OpenET geeSEBAL Monthly Evapotranspiration v2.0

Реализация geeSEBAL в OpenET была недавно завершена, и обзор текущей версии geeSEBAL можно найти в работе Лайпелта и др. (2021), которая основана на оригинальных алгоритмах, разработанных Бастиансеном и др. (1998). Реализация geeSEBAL в OpenET использует данные о температуре поверхности земли (LST) из Landsat Collection 2, а также наборы данных NLDAS и gridMET в качестве мгновенных и суточных метеорологических входных данных соответственно. Автоматизированный статистический алгоритм выбора горячих и холодных конечных членов основан на упрощенной версии алгоритма калибровки с использованием обратного моделирования в экстремальных условиях (CIMEC), предложенного Алленом и др. (2013), где квантили LST и значения нормализованного разностного индекса растительности (NDVI) используются для выбора кандидатов на конечные члены в области домена Landsat. Кандидаты на холодные и влажные конечные члены выбираются в областях с хорошей растительностью, в то время как кандидаты на жаркие и сухие конечные члены выбираются в областях с наименьшей растительностью пахотных земель. Основываясь на выбранных конечных членах, geeSEBAL предполагает, что в холодном и влажном конечном члене вся доступная энергия преобразуется в скрытую теплоту (с высокой скоростью транспирации), в то время как в жарком и сухом конечном члене вся доступная энергия преобразуется в явную теплоту. Наконец, оценки суточной эвапотранспирации масштабируются от мгновенных оценок, основанных на испаряемой доле, предполагая, что она постоянна в дневное время без существенных изменений влажности почвы и адвекции. Основываясь на результатах исследования оценки точности и взаимного сравнения OpenET, алгоритм OpenET geeSEBAL был модифицирован следующим образом: (i) упрощенная версия CIMEC была улучшена путем использования дополнительных фильтров для выбора конечных членов, включая использование слоя данных по пахотным землям USDA (CDL) и фильтров для NDVI, LST и альбедо; (ii) поправки к LST для конечных членов на основе предшествующих осадков; (iii) определение пороговых значений скорости ветра NLDAS для снижения нестабильности модели во время атмосферной коррекции; и (iv) улучшения оценки суточной чистой радиации с использованием FAO-56 в качестве эталона (Allen et al., 1998). В целом, производительность geeSEBAL зависит от топографических, климатических и метеорологических условий, с более высокой чувствительностью и неопределенностью, связанными с выбором горячих и холодных конечных членов для автоматизированной калибровки CIMEC, и более низкой чувствительностью и неопределенностью, связанными с метеорологическими входными данными (Laipelt et al., 2021 и Kayser et al., 2022). Для снижения неопределенностей, связанных со сложным рельефом, были добавлены улучшения для коррекции LST и глобальной (падающей) радиации на поверхности (включая вертикальный градиент температуры окружающей среды, уклон высоты и экспозицию), чтобы отразить влияние топографических особенностей на алгоритм выбора конечных членов модели и оценки эвапотранспирации.

Дополнительная информация