OBJETIVO: A temperatura da água possui uma importante função ecológica e no controle de processos biogeoquímicos em um corpo d'água. O monitoramento convencional da qualidade da água geralmente é dispendioso e que consome muito tempo. Este é um problema particularmente interessante quando se esta estudando grandes áreas. Entretanto, ferramentas como o sensoriamento remoto pode ser considerado adequado no estudo destas áreas. O objetivo deste estudo foi analisar séries temporais de temperatura da água e dos fluxos de calor para melhorar o entendimento de suas variações temporais em reservatório hidrelétricos. MÉTODO: Neste trabalho, dados do sensor MODIS/Terra de temperatura da superfície da água (TSA) nível 2, 1 km de resolução nominal (MOD11L2, versão 5) foram utilizados. Todas as imagens, livres de nuvem, do MODIS/Terra de 2003 a 2008 foram utilizadas, resultando em 786 imagens tomadas durante o dia e 473 durante a noite. As séries temporais de temperatura da superfície da água foram obtidas por meio de médias mensais e janelas de 3×3 pixels em três áreas distintas do reservatório: 1) próximo a barragem, 2) região central do reservatório e 3) na confluência dos rios. Dados meteorológicos foram utilizados para a estimativa do balanço de calor no reservatório para os anos de 2003 a 2008. Uma análise de correlação entre as séries temporais de temperatura da água estimadas durante o dia e noite com os fluxos de calor. Os fluxos mais bem correlacionados foram verificados quanto sua ciclicidade com a variação de temperatura, por meio do uso do algoritmo de wavelet cruzada, coerência e fase. RESULTADOS: A média mensal de TSA diurna mostrou uma maior variabilidade se comparada com a série temporal de TSA noturna. Além disto, apresentam um ciclo sazonal bem marcado, passando por um mínimo durante os meses de Junho e Julho e um máximo nos meses de Dezembro e Janeiro. Para analisar este padrão, uma análise de Fourier e de Wavelet foi realizada. As séries temporais de TSA diurnas mostraram variabilidades cíclicas em 4,5, 6, 12 e 36 meses e para as noturnas em 2, 3, 6 e 12. A análise de correlação mostrou que os fluxos de calor correlacionados com a TSA diurna explicam 89% (RMS = 0.89 °C, p < 0.0013) e noturna 94% (RMS = 0.53 °C, p < 0.0002). CONCLUSÃO: A série temporal de TSA diurna e a radiação de onda curta apresentam picos de variabilidade centradas em 6 meses (com certo atraso de variabilidade por parte da radiação de onda curta) e 12 meses (com variabilidade avançada por parte da radiação de onda curta). Para a série temporal de TSA noturna, existe concordância com a radiação de onda longa nos períodos de 1, 3, 6 e 12 meses.
AIM: Water temperature plays an important role in ecological functioning and in controlling the biogeochemical processes of the aquatic system. Conventional water quality monitoring is expensive and time consuming. It is particularly challenging for large water bodies. Conversely, remote sensing can be considered a powerful tool to assess important properties of aquatic systems because it provides synoptic and frequent data acquisition over large areas. The objective of this study was to analyze time series of surface water temperature and heat flux to advance the understanding of temporal variations in a hydroelectric reservoir. METHOD: MODIS water-surface temperature (WST) level 2, 1 km nominal resolution data (MOD11L2, version 5) were used. All available clear-sky MODIS/Terra images from 2003 to 2008 were used, resulting in a total of 786 daytime and 473 nighttime images. Time series of surface water temperature was obtained computing the monthly mean in a 3×3 window of three reservoir selected sites: 1) near the dam, 2) at the centre of the reservoir and 3) in the confluence of the rivers. In-situ meteorological data from 2003 to 2008 were used to calculate surface energy budget time series. Cross-wavelet, coherence and phase analysis were carried out to compute the correlation between daytime and nighttime surface water temperatures and the computed heat fluxes. RESULTS: The monthly mean of the day-time WST shows lager variability than the night-time WST. All time series (daytime and nighttime) have a cyclical pattern, passing for a minimum (June - July) and a maximum (December and January). Fourier and the Wavelet Analysis were applied to analyze this cyclical pattern. The daytime time series, presents peaks in 4.5, 6 12 and 36 months and the nighttime WST shows the highest spectral density at 12, 6, 3 and 2 months. The multiple regression analysis shows that for daytime WST, the heat flux terms explain 89% of the annual variation (RMS = 0.89 °C, p < 0.0013). For nighttime, the heat flux terms explain 94% (RMS = 0.53 °C, p < 0.0002). CONCLUSION: The daytime WST and shortwave radiation presents a good agreement for periods of 6 (with shortwave retarded) and 12 months (with shortwave advanced); For nighttime WST and longwave the good agreement is present for 1, 3, 6 and 12 months, all with longwave advanced in relation to WST.