OpenET geeSEBAL Monthly Evapotranspiration v2.0

L'implémentation de geeSEBAL a récemment été achevée dans le framework OpenET. Vous trouverez un aperçu de la version actuelle de geeSEBAL dans Laipelt et al. (2021), qui est basé sur les algorithmes d'origine développés par Bastiaanssen et al. (1998). L'implémentation geeSEBAL d'OpenET utilise les données de température de surface terrestre (LST) de la collection 2 de Landsat, en plus des ensembles de données NLDAS et gridMET comme entrées météorologiques instantanées et quotidiennes, respectivement. L'algorithme statistique automatisé permettant de sélectionner les membres extrêmes chauds et froids est basé sur une version simplifiée de l'algorithme CIMEC (Calibration using Inverse Modeling at Extreme Conditions) proposé par Allen et al. (2013), où les quantiles de la température de surface terrestre (LST) et les valeurs de l'indice de végétation par différence normalisée (NDVI) sont utilisés pour sélectionner les candidats membres extrêmes dans la zone du domaine Landsat. Les candidats membres extrêmes froids et humides sont sélectionnés dans des zones bien végétalisées, tandis que les candidats membres extrêmes chauds et secs sont sélectionnés dans les zones de terres arables les moins végétalisées. En fonction des endmembers sélectionnés, geeSEBAL suppose que dans l'endmember froid et humide, toute l'énergie disponible est convertie en chaleur latente (avec des taux de transpiration élevés), tandis que dans l'endmember chaud et sec, toute l'énergie disponible est convertie en chaleur sensible. Enfin, les estimations de l'évapotranspiration quotidienne sont mises à l'échelle à partir d'estimations instantanées basées sur la fraction d'évaporation, en supposant qu'elle est constante pendant la journée sans changements importants de l'humidité du sol et de l'advection. Sur la base des résultats de l'étude d'évaluation et de comparaison de la précision d'OpenET, l'algorithme geeSEBAL d'OpenET a été modifié comme suit : (i) la version simplifiée de CIMEC a été améliorée en utilisant des filtres supplémentaires pour sélectionner les endmembers, y compris l'utilisation de la couche de données sur les terres cultivées (CDL) de l'USDA et des filtres pour le NDVI, la LST et l'albédo ; (ii) corrections de la LST pour les endmembers en fonction des précipitations antérieures ; (iii) définition des seuils de vitesse du vent NLDAS pour réduire l'instabilité du modèle lors de la correction atmosphérique ; et (iv) améliorations pour estimer le rayonnement net quotidien, en utilisant FAO-56 comme référence (Allen et al., 1998). De manière générale, les performances de geeSEBAL dépendent des conditions topographiques, climatiques et météorologiques, avec une sensibilité et une incertitude plus élevées liées aux sélections de membres extrêmes chauds et froids pour la calibration automatique CIMEC, et une sensibilité et une incertitude plus faibles liées aux entrées météorologiques (Laipelt et al., 2021 et Kayser et al., 2022). Pour réduire les incertitudes liées au terrain complexe, des améliorations ont été ajoutées pour corriger la température de surface terrestre et le rayonnement global (incident) à la surface (y compris le gradient thermique environnemental, la pente et l'aspect de l'altitude) afin de représenter les effets des caractéristiques topographiques sur l'algorithme de sélection des membres extrêmes du modèle et les estimations de l'ET.

Informations supplémentaires