. (1999), se realizaron mediciones en 24 puntos de LT durante
el periodo marzo 1994- enero 1995. Se reporta que las variaciones espaciales del
oxı́geno en superficie y en fondo no son significativas (Tabla 1.3), los valores
mayores de oxı́geno se presentaron en enero.
Tabla 1.3: . Media anual e intervalo de oxı́geno disuelto reportados para Laguna
de Términos por Vazquez et al., 1999.
Oxı́geno Disuelto Agua Superficial Agua de fondo
Media anual (mg L−1 ) 4.56 ± 0.88 4.35 ± 0.78

Intervalo 2.50 - 6.90 0.70 - 7.30
Por otra parte, Medina-Gómez et al. (2015) realizaron mediciones bimensuales

en 6 subsistemas fluviales de LT durante febrero-diciembre 2001. En dicho estudio
11
1. INTRODUCCIÓN
se reporta que no existen diferencias en el oxı́geno entre los subsistemas fluviales,

y se reporta un sistema bien oxigenado (concentraciones medias > 4.7 mg L−1 ).
El oxı́geno presentó mayor variabilidad durante la estación de nortes que en el
resto del año.
Por último, Poot-Delgado et al. (2018) realizaron mediciones mensuales en 6
puntos de muestreo en la boca del sistema Pom-Atasta durante el periodo agosto
2012- septiembre 2013. En la estación de lluvias los valores medios de saturación
de oxı́geno presentaron un mı́nimo (88.4-96.3 %), mientras que los máximos se
observaron en la estación de secas (106.2 -118.2 %), con diferencias significativas
entre estaciones climáticas.
1.3.4. Oxı́geno y Cambio Global

A nivel global, el OD es una de las variables que ha registrado más cambios
en las últimas décadas (Gilbert et al., 2010; Diaz y Rosenberg, 2008; Rabalais
et al., 2009). Los dos principales son la eutrofización y la hipoxia (Wong et al.,
2014; Diaz, 2001; Foley, 2005). La eutrofización es el proceso donde ocurre un
crecimiento excesivo de algas debido a la abundancia de nutrientes en el agua,
donde la descomposición posterior de la materia orgánica suele generar hipoxia
(Schindler, 2006). Por otra parte, la hipoxia costera se define como la disminución
del OD en el agua a un cierto nivel (e.g < 30 % de saturación o < 2 mg L−1 ,
Zhang et al., 2010).
La hipoxia es el resultado de un desbalance entre la producción biológica y el
consumo de oxı́geno, el intercambio gaseoso agua-atmósfera, y el transporte de
O2 por procesos fı́sicos. La actividad humana altera la producción biológica al
descargar nutrientes en el océano costero, actividad que aumentó en las últimas
décadas (Galloway et al., 2004; Boyer y Howarth, 2008; Howarth et al., 1995) y
con ello la eutrofización y zonas hipóxicas (Diaz y Rosenberg, 2008). Aunado a lo
anterior, el número de “zonas muertas” -zonas con recursos pesqueros reducidos-
se duplicó aproximadamente cada década desde 1960 (Diaz y Rosenberg, 2008). La
hipoxia representa una seria amenaza para la vida, ya que ocasiona la mortalidad
de la fauna bentónica (Levin et al., 2009) y comunidades pelágicas (Ekau et al.,
2009), pérdida de hábitat (Breitburg et al., 2009), y mala calidad de agua para
consumo humano.
La diversidad de procesos fı́sicos y biogeoquı́micos que interactúan en el desa-
rrollo de la hipoxia (Zhang et al., 2010) es caracterı́stica de los procesos costeros
y ha impulsado la construcción de modelos numéricos para simular la respuesta
de diversas variables tanto a condiciones actuales, como a posibles escenarios del
CG.
12
1.4 Modelos numéricos en el estudio de la costa
1.4. Modelos numéricos en el estudio de la costa

La investigación y observación de los ecosistemas costeros son elementos cru-
ciales para el manejo y conservación de los mismos (Wong et al., 2014). Para
facilitar dichas acciones se han desarrollado modelos numéricos, útiles en el es-
tudio de los sistemas dinámicos ya que asimilan y generalizan las observaciones
de campo (e.g. Contreras Ruiz Esparza et al., 2014). Los modelos permiten pro-
yectar la respuesta ecosistémica a diferentes escenarios de manejo ambiental (e.g.
Cardoso-Mohedano et al., 2016, 2018), lo que los vuelve una herramienta en la
toma de decisiones (IPCC, 2014; Scavia y Donnelly, 2007). Además, debido a los
altos costos de las campañas de muestreo, la utilización de modelos numéricos
representa una alternativa de bajo costo para el estudio de la costa.
El modelado numérico ha permitido una mejor representación de las interac-
ciones fı́sicas y biológicas en los sistemas marino-costeros (e.g. Cardoso-Mohedano
et al., 2018; Blauw et al., 2009; Eilola et al., 2009). A pesar de dichos avances, las
fluctuaciones y gradientes de diversas variables — causadas por fuertes descar-
gas fluviales y agua poco profunda — han mostrado baja reproducibilidad en los
modelos numéricos (Peña et al., 2010). Con la finalidad de mejorar los modelos
costeros, es recomendable utilizar información detallada proveniente de modelos
regionales de alta resolución y técnicas de reducción de escala (Zhang et al., 2010).
La modelación del OD auxilia a entender la complejidad de diversos ecosis-
temas alrededor del mundo (Xia et al., 2011; Hull et al., 2008; Chapelle et al.,
2000; Wen et al., 2013). También ha contribuido a entender diversos aspectos de
la hipoxia, tales como su desarrollo (Druon et al., 2004), variabilidad temporal
y espacial (Sohma et al., 2008), impacto en ciclos biogeoquı́micos (Oguz et al.,
2000), efectos del cambio climático en las concentraciones de oxı́geno (Matear y
Hirst, 2003), entre otros.
En México existen deficiencias en la investigación costera debido, entre otras
razones, a recursos insuficientes (Nava Fuentes et al., 2017). No obstante estas
limitaciones, la modelación numérica permite el estudio de la zona costera ya
que simula su comportamiento. La modelación ha posibilitado en nuestro paı́s
la detección de alternativas para reducir el impacto humano a un bajo costo
relativo (e.g. Cardoso-Mohedano et al., 2015, 2016). Con lo anterior en mente,
este trabajo se centra en la modelación fı́sica de Laguna de Términos, ecosistema
crı́tico inmerso en una de las zonas costeras con mas riesgos potenciales ante el
CG en el paı́s.
13
1. INTRODUCCIÓN
1.5. Motivación y objetivos

La Laguna de Términos es un conjunto de ecosistemas crı́tico en la era del
Cambio Global. Debido a su riqueza, el estudio y monitoreo de LT son cruciales
para la conservación de la biodiversidad nacional. A pesar de la importancia de
LT, los estudios sobre el OD — variable fundamental en la salud de los ecosistemas
acuáticos — son escasos. Esto último refleja la falta de bases de datos en el paı́s
y el consecuente rezago en la investigación costera.
Por lo anterior, la presente tesis estudia la circulación y aireación fı́sica (reai-
reación y procesos advectivo-difusos de OD) de LT. Para dicho fin, se utiliza el
modelado numérico, herramienta en el estudio de los sistemas dinámicos ya que
asimila y generaliza las observaciones de campo. Para el estudio de la circulación
en LT se implementó el modelo hidrodinámico tridimensional Delft3D-FLOW, al
cual se acopló otro de calidad de agua (Delwaq) para el estudio de la aireación
en el sistema.
Debido a la influencia de los vientos, marea y descargas fluviales en la circula-
ción de LT, se incluyó en el modelo forzamientos por marea en las fronteras late-
rales, forzamientos atmosféricos en las fronteras superficiales y datos de descarga
del Rı́o Palizada (efluente del SGU). La alta resolución de los datos utilizados
permite estudiar la influencia del viento en la aireación y circulación a diversas
escalas de tiempo, estudios hasta ahora limitados en LT. De forma similar, los
datos utilizados para simular la descarga del SGU permitirán estimar cómo el
Rı́o Palizada influye en LT.
Con los resultados del presente trabajo, se planea contestar las siguientes
interrogantes:
¿Cómo los vientos y las mareas influyen en la circulación de LT?
¿Cuál es el efecto de la descarga del SGU en LT?
¿Cómo es la aireación controlada por procesos fı́sicos en LT?
Objetivo Central:
Estimar y simular los procesos de circulación y aireación causados por la
influencia de vientos, marea y descarga del SGU en LT.
Objetivos Especı́ficos:
1. Monitorear la variación de los parámetros fisicoquı́micos temperatura, sali-
nidad y oxı́geno disuelto para la estación de lluvias y secas.
14
1.5 Motivación y objetivos
2. Implementar, calibrar y validar un modelo hidrodinámico de alta resolución

espacio-temporal (Delft3D-FLOW).
3. Simular el comportamiento térmico de LT.
4. Estimar la aireación fı́sica del sistema mediante el acoplamiento de un mo-

delo de calidad de agua (Delwaq) al modelo hidrodinámico.
15
Capı́tulo 2
Marco teórico
Este capı́tulo inicia con la descripción de las ecuaciones generales de movi-

miento del agua (sección 2.1). Continúa con una descripción breve del modelo
hidrodinámico Delft3D-FLOW junto con las aproximaciones, sistemas de coor-
denadas y ecuaciones que este modelo utiliza para resolver las ecuaciones de
movimiento (sección 2.2).
2.1. Ecuaciones de movimiento

En el estudio de los fluidos geofı́sicos, la dinámica del movimiento oceáni-
co es determinada al aplicar sistemáticamente las ecuaciones de movimiento de
la dinámica de fluidos. Las variables requeridas para determinar el movimiento
oceánico son la densidad ρ, la presión p, el vector velocidad ~u, la temperatura
T y la salinidad S. A continuación se expresan las 5 ecuaciones necesarias para
describir el sistema dinámico oceánico.
Ecuación de continuidad
La conservación de la masa, en ausencia de fuentes o sumideros, se expresa
mediante la ecuación de continuidad:
Dρ ~ · ~u = 0,
+ ρ∇ (2.1)
Dt
donde ρ = ρ(x, y, z, t) es el campo escalar de densidad y ~u(x, y, z, t) = (u, v, w)
es el vector velocidad. La ecuación 2.1 expresa que la derivada material de la
densidad con respecto al tiempo es igual a la divergencia del flujo de masa ρ~u.
Ecuación de momento
La ecuación de momento es una ecuación en derivadas parciales que describe
cómo el momento de un fluido responde a fuerzas internas y externas (Vallis,
17
2. MARCO TEÓRICO
2017), o en otras palabras, como se mueve un fluido. Dicho movimiento se describe

mediante las ecuaciones de Navier-Stokes, que surgen al aplicar la segunda ley de
Newton a un fluido viscoso. Al estudiar el movimiento de las aguas oceánicas, el
marco de referencia apropiado para plantear la ecuación de momento de Navier-
Stokes es aquel que rota con la misma velocidad angular Ω que el planeta, lo
anterior se expresa como (Pedlosky, 1987):

D~u ~ × ~u = −∇p + ρ~g + F ,
ρ + 2Ω (2.2)
Dt
donde el vector rotación Ω~ = (0, 0, Ω sin φ) tiene la velocidad angular de la Tierra
−5 −1
Ω = 7.29×10 rads , siendo φ la latitud. El segundo término a la izquierda de la
igualdad es la contribución de Coriolis. A la derecha de la igualdad el gradiente de
presión ∇p representa la variación espacial de la presión p = p(x, y, z, t), mientras
que el término ρ~g es el peso de la parcela de agua, donde ~g es la gravedad. Por
último, el término F representa las fuerzas de fricción en el fluido.
Conservación de energı́a térmica
Para cerrar el sistema dinámico son necesarias más ecuaciones. Una de ellas
es la conservación de energı́a térmica, que se deriva de la primer ley de la termo-
dinámica:
DT
= κT ∇2 T, (2.3)
Dt
donde T = T (x, y, z, t) es el campo de temperatura y κT es un coeficiente de
difusividad.
Conservación de salinidad
La salinidad en el agua oceánica contribuye a la densidad; debido a esto, es
necesario incluir una ecuación que exprese el balance de salinidad:
DS
= κS ∇2 S, (2.4)
Dt
donde S = S(x, y, z, t) es el campo de salinidad y κS es un coeficiente de difusi-
vidad.
Ecuación de estado
La última ecuación necesaria para cerrar el sistema dinámico es la ecuación
de estado que relaciona la densidad del agua de mar ρ con la salinidad S, la
temperatura T y la presión P . De forma general, la ecuación de estado se expresa:
18
2.2 Modelo Delft3D-FLOW
ρ = ρ(S, T, P ) (2.5)
Sin embargo, el efecto de la presión P en la densidad ρ se puede despreciar
a bajas presiones. La Organización de las Naciones Unidas para la Educación,
la Ciencia y la Cultura (abreviada UNESCO por sus siglas en inglés) formuló la
siguiente ecuación de estado para el agua de mar (UNESCO, 1981):
para 0 < T < 40 ◦C y 0.5 < S < 43 ups
ρ = ρ0 + AS + BS 3/2 + CS 2 , (2.6)
donde ρ0 , A y B son funciones de la temperatura T y C = 4.8314 · 10−4 . La
ecuación 2.6 se conoce como la ecuación internacional de estado para el agua de
mar, tiene un error estándar de 3.6 10−3 kg m−3 y es la utilizada en el modelo
Delft3D-FLOW.
2.2. Modelo Delft3D-FLOW

Delft3D-FLOW es un modelo hidrodinámico desarrollado por Deltares (Del-
tares, 2011) que utiliza las ecuaciones descritas en la sección 2.1 para simular
el flujo y los procesos de transporte en un cuerpo de agua. El modelo es am-
pliamente utilizado para modelar el flujo de agua en diversos sistemas costeros
alrededor del globo (e.g. Cardoso-Mohedano et al., 2018; Sandbach et al., 2018;
Luan et al., 2018). Delft3D-FLOW resuelve las ecuaciones de Navier-Stokes en
dos y tres dimensiones bajo diversas aproximaciones, ecuaciones que se formulan
en coordenadas ortogonales curvilı́neas en la horizontal y en el sistema de coor-
denadas σ en la vertical. Dadas las condiciones iniciales y de frontera necesarias,
las ecuaciones diferenciales parciales se resuelven en una malla con el método de
diferencias finitas.
El modelo hidrodinámico Delft3D-FLOW incluye expresiones matemáti-

cas que representan los siguientes fenómenos fı́sicos:
Forzamiento por marea astronómica.
Efectos barotrópicos y baroclı́nicos.
Intercambio de calor a través de la superficie del agua.
Transporte de sal, calor y otros constituyentes conservativos.
Forzamientos atmosféricos (viento y presión) con variación temporal y

espacial.
19
2. MARCO TEÓRICO
El efecto de la rotación de la Tierra.
Flujo impulsado por diferencias de densidad.
Viscosidad turbulenta y difusividad.
Captura y aporte de agua con variaciones temporales (e.g. descarga

fluvial).
2.2.1. Aproximaciones
El modelo Delft3D-FLOW resuelve las ecuaciones de Navier-Stokes para un
fluido incompresible bajo las aproximaciones de agua somera y Boussinesq sobre
el plano f .
Fluido incompresible
La aproximación de fluido incompresible se utiliza en fluidos donde las varia-
ciones en la densidad son despreciables. Tal es el caso del agua oceánica, donde
la densidad varia en menos del 5 % (Vallis, 2017). Al despreciar las variaciones en
la densidad de un fluido, obtenemos de la ecuación 2.1 la siguiente simplificación:
0
Dρ
7
~ · ~u = 0 −→ ∇
~ · ~u = 0
+ ρ∇ (2.7)
Dt
El volumen de cada elemento material del fluido es por lo tanto constante.
Ecuaciones de aguas someras
Las ecuaciones de agua somera son una forma simplificada de las ecuaciones de
movimiento. Estas ecuaciones describen la evolución de un fluido incompresible
en respuesta a la aceleración rotacional y gravitacional, se obtienen al integrar
las ecuaciones de Navier-Stokes con respecto a la profundidad en un escenario
en donde la escala horizontal es mayor que la vertical. Bajo esta condición, la
conservación de la masa implica que la escala a la que ocurre la velocidad vertical
en el fluido es pequeña en comparación con la escala de la velocidad horizontal.
Para un fluido de una sola capa, las ecuaciones no-viscosas de aguas someras son
(Vallis, 2017):
D~u ~
momento −→ + f × ~u = −g∇η, (2.8)
Dt
20
Dh
continuidad −→ + h∇ · ~u = 0, (2.9)
Dt
h(x, y, t) = η(x, y, t) − ηb (x, y)
donde ~u(x, y, t) = (u, v) es la velocidad horizontal, h es la altura total de la
columna del fluido, η es la altura de la superficie libre y ηb es la altura de la
superficie inferior (batimetrı́a del fondo).
La aproximación de Boussinesq
En el océano, la densidad del agua varı́a poco alrededor de un valor medio.
Incluso en estuarios, donde existe una gran variación en la salinidad, la diferencia
de densidad relativa es menor al 3 % (Cushman-Roisin y Beckers, 2009). De esta
forma, la aproximación de Boussinesq consiste en asumir que la densidad de un
fluido ρ, no tiene desviaciones grandes con respecto a un valor medio de referencia
ρ0 :
ρ = ρ0 + ρ0 (x, y, z, t) con |ρ0 | << ρ0 , (2.10)

donde la variación de ρ0 causada por la estratificación o el movimiento del fluido
es pequeña comparada con el valor de referencia ρ0 .
El plano f
Para fenómenos dinámicos que ocurren a una escala menor que la global, la
esfericidad de la Tierra puede aproximarse con un plano tangente, a esta aproxi-
mación se le denomina plano f . En dicha aproximación el parámetro de Coriolis
se asume constante y las ecuaciones de movimiento se expresan en coordenadas
cartesianas. El parámetro f de Coriolis en el plano se define entonces como:
f = 2Ω sin φ0 , (2.11)
donde φ0 es la latitud de referencia.
2.2.2. Sistemas de coordenadas

En el modelo Delft3D-FLOW las ecuaciones de movimiento se formulan en
coordenadas curvilı́neas ortogonales en el plano horizontal y en el sistema σ en la
dirección vertical, esto introduce coeficientes adicionales en las ecuaciones de mo-
vimiento descritas en la sección 2.1. A continuación, se describen ambos sistemas
de coordenadas.
21
2. MARCO TEÓRICO
Coordenadas curvilı́neas ortogonales

Las fronteras de los sistemas costeros suelen ser irregulares, esto provoca que
su representación en una malla rectangular presente errores significativos. Para
reducir dichos errores, se utilizan las coordenadas curvilı́neas ortogonales, este
sistema de coordenadas forma curvas en lugar de rectas para referenciar los puntos
de interés. En el modelo Delft3D-FLOW las ecuaciones de movimiento se formulan
en las coordenadas curvilı́neas ortogonales ξ y η. En analogı́a al plano xy utilizado
en las coordenadas rectangulares, el sistema de referencia curvilı́neo utiliza el
plano ξη. Es necesario notar que la transformación de coordenadas rectilı́neas a
curvilı́neas introduce términos de curvatura en las ecuaciones de movimiento.
El sistema de coordenadas σ
El sistema σ consiste en establecer dos planos de referencia σ que no son es-
trictamente horizontales, sino que siguen la batimetrı́a del fondo y la superficie
del agua (figura 2.1). Entre dichos planos se establece una malla con un determi-
nado número de capas, número que permanece constante en todo el dominio sin
importar la profundidad local del agua. Lo anterior provoca que el grosor de la
malla varı́e a lo largo del dominio. Esto a su vez, permite una mayor resolución
de la malla en zonas de interés, tales como la parte superficial y profunda de la
columna de agua.
El sistema de coordenadas σ se define como:
z−ζ z−ζ
σ= = , (2.12)
d+ζ H
donde z es la coordenada vertical en el espacio, ζ la elevación de la superficie libre
por encima del plano de referencia (z = 0), d es la profundidad debajo del plano
de referencia y H es la profundidad total del agua dada por d + ζ (ver figura 2.1).
2.2.3. Ecuaciones en el modelo Delft3D-FLOW

En esta sección se presentan las ecuaciones utilizadas en el Delft3D-FLOW
para simular el flujo en un cuerpo de agua. Dichas ecuaciones se obtienen al trans-
formar las ecuaciones generales de movimiento (sección 2.1) usando las aproxi-
maciones (sección 2.2.1) y sistemas de coordenadas (sección2.2.2) descritos con
anterioridad.
Ecuación de continuidad
La ecuación de continuidad utilizada en el modelo Delft3D-FLOW (Deltares,

2011) se obtiene al integrar la ecuación de continuidad 2.1 para fluidos incompre-
sibles (∇ · ~u = 0) sobre la profundidad, tomando en cuenta fuentes y sumideros
22
Figura 2.1: Elevación de la superficie libre del agua (ζ), profundidad (d) y pro-
fundidad total (H), referidas a los planos σ = −1 y σ = 0. Adaptado de Deltares
(2011).
de agua Q, e incorporando condiciones cinemáticas de frontera en la superficie

del agua y fondo1 :
p p
∂ζ 1 ∂ (d + ζ)U Gηη 1 ∂ (d + ζ)V Gξξ
+p p +p p = (d+ζ)Q,
∂t Gξξ Gηη ∂ξ Gξξ Gηη ∂η
(2.13)
donde U y V son las velocidades promediadas en la profundidad
Z ζ Z 0
1
U= udz = udσ, (2.14)
d+ζ d −1
Z ζ Z 0
1
V = vdz = vdσ, (2.15)
d+ζ d −1
y Q representa las contribuciones por unidad de área de la descarga o captura de

agua, precipitación y evaporación:
Z 0
Q= (qin − qout )dσ + P − E, (2.16)
−1
donde qin y qout son los términos locales para fuentes y sumideros de agua por uni-
dad de volumen, respectivamente. P representa el término fuente de precipitación
mientras que E representa el término sumidero para evaporación.
1
Una descripción detallada de las condiciones cinemáticas de frontera se encuentra en el
capitulo 4, sección Condiciones Cinemáticas en Cushman-Roisin y Beckers (2009).
23
2. MARCO TEÓRICO
Ecuaciones de momento
Las ecuaciones de momento utilizadas en el Delft3D-FLOW (Deltares, 2011)

son:
en la dirección ξ ,
∂u u ∂u v ∂u w ∂u
+p +p +
∂t Gξξ ∂ξ Gηη ∂η d + ζ ∂σ
(2.17)
p p
v2 ∂ Gηη uv ∂ Gξξ
−p p +p p − fv
Gξξ Gηη ∂ξ Gξξ Gηη ∂η

1 1 ∂ ∂u
=− p Pξ + F ξ + νV + Mξ ,
ρ0 Gξξ (d + ζ)2 ∂σ ∂σ
en la dirección η ,
∂v u ∂v v ∂v w ∂v
+p +p +
∂t Gξξ ∂ξ Gηη ∂η d + ζ ∂σ
(2.18)
p p
uv ∂ Gηη u2 ∂ Gξξ
+p p −p p + fu
Gξξ Gηη ∂ξ Gξξ Gηη ∂η

1 1 ∂ ∂v
=− p Pη + F η + νV + Mη ,
ρ0 Gηη (d + ζ)2 ∂σ ∂σ
donde νV es el coeficiente de viscosidad vertical 1 , Pξ y Pη representan los gra-

dientes de presión, y Fξ y Fη representan el esfuerzo horizontal de Reynolds 1 .
Por último, Mξ y Mη son las contribuciones de fuentes y/o sumideros.
Conservación de salinidad y energı́a térmica
Los constituyentes conservativos c se modelan en el Delft3D-FLOW a través
de la ecuación de advección-difusión, donde se incluyen términos fuente/sumidero
y procesos de decaimiento de primer orden.
1
Una descripción breve se encuentra en la sección 9.3.1 del manual Deltares (2011).
24
2.3 Modelo de oxı́geno disuelto
( p p )
∂(d + ζ)c 1 ∂[ Gηη (d + ζ]uc ∂[ Gξξ (d + ζ]vc ∂wc
+p p + +
∂t Gξξ Gηη ∂ξ ∂η ∂σ
( p ! p !)
d+ζ ∂ G ηη ∂c ∂ Gξξ ∂c
=p p DH p + DH p
Gξξ Gηη ∂ξ Gξξ ∂ξ ∂η Gηη ∂η

1 ∂ ∂c
+ DV − λd (d + ζ)c + S,
d + ζ ∂σ ∂σ
(2.19)
donde DH y DV son los coeficientes de difusión horizontal y vertical respectiva-
mente 1 , λd representa un proceso que decae, y S es un término fuente/sumidero.
2.2.4. Modelo térmico

Para simular la dinámica de la temperatura en LT, se incorporó el modelo
térmico Ocean Heat Flux Model (Deltares, 2011) al modelo hidrodinámico. Se
utilizan las definiciones y conceptos planteados en Gill (1982) y Lane (1989).
El Ocean Heat Flux Model aproxima el flujo de calor a través de la interfase
agua-atmósfera (Qtot [J m−2 s−1 ]) a través del siguiente balance:
Qtot = Qsn + Qan − Qbr − Qev − Qco , (2.20)

donde Qsn es la radiación solar neta incidente (onda corta), Qan la radiación
atmosférica neta incidente (onda larga), Qbr la radiación de fondo (onda larga),
Qev el flujo de calor producto de la evaporación (calor latente), y Qco el flujo de
calor producto de la convección (calor sensible).
Los flujos de calor Qbr , Qbr , Qev , y Qco de la ecuación 2.20 dependen de
la temperatura en la capa superficial del agua Ts [◦ C], estimada a través de la
siguiente ecuación:
∂Ts Qtot
= , (2.21)
∂t ρw cp ∆zs
donde cp [J kg −1 K −1 ] es la capacidad calorı́fica del agua de mar, ρw [kg m−3 ]
es la densidad especı́fica del agua y ∆zs [m] es el grosor de la capa superficial.
2.3. Modelo de oxı́geno disuelto

Para simular la advección-difusión y reaireación de oxı́geno se utilizó el modelo
D-Water Quality (D-waq). Este modelo resuelve la ecuación de advección-difusión
1
Una descripción breve se encuentra en la sección 9.3.2 del manual Deltares (2011).
25
2. MARCO TEÓRICO
bajo un esquema implı́cito de diferencias finitas upwind, la matriz que representa

los sistemas de ecuaciones se resuelve con el método iterativo del Residual Mı́nimo
Generalizado (Saad y Schultz, 1986). Lo anterior asegura la convergencia de la
solución de manera independiente al δt utilizado (Deltares, 2014).
D-waq permite la simulación de diversos procesos fı́sicos, quı́micos y biológicos.
Dentro de estos procesos se encuentra la reaireación, que como se expuso en la
sección 1.3.1, se puede expresar a través de la relación 1.1. En este trabajo se
utiliza la aproximación derivada por O’Connor (1956); Banks y Herrera (1977)
para el coeficiente de transferencia κ :
c3
c1 ragua

2
T −20
κ= + c4 rviento c5 (2.22)
H c2
donde ragua es la rapidez del agua, rviento es la rapidez del viento, T es la tempe-
ratura, H es la elevación de la columna de agua y c1 ,c2 , c3 , c4 , y c5 son constantes
empı́ricas. En el manual D-waq se reporta que la ecuación 2.22 es válida para
sistemas estuarinos (Deltares, 2014).
26
Capı́tulo 3
Metodologı́a
En el presente trabajo se estudia la circulación y aireación de LT a través de

un modelo hidrodinámico validado con observaciones in situ. La primera sección
de este capı́tulo (3.1) describe el diseño espacial del muestreo y la instrumentación
utilizada en la obtención de los datos de campo. En la segunda sección (3.2) se
describen las caracterı́sticas particulares del modelo hidrodinámico. La tercera
sección (3.3) contiene una descripción del modelo de oxı́geno y su relación con el
modelo hidrodinámico.
3.1. Datos de campo

Se realizaron 10 campañas de muestreo, cinco en temporada de secas (S01,
S02, S03, S04, S05) y cinco en temporada de lluvias (L01, L02, L03, L04, L05)
en el periodo septiembre 2016-mayo 2018. Salvo en el muestreo L01, se estable-
cieron 9 estaciones de muestreo (Tabla 3.1) en 3 zonas: zona Rı́o, zona Laguna,
y zona Océano. La configuración espacial de las estaciones de muestreo se diseñó
de tal forma que la descarga del Rı́o Palizada fuese capturada (Figura 3.1). En
cada estación se realizaron perfiles verticales cada 50 cm con una sonda multipa-
ramétrica YSI (modelo 85/100 FT), con la cual se midió temperatura, salinidad
y OD.
Adicionalmente, se estableció la estación M en la BEC (Figura 3.1), que co-
rresponde a las instalaciones de la séptima zona Naval Militar de la Secretarı́a de
Marina. En dicha estación se instalaron tres sensores HOBO para medir tempera-
tura (modelo U20L-04), salinidad (modelo U24-002), y oxı́geno disuelto (U26-00).
Los sensores se programaron para realizar mediciones cada 30 minutos.
27
3. METODOLOGÍA
Tabla 3.1: Coordenadas de las estaciones de muestreo.
Muestreo L01 Latitud Longitud Muestreos L02-05, S01-05 Latitud Longitud Zona
(Estaciones) (Estaciones)
R1 18◦ 250 3900 91◦ 500 2100 R1 18◦ 250 3100 91◦ 500 2300
R2 18◦ 250 4000 91◦ 500 2100 R2 18◦ 270 0400 91◦ 480 3600 Rı́o
R3 18◦ 280 2800 91◦ 470 5400 R3 18◦ 290 0400 91◦ 470 4500
L4 18◦ 290 1800 91◦ 470 4300 L4 18◦ 300 0000 91◦ 470 2200
L5 18◦ 310 4900 91◦ 470 3200 L5 18◦ 310 1500 91◦ 470 2200 Laguna
L6 18◦ 290 1900 91◦ 470 2500 L6 18◦ 320 4800 91◦ 480 0000
O7 18◦ 290 1900 91◦ 470 3800 O7 18◦ 340 3400 91◦ 480 5100
O8 18◦ 350 5900 91◦ 460 4300 O8 18◦ 380 0900 91◦ 520 1800 Océano
- - - O9 19◦ 390 4700 91◦ 540 1200
Figura 3.1: Estaciones de muestreo. Estaciones Rı́o (R1, R2, R3), Laguna
(L4, L5, L6), Oceáno (O7,O8,O9), estación Marina (sensores HOBO), y estación
meteorológica (Aeropuerto CME).
28
3.2 Modelo hidrodinámico
3.2. Modelo hidrodinámico

En esta sección se detallan las caracterı́sticas del modelo realizado para estu-
diar la hidrodinámica de LT. Se describen la configuración de la malla de cálculo,
las condiciones iniciales y de frontera, los forzamientos, y el modelo de inter-
cambio de calor utilizado. La sección finaliza con las descripciones del proceso
de calibración y los análisis de sensibilidad y estabilidad efectuados al modelo
hidrodinámico.
3.2.1. Configuración espacial y temporal

Para resolver las ecuaciones planteadas en el Capı́tulo 2, se elaboró una malla
curvilı́nea en tres dimensiones sobre la región de LT (Figura 3.2). La malla se
extiende sobre un área de 184 x 102 km con una resolución horizontal que varı́a
entre los 0.5 y 3 km. Dicha malla es delimitada por fronteras abiertas — lı́mites
artificiales que delimitan el área computacional — a ∼60 km de distancia del
área de estudio (Figura 3.2). Por otra parte, las fronteras cerradas — lı́mites que
siguen la lı́nea de costa – se extrajeron de cartas náuticas 1 del Instituto Nacional
de Estadı́stica y Geografı́a (INEGI).
En la vertical, la malla posee 9 niveles σ. Los datos de batimetrı́a utilizados
se extrajeron de la carta náutica S.M.842 y la Tabla Batimétrica General de los
Océanos (GEBCO, por sus siglas en inglés). Estos datos se interpolaron trian-
gularmente para generar con el software QGIS un modelo digital de elevaciones
que posteriormente fue incorporado. La malla fue sometida a pruebas de orto-
gonalidad (módulo Delft3D-QUICKIN), donde el valor máximo de ortogonalidad
obtenido fue de 0.05, valor que cumple con lo recomendado en Deltares (2011) .
Para asegurar la convergencia de las ecuaciones a resolver, se realizaron simu-
laciones prueba que fueron analizadas con el criterio de estabilidad de Courant-
Friedrichs-Lewis (CFL):
√
δt gH
CF L = , (3.1)
δx
donde δt es el paso de tiempo, g es la aceleración de la gravedad, H es la pro-
fundidad total de la columna de agua y δx es el valor mı́nimo caracterı́stico del
espaciamiento de la malla. De esta forma, para un paso de tiempo de 60 segun-
dos se obtuvo un valor máximo de CFL de 9.443, valor menor a 10 — máximo
recomendado en el manual del Delft3D-FLOW (Deltares, 2011).
1
Se utilizaron 9 cartas náuticas en la elaboración de las fronteras de tierra : E15B46, E15B55,
E15B56, E15B63, E15B64, E15B65, E15B66, E15B74 y E15B75.
29
3. METODOLOGÍA
Figura 3.2: Malla de cálculo elaborada para el modelo Delft3D-FLOW (lı́nea gris).
Se observa la lı́nea de costa de Laguna de Términos, México (lı́nea negra).
Tomando en cuenta lo anterior, se simuló el periodo del 01 de enero- 31 de

diciembre del 2016 con un δt = 60s. Los experimentos numéricos se realizaron en
el servidor BAKTUN de la Estación El Carmen, Instituto de Ciencias del Mar y
Limnologı́a, UNAM.
3.2.2. Condiciones iniciales y de frontera

Para asegurar que el conjunto de ecuaciones diferenciales parciales descritas
en el Capı́tulo 2 tenga una única solución, es necesario especificar condiciones
iniciales y de frontera. Las condiciones iniciales prescritas para el modelo Delft3D-
FLOW fueron: temperatura (25◦ C), salinidad (33 ups) y nivel del agua (0 m). En
las fronteras se prescribió el nivel de agua forzado por 13 componentes de la marea
astronómica (M2 , K1 , S2 , K2 , Q1 , O1 , N2 , P1 , Mf , Mm , M4 , M S4 , M N4 ). Las
componentes de marea fueron extraı́das del modelo barotrópico global TPX0.8
(Egbert y Erofeeva, 2002).
Descarga del Sistema Grijalva-Usumacinta
Para simular la descarga del Rı́o Palizada (efluente del SGU) se utilizaron
datos de la estación hidrométrica Palizada de la Comisión Nacional de Agua
(CONAGUA). Se trabajó con promedios diarios de descarga [m3 s−1 ] de la década
30
2004-2014, único periodo disponible en la base de datos. Con dicha información

se configuró una descarga puntual ubicada en la desembocadura del Rı́o Palizada
(Figura 3.1) que se distribuyó uniformemente en σ. La descarga se prescribió con
una concentración arbitraria de 1kg m−3 , 25◦ C y 0 ups.
3.2.3. Forzamiento atmosférico

Los forzamientos atmosféricos utilizados en el modelo Delft3D-FLOW fue-
ron proporcionados por el Laboratorio de Ingenierı́a y Procesos Costeros, Sisal,
Yucatán, Instituto de Ingenierı́a, UNAM. Se utilizó el modelo Weather Research
and Forecasting (WRF), desarrollado por el National Center for Atmospheric Re-
search (NCAR). Dicho modelo ha sido ampliamente utilizado en la investigación
y predicción del tiempo (Mauree et al., 2018; Gao et al., 2018; Figueroa-Espinoza
et al., 2014). El modelo WRF se caracteriza por ser compresible, no hidrostático,
y por incorporar la elevación del terreno (Skamarock et al., 2008). Las condiciones
iniciales y de frontera del modelo WRF fueron obtenidas del reanálisis atmosféri-
co ERA-Interim, producido por el European Center for Medium-Range Weather
Forecast (Dee et al., 2011). Dicho reanálisis describe el estado de la atmósfera
a escala global en una malla de 0.75◦ × 0.75◦ con una resolución temporal de 6
horas.
Con el WRF se simuló el año 2016 en un dominio que incluye en su totalidad la
malla del modelo Delft3D-FLOW. Los resultados fueron obtenidos cada hora con
una resolución espacial de 0.8 × 0.8 km. La presión [P a] y los componentes u y
v del viento [m s−1 ] obtenidas fueron utilizadas posteriormente en el forzamiento
atmosférico del modelo hidrodinámico. Para la interpolación de los datos de la
malla WRF a la malla del modelo hidrodinámico Delft3D-FLOW, se utilizó el
paquete interpolate griddata de la biblioteca SciPy del lenguaje de programación
Python.
Validación
Para la validación del modelo WRF, se tomó el punto más cercano a la es-
tación meteorológica del Aeropuerto Internacional de Ciudad del Carmen (CME
según el código de la Asociación Internacional de Transporte Aéreo, ver Figura
3.1) y se compararon las variables modeladas contra las observaciones realizadas
en la estación (Figura 3.3). Se calculó el coeficiente de correlación de Pearson
(Tabla 3.2) para la presión, rapidez del viento —utilizadas para el forzamiento
atmosférico—, humedad relativa y temperatura del aire —usadas en el modelo
térmico descrito a continuación—.
31
3. METODOLOGÍA
Figura 3.3: Series de temperatura y presión para el CME y el WRF. (proporcio-

nados por LIyPC, UNAM).
Tabla 3.2: Correlación entre variables del CME y el WRF.
Variable Coeficiente de correlación de Pearson

Temperatura 0.78
Presión 0.94
Humedad Relativa 0.66
Rapidez del viento 0.50
3.2.4. Configuración del modelo térmico

En el modelo térmico descrito en la sección 2.2.4, se prescribieron las siguientes
variables simuladas por el WRF (sección 3.2.3): radiación solar [J m−2 s−1 ],
humedad relativa [ %], cubierta nubosa [ %], y temperatura del aire [◦ C] . Con
dichas variables, el Ocean Heat Flux Model aproxima el flujo de calor a través de
la interfase agua-atmósfera (Qtot [J m−2 s−1 ]) a través de la ecuación 2.20. En
dicha ecuación, los flujos Qan y Qbr dependen de la humedad relativa, cubierta
nubosa, temperatura del aire, y temperatura de la capa del agua superficial. Por
otra parte, la evaporación Qev y convección Qco dependen de la temperatura del
aire, la temperatura del agua en la superficie, la humedad relativa y la velocidad
32
de viento.
3.2.5. Calibración, sensibilidad y estabilidad

En los modelos numéricos, la incertidumbre es una caracterı́stica intrı́nseca
(Der Kiureghian y Ditlevsen, 2009) que debe evaluarse para asegurar la calidad
del trabajo realizado. La incertidumbre suele provenir de distintas fuentes, inclu-
yendo errores de medición, información no suficiente, y/o entendimiento pobre
o parcial de las fuerzas y mecanismos que dominan al sistema estudiado. Estos
errores imponen un lı́mite en la confianza de los resultados generados, por lo que
es necesario analizar la incertidumbre tanto cuantitativa como cualitativamente
(Saltelli et al., 2008). En el presente estudio, la cuantificación de la incertidumbre
fue realizada a través de la calibración del modelo, mientras que la evaluación
cualitativa fue efectuada a través de un análisis de sensibilidad. De forma similar,
en el presente se estimó la incertidumbre derivada del error numérico a través de
un análisis de estabilidad.
Análisis de Calibración
Con la finalidad tanto de cuantificar la incertidumbre, como de mejorar el
desempeño del modelo hidrodinámico Delft3D-FLOW, se utilizó TRIANA (módu-
lo para análisis de marea de Delft3D) para determinar las diferencias entre los
resultados simulados e información de campo. El análisis de errores se realizó en el
dominio de la frecuencia con la amplitud de las componentes de marea (Apéndice
A). Las observaciones de campo utilizadas fueron las componentes astronómicas
reportadas en Contreras Ruiz Esparza et al. (2014). En dicho estudio, las compo-
nentes O1 , K1 , M2 , S2 , P1 , Q1 , N2 y K2 fueron calculadas a través de mediciones
realizadas en diversos puntos de LT (ver Tabla 3.3, Figura 3.4).
Se calcularon por separado las diferencias entre las amplitudes y fases de las
componentes observadas contra las modeladas. Además, se utilizó el Vector de
Diferencias (VD) para evaluar el efecto conjunto de los errores de amplitud y fase.
El VD se define como:
p
VD = [Hc cos (Gc ) − Ho cos (Go )]2 + [Hc sin (Gc ) − Ho sin (Go )]2 , (3.2)
donde Hc y Gc representan la amplitud [m] y la fase [◦ ] modeladas, mientras que

Ho y Go representan la amplitud y fase observadas.
Para la evaluación cuantitativa de la incertidumbre, se calcularon las dife-
rencias entre las amplitudes y fases reportadas en Contreras Ruiz Esparza et al.
(2014) y las resultantes del modelo hidrodinámico forzado por 8 componentes
33
3. METODOLOGÍA
Tabla 3.3: Estaciones de Contreras Ruiz Esparza et al. (2014) utilizadas en la

calibración del modelo Delft3D-FLOW.
Estación Latitud Longitud

CP-00 18◦ 470 13.9200 91◦ 300 46.8000
TP-01 18◦ 450 33.3000 91◦ 160 19.9000
TP-02 18◦ 300 29.0000 91◦ 280 7.4000
TP-05 18◦ 310 2.5000 91◦ 470 22.9900
TP-06 18◦ 330 43.6000 91◦ 530 25.1900
CP-07 18◦ 370 35.9000 91◦ 490 56.2000
TG-08 18◦ 380 10.0200 91◦ 500 10.0200
astronómicas TPX8.0. Las diferencias entre las observaciones y el modelo se eva-

luaron a través del vector de diferencias acumuladas (ΣV D ), que es la suma del
VD de todas las componentes astronómicas por estación:
ΣV D = V DO1 + V DK1 + V DM2 + V DS2 + V DP1 + V DQ1 + V DN2 + V DK2 (3.3)
Con las diferencias encontradas entre las componentes modeladas en el pre-

sente y las reportadas por Contreras Ruiz Esparza et al. (2014), se realizó un
ajuste a los armónicos de TPX8.0 y se reinició el modelo hidrodinámico.
Análisis de Sensibilidad
El análisis de sensibilidad es un elemento esencial en los modelos para ase-
gurar la calidad. En dicho análisis, los resultados se inspeccionan y se estima
qué parámetros tienen mayor influencia en la incertidumbre final (Saltelli et al.,
2004). Uno de los acercamientos más comunes y simples al análisis de sensibi-
lidad es el de cambiar un parámetro a la vez (e.g. Chanudet et al., 2012). Lo
anterior consiste en cambiar el valor inicial de una variable mientras se mantie-
ne a las otras en su valor nominal. Una vez calculados los resultados, se regresa
la variable modificada a su valor nominal y se vuelven a generar resultados. La
sensibilidad se mide entonces al inspeccionar las diferencias entre los resultados
generados, ya que cualquier cambio corresponde únicamente a la modificación de
la variable seleccionada. Se repite lo anterior para todos los parámetros de interés
y se determina el conjunto de valores iniciales a partir de los cuales se produce la
menor diferencia en los resultados.
34
Figura 3.4: Estaciones utilizadas en el análisis de marea y calibración

del modelo.
En el presente trabajo se realizó un análisis de sensibilidad al modelo hidro-

dinámico con el objetivo de evaluar cualitativamente la incertidumbre del mismo.
Se utilizó la variación de los coeficientes de viscosidad (η) y difusividad (K) hori-
zontales, ası́ como el número de capas σ (nσ ). Se realizaron simulaciones prueba
para determinar a partir de qué conjunto de valores iniciales el grupo η, K, y nσ
produce la menor variación en los resultados. Las simulaciones prueba considera-
ron únicamente la influencia de la componente astronómica O1 en el forzamiento
hidrodinámico. Se evaluó la capacidad del modelo para reproducir la velocidad
observada en la capa superficial del agua (vs,O1 [m s−1 ]). El valor de vs,O1 tomado
como referencia (vs,O1 = 0.46) se encuentra reportado en Contreras Ruiz Esparza
et al. (2014) para la BEC.
Análisis de estabilidad
Es necesario dejar pasar cierto tiempo de simulación (denominado spin-up)

para que la solución transite de las condiciones iniciales a una solución esta-
ble. Durante el spin-up las variables modeladas no reflejan de manera precisa la
35
3. METODOLOGÍA
dinámica del sistema y su análisis debe ser descartado.

En el presente trabajo, el análisis de estabilidad consistió en determinar el
spin-up de la salinidad, variable altamente dinámica y compleja en sistemas es-
tuarinos. Una vez determinado el spin-up, se procedió a analizar los resultados del
modelo hidrodinámico y, posteriormente, se implementó el modelo de oxı́geno.
3.3. Modelo de Oxı́geno Disuelto

El modelo D-waq, descrito en la sección 2.3, opera de forma acoplada al modelo
hidrodinámico. De esta forma, las variables velocidad, elevación de la columna de
agua, densidad, salinidad, temperatura, y viscosidad se generan en el Delft3D-
FLOW y se utilizan posteriormente en D-waq para simular la aireación.
Por otra parte, se utilizó la rapidez del viento de la serie meteorológica CME
(ver Figura 3.1) para determinar el coeficiente κ de la ecuación 2.22. Por último,
con base en los promedios estacionales de los datos de campo, se incluyó una
descarga puntual de OD de 6.48 mg L−1 para la temporada de lluvias y de 7.22
mg L−1 para la temporada de secas en la celda correspondiente al rı́o Palizada.
36
Capı́tulo 4
Resultados
Este capı́tulo inicia con la descripción de los resultados obtenidos de las cam-
pañas de muestreo y sensores instalados en LT (sección 4.1). En la segunda sec-
ción (4.2) se describen los resultados de los análisis de calibración, sensibilidad,
y estabilidad realizados al modelo hidrodinámico. En dicha sección también se
presentan la hidrodinámica, temperatura, y salinidad de los experimentos numéri-
cos. En la tercera y última sección (4.3) se presentan las simulaciones de oxı́geno
disuelto.
4.1. Datos de campo y sensores

De las campañas de muestreo realizadas en 2016-2018 (Tabla 4.1) se obtu-
vieron datos de temperatura, salinidad, y oxı́geno disuelto. Con el objetivo de
estudiar la influencia del Rı́o Palizada dentro de LT, se definieron dos grupos de
datos según: 1) la zona de muestreo (rı́o, laguna u océano), y 2) la temporada
climática (lluvias o secas). Una vez establecidos estos grupos, se calculó la me-
dia, desviación estándar, máximo y mı́nimo a cada variable (Tablas 4.2, 4.4, 4.5).
Posteriormente, se realizó un análisis de varianza (ANOVA, Apéndice B) de dos
vı́as para los factores zona de muestreo y temporada climática (ver Tabla 4.3).
Temperatura
Los resultados indican que durante la temporada de secas, el valor mı́nimo de
temperatura (27.20◦ C) se registró en las estaciones R3, L6, y O7, muestreo S01;
mientras que el valor máximo (31.13◦ C) se registró en la estación R1, mues-
treo S05. La temporada de secas mostró un valor medio de temperatura de
29.05 ± 1.12◦ C. Por otra parte, durante la temporada de lluvias el valor mı́nimo
de temperatura (23.80◦ C) se registró en la estación R1, muestreo L03; mientras
que el valor máximo (34.40◦ C) se encontró en la estación O7, muestreo L01. La
37
4. RESULTADOS
temporada de lluvias mostró un valor medio de temperatura de 28.49 ± 2.62◦ C.

En la Tabla 4.2) se muestra un resumen de los resultados de la temperatura.
Los resultados del ANOVA de dos vı́as indican que para la temperatura no
existen diferencias significativas (p > 0.05) entre las zonas de muestreo, tampoco
se detectaron diferencias entre las temporadas climáticas (Figura 4.1, Tabla 4.3).
Salinidad
Los resultados indican que durante la temporada de secas, el valor mı́nimo
de salinidad (0.34 ups) se registró en la estación R1, muestreo S02; mientras
que el valor máximo (38.15 ups) se registró en la estación O9, muestreo S02. La
temporada de secas mostró un valor medio de salinidad de 18.78 ± 13.90 ups.
Por otra parte, durante la temporada de lluvias el valor mı́nimo de salinidad
(0.20 ups) se registró en las estaciones R1 y R2, muestreo L02; mientras que
el valor máximo (33.39 ups) se encontró en la estación O7, muestreo L01. La
temporada de lluvias mostró un valor medio de salinidad de 14.92 ± 12.76 ups.
En la Tabla 4.4 se muestra un resumen de los resultados de la salinidad. Los
resultados del ANOVA de dos vı́as indican que para la salinidad existen diferencias
significativas (p < 0.05) entre las zonas de muestreo y entre las temporadas
climáticas (Figura 4.2, Tabla 4.3).
Tabla 4.1: Campañas de campo.
Campañas de campo
Muestreo Fecha Muestreo Fecha
Secas Lluvias
S01 17 abril-2017 L01 01 septiembre-2016
S02 18 mayo-2017 L02 14 septiembre-2017
S03 20 marzo-2018 L03 31 enero-2018
S04 05 abril-2018 L04 11 junio-2018
S05 18 mayo-2018 L05 7 septiembre-2018
38
4.1 Datos de campo y sensores
Tabla 4.2: Temperatura observada en campo según la temporada climática y la

zona de muestreo.
Temperatura Rı́o Laguna Océano

[◦ C]
media 28.01 ± 2.20 28.60 ± 2.42 28.87 ± 3.13
máximo 30.20 31.10 34.40 Lluvias
mı́nimo 23.80 23.90 23.30
media 29.39 ± 1.07 28.89 ± 1.09 28.87 ± 1.10
máximo 31.13 30.70 30.51 Secas
mı́nimo 27.20 27.20 27.20
Tabla 4.3: ANOVA para las variables temperatura, salinidad y OD para los fac-
tores zona de muestreo y temporada climática. Donde F es el estadı́stico de Fisher
y p-value es la significancia estadı́stica.
Temperatura
(ANOVA) F p-value
Temporada 1.65 0.20
Zona 0.04 0.95
Salinidad
(ANOVA) F p-value
Temporada 8.41 4.74e-03
Zona 193.52 2.26e-32
OD
(ANOVA) F p-value
Temporada 7.11 0.01
Zona 0.55 0.58
39
4. RESULTADOS
Figura 4.1: Gráfica de caja y bigotes para la temperatura observada. Se

observa la media (lı́nea punteada) y la mediana (lı́nea continua).
Oxı́geno Disuelto
Los resultados indican que durante la temporada de secas, el valor mı́nimo
(2.90 mg L−1 ) se registró en la estación R3, muestreo S03; mientras que el valor
máximo (13.18 mg L−1 ) se registró en la estación L6, muestreo S03. La temporada
de secas mostró un valor medio de OD de 7.64 ± 2.16 mg L−1 .
Por otra parte, durante la temporada de lluvias el valor mı́nimo de OD(1.82
mg L−1 ) se registró en la estación O8, muestreo L01; mientras que el valor máximo
(8.61 mg L−1 ) se encontró en la estación L5, muestreo L03. La temporada de
lluvias mostró un valor medio de OD de 6.62 ± 1.27 mg L−1 . En la Tabla 4.5 se
muestra un resumen de los resultados de la OD.
Los resultados del ANOVA de dos vı́as indican que para el OD existen dife-
rencias significativas (p < 0.05) únicamente entre temporadas climáticas (Figura
4.3, Tabla 4.3).
40
4.1 Datos de campo y sensores
Figura 4.2: Gráfica de caja y bigotes para la salinidad observada Se

Tabla 4.4: Salinidad observada en campo según la temporada climática y la zona

de muestreo.
Salinidad Rı́o Laguna Océano

[ups]
media 0.48 ± 0.72 17.05 ± 9.46 28.18 ± 3.63
máximo 3.16 28.70 33.39 Lluvias
mı́nimo 0.20 1.07 2.15
media 1.32 ± 1.53 23.00 ± 7.59 32.03 ± 4.62
máximo 4.80 34.15 38.15 Secas
mı́nimo 0.34 8.73 24.78
41
4. RESULTADOS
Figura 4.3: Gráfica de caja y bigotes para el OD observado. Se observa la

media (lı́nea punteada) y la mediana (lı́nea continua).
Tabla 4.5: OD observado en campo según la temporada climática y la zona de

muestreo.
OD Rı́o Laguna Océano

[mg L−1 ]
media 6.48 ± 1.03 6.75 ± 1.09 6.61 ± 1.61
máximo 8.47 8.61 8.60 Lluvias
mı́nimo 4.12 4.90 1.82
media 7.22 ± 1.88 7.87 ± 2.17 7.82 ± 2.33
máximo 11.60 13.18 13.02 Secas
mı́nimo 2.90 5.83 5.74
42
Sensores
Se obtuvieron datos de temperatura, salinidad, y OD de sensores instalados en
la zona Naval Militar de la Secretarı́a de Marina, Ciudad del Carmen, Campeche
(ver Figura 4.4), del proyecto Observatorios del Cambio Global (Sanchez-Cabeza
et al., 2019). Los datos de temperatura se obtuvieron del sensor HOBO U20L-04,
mientras que los de salinidad se obtuvieron del sensor HOBO U24-002. Ambos
sensores registraron datos cada media hora en los periodos 2016-11-11/2016-11-
30, y 2016-12-12/2016-12-31, periodos que corresponden a 20 dı́as en noviembre
y diciembre respectivamente. Por otra parte, el sensor de oxı́geno HOBO U26-00
registró datos durante 13 dı́as en diciembre, en el periodo 2016-12-19/2016-12-31.
El promedio, desviación estándar, máximo y mı́nimo para la salinidad y
oxı́geno de los sensores se reportan en la (Tabla 4.6), los valores medios observa-
dos corresponden a 27.78 [◦ C] para la temperatura, 20.82 [ups] para la salinidad,
y 6.45 [mg L−1 ] para el OD.
Tabla 4.6: Temperatura, salinidad y OD observada en los sensores.
Temperatura Salinidad OD
[◦ C] [ups] [mg L−1 ]
media 27.78 ± 0.69 20.82 ± 2.06 6.45 ± 0.87
máximo 29.89 24.98 8.40 Nov-Dic
mı́nimo 26.41 10.68 4.60
4.2. Modelo hidrodinámico

Esta sección de resultados contiene 3 apartados; el primero describe los re-
sultados de los análisis de calibración, sensibilidad, y estabilidad realizados al
modelo hidrodinámico. El segundo presenta los resultados hidrodinámicos de los
experimentos numéricos. En el último apartado se describen la temperatura y
salinidad resultantes del modelo térmico.
4.2.1. Calibración, sensibilidad y estabilidad

En este apartado se describen los resultados del análisis de calibración y sensi-
bilidad, utilizados para la evaluación cuantitativa y cualitativa de la incertidum-
bre, respectivamente. Se presentan también los resultados del análisis de estabi-
lidad, utilizados en la evaluación del error numérico asociado a las simulaciones.
43
4. RESULTADOS
Figura 4.4: Series de tiempo de los sensores de temperatura, salinidad,

y OD, instalados en la estación M, zona de la BEC (Figura 3.1).
Análisis de calibración
Para la evaluación cuantitativa de la incertidumbre, se calcularon las dife-
rencias entre las amplitudes y fases reportadas en Contreras Ruiz Esparza et al.
(2014) y las resultantes del modelo hidrodinámico forzado por 8 componentes
astronómicas TPX8.0 (ver sección 3.2.5, capı́tulo 3). Las diferencias entre las
observaciones y el modelo se evaluaron a través del vector de diferencias acumu-
44
ladas (ΣV D ), que es la suma del VD (ver sección 3.2.5) de todas las componentes
astronómicas por estación:
ΣV D = V DO1 + V DK1 + V DM2 + V DS2 + V DP1 + V DQ1 + V DN2 + V DK2 (4.1)

Una vez calculadas estas diferencias, se realizó un ajuste a los armónicos
TPX8.0 y se reinició el modelo hidrodinámico. Las diferencias finales entre el
modelo y las componentes de Contreras Ruiz Esparza et al. (2014) se reportan
por estación en la Tabla 4.7.
Se observa que para la mayorı́a de las estaciones analizadas ΣV D tiene valores
∼ 10 %. La única excepción a lo anterior es la estación CP-00 (ΣV D = 26 %),
sin embargo, dicha estación corresponde a la BPR, misma que se encuentra en
la zona este de LT y alejada de la zona de descarga del Palizada (ver Figura
3.4). Tomando en cuenta lo anterior, los resultados de la Tabla 4.7 reflejan una
correlación aceptable en los forzamientos de marea para la zona de interés.
Tabla 4.7: Vector de Diferencias Acumuladas por estación, obtenidos después de

la calibración. Se utilizan las estaciones de Contreras Ruiz Esparza et al. (2014)
(Figura 3.4).
Estación Latitud Longitud Vector de Diferencias Acumuladas

(ΣV D )
CP-00 18◦ 470 13.9200 91◦ 300 46.8000 0.264
TP-01 18◦ 450 33.3000 91◦ 160 19.9000 0.100
◦ 0 00 ◦ 0 00
TP-02 18 30 29.00 91 28 7.40 0.078
TP-05 18◦ 310 2.5000 91◦ 470 22.9900 0.084
TP-06 18◦ 330 43.6000 91◦ 530 25.1900 0.056
CP-07 18◦ 370 35.9000 91◦ 490 56.2000 0.101
◦ 0 00 ◦ 0 00
TG-08 18 38 10.02 91 50 10.02 0.059
Análisis de sensibilidad
En el presente trabajo se realizó un análisis de sensibilidad al modelo hidro-
dinámico con el objetivo de evaluar cualitativamente la incertidumbre del mismo.
Se utilizó el acercamiento descrito en la sección 3.2.5 a través de la variación
de los coeficientes de viscosidad (η) y difusividad (K) horizontales, ası́ como el
número de capas σ (nσ ).
45
4. RESULTADOS
Se realizaron simulaciones de prueba para determinar el conjunto de valores

iniciales (η, K, y nσ ) con la menor variación en la velocidad vs,O1 (ver sección
3.2.5) respecto al valor de referencia vs,O1 = 0.46 (reportado en Contreras Ruiz
Esparza et al. (2014)). El intervalo de variación de los parámetros η y K se eligió
de 10 a 100 [m2 · s−1 ], valores sugeridos para mallas de cálculo con una resolución
de cientos de metros a kilómetros (Deltares, 2011); la resolución mı́nima en el
presente trabajo es de ∼ 3 km. En cuanto a nσ , se presentaron resultados similares
a partir de nσ = 9, motivo por el cual se eligió dicho valor para la configuración
del modelo hidrodinámico.
El intervalo de variación de η, K, y nσ utilizado en las simulaciones de prueba
se reporta en la Tabla 4.8. Los valores elegidos de η, K, y nσ (Tabla 4.8) corres-
ponden a la simulación de prueba donde se obtuvo un error < 0.006 al reproducir
el valor de referencia vs,O1 = 0.46.
Tabla 4.8: Parámetros evaluados en el análisis de sensibilidad.
Intervalo Valores seleccionados

η 10-100 100
K 10-100 10
nσ 6 - 12 9
Análisis de estabilidad
En el presente estudio, se realizó un análisis de estabilidad para determinar el
spin-up —tiempo de simulación necesario para transitar a la solución estable—
de la salinidad. La salinidad es determinada por la interacción compleja de di-
versos procesos y suele requerir un lapso de tiempo mayor que otras variables
para alcanzar un comportamiento estable. El modelo hidrodinámico requirió 4
iteraciones del año 2016 para que la salinidad alcanzara un comportamiento es-
table (ver Figura 4.5). En cada iteración, el modelo inició con información de la
simulación inmediata anterior. Una vez realizadas las iteraciones necesarias, se
procedió con el análisis de los resultados generados.
4.2.2. Hidrodinámica
Se realizaron tres experimentos numéricos: en el experimento viento el modelo
fue forzado con condiciones atmosféricas, en el experimento marea solamente se
consideró la influencia de la marea, mientras que en el experimento mareaviento
el modelo fue forzado tanto con marea como con viento (Figura 4.7). Se describen
46
Figura 4.5: Spin-up. Al llegar a la cuarta iteración, la salinidad de LT es estable.
los resultados de dichos experimentos en las secciones “Elevación de la columna

de agua” y “Rapidez de la corriente superficial” (Figura 4.6). En la última sec-
ción — “Circulación general”— se describe la circulación obtenida con el modelo
hidrodinámico forzado por el viento, las mareas y la descarga del Palizada.
Elevación de la columna de agua
Se analizó la elevación de la columna de agua (ECA, Figura 4.6) obtenida

de los experimentos viento, marea, y mareaviento . Se observa en el experimento
viento que la elevación media obtenida fue de 0.02 m. Por otra parte, se encontró
un incremento de siete veces la altura de la columna de agua con respecto a la me-
dia (ECA > 0.14 m) en cinco eventos: 11/enero, 29/enero, 5/febrero, 21/marzo
y 5/agosto (Figura 4.7).
Con respecto al experimento marea, se observa que la ECA presenta un valor
medio de 0.02 m, con valores máximos de elevación de 0.05 m. Por otra parte,
se observa que la onda de marea demora ∼ 4 horas en llegar del exterior de la
BEC a la zona de descarga del Palizada (Figura 4.8). Se observa que la onda de
marea presenta un máximo de 0.3 m en el punto exterior de la BEC, mientras
que enfrente del Palizada el máximo de la marea es de 0.18 m.
En el experimento mareaviento se aprecian caracterı́sticas mixtas de viento y
marea; se observa un valor medio (0.01 m)y se reproducen los 5 eventos de alta
elevación del experimento viento.
47
4. RESULTADOS
Figura 4.6: Celdas analizadas en los experimentos viento, marea, y mareaviento.

En azul, celdas correspondientes a las campañas de muestreo. En naranja, celda
correspondiente a los sensores HOBO.
Rapidez de corriente superficial
Se analizó la magnitud de la velocidad superficial (rs ) en la zona de interés

(Figura 4.6) obtenida de los experimentos viento, marea, y mareaviento (Figura
4.9). Como es de esperarse, la rs del experimento viento muestra fluctuaciones no
periódicas y eventos breves pero de alta intensidad. La magnitud de los eventos
máximos de este experimento se encuentra alrededor de 0.24 m s−1 , mientras que
la media es de 0.09 m s−1 . Por otra parte, en el experimento marea se observa
que la rs máxima se encuentra alrededor de los 0.25 m s−1 , mientras que la media
tiene un valor de 0.18 m s−1 .
Con respecto al experimento mareaviento, se aprecian caracterı́sticas mixtas
de viento y marea (Figura 4.9c). Se observa que la rs máxima en este experimento
se encuentra alrededor de los 0.32 m s−1 , mientras que la media tiene un valor
de 0.20 m s−1 . La media del experimento mareaviento es cercana a la media del
experimento marea.
48
Figura 4.7: Elevación de la columna de agua simulada para los experimentos: a)

viento, b) marea, y c) mareaviento. Se observan 5 eventos de ECA > 0.10 m (en
rojo).
Circulación general
La circulación promedio obtenida del modelo hidrodinámico muestra una en-
trada neta de agua a través de la BPR y una salida neta a través de la BEC
(Figura 4.10). A pesar de que la circulación general sea hacia el suroeste, se ob-
serva un giro al interior de LT que se extiende sobre la porción superior-este de la
misma, y cuya circulación es hacia el noreste. Por otra parte, la corriente residual
parece tener pocos cambios entre temporadas, el más notable es la disminución
del tamaño del giro en el interior de LT en temporada de lluvias.
Por otra parte, se observa en promedio que en las bocas lagunares se encuentra
la mayor velocidad de la corriente en superficie (Figura 4.11). Se observa en
49
4. RESULTADOS
Figura 4.8: Variación de la elevación de la columna de agua del experimento

marea, en 3 puntos distintos de la zona de estudio.
general una velocidad de ∼ 0.1 m s−1 en el sistema lagunar, sin embargo, la

zona oeste muestra en promedio valores ligeramente mayores (∼ 0.2 m s−1 ). En
adición, se observa que en temporada de lluvias la descarga del Palizada eleva los
valores de la velocidad de manera local.
4.2.3. Temperatura y salinidad

En este apartado se presentan la temperatura y salinidad resultantes del mo-
delo térmico descrito en la sección 3.2.4. Debido a que los 3 puntos de muestreo
de la zona Rı́o no se encuentran en la malla de cálculo, se analizaron 3 celdas
cercanas a la desembocadura del Palizada (Figura 4.12). Tomando en cuenta lo
anterior, los datos de temperatura y salinidad del modelo térmico se agruparon
según: 1) la zona de muestreo (rı́o, laguna u océano), y 2) la temporada climáti-
50
Figura 4.9: Rapidez superficial.Rapidez superficial simulada para los experi-

mentos: a) viento, b) marea, y c) mareaviento.
ca (lluvias o secas). A continuación se presenta la estadı́stica de los dos grupos

mencionados, la comparación de los datos simulados con los datos del sensor en
la estación Marina (Figura 4.12), y los mapas promedio que se obtuvieron para
la temperatura y la salinidad simuladas.
Temperatura
Los resultados de la temperatura simulada (Figura 4.13) indican que durante

la temporada de secas, el valor mı́nimo fue de 21.08◦ C, mientras que el valor
máximo fue de 34.52◦ C. La temporada de secas mostró un valor medio de tempe-
ratura de 26.78 ± 1.96◦ C. Por otra parte, durante la temporada de lluvias el valor
mı́nimo de temperatura fue de 24.56◦ C; mientras que el valor máximo se registró
51
4. RESULTADOS
Figura 4.10: Circulación promedio en temporada de secas y temporada

de lluvias.
52
Figura 4.11: Velocidad superficial promedio en temporada de secas y

temporada de lluvias.
53
4. RESULTADOS
en 31.48◦ C. La temporada de lluvias mostró un valor medio de temperatura de

27.57 ± 1.98◦ C. En la Tabla 4.9 se muestra un resumen de los resultados de la
temperatura modelada.
Con respecto a la comparación con los datos del sensor, se utilizó la tem-
peratua del HOBO U20L-04 en los periodos 2016-11-11/2016-11-30 y 2016-12-
12/2016-12-31, que corresponden al mes de noviembre y diciembre respectiva-
mente. El coeficiente de correlación de Pearson estimado para la temperatura
modelada fue de 0.70 (p < 0.05) en noviembre y de 0.1 (p < 0.05) en diciembre
(Figura 4.14).
Por último, se elaboraron mapas promedio de la temperatura superficial con
los resultados del modelo térmico (Figura 4.15). Se puede observar que la tempe-
ratura promedio en temporada de lluvias es mayor que en temporada de secas.
Se observa también que la descarga del Palizada posee una temperatura menor,
sin embargo, la influencia de dicha descarga parece no ser detectable a la altura
de la BEC.
Figura 4.12: Celdas analizadas para el modelo térmico. En azul, celdas

correspondientes a las campañas de muestreo. En naranja, celda correspondiente a
los sensores HOBO.
54
Figura 4.13: Gráfica de caja y bigotes para la temperatura simulada Se

Tabla 4.9: Temperatura simulada según la temporada climática y la zona de

muestreo.
Temperatura Rı́o Laguna Océano

◦
[ C]
media 25.55 ± 0.89 27.71 ± 1.69 29.43 ± 0.78
máximo 30.32 31.23 31.48 Lluvias
mı́nimo 24.56 24.69 26.46
media 25.91 ± 1.55 27.08 ± 1.93 27.36 ± 2.06
máximo 34.52 31.47 31.56 Secas
mı́nimo 21.08 21.78 22.15
55
56
4. RESULTADOS Figura 4.14: Temperatura simulada (lı́nea azul) y temperatura observada en la estación Marina (lı́nea
negra) para los meses de noviembre y diciembre 2016 . Los datos tienen un filtro de medias móviles de 6 horas
y la zona sombreada es 2σ la desviación estándar.
Figura 4.15: Temperatura superficial promedio simulada, temporada de

secas y lluvias.
57
4. RESULTADOS
Salinidad
Los resultados de la salinidad modelada indican que durante la temporada de
secas, el valor mı́nimo fue de 0.01 ups, mientras que el valor máximo fue de 34.67
ups (Figura 4.16). La temporada de secas mostró un valor medio de salinidad
de 18.87 ± 12.82 ups. Por otra parte, durante la temporada de lluvias el valor
mı́nimo de salinidad fue de 0.00 ups, mientras que el máximo fue de 35.31 ups.
La temporada de lluvias mostró un valor medio de salinidad de 12.67 ± 12.47 ups
. En la Tabla 4.10 se muestra un resumen de los resultados de la salinidad.
Con respecto a la comparación con datos de sensor, se utilizaron los datos
del sensor de salinidad HOBO U24-002 en los periodos 2016-11-11/2016-11-30 y
2016-12-12/2016-12-31, que corresponden al mes de noviembre y diciembre res-
pectivamente. El coeficiente de correlación de Pearson para la salinidad modelada
fue de 0.20 (p < 0.05) en el mes de noviembre y de 0.60 (p < 0.05) en diciembre
(Figura 4.17). Por último, se elaboraron mapas de salinidad superficial promedio
con los resultados del modelo térmico (Figura 4.18). Se observa que la zona de
influencia del Palizada es mayor en temporada de lluvias que en temporada de
secas.
Tabla 4.10: Salinidad simulada según la temporada climática y la zona de mues-

treo.
Salinidad Rı́o Laguna Océano

[ups]
media 1.29 ± 3.39 12.42 ± 9.81 28.52 ± 4.49
máximo 31.63 33.76 35.31 Lluvias
mı́nimo 0.00 0.00 9.36
media 5.00 ± 7.24 19.69 ± 8.87 31.22 ± 1.86
máximo 34.67 34.14 34.64 Secas
mı́nimo 0.01 0.60 18.63
58
4.3. Modelo de oxı́geno disuelto

En esta última sección de resultados se presentan las simulaciones del modelo
de aireación descrito en la sección 3.3. La presente se divide en 3 apartados; en
el primero se detalla la estadı́stica descriptiva del OD simulado. En el segundo
apartado se presenta la variación del OD bajo diversos escenarios. En el último
apartado se presentan mapas promedio de superficie y fondo de OD en la zona
de interés.
4.3.1. Estadı́stica descriptiva

Con el objetivo de analizar el OD simulado de forma similar a los datos de
campo (sección 4.1), se utilizaron únicamente las celdas de la malla de cálculo
correspondientes a los puntos de muestreo descritos en la sección 3.1 (Figura 4.12).
Tomando en cuenta lo anterior, los datos del modelo de aireación se agruparon
Figura 4.16: Gráfica de caja y bigotes para la salinida simulada. Se observa

la media (lı́nea punteada) y la mediana (lı́nea continua).
59
4. RESULTADOS
según: 1) la zona de muestreo (rı́o, laguna u océano), y 2) la temporada climática

(lluvias o secas) en la que fueron modelados (Figura 4.19).
El OD modelado presenta en temporada de lluvias valores medios de ∼ 6.8
mg L−1 , valores cercanos a los datos de OD obtenidos en campo (Tabla 4.11).
Con respecto a la temporada de secas, el OD modelado presenta valores medios
de ∼ 6.9 mg L−1 . Tanto la variabilidad como los eventos máximos de OD se
presentan en la temporada de secas (Figura 4.19), encontrándose el máximo (8.14
mg L−1 ) registrado en la zona lagunar. El valor mı́nimo (5.90 mg L−1 ), por el
contrario, se observó en la zona océano en temporada de lluvias.
4.3.2. Variabilidad
Con el objetivo de analizar las diferencias existentes de OD, se presenta la
variación de dicha variable en tres puntos: exterior de la Boca El Carmen (BEC),
en la descarga del Palizada, y un punto intermedio entre ambos (Figura 4.20).
Se presenta también la variación anual de la temperatura y salinidad, variables
Figura 4.17: Salinidad simulada (lı́nea negra) y salinidad observada

(lı́nea azul) en la estación Marina para los meses de noviembre y di-
ciembre 2016. Los datos presentan un filtro de medias móvies de 6 horas y la
zona sombreada es 2σ la desviación estándar.
60
Figura 4.18: Salinidad superficial promedio simulada, temporada de se-

cas y lluvias.
61
4. RESULTADOS
Figura 4.19: Gráfica de caja y bigotes para el OD modelado. Se observa

la media (lı́nea punteada) y la mediana (lı́nea continua).
fundamentales en la determinación del OD. Por último, se muestra el comporta-

miento del oxı́geno bajo el escenario de viento intenso.
De manera general, se observa que el OD se comporta de forma similar en
los puntos intermedio y BEC, sin embargo, el punto intermedio presenta mayor
variación que el punto BEC (Figura 4.21). Por otra parte, la variabilidad anual
del OD indica que los valores mı́nimos se presentan en los meses de abril-mayo
para Palizada, y en los meses de mayo-junio para el punto intermedio y BEC. En
lo que respecta a los valores máximos, estos se presentan en los meses de enero-
febrero para la descarga del Palizada, y en el mes de noviembre para el punto
intermedio y BEC.
Por otra parte, se observa que los mı́nimos de la temperatura simulada ocurren
en los meses de enero-febrero para los tres puntos analizados. En cambio, los
máximos de temperatura se presentan en los meses de abril-mayo para Palizada
y en mayo-junio para los puntos intermedio y BEC (Figura 4.22). En cuanto a
la salinidad, esta presenta valores mı́nimos en octubre-noviembre para todos los
puntos, mientras que los valores máximos ocurren en marzo-abril para Palizada
y en enero para los puntos intermedio y BEC (Figura 4.23).
62
Tabla 4.11: OD simulado y observado en campo según la temporada climática y

la zona de muestreo.
ODcampo [mg L−1 ] ODmodelo [mg L−1 ]
Rı́o Laguna Océano Rı́o Laguna Océano
Lluvias
media 6.48 6.75 6.61 6.99 7.05 6.37
± 1.03 ±1.09 ± 1.61 ± 0.20 ± 0.35 ± 0.23
max. 8.47 8.61 8.60 7.92 7.96 7.33
min. 4.12 4.90 1.82 6.67 6.07 5.90
Secas
media 7.22 7.87 7.82 7.38 6.93 6.43
± 1.88 ± 2.17 ± 2.33 ± 0.36 ± 0.46 ± 0.31
max. 11.60 13.18 13.02 8.11 8.14 7.37
min. 2.90 5.83 5.74 6.02 6.06 5.91
En la Tabla (4.12) se muestra un resumen de los máximos y mı́nimos de

OD, temperatura, y salinidad. Se detalla en que meses ocurren los periodos de
disminución/aumento de oxı́geno ligados al aumento/disminución de temperatura
y salinidad ya que las últimas variables son fundamentales en la determinación
del OD. Se observa que los mı́nimos de oxı́geno ocurren en conjunto con los
máximos de temperatura en los tres puntos analizados. En cambio, se observa
que los máximos de OD coinciden con el mı́nimo de temperatura únicamente en
el punto Palizada; en los puntos intermedio y BEC los máximos de OD coinciden
63
4. RESULTADOS
Figura 4.20: Celdas analizadas, modelo de aireación. Celdas correspon-

dientes a la descarga del Palizada (negro), punto intermedio (verde), y
la Boca El Carmen (azul).
con los mı́nimos de salinidad.

Con respecto a la variación del oxı́geno en condiciones de viento intenso, se
muestra el comportamiento de dicha variable en la fecha 4 al 9 de agosto, dı́as
donde el viento elevó la columna de agua siete veces el valor medio (ver sección
4.2). Debido a que este evento ocurre después de un periodo de calma prolongado,
se observó con mayor claridad cómo las condiciones de viento modifican al oxı́geno
(Figura 4.24). En el punto Palizada se observa que los valores de OD se elevan
de 7.15 mg L−1 previos al evento, a un máximo de 7.45 mg L−1 . La duración del
evento en este punto fue de 42 horas. Por otra parte, en el punto intermedio no
se oberva una influencia clara del viento sobre el OD. Finalmente, en el punto
Boca El Carmen se observa un incremento de 6.3 mg L−1 a 6.5 mg L−1 , evento
que duró 72 horas.
64
Figura 4.21: Variabilidad anual del OD simulado, Boca El Carmen, Pa-

lizada, y punto intermedio.
Figura 4.22: Variabilidad anual de la temperatura simulada, Boca El

Carmen, Palizada, y punto intermedio.
65
4. RESULTADOS
Figura 4.23: Variabilidad anual de la salinidad simulada, Boca El Car-

men, Palizada, y punto intermedio.
Tabla 4.12: Periodos de máximos y mı́nimos simulados de OD, tempe-

ratura y salinidad.
Puntos de análisis ODmin. T empmax. Salmax.
P alizada abr-may abr-may mar-abr
Intermedio may-jun may-jun ene
BEC may-jun may-jun ene
ODmax. T empmin. Salmin.
P alizada ene-feb ene-feb oct-nov
Intermedio nov ene-feb oct-nov
BEC nov ene-feb oct-nov
66
Figura 4.24: Variabilidad de OD en condiciones de viento. En rojo, el

evento 5/agosto.
4.3.3. Oxı́geno disuelto en superficie y fondo

Con los resultados del modelo de aireación, se generaron mapas de saturación
del OD en superficie y fondo. Se observa en general que el oxı́geno superficial
se encuentra cercano al 100 % de saturación tanto en temporada de secas como
en lluvias (Figura 4.25). Sin embargo, se observa que en la desembocadura del
Palizada la saturación de O2 promedio en superficie se encuentra alrededor del
85 %. En temporada de secas, se observa que la zona de influencia del Palizada
llega a la zona interior de la Boca El Carmen. Por otra parte, en temporada de
lluvias la zona de influencia se expande y se extiende más allá de la Boca El
Carmen, llegando a la zona oceánica.
En cuanto al OD de fondo, se observa en ambas temporadas una saturación
ligeramente mayor al 100 % (Figura 4.26). Sin embargo, se observa que en la
desembocadura del Palizada la saturación de O2 promedio en el fondo se encuentra
alrededor del 85 %. En temporada de lluvias se observa una mayor influencia de la
descarga del Palizada. Por otra parte, se observa que los valores de OD de fondo
son similares a los superficiales en ambas temporadas.
67
4. RESULTADOS
Figura 4.25: OD superficial promedio, temporada de secas y lluvias.
68
Figura 4.26: OD promedio en fondo, temporada de secas y lluvias.
69
Capı́tulo 5
Discusión
En este capı́tulo se discuten las interrogantes que motivaron al presente pro-

yecto con base en los resultados generados. En la sección 5.1 se aborda la pregunta,
¿cómo los vientos y las mareas influyen en la circulación de LT? En la segunda
sección (5.2) se discute la temperatura y salinidad del sistema lagunar y cómo la
descarga del rı́o Palizada-SGU influencı́a dichas variables. En la última sección
(5.3) se aborda la pregunta ¿cómo es la aireación en LT?, se discute el papel de los
diferentes factores sobre este proceso y las implicaciones ambientales del presente
trabajo.
5.1. Viento y marea en la circulación de Laguna

de Términos
Se modeló la circulación de LT tomando en cuenta la influencia de la marea
astronómica, las condiciones meteorológicas, y la descarga del rı́o Palizada. Al
realizar el promedio de las velocidades en superficie, se observa que la circulación
residual de LT es hacia el suroeste, con un flujo neto entrante por la BPR y un flujo
saliente por la BEC (Figura 5.1b). Lo anterior coincide con lo previamente descrito
para la LT (Mancilla-Peraza y Vargas-Flores, 1980; Jensen et al., 1989; David y
Kjerfve, 1998). Sin embargo, Contreras Ruiz Esparza et al. (2014) reportan una
circulación suroeste únicamente en la porción norte de LT y no en la mayor parte
de la cuenca como se encontró en el presente estudio. Esta diferencia se debe a
que en Contreras Ruiz Esparza et al. (2014) se utilizan solamente forzamientos
de marea para modelar la hidrodinámica de LT.
Los resultados indican que la circulación residual de LT está dominada por un
giro ciclónico. Esto coincide con lo reportado por Contreras Ruiz Esparza et al.
(2014). Sin embargo, en Contreras Ruiz Esparza et al. (2014) se reporta que la
circulación por marea genera en el centro lagunar una zona de baja velocidad
71
5. DISCUSIÓN
Figura 5.1: a) Batimetrı́a adaptada de Grenz et al. (2017). b) Campo vectorial

de velocidad promedio (vectores en gris) obtenido con el Delft3D-FLOW, corriente
residual (en rojo) y zonas de baja velocidad (en azul).
72
5.1 Viento y marea en la circulación de Laguna de Términos
de corriente, misma que se asocia a una zona de acumulación de sedimentos. Lo

anterior no se observa en la batimetrı́a del lugar (Figura 5.1a), lo que sugiere que
un factor adicional a la marea es necesario para explicar la circulación interior de
LT (Contreras Ruiz Esparza et al., 2014).
El modelo hidrodinámico implementado en la presente tesis — forzado por
marea y por condiciones meteorológicas— indica que las velocidades promedio en
la porción superior noreste y en los bordes de la zona centro son menores que en
el resto de LT (Figura 5.1b). Esto pudiera explicar el patrón de sedimentación
que se observa en la batimetrı́a del área (Figura 5.1a), donde la zona central
muestra una mayor profundidad (∼ 4m) que la porción superior noreste y bordes
lagunares (∼ 2m). Esta similitud entre el patrón de sedimentación natural y las
zonas de baja velocidad sugiere que tanto la marea como el viento son necesarios
para reproducir la circulación interior de LT.
Alternancia de factores
Si bien se ha reportado que en las bocas lagunares de LT la marea domina la
circulación (Contreras Ruiz Esparza et al., 2014), los resultados de las simulacio-
nes indican que en el trayecto Palizada-BEC existe una codominancia del viento
y la marea en la hidrodinámica del sistema. Esto se evidencı́a al observar el com-
portamiento de la elevación de la columna de agua (ECA) en los experimentos
numéricos marea, viento, y mareaviento (descritos en la sección 4.2.2).
Al ajustar una regresión lineal entre la ECA de las series normalizadas marea-
viento-viento, y mareaviento-marea (Figuras 5.2 y 5.3 respectivamente) se observa
que: 1) el viento es dominante en la circulación en periodos de viento intenso y 2)
la marea domina en periodos de calma. Con respecto al primer supuesto, la alta
correlación entre los experimentos viento - mareaviento en nortes y secas sugiere
que el viento es dominante en estas temporadas (Figura 5.2). Por otra parte,
la alta correlación entre los experimentos marea - mareaviento en temporada de
lluvias indica que la marea es el factor dominante en dicho periodo (Figura 5.3).
La alternancia de los factores viento y marea en la circulación de LT entre
las distintas temporadas del año es reportada en investigaciones previas. Ejemplo
de ello se encuentra en Graham et al. (1981); Kjerfve et al. (1988), donde se
concluye que durante condiciones de viento débil, la circulación de LT podrı́a
estar fuertemente dominada por las mareas.
73
5. DISCUSIÓN
Figura 5.2: Correlación entre la elevación de la columna de agua de los expe-

rimentos viento y mareaviento. Todas las correlaciones presentaron un p-value <
0.05.
5.2. Temperatura, salinidad e influencia del rı́o

Grijalva -Usumacinta
En esta sección se discuten los resultados de la temperatura y salinidad junto
con la influencia que el rı́o Palizada-SGU ejerce sobre ellas.
En las campañas de campo la temperatura mostró valores en el intervalo
23.80−34.40◦ C, mientras que el modelo presentó valores de 21.08 a 34.52◦ C. Estos
resultados son similares a los intervalos reportados de temperatura, tanto acuática
(Magallanes-Ordóñez et al., 2014) como atmosférica (Guerra-Santos y Kahl, 2018)
en el área de estudio. Por otra parte, los resultados del análisis de varianza indican
que la temperatura de campo no muestra diferencias significativas (p > 0.05)
entre zonas ni entre temporadas. Ya que la temperatura atmosférica en la zona
tampoco muestra variaciones espaciales ni estacionales fuertes (Guerra-Santos
y Kahl, 2018), lo anterior sugiere que la temperatura del agua es determinada
principalmente por la temperatura atmosférica en LT. Esto podrı́a deberse a la
homogeneidad de la columna de agua enLT, causada por una baja profundidad
74
5.2 Temperatura, salinidad e influencia del rı́o Grijalva -Usumacinta
Figura 5.3: Correlación entre la elevación de la columna de agua de los expe-

rimentos marea y mareaviento. Todas las correlaciones presentaron un p-value <
0.05.
del sistema. Este fenómeno ha sido ampliamente estudiado en diversos sistemas

someros a nivel global (Cho y Lee, 2011; Benyahya et al., 2007).
En cuanto a la salinidad, esta mostró fuertes gradientes espaciales tanto en
campo (0.20 − 38.15 ups), como en las simulaciones (0.00 − 35.31 ups). Ambos
intervalos son ligeramente más amplios que el reportado (3−37 ups) en Archundia
et al. (2016), e indican que existe una fuerte alternancia entre aportes de agua
océanica y epicontinental en el área de estudio. Alrededor de la BEC se midieron y
modelaron salinidades cercanas a las del Golfo de México (Thacker, 2007; Grenz
et al., 2017), mientras que en las zonas cercanas al rı́o Palizada se obtuvieron
menores salinidades. Esto indica que las intrusiones de agua océanica causadas
por la marea se mezclan rápidamente con las aguas del rı́o Palizada al entrar por
la BEC; lo anterior concuerda con los patrones hidrodinámicos ya reportados en
(Graham et al., 1981; David y Kjerfve, 1998; Contreras Ruiz Esparza et al., 2014;
Archundia et al., 2016).
Según sus parámetros fı́sicoquı́micos, la LT se puede dividir en zonas distintas.
En la década de los 80’s Yáñez-Arancibia y Day Jr (1982) evaluaron las condi-
ciones ambientales y zonificaron LT, mientras que Ramos-Miranda et al. (2005)
propusieron una nueva zonificación en la década de los 90’s. El área estudiada en
75
5. DISCUSIÓN
el presente corresponde en dichos trabajos a: la zona de influencia fluvial (zona

contigua a la descarga del rı́o Palizada-SGU), y a la zona de influencia mixta
fluvio-oceánica (zona circundante a la BEC). En Ramos-Miranda et al. (2005)
la zona de influencia fluvial presentó temperaturas y salinidades promedio de
28.57 ± 0.47◦ C y 16.92 ± 8.58 ups respectivamente, mientras que la zona de in-
fluencia mixta presentó valores promedio de temperatura de 27.24 ± 0.27◦ C y
de salinidad de 26.30 ± 2.87 ups. Estos valores son mayores que los obtenidos
por Yáñez-Arancibia y Day Jr (1982), por lo que se especuló un incremento a
largo plazo tanto de temperatura como de salinidad, cambio que se reflejó en la
composición de la comunidad de peces en LT (Ramos-Miranda et al., 2005). Los
resultados obtenidos en el presente estudio parecen coincidir con Ramos-Miranda
et al. (2005) (Tabla 5.1).
Sin embargo, estudios posteriores que contemplan la variabilidad climática a
largo plazo en el área (Archundia et al., 2016) señalan que las diferencias obser-
vadas entre los trabajos antes mencionados se pueden atribuir a la variabilidad
natural del fenómeno El Niño-Oscilación del Sur (ENOS). Este es un fenómeno
Tabla 5.1: Comparación de la temperatura y salinidad reportada en Ramos-

Miranda et al. (2005) y las observadas en el presente trabajo para las zonas de
influencia fluvial y zona de influencia mixta.
Zona de influencia fluvial Zona de influencia mixta
T emp.[◦ C] Sal.[ups] T emp.[◦ C] Sal.[ups]
Según Ramos-Miranda
et al. (2005)
media 28.57 16.92 27.24 26.30
±0.47 ± 8.58 ± 0.27 ± 2.87
Resultados obtenidos
en campo
media 28.74 20.05 28.87 30.11
±1.76 ± 8.52 ± 2.12 ± 4.12
76
5.2 Temperatura, salinidad e influencia del rı́o Grijalva -Usumacinta
oceánico-atmosférico de escala global que se asocia con la variabilidad climática a

escala interanual e interdecadal (Chu, 2004; Clarke, 2014). Dicho fenómeno tiene
una fase caliente (anomalı́as positivas en la temperatura superficial del mar) y
una frase frı́a (anomalı́as negativas), denominadas El Niño y La Niña respecti-
vamente. En el estudio de Yáñez-Arancibia y Day Jr (1982) el fenómeno ENOS
se encontraba en condiciones neutras, mientras que en el periodo de estudio de
Ramos-Miranda et al. (2005) se presentó uno de los mayores eventos El Niño en
el registro histórico (evento de 1997-1999, Hansen et al., 2006; Paek et al., 2017).
El estudio actual se desarrolla también en uno de los eventos de El Niño mas
fuertes registrados (Paek et al., 2017), esto podrı́a explicar las altas temperaturas
y salinidades observadas con respecto a la década de los 80’s y la similitud con
los resultados de Ramos-Miranda et al. (2005).
Temperatura: modelo y sensor

Por otra parte, se observa que la temperatura del modelo térmico, difiere de
la registrada por el sensor (Tabla 5.2). Ya que la temperatura del agua depende
estrechamente de la temperatura atmosférica (Cho y Lee, 2011; Benyahya et al.,
2007), la diferencia de ∼ 2.5◦ C entre la temperatura del modelo y del sensor se
puede atribuir a desfases entre la temperatura atmosférica que forza el modelo
(serie WRF), y la que se observa en la estación meteorológica (serie CME). Si bien
la temperatura atmosférica modelada por el WRF y la observada en el aeropuerto
CME están correlacionadas (0.78, p < 0.05), presentan también un desfase de 1.2
◦
C a principios del 2016 (enero-marzo), y de 4.3 ◦ C en el año restante (Figura
5.4).
A pesar de las diferencias entre las series del WRF y el CME, la temperatura
del agua simulada en LT está correlacionada con la registrada por el sensor HOBO
en el mes de noviembre (0.70, p < 0.05) y presenta una variación similar durante
todo el periodo de comparación (Tabla 5.2). Esto podrı́a indicar que la variación
de la temperatura del agua está correctamente representada, sin embargo, son
necesesarias series de campo más largas para asegurar lo anterior.
Salinidad e influencia del SGU

Los resultados del análisis de varianza realizado sobre los grupos rı́o, laguna,
y océano y sobre las temporadas de lluvias y secas, indican que la temperatura
de campo no muestra diferencias significativas (p > 0.05) entre zonas ni entre
temporadas. En contraparte, la salinidad de campo muestra diferencias significa-
tivas (p < 0.05) tanto entre zonas como entre temporadas. Esto indica que sólo
la salinidad muestra diferencias espaciales entre las zonas de muestreo y por lo
tanto, la influencia del rı́o Palizada-SGU es significativa solamente en la variable
77
5. DISCUSIÓN
Tabla 5.2: Comparación de la temperatura y salinidad simuladas y observadas

para el periodo noviembre-diciembre en la zona lagunar.
T emperatura[◦ C] Salinidad[ups]
Sensor Modelo Sensor Modelo
nov − dic
media 27.93 25.55 20.97 20.60
±0.77 ± 0.72 ± 2.17 ± 3.67
Figura 5.4: Desfase entre la temperatura del CME y el WRF. Se observa

la diferencia entre los promedios de las series CME (lı́nea punteada roja) y WRF
(lı́nea punteada azul) para los periodos de enero-marzo y abril-diciembre.
salinidad. Lo anterior también puede apreciarse en la temperatura y salinidad

modeladas, donde se observa que el área de influencia del Palizada dentro de LT
es mucho menor en los mapas de temperatura (< 2 km) que en los mapas de
salinidad (9 − 14 km).
La relación entre la descarga del rı́o Palizada y la salinidad en LT ha sido
reportada en trabajos anteriores (Grenz et al., 2017; Archundia et al., 2016), e
78
incluso se ha establecido una relación exponencial negativa entre ellas (Archundia

et al., 2016). En el presente trabajo se observa que la relación entre la descarga
del Palizada y la salinidad modelada en LT (Figuras 5.5 y 5.6) también es una
exponencial negativa (r2 = 0.74), lo que concuerda con el comportamiento de las
mediciones en campo reportadas por Archundia et al. (2016).
Lo anterior evidencı́a la importancia del rı́o Palizada-SGU para explicar la
variabilidad de la salinidad en el sistema. Además, la influencia del rı́o Palizada se
extiende sobre otras variables (e.g. transparencia, tipo de sedimento) y determina
caracterı́sticas fı́sicas especı́ficas a cada zona— caracterı́sticas fundamentales en
el estudio de hábitats y comunidades biológicas en LT (Yáñez-Arancibia y Day Jr,
1982; Ramos-Miranda et al., 2005).
Figura 5.5: Comportamiento de la descarga del rı́o Palizada y salinidad

modelada. Se observa el comportamiento de la descarga del rı́o Palizada (en rojo)
y de la variable salinidad modelada (en verde).
5.3. Oxı́geno disuelto

En esta sección se discuten los resultados obtenidos de los factores fı́sicos
que intervienen en la dinámica del oxı́geno. En las diferentes zonas de muestreo
el OD mostró valores medios de 6.48 a 7.87 mg L−1 ,mientras que el modelo
presentó medias de 6.37 a 7.38 mg L−1 (Tabla 5.3) . Estos valores corresponden
79
5. DISCUSIÓN
Figura 5.6: Relación exponencial entre descarga del rı́o Palizada y sali-
nidad modelada. Se ajustó una regresión exponencial negativa (lı́nea negra), se
especifica la ecuación y su coeficiente de determinación r2 , p-value < 0.05.
a un sistema bien oxigenado, caracterı́stica reportada con anterioridad para LT

(concentraciones medias > 4.7 mg L−1 , Medina-Gómez et al., 2015).
Tabla 5.3: Promedios de OD observado en campo y simulado.
ODcampo [mg L−1 ] ODmodelo [mg L−1 ]
Rı́o Laguna Océano Rı́o Laguna Océano
Lluvias
media 6.48 6.75 6.61 6.99 7.05 6.37
± 1.03 ±1.09 ± 1.61 ± 0.20 ± 0.35 ± 0.23
Secas
media 7.22 7.87 7.82 7.38 6.93 6.43
± 1.88 ± 2.17 ± 2.33 ± 0.36 ± 0.46 ± 0.31
80
Por otra parte, el análisis de varianza realizado sobre los grupos rı́o, laguna,
y oceáno y sobre las temporadas lluvias y secas, indican que el oxı́geno de campo
muestra diferencias significativas únicamente entre temporadas climáticas (p <
0.05). Esto ha sido detectado con anterioridad para el área (Poot-Delgado et al.,
2018, 2016), y se puede apreciar en los mapas de saturación de OD del modelo,
donde la estación de lluvias muestra una saturación menor que la de secas (ver
sección 4.3.3).
Ya que la temperatura y la salinidad son los principales factores fı́sicos que
determinan el OD en un sistema acuático (Garcia y Gordon, 1992), es de especial
interés discutir la posible influencia de estos sobre el oxı́geno de campo. Por una
parte, se observa en el análisis de varianza que la temperatura no muestra zonifi-
cación en el área de estudio (p > 0.05). Esta variable tampoco muestra diferencias
entre temporadas (p = 0.20), afirmación que tiene un intervalo de confianza del
95 %. Sin embargo, el p-value obtenido indica que las diferencias estacionales de
temperatura son significativas si se diminuye el intervalo de confianza al 80 %. En
contraparte, la salinidad de campo muestra diferencias significativas (p < 0.05)
tanto entre zonas como entre temporadas.
Por lo anterior, es posible que las diferencias estacionales en salinidad (signi-
ficativas al 95 %), y temperatura (significativas al 80 %) son las que causan que
el OD muestre variaciones significativas entre las estaciones del año. De forma
similar, se sugiere que la no zonación de OD (p > 0.05) es debida a que sólo la
salinidad mostró diferencias significativas entre las zonas de estudio. Esto podrı́a
ser un indicador de que la dinámica del oxı́geno tiene una fuerte componente
fı́sica en LT.
Oxı́geno: modelo y sensor

Con respecto al sensor de oxı́geno instalado en la BEC, este registró un valor
medio de 6.45 ± 0.87 mg L−1 y una alta variabilidad en el periodo 2016-12-
19/2016-12-31 (Figura 5.7). Si bien la variabilidad registrada por el sensor no
es reproducida por el modelo de aireación, se observa que el valor medio de OD
modelado (6.96 ± 0.11 mg L−1 ) es cercano al del sensor (Figura 5.7).
Ya que el modelo de aireación contempla únicamente los procesos fı́sicos del
sistema, la diferencia de 0.5 mg L−1 entre la media del modelo y del sensor podrı́a
explicarse a través de factores biogeoquı́micos en la zona. De esta manera, la me-
nor concentración de oxı́geno en campo sugiere un secuestro biogeoquı́mico de
oxı́geno en la estación analizada. Con respecto a lo anterior, se ha reportado que
alrededor de la BEC existe una menor concentración de clorofila con respecto
a la zona de descarga del rı́o Palizada (Conan et al., 2017). Con lo anterior se
puede especular que, si bien en la zona aledaña al rı́o Palizada existe una alta
productividad primaria, esta disminuye hacia la BEC. En esta situación exis-
81
5. DISCUSIÓN
tirı́a un secuestro de oxı́geno debido a la remineralización de la materia orgánica

transportada del rı́o Palizada a la BEC.
Resumiendo, si bien los procesos fı́sicos no mostraron influencia en la variabi-
lidad del OD, se observa que parecen determinar con cercanı́a el valor medio de
dicha variable en el periodo analizado. Esto parece coincidir con lo encontrado en
el análisis de varianza, donde las diferencias significativas de oxı́geno de campo
parecen estar determinadas por el comportamiento de la temperatura y salinidad.
Sin embargo, son necesarias series de campo más largas para asegurar lo anterior.
Figura 5.7: Series de OD observado y simulado. Se observa el OD registrado

por el sensor (en azul), su media (en negro), el OD modelado (en naranja) y su
media (en rojo).
Factores dominantes en la aireación de LT

En el presente trabajo se modeló el OD en LT considerando únicamente los
factores fı́sicos que intervienen en su dinámica. Los resultados del modelo de
aireación sugieren que no existe un sólo factor dominante en la determinación del
OD, y que la interacción entre los factores es compleja en el área y año de estudio.
Lo anterior se aprecia en el modelo al observar los periodos donde ocurren los
máximos/mı́nimos de oxı́geno, temperatura, salinidad y descarga del Palizada
(Figura 5.8). Según sea el estado de estas variables fı́sicas, el sistema modelado
presenta dos regı́menes de oxı́geno.
82
El primer régimen se caracteriza por altas concentraciones de oxı́geno (6.7 mg

L < µOx < 7.4 mg L−1 ), una descarga alta del rı́o Palizada y una consecuente
−1
baja salinidad. Se observa que la máxima descarga del rı́o Palizada ocurre en
octubre, un mes después se observa el mı́nimo anual de salinidad en conjunto con
el segundo mı́nimo anual de temperatura y el máximo anual de oxı́geno (Figura
5.8).
El segundo régimen es caracterizado por concentraciones menores de oxı́geno
(µOx < 6.7 mg L−1 ), una alta temperatura, una descarga baja del rı́o Palizada y
una consecuente alta salinidad , aunque no máxima. En la Figura 5.8 se observa
que el mı́nimo anual de OD ocurre a la par que el máximo de temperatura a
mediados de junio. A pesar de que el mı́nimo de descarga del Palizada se encuentra
cercano a dicho periodo, el máximo anual de salinidad se presenta a principios de
año.
Figura 5.8: Factores fı́sicos en la dinámica del OD. OD modelado (en azul),
descarga del rı́o Palizada (en gris, eje revertido), salinidad(en negro), y temperatura
(en rojo). Se señala el periodo donde ocurre el mı́nimo y el máximo de OD.
Implicaciones
Los resultados del presente trabajo indican que la capacidad fı́sica de LT para
disolver oxı́geno es determinada por la compleja interacción de diversos factores.
83
5. DISCUSIÓN
Tomando en cuenta lo anterior, es de especial interés discutir cómo la modificación

de dichos factores podrı́a cambiar el balance de oxı́geno del sistema.
De las variables que influyen en la aireación de LT, quizás la que se encuen-
tra bajo una mayor presión ambiental es la descarga del rı́o Palizada- Sistema
Grijalva Usumacinta (SGU). La deforestación en la cuenca Grijalva-Usumacinta
fue catalogada como una de las más altas a nivel global en el periodo 1990-1996
(Ochoa-Gaona y González-Espinosa, 2000). En particular, la zona circundante a
LT presentó la deforestación más alta a nivel nacional en el periodo 1976-2009
(Cotler-Ávalos, 2010). Lo anterior se asocia a un incremento en el volumen de
descarga fluvial, que se relaciona a su vez con la expansión de zonas agrı́colas y
ganaderas (e.g. rı́o Candelaria, Benı́tez et al., 2005).
Considerando todo lo anterior, se deduce que existe una tendencia de dis-
minución de salinidad en LT (Archundia et al., 2016). Dicha tendencia podrı́a
significar un aumento general del OD en el sistema. Sin embargo, el aumento de
la descarga fluvial también se asocia a incrementos en el aporte de nutrientes;
esto estimula la productividad primaria y contribuye a la formación de zonas
con bajas concentraciones de oxı́geno en el área (e.g. Signoret et al., 2006). Más
aún, se ha detectado en LT la presencia de dinoflagelados nocivos (Poot-Delgado
et al., 2016) mismos que pueden verse beneficiados por el aporte de nutrientes y
disminuir el OD. Este fenómeno podrı́a ser especialmente importante en la zo-
na aledaña al rı́o Palizada, zona donde además se reporta una menor saturación
de O2 tanto en estudios previos (Conan et al., 2017) como en las simulaciones
realizadas en el presente trabajo.
La zona donde descarga el rı́o Palizada-SGU tiene también una importancia
comercial ya que se caracteriza por la presencia de arrecifes de ostras (Day et al.,
1987), ecosistema explotado por la comunidad local. Sin embargo, estos arrecifes
son vulnerables a concentraciones bajas de oxı́geno (Poot-Delgado et al., 2016).
Esto junto con todo lo anterior hacen de la zona aledaña a la descarga del Palizada
un punto crı́tico donde la observación y monitoreo del medio son indispensables
para asegurar la salud de LT.
Por otra parte, la Laguna de Términos se ve influenciada de manera natural
por el fenómeno oceánico-atmosférico de escala global ENOS, ya que este se aso-
cia con la variabilidad climática a escala interanual e interdecadal (Chu, 2004;
Clarke, 2014). En particular, en el área de estudio se han asociado las dos fases
del ENOS a un aumento en la precipitación y un consecuente incremento en la
descarga fluvial (Munoz-Salinas y Castillo, 2015). Sin embargo, la descarga máxi-
ma en el SGU se presenta durante eventos de La Niña, este comportamiento se
ha observado también en otros sistemas fluviales con desembocadura en el Golfo
de México(Hudson, 2003; Muñoz-Salinas y Castillo, 2013).
Debido a todo lo anterior es posible especular que, debido a una elevada
precipitación durante eventos de La Niña, el oxı́geno de LT disminuye en la zona
84
aledaña al rı́o Palizada debido a la alta descarga y los nutrientes asociados a ella.
Esto podrı́a ser especialmente importante en la estación de lluvias, donde los
resultados simulados y de campo muestran concentraciones menores de oxı́geno.
Lo anterior aunado a la alta deforestación de la cuenca, sugiere que el estado
actual de oxı́geno en el sistema se encuentra bajo presión.
85
Capı́tulo 6
Conclusiones
La presente tesis es un primer acercamiento al estudio de la dinámica fı́sica

del oxı́geno en Laguna de Términos, ecosistema crı́tico al Cambio Global debido
a su riqueza y diversidad. Este trabajo representa también una profundización
en el conocimiento de la hidrodinámica de LT ya que las simulaciones realizadas
incluyen forzamientos atmosféricos de alta resolución, descarga fluvial y mareas.
Las simulaciones realizadas en esta tesis indican que es necesario considerar
tanto el viento como la marea para reproducir la hidrodinámica del sistema y la
batimetrı́a asociada a ella. Por una parte, se encontró que el viento es el factor
dominante en la circulación en temporada de nortes y secas. Lo contrario ocurre
en temporada de lluvias, donde la marea mostró mayor dominancia.
Las mediciones en campo indican que la temperatura del agua en LT no mues-
tra variaciones estacionales ni espaciales significativas, esto indica que la tempe-
ratura del agua está determinada principalmente por la temperatura atmosférica
en LT. En cambio, la salinidad observada en campo muestra fuertes gradientes
espaciales y estacionales, comportamiento que mostró una alta relación con la
descarga del rı́o Palizada-Sistema Grijalva Usumacinta. La salinidad y tempera-
tura mostraron valores mayores que los reportados, esto podrı́a estar ligado a la
variabilidad natural del fenómeno ENOS.
En este estudio LT mostró ser un sistema altamente oxigenado a lo largo del
año. El oxı́geno disuelto (OD) de campo mostró una fuerte componente fı́sica, ya
que sus diferencias estacionales mostraron estar determinadas por la temperatura
y salinidad. Por otra parte, el modelo de aireación reproduce con una diferencia de
0.5 mg L−1 los valores medios de oxı́geno registrados por el sensor. Se especula que
esta diferencia es causada por el secuestro biogeoquı́mico de oxı́geno, resultado
de la remineralización de la materia orgánica en el área.
Los resultados del modelo de aireación indican que las variables temperatura,
salinidad y descarga del rı́o Palizada se vinculan con dos regı́menes anuales de
oxı́geno en LT, uno de alta concentración de oxı́geno (> 6.7 mg L−1 de noviembre-
87
6. CONCLUSIONES
marzo) y otro de menor concentración (< 6.7 mg L−1 de mayo-julio).

Los resultados del presente estudio, en combinación con las presiones antro-
pogénicas y naturales existentes sobre LT, indican que es necesaria la observación
y monitoreo del oxı́geno disuelto especialmente durante la temporada de lluvias
y eventos de La Niña. En dichos escenarios la concentración de OD alrededor de
la desembocadura del rı́o Palizada podrı́a disminuir, situación donde tanto los
ecosistemas como la economı́a local se verı́an afectados.
Recomendaciones y perspectivas
Son necesarios periodos mayores de observación para las variables de tem-
peratura, salinidad, y oxı́geno disuelto con el objetivo de mejorar la validación
del modelo de aireación. Además, son necesarias mediciones de corrientes para
evaluar de forma directa las simulaciones hidrodinámicas.
A pesar de que las simulaciones de oxı́geno arrojan valores cercanos al pro-
medio observado, la variabilidad de oxı́geno es pobremente reproducida. Por lo
anterior, se recomienda incluir la componente biológica en el modelo de airea-
ción, esto requiere acoplar un modelo biogeoquı́mico a los resultados del modelo
hidrodinámico.
Finalmente, ya que los resultados de la presente tesis indican menores concen-
traciones de oxı́geno en la desembocadura del rı́o Palizada, se recomienda realizar
futuros estudios en esta zona en eventos de alta descarga asociada a alta precipi-
tación (e.g. temporada de lluvias y la fase de La Niña del fenómeno ENOS) con
el objetivo de evaluar la vulnerabilidad y tendencia a mediano plazo de LT.
88
Apéndice A
Teorı́a de las mareas
Las mareas son el cambio en la elevación del nivel del mar causados por la
rotación de la Tierra y las fuerzas gravitacionales que ejercen el Sol y la Luna
sobre los océanos de nuestro planeta (Ross, 1995). La teorı́a de las mareas busca
interpretar y predecir dichos cambios a través de la aplicación de la mecánica de
medio continuo al océano. La marea es influenciada por diversos factores, debido
a esto se suele descomponer la señal en diversas componentes para su estudio y
predicción (Figura A.1). Estas componentes poseen distintas frecuencias que se
relacionan directamente con los dı́as lunares y solares.
Figura A.1: Predicción de la marea a través de la suma de componentes..
Las componentes dominantes de la marea son las componentes diurnas K1 ,

O1 , P1 , Q1 , y S1 con periodos de 23.93, 25.82, 24.07, 26.87, y 24.00 horas, res-
pectivamente, y las componentes semidiurnas M2 , S2 , N2 y K2 , con periodos de
89
A. TEORÍA DE LAS MAREAS
12.42, 12.00, 12.66, y 11.97 horas, respectivamente (Wolanski y Elliott, 2015). En

el presente estudio, se utilizaron las componentes K1 , O1 , P1 , Q1 , M2 , S2 , N2 y
K2 en el análisis de calibración (sección 3.2.5).
90
Apéndice B
Análisis de varianza
La técnica de análisis de varianza (ANOVA) también conocida como análisis

factorial, constituye la herramienta básica para el estudio del efecto de uno o
más factores (cada uno con dos o más niveles) sobre la media de una variable
continua. Por lo anterior, el ANOVA es el test estadı́stico a emplear cuando se
desea comparar las medias de dos o más grupos. Esta técnica puede generalizarse
también para estudiar los posibles efectos de los factores sobre la varianza de una
variable.
La hipótesis nula de la que parte el ANOVA es que la media de la variable
estudiada es la misma en los diferentes grupos, en contraposición a la hipótesis
alternativa de que al menos dos medias difieren de forma significativa. El funcio-
namiento de un ANOVA consiste en calcular la media de cada uno de los grupos
para comparar la varianza de estas medias frente a la varianza promedio dentro
de los grupos. Conforme las medias de los grupos estén más alejadas las unas
de las otras, la varianza entre medias se incrementará y dejará de ser igual a la
varianza promedio dentro de los grupos.
El estadı́stico estudiado en el ANOVA, conocido como F , es la razón entre
la varianza de las medias de los grupos y el promedio de la varianza dentro de
los grupos. Este estadı́stico sigue una distribución conocida como F de Fisher-
Snedecor. Si se cumple la hipótesis nula, el estadı́stico F adquiere el valor de
1.
Cuanto más difieran las medias de los grupos, mayor será la varianza entre
medias en comparación al promedio de la varianza dentro de los grupos, ob-
teniéndose valores de F superiores a 1 y por lo tanto se obtendrá una menor
probabilidad de que la distribución adquiera valores extremos, en otras palabras,
mayor será la significancia estadı́sticas de la prueba (y menor el p-value).
En concreto, si S12 es la varianza de una muestra de tamaño N1 extraida de
una población normal de varianza σ12 , y S22 es la varianza de una muestra de
tamaño N2 extraı́da de una población normal de varianza σ22 , y ambas muestras
91
B. ANÁLISIS DE VARIANZA
son independientes, el cociente:
S12 /σ12
F = (B.1)
S22 /σ22
se distribuye como una variable F de Snedecor con N1 y N2 grados de libertad.
En el caso del ANOVA, dado que dos de las condiciones son la normalidad de los
grupos y la homocedasticidad de varianza (σ12 = σ22 ), el valor F se puede obtener
dividiendo las dos varianzas calculadas a partir de las muestras.
ANOVA de dos vı́as
El análisis de varianza de dos vı́as sirve para estudiar la relación entre una
variable dependiente cuantitativa y dos variables independientes cualitativas (fac-
tores). El ANOVA de dos vı́as permite estudiar cómo influyen por si solos cada
uno de los factores sobre la variable dependiente.
En el presente estudio se realizó un análisis de varianza de dos vı́as para los
factores zona de muestreo y temporada climática sobre las variables temperatura,
salinidad y OD (sección 4.1).
92
Bibliografı́a
Archundia, D., Denis, L., Douillet, P., Gutiérrez Mendieta, F., Zavala-Hidalgo,
J., Grenz, C., Fichez, R., Contreras Ruiz Esparza, A., y Origel Moreno, M.
(2016). Global climate change and local watershed management as potential
drivers of salinity variation in a tropical coastal lagoon (Laguna de Terminos,
Mexico). Aquatic Sciences, 79(2):219–230. 75, 76, 78, 79, 84
Atkins, J., Burdon, D., Elliott, M., y Gregory, A. (2011). Management of the ma-
rine environment: integrating ecosystem services and societal benefi ts with the
dpsir framework in a systems approach. Marine pollution bulletin, 62(2):215–
226. 1
Bach, L., Calderon, R., Cepeda, M. F., Oczkowski, A., Olsen, S., y Robadue,
D. (2005). Level One Site Profile: Laguna de Términos and its Watershed,
Mexico. Coastal Resources Center, University of Rhode Island, Narragansett,
RI, United States. 4, 6
Banks, R. B. y Herrera, F. F. (1977). Effect of wind and rain on surface reaera-

tion. Journal of the Environmental Engineering Division Proceedings of ASCE,
103(3):489–504. 26
Benı́tez, J., Sanvicente, H., Lafragua, J., Zamora, P., Morales, L. M., y Caussel,
J. (2005). Sistema de Información Geográfica de la Cuenca del Rı́o Cande-
laria: Reconstrucción histórica de los cambios en la cobertura forestal y su
efecto sobre la hidrologı́a y calidad del agua. El agua en la frontera México-
Guatemala-Belice, pages 19–32. 84
Benyahya, L., Caissie, D., St-Hilaire, A., Ouarda, T. B., y Bobée, B. (2007). A
review of statistical water temperature models. Canadian Water Resources
Journal / Revue canadienne des ressources hydriques, 32(3):179–192. 75, 77
Blauw, A. N., Los, H. F. J., Bokhorst, M., y Erftemeijer, P. L. A. (2009). GEM:
93
BIBLIOGRAFÍA
a generic ecological model for estuaries and coastal waters. Hydrobiologia,

618(1):175–198. 13
Boyer, E. W. y Howarth, R. W. (2008). Nitrogen Fluxes from Rivers to the

Coastal Oceans. In Nitrogen in the Marine Environment, pages 1565–1587.
Elsevier. 12
Breitburg, D. L., Hondorp, D. W., Davias, L. A., y Diaz, R. J. (2009). Hypoxia,

Nitrogen, and Fisheries: Integrating Effects Across Local and Global Landsca-
pes. Annual Review of Marine Science, 1(1):329–349. 12
Candela, J. (1983). Comportamiento del nivel del mar en laguna de términos,

campeche. Centro de Investigación Cientı́fica y de Educación Superior de En-
senada, Ensenada. 5
Cardoso-Mohedano, J.-G., Bernardello, R., Sanchez-Cabeza, J.-A., Páez-Osuna,

F., Ruiz-Fernández, A.-C., Molino-Minero-Re, E., y Cruzado, A. (2016). Re-
ducing nutrient impacts from shrimp effluents in a subtropical coastal lagoon.
Science of The Total Environment, 571:388–397. 13
Cardoso-Mohedano, J. G., Bernardello, R., Sanchez-Cabeza, J. A., Ruiz-

Fernández, A. C., Alonso-Rodriguez, R., y Cruzado, A. (2015). Thermal Impact
from a Thermoelectric Power Plant on a Tropical Coastal Lagoon. Water, Air,
& Soil Pollution, 226(1):2202. 13
Cardoso-Mohedano, J.-G., Lima-Rego, J., Sanchez-Cabeza, J.-A., Ruiz-

Fernández, A.-C., Canales-Delgadillo, J., Sánchez-Flores, E.-I., y Páez-Osuna,
F. (2018). Sub-tropical coastal lagoon salinization associated to shrimp ponds
effluents. Estuarine, Coastal and Shelf Science, 203:72–79. 13, 19
Carvalho, F. P., Villeneuve, J.-P., Cattini, C., Rendón, J., y Mota de Oliveira,
J. (2009). Pesticide and PCB residues in the aquatic ecosystems of Laguna de
Terminos, a protected area of the coast of Campeche, Mexico. Chemosphere,
74(7):988–995. 7
Chanudet, V., Fabre, V., y van der Kaaij, T. (2012). Application of a three-
dimensional hydrodynamic model to the nam theun 2 reservoir (lao pdr). Jour-
nal of Great Lakes Research, 38(2):260–269. 34
Chapelle, A., Ménesguen, A., Deslous-Paoli, J.-M., Souchu, P., Mazouni, N., Va-
quer, A., y Millet, B. (2000). Modelling nitrogen, primary production and
oxygen in a Mediterranean lagoon. Impact of oysters farming and inputs from
the watershed. Ecological Modelling, 127(2-3):161–181. 13
94
BIBLIOGRAFÍA
Cho, H.-Y. y Lee, K.-H. (2011). Development of an air–water temperature rela-

tionship model to predict climate-induced future water temperature in esstua-
ries. Journal of Environmental Engineering, 138(5):570–577. 75, 77
Chu, P. (2004). Enso and tropical cyclone activity. pages 297–332. 77, 84
Clarke, A. J. (2014). El niño physics and el niño predictability. Annual Review
of Marine Science, 6(1):79–99. 77, 84
Comisión Intersectarial para el Manejo Sustentable de Mareas y Costas (2012).
Polı́tica nacional de mares y costas de México : gestión integral de las regiones
más dinámicas del territorio nacional / CIMARES. SEMARNAT, México. 1
Conan, P., Pujo-Pay, M., Agab, M., Calva-Benı́tez, L., Chifflet, S., Douillet, P.,
Dussud, C., Fichez, R., Grenz, C., Mendieta, F. G., et al. (2017). Biogeo-
chemical cycling and phyto-and bacterioplankton communities in a large and
shallow tropical lagoon (términos lagoon, mexico) under 2009–2010 el niño
modoki drought conditions. Biogeosciences, 14(4):959–975. 81, 84
Consejo Nacional de Población (2006). Tomo II Conteo de Población y Vivienda
2005, Tabulados básicos, Estados Unidos Mexicanos. INEGI, Aguascalientes,
México. 1
Contreras Ruiz Esparza, A., Douillet, P., y Zavala-Hidalgo, J. (2014). Tidal
dynamics of the Terminos Lagoon, Mexico: Observations and 3D numerical
modelling. Ocean Dynamics, 64(9):1349–1371. 5, 6, 13, 33, 34, 35, 44, 45, 46,
71, 73, 75
Cotler-Ávalos, H. (2010). Las cuencas hidrográficas de México. Diagnóstico y
Priorización. Pluralia Ediciones e Impresiones SA de CV. 84
Cushman-Roisin, B. y Beckers, J.-M. (2009). Introduction to Geophysical Fluid
Dynamics: Physical and Numerical Aspects, chapter 3, pages 76–80. Academic
Press. 21, 23
David, L. T. y Kjerfve, B. (1998). Tides and currents in a two-inlet coastal lagoon:
Laguna de Términos, México. Continental Shelf Research, 18(10):1057–1079.
5, 6, 71, 75
Day, J. W., Conner, W. H., Ley-Lou, F., Day, R. H., y Navarro, A. M. (1987).
The productivity and composition of mangrove forests, Laguna de Términos,
Mexico. Aquatic Botany, 27(3):267–284. 84
Day Jr, J. y Yáñez-Arancibia, A. (1982). Coastal lagoons and estuaries, ecosystem
approach. Cienc. Interamericana., 22(1):11–26. 6
95
BIBLIOGRAFÍA
Dee, D. P., Uppala, S. M., Simmons, A., Berrisford, P., Poli, P., Kobayashi, S.,
Andrae, U., Balmaseda, M., Balsamo, G., Bauer, d. P., et al. (2011). The
era-interim reanalysis: Configuration and performance of the data assimilation
system. Quarterly Journal of the royal meteorological society, 137(656):553–
597. 31
Deltares (2011). Delft3D-FLOW: Simulation of Multi-dimensional Hydro- Dy-
namic Flows and Transport Phenomena, Including Sediments. User Manual,
Version:3.15,Revision 14499, Delft, Netherlands. xi, 19, 22, 23, 24, 25, 29, 46
Deltares (2014). Processes Library Description, Technical Reference Manual .
User Manual, Version:3.15,Revision 14499, Delft, Netherlands. 26
Der Kiureghian, A. y Ditlevsen, O. (2009). Aleatory or epistemic? does it matter?
Structural Safety, 31(2):105–112. 33
Diario Oficial de la Federación (1994). 6 de junio, Ciudad de México, México.
Gobierno Federal, 489(4):58–64. 6
Diaz, R. J. (2001). Overview of Hypoxia around the World. Journal of Environ-
ment Quality, 30(2):275. 12
Diaz, R. J. y Rosenberg, R. (2008). Spreading Dead Zones and Consequences for
Marine Ecosystems. Science, 321(5891):926–929. 12
Dressler, R. (1982). Investigación sobre mareas y efectos del viento en la lagu-
na de términos,mediante un modelo hidrodinámico numérico. informe técnico
- cicese:oc, vol 82/01. Centro de Investigaciones Cientificas y de Educación
Superior de Ensenada, Ensenada, Baja California. 5
Druon, J., Schrimpf, W., Dobricic, S., y Stips, A. (2004). Comparative assessment
of large-scale marine eutrophication: North Sea area and Adriatic Sea as case
studies. Marine Ecology Progress Series, 272:1–23. 13
Egbert, G. D. y Erofeeva, S. Y. (2002). Efficient Inverse Modeling of Barotropic
Ocean Tides. Journal of Atmospheric and Oceanic Technology, 19(2):183–204.
30
Eilola, K., Meier, H. M., y Almroth, E. (2009). On the dynamics of oxygen,
phosphorus and cyanobacteria in the Baltic Sea; A model study. Journal of
Marine Systems, 75(1-2):163–184. 13
Ekau, W., Auel, H., Pörtner, H., y Gilbert, D. (2009). Impacts of hypoxia on
the structure and processes in the pelagic community (zooplankton, macro-
invertebrates and fish), biogeosciences discuss., 6, 5073–5144, 2009. 12
96
BIBLIOGRAFÍA
Espinal-González, J. (2002). Caracterización del transporte de sedimentos en las

bocas del carmen y puerto real en laguna de términos, campeche. National
Autonomous University of Mexico, Mexico, D.F. 5
Feistel, R., Günther, N., y Hagen, E. (2006). Unusual baltic inflow activity in
2002-2003 and varying deep-water properties. Oceanologia, 48. 10
Figueroa-Espinoza, B., Salles, P., y Zavala-Hidalgo, J. (2014). On the wind power

potential in the northwest of the yucatan peninsula in mexico. Atmosfera,
27(1):77–89. Cited By :7. 31
Foley, J. A. (2005). Global Consequences of Land Use. Science, 309(5734):570–

574. 12
Galloway, J. N., Dentener, F. J., Capone, D. G., Boyer, E. W., Howarth, R. W.,
Seitzinger, S. P., Asner, G. P., Cleveland, C. C., Green, P. A., Holland, E. A.,
Karl, D. M., Michaels, A. F., Porter, J. H., Townsend, A. R., y Vöosmarty,
C. J. (2004). Nitrogen Cycles: Past, Present, and Future. Biogeochemistry,
70(2):153–226. 12
Gao, M., Beig, G., Song, S., Zhang, H., Hu, J., Ying, Q., Liang, F., Liu, Y.,
Wang, H., Lu, X., Zhu, T., Carmichael, G. R., Nielsen, C. P., y McElroy, M. B.
(2018). The impact of power generation emissions on ambient pm2.5 pollution
and human health in china and india. Environment international, 121:250–259.
Cited By :1. 31
Garcı́a, F. (1973). Modificaciones al Sistema de Clasificación Climática de Koppen

(Para Adaptarlo a las Condiciones de la República Mexicana). Instituto de
Geografı́a, Univ. Nal. Autón. México. 3
Garcia, H. E. y Gordon, L. I. (1992). Oxygen solubility in seawater: Better fitting

equations. Limnology and Oceanography, 37(6):1307–1312. 9, 81
Gedan, K. B., Kirwan, M. L., Wolanski, E., Barbier, E. B., y Silliman, B. R.

(2011). The present and future role of coastal wetland vegetation in protecting
shorelines: answering recent challenges to the paradigm. Climatic Change,
106(1):7–29. 2
Gilbert, D., Rabalais, N. N., Dı́az, R. J., y Zhang, J. (2010). Evidence for greater
oxygen decline rates in the coastal ocean than in the open ocean. Biogeoscien-
ces, 7(7):2283–2296. 12
Gill, A. E. (1982). Atmosphere—ocean dynamics. International Geophysics Series,

volume 30. Academic Press. 25
97
BIBLIOGRAFÍA
Graham, D. S., Daniels, J. P., Hill, J. M., y Day, J. W. (1981). A preliminary

model of the circulation of laguna de terminos, campeche, mexico. An. Inst.
Cienc. Del Mar y Limnol. UNAM, 8(1):51–62. 5, 73, 75
Grantham, B. A., Chan, F., Nielsen, K. J., Fox, D. S., Barth, J. A., Huyer, A.,
Lubchenco, J., y Menge, B. A. (2004). Upwelling-driven nearshore hypoxia
signals ecosystem and oceanographic changes in the northeast Pacific. Nature,
429(6993):749–754. 10
Grenz, C., Fichez, R., Silva, C. Á., Benı́tez, L. C., Conan, P., Esparza, A. C. R.,
Denis, L., Ruiz, S. D., Douillet, P., Martinez, M. E. G., Ghiglione, J.-F., Men-
dieta, F. J. G., Origel-Moreno, M., Garcia, A. Z. M., Caravaca, A. M., Pujo-Pay,
M., Alvarado, R. T., y Zavala-Hidalgo, J. (2017). Benthic ecology of tropical
coastal lagoons: Environmental changes over the last decades in the Términos
Lagoon, Mexico. Comptes Rendus Geoscience, 349(6-7):319–329. xii, 72, 75,
78
Grivel-Piña, F., Guzmán, T., y Cepeda, H. (1982). Astronomical tides study at

the terminos lagoon, campeche. Mexican Navy, Mexico. 5
Guerra-Santos, J. J. y Kahl, J. D. (2018). Redefining the Seasons in the Términos

Lagoon Region of Southeastern México: May Is a Transition Month, Not a Dry
Month. Journal of Coastal Research, 341:193–201. 4, 74
Hansen, J., Sato, M., Ruedy, R., Lo, K., Lea, D. W., y Medina-Elizade, M. (2006).
Global temperature change. Proceedings of the National Academy of Sciences,
103(39):14288–14293. 77
Harding, L., Mallonee, M., y Perry, E. (2002). Toward a predictive understanding

of primary productivity in a temperate, partially stratified estuary. Estuarine,
Coastal and Shelf Science, 55(3):437 – 463. 11
Hoppema, J. (1991). The oxygen budget of the western Wadden Sea, The Net-
herlands. Estuarine, Coastal and Shelf Science, 32(5):483–502. 10
Howarth, R. W., Jensen, H. S., Marino, R., y Postma, H. (1995). Transport to

and processing of P in near-shore and oceanic waters. In ”Phosphorus in the
global environment”. John Wiley and Sons Ltd, United States. 12
Hudson, P. F. (2003). The influence of the el niño southern oscillation on sus-

pended sediment load variability in a seasonally humid tropical setting: panuco
basin, mexico. Geografiska Annaler: Series A, Physical Geography, 85(3-4):263–
275. 84
98
BIBLIOGRAFÍA
Hughes, T. P. y Connell, J. H. (1999). Multiple stressors on coral reefs: A long

-term perspective. Limnology and Oceanography, 44(3part2):932–940. 2
Hull, V., Parrella, L., y Falcucci, M. (2008). Modelling dissolved oxygen dynamics
in coastal lagoons. Ecological Modelling, 211(3-4):468–480. 13
INEGI (2010). Principales resultados por localidad (ITER). 3
IPCC (2014). Climate Change 2014: Synthesis Report. Contribution of Working

Groups I, II and III to the Fifth Assessment Report of the Intergovernmental
Panel on Climate Change [Core Writing Team, R.K. Pachauri and L.A. Meyer
(eds.)]. IPCC, Génova, Suiza. 1, 13
Jensen, J. R., Kjerfve, B., Ramsey, E. W., Magill, K. E., Medeiros, C., y Sneed,
J. E. (1989). Remote sensing and numerical modeling of suspended sediment
in Laguna de terminos, Campeche, Mexico. Remote Sensing of Environment,
28:33–44. 5, 71
Jørgensen, B. B. (1980). Seasonal Oxygen Depletion in the Bottom Waters of a

Danish Fjord and Its Effect on the Benthic Community. Oikos, 34(1):68. 9
Kemp, W., Sampou, P., Garber, J., Tuttle, J., y Boynton, W. (1992). Seasonal
Depletion Of Oxygen From Bottom Waters Of Chesapeake Bay - Roles Of Bent-
hic And Planktonic Respiration And Physical Exchange Processes, volume 85.
Inter-Research Science Center. 9, 10
King, G. M. (2005). Ecophysiology of microbial respiration. Respiration in aquatic

ecosystems, 18:18–35. 11
Kjerfve, B., Magill, K., y J.E., S. (1988). Ecology of coastal ecosystems in the
southern gulf of mexico: the terminos lagoon region, vol 8. modeling of circu-
lation and dispersion in terminos lagoon. National Autonomous University of
Mexico,Mexico. 5, 6, 73
Kuo, A. Y., Park, K., y Moustafa, M. Z. (1991). Spatial and Temporal Variabi-
lities of Hypoxia in the Rappahannock River, Virginia. Estuaries, 14(2):113.
10
Lane, A. (1989). The heat balance of the north sea. Report No.8. 25
Levin, L. A., Ekau, W., Gooday, A. J., Jorissen, F., Middelburg, J. J., Naqvi, S.
W. A., Neira, C., Rabalais, N. N., y Zhang, J. (2009). Effects of natural and
human-induced hypoxia on coastal benthos. Biogeosciences, 6(10):2063–2098.
12
99
BIBLIOGRAFÍA
Liss, P. S. y Slater, P. G. (1974). Flux of Gases across the Air-Sea Interface.

Nature, 247(5438):181–184. 10
Luan, H. L., Ding, P. X., Wang, Z. B., Yang, S. L., y Lu, J. Y. (2018). Morphody-
namic impacts of large-scale engineering projects in the yangtze river delta.
Coastal Engineering, 141:1–11. 19
Magallanes-Ordóñez, V. R., Rodrı́guez-Figueroa, G. M., Aguı́ñiga-Garcı́a, S.,

Zetina-Rejón, M., Sánchez-González, A., Romo-Rı́os, J. A., Tripp-Valdez, A.,
Arreguı́n-Sánchez, F., y Marmolejo-Rodrı́guez, A. J. (2014). Characterization
of lithogenic and biogenic zones and natural enrichment of nickel in sediments
of the Terminos Lagoon, Campeche, Mexico. Estuarine, Coastal and Shelf
Science, 156:116–123. 74
Malone, T., Kemp, W., Ducklow, H., Boynton, W., Tuttle, J., y Jonas, R. (1986).
Lateral variation in the production and fate of phytoplankton in a partially
stratified estuary. Marine Ecology Progress Series, 32:149–160. 11
Mancilla-Peraza, M. y Vargas-Flores, M. (1980). First study about the circu-

lation patterns and net flux through terminos lagoon, campeche. Anales del
Centro de Ciencias del Mar y Limnologı́a, National Autonomous University of
Mexico, Mexico, 7. 5, 71
Matear, R. J. y Hirst, A. C. (2003). Long-term changes in dissolved oxygen

concentrations in the ocean caused by protracted global warming. Global Bio-
geochemical Cycles, 17(4):n/a–n/a. 13
Mauree, D., Blond, N., y Clappier, A. (2018). Multi-scale modeling of the urban
meteorology: Integration of a new canopy model in the wrf model. Urban
Climate, 26:60–75. 31
McGranahan, G., Balk, D., y Anderson, B. (2007). The rising tide: assessing the
risks of climate change and human settlements in low elevation coastal zones.
Environment and Urbanization, 19(1):17–37. 1
Medina-Gómez, I., Villalobos-Zapata, G. J., y Herrera-Silveira, J. A. (2015). Spa-

tial and Temporal Hydrological Variations in the Inner Estuaries of a Large
Coastal Lagoon of the Southern Gulf of Mexico. Journal of Coastal Research,
316:1429–1438. 11, 80
Munoz-Salinas, E. y Castillo, M. (2015). Streamflow and sediment load assess-

ment from 1950 to 2006 in the Usumacinta and Grijalva Rivers (Southern
Mexico) and the influence of ENSO. CATENA, 127:270–278. 84
100
BIBLIOGRAFÍA
Muñoz-Salinas, E. y Castillo, M. (2013). Sediment and water discharge assessment

on santiago and panuco rivers (central mexico): the importance of topograp-
hic and climatic factors. Geografiska Annaler: Series A, Physical Geography,
95(2):171–183. 84
Murrell, M. C. y Lores, E. M. (2004). Phytoplankton and zooplankton seasonal

dynamics in a subtropical estuary: importance of cyanobacteria. Journal of
Plankton Research, 26(3):371–382. 11
Najjar, R. G. y Keeling, R. F. (2000). Mean annual cycle of the air-sea oxygen

flux: A global view. Global Biogeochemical Cycles, 14(2):573–584. 10
Nava Fuentes, J. C., Arenas Granados, P., y Martins, F. C. (2017). Coastal

management in Mexico: Improvements after the marine and coastal policy pu-
blication. Ocean & Coastal Management, 137:131–143. xi, 2, 13
Newton, A., Carruthers, T. J., y Icely, J. (2012). The coastal syndromes and
hotspots on the coast. Estuarine, Coastal and Shelf Science, 96:39–47. 2
Newton, A. y Weichselgartner, J. (2014). Hotspots of coastal vulnerability: A

DPSIR analysis to find societal pathways and responses. Estuarine, Coastal
and Shelf Science, 140:123–133. 2
Ochoa-Gaona, S. y González-Espinosa, M. (2000). Land use and deforestation in

the highlands of Chiapas, Mexico. Applied Geography, 20(1):17–42. 84
O’Connor, D. J. (1956). The mechanism of reaeration in natural streams. J.

Sanitary Eng., 82:1115–1144. 26
Oguz, T., Ducklow, H. W., y Malanotte-Rizzoli, P. (2000). Modeling distinct

vertical biogeochemical structure of the Black Sea: Dynamical coupling of the
oxic, suboxic, and anoxic layers. Global Biogeochemical Cycles, 14(4):1331–
1352. 13
Paek, H., Yu, J.-Y., y Qian, C. (2017). Why were the 2015/2016 and 1997/1998
extreme el niños different? Geophysical Research Letters, 44(4):1848–1856. 77
Peña, M. A., Katsev, S., Oguz, T., y Gilbert, D. (2010). Modeling dissolved
oxygen dynamics and hypoxia. Biogeosciences, 7(3):933–957. 9, 10, 13
Pedlosky, J. (1987). Geophysical fluid dynamics. Springer-Verlag, 2nd edition. 18
Pelling, M. y Uitto, J. I. (2001). Small island developing states: natural disaster

vulnerability and global change. Environmental Hazards, 3(2):49–62. 2
101
BIBLIOGRAFÍA
Phleger, F. B. y Ayala-Castanares, A. (1971). Processes and history of terminos

lagoon, mexico. AAPG Bulletin, 55(12):2130–2140. 5
Pohlmann, T. (1996). Calculating the development of the thermal vertical strati-
fication in the North Sea with a three-dimensional baroclinic circulation model.
Continental Shelf Research, 16(2):163–194. 9
Poot-Delgado, C. A., Okolodkov, Y. B., Aké-Castillo, J. A., y Rendón-von Osten,
J. (2016). Annual cycle of phytoplankton with emphasis on potentially harmful
species in oyster beds of Términos Lagoon, southeastern Gulf of Mexico. Revista
de biologı́a marina y oceanografı́a, 50(3):465–477. 81, 84
Poot-Delgado, C. A., Okolodkov, Y. B., Aké-Castillo, J. A., y Rendón von Os-
ten, J. (2018). Potentially harmful cyanobacteria in oyster banks of Términos
lagoon, southeastern Gulf of Mexico. Acta Biológica Colombiana, 23(1):51–58.
11, 12, 81
Rabalais, N. N., Turner, R. E., Diaz, R. J., y Justic, D. (2009). Global change and
eutrophication of coastal waters. ICES Journal of Marine Science, 66(7):1528–
1537. 12
Ramos-Miranda, J., Quiniou, L., Flores-Hernandez, D., Do-Chi, T., Ayala-Perez,
L., y Sosa-Lopez, A. (2005). Spatial and temporal changes in the nekton of the
terminos lagoon, campeche, mexico. Journal of Fish Biology, 66(2):513–530.
xiv, 75, 76, 77, 79
Ramos-Miranda, J. y Villalobos-Zapata, G. (2015). Aspectos socioambientales
de la región de la Laguna de Términos, Campeche. Universidad Autónoma de
Campeche, San Francisco de Campeche, Campeche, México. 6, 7
Raymond, P. A. y Cole, J. J. (2001). Gas Exchange in Rivers and Estuaries:
Choosing a Gas Transfer Velocity. Estuaries, 24(2):312. 10
Robinson, C., Williams, P. l. B., et al. (2005). Respiration and its measurement
in surface marine waters. Respiration in aquatic ecosystems, pages 147–180. 11
Ross, D. (1995). Introduction to Oceanography. HarperCollins. 89
Saad, Y. y Schultz, M. H. (1986). Gmres: A generalized minimal residual algo-
rithm for solving nonsymmetric linear systems. SIAM Journal on scientific
and statistical computing, 7(3):856–869. 26
Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D.,
Saisana, M., y Tarantola, S. (2008). Global sensitivity analysis: the primer.
John Wiley & Sons. 33
102
BIBLIOGRAFÍA
Saltelli, A., Tarantola, S., Campolongo, F., y Ratto, M. (2004). Sensitivity analy-
sis in practice: a guide to assessing scientific models. John Wiley & Sons.
34
Sanchez-Cabeza, J.-A., Álvarez Sánchez, L. F., Cardoso-Mohedano, J. G., Esca-

lante Mancera, E., Dı́az-Asencio, M., López-Rosas, H., Machain-Castillo, M. L.,
Merino-Ibarra, M., Ruiz-Fernández, A. C., Alonso-Rodrı́guez, R., Gómez-
Ponce, M. A., Ávila, E., Rico-Esenaro, S., Gómez-Reali, M. Á., Herrera-
Becerril, C. A., y Grutter, M. (2019). A low-cost long-term model of coastal
observatories of global change. Journal of Operational Oceanography, 12(1):34–
46. 43
Sandbach, S. D., Nicholas, A. P., Ashworth, P. J., Best, J. L., Keevil, C. E.,
Parsons, D. R., Prokocki, E. W., y Simpson, C. J. (2018). Hydrodynamic
modelling of tidal-fluvial flows in a large river estuary. Estuarine, Coastal and
Shelf Science, 212:176–188. 19
Sanford, L. P., Sellner, K. G., y Breitburg, D. L. (1990). Covariability of dissolved

oxygen with physical processes in the summertime Chesapeake Bay. Journal
of Marine Research, 48(3):567–590. 10
Scavia, D. y Donnelly, K. A. (2007). Reassessing Hypoxia Forecasts for the Gulf

of Mexico. Environmental Science & Technology, 41(23):8111–8117. 13
Schindler, D. W. (2006). Recent advances in the understanding and management

of eutrophication. Limnology and Oceanography, 51(1part2):356–363. 12
Semarnat (1997). Programa de Manejo de la Zona de Protección de FLora y

Fauna Laguna de Términos. Instituto Nacional de Ecologı́a, Ciudad de México.
3, 6, 7
Shepard, C. C., Crain, C. M., y Beck, M. W. (2011). The Protective Role

of Coastal Marshes: A Systematic Review and Meta-analysis. PLoS ONE,
6(11):e27374. 2
Signoret, M., Monreal-Gómez, M. A., Aldeco, J., y Salas-de León, D. A.

(2006). Hydrography, oxygen saturation, suspended particulate matter, and
chlorophyll-a fluorescence in an oceanic region under freshwater influence. Es-
tuarine, Coastal and Shelf Science, 69(1-2):153–164. 84
Skamarock, W., Klemp, J., Dudhia, J., Gill, D., Barker, D., Duda, M., Huang,
X., Wang, W., y Powers, J. (2008). A description of the advanced research wrf
version 3, ncar technical note, mesoscale and microscale meteorology division.
National Center for Atmospheric Research, Boulder, Colorado, USA. 31
103
BIBLIOGRAFÍA
Sohma, A., Sekiguchi, Y., Kuwae, T., y Nakamura, Y. (2008). A benthic–pelagic

coupled ecosystem model to estimate the hypoxic estuary including tidal
flat—Model description and validation of seasonal/daily dynamics. Ecologi-
cal Modelling, 215(1-3):10–39. 13
Steffen, W., Sanderson, R. A., Tyson, P. D., Jäger, J., Matson, P., Moore III,
B., Oldfield, F., Richardson, K., Schellnhuber, H. J., Turner, B., y Wasson, R.
(2004). Global Change and the Earth System: A Planet under Pressure. Series:
Global Change - The IGBP Series (closed). Springer, Würzburg, Alemania. 1
Testa, J. M. y Kemp, W. M. (2012). Oxygen - Dynamics and Biogeochemical

Consequences, volume 5. Elsevier Inc. xi, 8
Thacker, W. (2007). Estimating salinity to complement observed temperature:

1. gulf of mexico. Journal of Marine Systems, 65(1-4):224–248. 75
Turner, R. E., Schroeder, W. W., y Wiseman, W. J. (1987). The Role of Stratifi-

cation in the Deoxygenation of Mobile Bay and Adjacent Shelf Bottom Waters.
Estuaries, 10(1):13. 9
UNESCO (1981). Background papers and supporting data on the international

equation of state 1980. Technical Report, 38. 19
Vallis, G. K. (2017). Atmospheric and Oceanic Fluid Dynamics: Fundamentals

and Large-Scale Circulation. Cambridge University Press, 2nd edition. 17, 20
Vazquez, G., Sharma, V. K., Magallanes, V. R., y Marmolejo, A. J. (1999). Heavy

Metals in a Coastal Lagoon of the Gulf of Mexico. Marine Pollution Bulletin,
38(6):479–485. 11
Verduin, J. (1957). Daytime variations in phytoplankton photosynthesis. Limno-

logy and Oceanography, 2(4):333–336. 11
Villalobos-Zapata, G. (2010). Áreas Naturales Protegidas de Campeche: 580-587.

In: Villalobos Zapata G.J. y J. Mendoza Vega (Coords), La Biodiversidad en
Campeche. Estudio de Estado. CONABIO/Gobierno del Estado de Campeche.
6
Wanninkhof, R. (1992). Relationship between wind speed and gas exchange over
the ocean. Journal of Geophysical Research, 97(C5):7373. 10
Wanninkhof, R., Asher, W. E., Ho, D. T., Sweeney, C., y McGillis, W. R. (2009).
Advances in Quantifying Air-Sea Gas Exchange and Environmental Forcing.
Annual Review of Marine Science, 1(1):213–244. 10
104
BIBLIOGRAFÍA
Wen, X., Fang, J., Diao, M., y Zhang, C. (2013). Artificial neural network mode-
ling of dissolved oxygen in the Heihe River, Northwestern China. Environmental
Monitoring and Assessment, 185(5):4361–4371. 13
Wolanski, E. y Elliott, M. (2015). Estuarine ecohydrology: an introduction. Else-

vier. 90
Wong, P. P.and Losada, I. J., Gattuso, J., Hinkel, J., Khattabi, A., McInnes, K. L.,
Saito, Y., y Sallenger, A. (2014). Coastal systems and low-lying areas in Çlimate
Change 2014: Impacts, Adaptation, and Vulnerability”. Part A: Global and
Sectoral Aspects. Contribution of Working Group II to the Fifth Assessment
Report of the Intergovernmental Panel of Climate Change [Field, C.B., V.R.
Barros, D.J. Dokken, K.J. Mach, M.D. Mastrandrea, T.E. Bilir, M. Chatterjee,
K.L. Ebi, Y.O. Estrada, R.C. Genova, B. Girma, E.S. Kissel, A.N. Levy, S.
MacCracken, P.R. Mastrandrea, and L.L.White (eds.)]. Cambridge University
Press, Cambridge, Reino Unido y Nueva York, NY, USA. 12, 13
Xia, M., Craig, P. M., Wallen, C. M., Stoddard, A., Mandrup-Poulsen, J., Peng,
M., Schaeffer, B., y Liu, Z. (2011). Numerical Simulation of Salinity and Dis-
solved Oxygen at Perdido Bay and Adjacent Coastal Ocean. Journal of Coastal
Research, 27:73–86. 13
Yáñez-Arancibia, A., Day, J., Lara-Dominguez, A., Sánchez-Gil, P., Villalobos,

G., y Herrera-Silveira, J. (2005). Ecosystem functioning: the basis for sustaina-
ble management of terminos lagoon, campeche, méxico. Gulf of Mexico Origin,
Waters and Biota: Ecosystem-Based Management; Day, JW, Yáñez-Arancibia,
A., Eds, pages 131–152. 4, 6, 7
Yáñez-Arancibia, A., Lara-Domı́nguez, A. L., y Day, J. W. (1993). Interactions

between mangrove and seagrass habitats mediated by estuarine nekton assem-
blages: coupling of primary and secondary production. Hydrobiologia, 264(1):1–
12. 6
Yáñez-Arancibia, A. y Aguirre-León, A. (1988). Pesquerı́as en la región de la

Laguna de Términos. 431-452. In A. Yáñez-Arancibia & J.W. Day Jr. (eds.).
Ecologı́a de los ecosistemas costeros en el sur del Golfo de México: La región de
la Laguna de Términos. Inst. Cienc. del Mar y Limnol. UNAM. Coast. Ecol.
Inst. LSU. Ed. Universitaria. México. 6
Yáñez-Arancibia, A. y Day Jr, J. (1982). Ecological characterization of termi-

nos lagoon, a tropical lagoon-estuarine system in the southern gulf of mexico.
Oceanologica Acta, 5:431–440. 4, 6, 75, 76, 77, 79
105
BIBLIOGRAFÍA
Yáñez-Arancibia, A., Sánchez-Gil, P., y Lara-Domı́nguez, A. (1985). Inventario

evaluativo de los recursos de peces marinos del sur del Golfo de México: Los
recursos actuales, los potenciales reales y perspectivas. In A. Yánez-Arancibia
(ed.). Recursos pesqueros potenciales de México: La pesca acompañante del ca-
marón. Progr. Univ. Alimentos, Inst. de Cienc. del Mar y Limnol. UNAM,
Instituto Nacional de la Pesca. México. 6
Yáñez-Arancibia, A., Zarate, D., Rojas-Galaviz, J., y Villalobos, G. (1994). Estu-

dio de declaratoria como area ecologica de proteccion de flora y fauna silvestre
de la Laguna de Terminos, Campeche. In El Ecosistema de Manglar en Ameri-
ca Latina y La Cuenca del Caribe: Su Manejo y conservacion. [D. O. Suman,
ed.]. Rosenstiel School of Marine and Atmospheric Science, University of Miami
and the Tinker Foundation, New York, United States. 3
Zhang, J., Gilbert, D., Gooday, A. J., Levin, L., Naqvi, S. W. A., Middelburg,
J. J., Scranton, M., Ekau, W., Peña, A., Dewitte, B., Oguz, T., Monteiro,
P. M. S., Urban, E., Rabalais, N. N., Ittekkot, V., Kemp, W. M., Ulloa, O.,
Elmgren, R., Escobar-Briones, E., y Van der Plas, A. K. (2010). Natural and
human-induced hypoxia and consequences for coastal areas: synthesis and fu-
ture development. Biogeosciences, 7(5):1443–1467. 12, 13
106

Tesis EEGP 12junio

Cargado por

Copyright:

Formatos disponibles

Tesis EEGP 12junio

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis EEGP 12junio

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

POSGRADO EN CIENCIAS DE LA TIERRA

Estudio numérico de la circulación y

Dr. Jorge Zavala Hidalgo

Ciudad Universitaria, Cd.Mx., junio 2019

Presidente: Dr. Jorge Zavala Hidalgo

La tesis se realizó en la Estación El Carmen, Instituto de Ciencias del Mar y

Dr. José Gilberto Cardoso Mohedano

Agradezco el apoyo para realizar esta tesis al Posgrado en Ciencias de la

La modelación numérica representa una herramienta invaluable en el estudio

Índice de tablas XIII

3.2.2. Condiciones iniciales y de frontera . . . . . . . . . . . . . . 30

A. Teorı́a de las mareas 89

1.1. Distribución de la población costera en México (tomado de Nava

2.1. Elevación de la superficie libre del agua (ζ), profundidad (d) y

3.1. Mapa con estaciones de muestreo . . . . . . . . . . . . . . . . . . 28

4.1. Gráfica de caja y bigotes para la temperatura observada . . . . . 40

4.15. Temperatura superficial promedio simulada, temporada de secas y

5.1. Batimerı́a adaptada de Grenz et al. (2017) y zonas de acumulación 72

A.1. Predicción de la marea a través de la suma de componentes. . . . 89

1.1. Descarga de rı́os en Laguna de Términos . . . . . . . . . . . . . . 4

3.1. Coordenadas de las estaciones de muestreo . . . . . . . . . . . . . 28

4.1. Campañas de campo. . . . . . . . . . . . . . . . . . . . . . . . . . 38

5.1. Comparación de la temperatura y salinidad reportada en Ramos-

BPR Boca Puerto Real. 3, 5, 6, 45, 49, 71

CG Cambio Global. 1–3, 12, 13

CME Aeropuerto Internacional de Ciudad del Carmen. 31, 36, 77

D-waq Delft Water Quality Model. 25, 26, 36

ECA Elevación de la Columna de Agua. 47

ENOS El Niño-Oscilación del Sur. 76, 77, 84, 87, 88

OD Oxı́geno Disuelto. 7, 9, 11–14, 27, 36, 40, 79

WRF Weather Research and Forecasting Model. 31, 32, 77

1.1. Cambio Global y sistemas costeros

Figura 1.1: Distribución de la población costera en México (tomado de Nava

ta un reto para nuestro paı́s ya que expone a un creciente número de personas y

Figura 1.2: Ubicación de Laguna de Términos en México.

1.2. Área de estudio

1.2.1. Sistemas fluvio-lagunares asociados

Tabla 1.1: Descarga de rı́os en Laguna de Términos, adaptado de Yáñez-Arancibia

Descarga Rı́o Palizada (m3 s−1 ) Chumpán+Candelaria + Mamantel (m3 s−1 )

Media anual 394 122

El Sistema Palizada es la principal fuente de agua y sedimentos terrı́genos en

LT (6 × 109 m3 , Phleger y Ayala-Castanares (1971). Dicho sistema forma un

1.2.3. Importancia ecológica y presiones ambientales

Tabla 1.2: Variaciones estacionales y espaciales de volumen de agua, flujo neto

Porción occidental Volumen de agua Flujo neto Tiempo de residencia

Porción oriental Volumen de agua Flujo neto Tiempo de residencia

Debido a lo anterior, el estudio y monitoreo de la LT son cruciales para la

1.3. Oxı́geno disuelto

1.3.1. Procesos fı́sicos en el balance de oxı́geno

F O2 = κ(O2surf − O2sat ) (1.1)

La variable κ es determinada por la hidrodinámica de la capa lı́mite difusiva

1.3.2. Procesos biogeoquı́micos en el balance de oxı́geno

1.3.3. Oxı́geno disuelto en Laguna de Términos

Oxı́geno Disuelto Agua Superficial Agua de fondo

Media anual (mg L−1 ) 4.56 ± 0.88 4.35 ± 0.78

Por otra parte, Medina-Gómez et al. (2015) realizaron mediciones bimensuales

se reporta que no existen diferencias en el oxı́geno entre los subsistemas fluviales,

1.3.4. Oxı́geno y Cambio Global