- در دسترس بودن مجموعه دادهها
- 1999-10-01T00:00:00Z–2024-12-01T00:00:00Z
- تولیدکننده مجموعه داده
- شرکت اوپنایتی
- کادانس
- ۱ ماه
- برچسبها
توضیحات
پیادهسازی موتور گوگل ارث برای نقشهبرداری تبخیر و تعرق با وضوح بالا با مدل کالیبراسیون داخلی (eeMETRIC)
eeMETRIC از الگوریتمها و فرآیند پیشرفته METRIC آلن و همکاران (2007؛ 2015) و آلن و همکاران (2013b) استفاده میکند، که در آن از یک رابطه واحد بین اختلاف دمای هوای نزدیک سطح (dT) و دمای سطح زمین کاهشیافته (TsDEM) برای تخمین شار گرمای محسوس (H) استفاده میشود و برای هر صحنه لندست اعمال میشود. انتخاب خودکار پیکسلهای گرم و سرد برای یک تصویر عموماً از یک روش جداسازی آماری که توسط آلن و همکاران (2013a) و رول، کیلیچ و آلن (2019a,b) شرح داده شده است، پیروی میکند. کالیبراسیون H در eeMETRIC از ET مرجع یونجه محاسبه شده از مجموعه دادههای آب و هوایی شبکهای NLDAS با استفاده از کاهش ثابت 15 درصدی در ET مرجع محاسبه شده برای در نظر گرفتن بایاسهای شناخته شده در مجموعه دادههای شبکهای استفاده میکند. کاهش ثابت بر دقت کالیبراسیون eeMETRIC تأثیری ندارد و عمدتاً اثرات اصلاح شناوری لایه مرزی را کاهش میدهد.
شناسایی کاندیدها برای مجموعه پیکسلهای گرم و سرد در پیادهسازی eeMETRIC از METRIC تکامل یافته است. فرآیند کالیبراسیون خودکار جدید، ترکیبی از روشها و رویکردهایی را شامل میشود که از دو شاخه توسعه EEFlux ناشی میشوند (Allen و همکاران، ۲۰۱۵). شاخه اول بر بهبود فرآیند انتخاب خودکار پیکسل با استفاده از نرخهای افت استاندارد برای دمای سطح زمین (LST) بدون هیچ گونه افت مکانی بیشتر تمرکز داشت (ReVelle و همکاران، ۲۰۱۹b). شاخه دوم، افت مکانی ثانویه LST و همچنین تغییراتی در فرآیند انتخاب پیکسل را شامل میشد (ReVelle و همکاران، ۲۰۱۹a). رویکرد ترکیبی نهایی توسط Kilic و همکاران (۲۰۲۱) شرح داده شده است.
eeMETRIC از توابع مرتبط با آیرودینامیک در زمینهای پیچیده (کوهستانها) که توسط آلن و همکاران (2013b) توسعه داده شده است، برای بهبود تخمینهای زبری آیرودینامیکی، سرعت باد و پایداری لایه مرزی در رابطه با زبری تخمینی زمین، موقعیت روی شیب و جهت باد استفاده میکند. این توابع تمایل دارند تخمینها برای H را در دامنههای رو به باد افزایش دهند (و ET را کاهش دهند) و ممکن است H را در دامنههای پشت به باد کاهش دهند (و ET را افزایش دهند). سایر توابع METRIC به کار رفته در eeMETRIC که از زمان توضیحات ارائه شده در آلن و همکاران اضافه شدهاند. (2007 و 2011) شامل کاهش شار گرمای خاک (G) در حضور مالچ آلی روی سطح زمین، استفاده از مقاومت آیرودینامیکی اضافی برای بوتهزارها، استفاده از تابع پرییر برای درختانی که به عنوان جنگل شناسایی شدهاند (Allen et al., 2018; Santos et al., 2012) و تخمین آیرودینامیکی تبخیر از آبهای آزاد به جای استفاده از تعادل انرژی (Jensen and Allen 2016; Allen et al., 2018) میشود. در سال 2022، تابع پرییر برای محصولات درختی (باغی) اعمال شد و یک تقسیمبندی سه منبعی از دمای سطح توده به دمای سایبان، دمای خاک در سایه و دمای خاک در معرض نور خورشید برای باغها و تاکستانها اعمال شد. این کاربردهای اخیر در جایی انجام شد که باغها و تاکستانها توسط CDL یا در کالیفرنیا توسط یک سیستم کاربری زمین تحت حمایت ایالت شناسایی میشوند. این توابع و سایر بهبودهای مدل اصلی METRIC در جدیدترین راهنمای کاربران METRIC (Allen و همکاران، ۲۰۱۸) شرح داده شدهاند. eeMETRIC از بازتاب سطحی تصحیحشده جوی و LST از مجموعه ۲ لندست سطح ۲ استفاده میکند و در صورت نیاز برای تخمینهای تقریباً بلادرنگ، از مجموعه ۲ سطح ۱ استفاده میکند.
باندها
اندازه پیکسل
۳۰ متر
باندها
| نام | واحدها | اندازه پیکسل | توضیحات |
|---|---|---|---|
et | میلیمتر | متر | مقدار ET مربوط به eeMETRIC |
count | بشمار | متر | تعداد مقادیر بدون ابر |
ویژگیهای تصویر
ویژگیهای تصویر
| نام | نوع | توضیحات |
|---|---|---|
| تاریخ ساخت | رشته | تاریخ ساخت داراییها |
| cloud_cover_max | دو برابر | حداکثر مقدار درصد CLOUD_COVER_LAND برای تصاویر لندست شامل شده در درونیابی |
| مجموعهها | رشته | فهرست مجموعههای لندست برای تصاویر لندست موجود در درونیابی |
| نسخه هسته | رشته | نسخه کتابخانه اصلی OpenET |
| تاریخ_پایان | رشته | تاریخ پایان ماه |
| et_reference_band | رشته | باندی در et_reference_source که شامل دادههای مرجع روزانه ET است |
| et_reference_resample | رشته | حالت درونیابی مکانی برای نمونهبرداری مجدد از دادههای مرجع روزانهی تبخیر و تعرق |
| et_reference_source | رشته | شناسه مجموعه برای دادههای مرجع روزانه تبخیر و تعرق |
| روزهای_میانی | دو برابر | حداکثر تعداد روزهای قبل و بعد از هر تاریخ تصویر برای لحاظ شدن در درونیابی |
| متد interp | رشته | روش مورد استفاده برای درونیابی بین تخمینهای مدل لندست |
| interp_source_count | دو برابر | تعداد تصاویر موجود در مجموعه تصاویر منبع درونیابی برای ماه مورد نظر |
| کاشی mgrs | رشته | شناسه منطقه شبکه MGRS |
| نام_مدل | رشته | نام مدل OpenET |
| مدل_نسخه | رشته | نسخه مدل OpenET |
| scale_factor_count | دو برابر | ضریب مقیاسبندی که باید به باند شمارش اعمال شود |
| scale_factor_et | دو برابر | ضریب مقیاسبندی که باید برای باند ET اعمال شود |
| تاریخ_شروع | رشته | تاریخ شروع ماه |
شرایط استفاده
شرایط استفاده
نقل قولها
کیلیچ، آ.، آلن، آر.جی، بلانکناو، پی.، رول، پی.، اوزتورک، دی. و هانتینگتون، جی.، 2021. تولید جهانی و دسترسی رایگان به تبخیر و تعرق در مقیاس لندست با EEFlux و eeMETRIC. در ششمین سمپوزیوم ملی آبیاری ده ساله، 6-8، دسامبر 2021، سن دیگو، کالیفرنیا (صفحه 1). انجمن مهندسان کشاورزی و زیست شناسی آمریکا. doi:10.13031/irrig.2020-038
آلن، آر جی، تاسومی، ام.، مورس، ای. و ترزا، آر.، ۲۰۰۵. مدل تعادل انرژی و تبخیر و تعرق مبتنی بر لندست در تنظیم و برنامهریزی حقوق آب غرب ایالات متحده. سیستمهای آبیاری و زهکشی، ۱۹، صفحات ۲۵۱-۲۶۸. doi:10.1007/s10795-005-5187-z
آلن، آر جی، تاسومی، ام. و ترزا، آر.، 2007. تعادل انرژی مبتنی بر ماهواره برای نقشه برداری تبخیر و تعرق با کالیبراسیون داخلی (METRIC) - مدل. مجله مهندسی آبیاری و زهکشی، 133(4)، صفحات 380-394. doi:10.1029/2006JD007506
آلن، ر.، ایرماک، آ.، ترزا، ر.، هندریککس، جی. ام، باستیاانسن، دبلیو. و کیارسگارد، جی.، 2011. تخمین تبخیر و تعرق مبتنی بر ماهواره در کشاورزی با استفاده از SEBAL و METRIC. فرآیندهای هیدرولوژیکی، 25(26)، صفحات 4011-4027. doi:10.1002/hyp.8408
آلن، آر جی، برنت، بی.، کرامبر، دبلیو.، هانتینگتون، جی.، کیارزگارد، جی.، کیلیک، ا.، کلی، سی و ترزا، آر.، 2013a. کالیبراسیون خودکار فرآیند تبخیر و تعرق متریک لندست. مجله JAWRA انجمن منابع آب آمریکا، 49(3)، pp.563-576. doi:10.1111/jawr.12056
آلن، آر جی، ترزا، آر.، کیلیچ، آ.، تاسومی، ام. و لی، اچ.، 2013ب. حساسیت تعادل انرژی در مقیاس لندست به تغییرات آیرودینامیکی در کوهها و زمینهای پیچیده. مجله انجمن منابع آب آمریکا، JAWRA، 49(3)، صفحات 592-604. doi:10.1111/jawr.12055
آلن، آر جی، مورتون، سی.، کمبل، بی.، کیلیک، ای.، هانتینگتون، جی.، تاو، دی.، گورلیک، ان.، اریکسون، تی.، مور، آر.، ترزا، آر. و راتکلیف، آی.، ۲۰۱۵. EEFlux: ابزاری برای نقشهبرداری تبخیر و تعرق مبتنی بر لندست در موتور گوگل ارث. در سمپوزیوم آبیاری ASABE/IA 2015: فناوریهای نوظهور برای آبیاری پایدار - ادای احترام به حرفه تری هاول، پدر. مجموعه مقالات کنفرانس (صفحات ۱-۱۱). انجمن مهندسان کشاورزی و زیستشناسی آمریکا. doi:10.13031/irrig.20152143511
جنسن، ام.ای و آر.جی آلن (ویراستار). ۲۰۱۶. تبخیر، تعرق و نیاز آبی آبیاری. کتابچه راهنمای عملی شماره ۷۰ (ویرایش دوم). کمیته ویژه بازنگری کتابچه راهنمای ۷۰، ۲۰۱۶، آوریل. انجمن مهندسان عمران آمریکا. رستون، ویرجینیا. ۷۴۴ صفحه. doi:10.1061/9780784414057
کیلیچ، آ.، آلن، آر.، ترزا، آر.، راتکلیف، آی.، کامبل، بی.، رابیسون، سی. و اوزتورک، دی.، ۲۰۱۶. حساسیت بازیابی تبخیر و تعرق از الگوریتم پردازش متریک به بهبود وضوح رادیومتری دادههای حرارتی لندست ۸ و به بایاس کالیبراسیون در دمای سطح لندست ۷ و ۸. سنجش از دور محیط زیست، ۱۸۵، صفحات ۱۹۸-۲۰۹. doi:10.1016/j.rse.2016.07.011
رول، پی.، ای. کیلیک و آر جی آلن. 2019a. شرح کالیبراسیون بهروز شده: افت مکانی در eeMETRIC. یادداشت تحقیقاتی. دانشکده منابع طبیعی، دانشگاه نبراسکا-لینکلن و دانشگاه آیداهو. 9 ص.
رول، پی.، ای. کیلیک و آر جی آلن. 2019ب. شرح کالیبراسیون بهروز شده: روش انتخاب پیکسل خودکار در eeMETRIC. یادداشت تحقیقاتی. دانشکده منابع طبیعی، دانشگاه نبراسکا-لینکلن و دانشگاه آیداهو. 20 ص.
سانتوس، سی.، لوریت، آی.جی.، آلن، آر.جی. و تاسومی، ام.، ۲۰۱۲. پارامترسازی آیرودینامیکی مدل تعادل انرژی مبتنی بر ماهواره (متریک) برای تخمین تبخیر و تعرق در باغهای زیتون دیم اندلس، اسپانیا. مدیریت منابع آب، ۲۶، صفحات ۳۲۶۷-۳۲۸۳. doi:10.1007/s11269-012-0071-8
DOI ها
با موتور زمین کاوش کنید
ویرایشگر کد (جاوااسکریپت)
var dataset = ee.ImageCollection('OpenET/EEMETRIC/CONUS/GRIDMET/MONTHLY/v2_0') .filterDate('2020-01-01', '2021-01-01'); // Compute the annual evapotranspiration (ET) as the sum of the monthly ET // images for the year. var et = dataset.select('et').sum(); var visualization = { min: 0, max: 1400, palette: [ '9e6212', 'ac7d1d', 'ba9829', 'c8b434', 'd6cf40', 'bed44b', '9fcb51', '80c256', '61b95c', '42b062', '45b677', '49bc8d', '4dc2a2', '51c8b8', '55cece', '4db4ba', '459aa7', '3d8094', '356681', '2d4c6e', ] }; Map.setCenter(-100, 38, 5); Map.addLayer(et, visualization, 'OpenET eeMETRIC Annual ET');