OpenET geeSEBAL Monthly Evapotranspiration v2.0

OpenET/GEESEBAL/CONUS/GRIDMET/MONTHLY/v2_0
در دسترس بودن مجموعه داده
1999-10-01T00:00:00Z–2024-12-01T00:00:00Z
ارائه دهنده مجموعه داده
قطعه موتور زمین
ee.ImageCollection("OpenET/GEESEBAL/CONUS/GRIDMET/MONTHLY/v2_0")
آهنگ
1 ماه
برچسب ها
تبخیر و تعرق، آب-بخار آب ماهانه مشتق از لندست

توضیحات

اجرای geeSEBAL اخیراً در چارچوب OpenET کامل شده است و یک نمای کلی از نسخه فعلی geeSEBAL را می توان در Laipelt و همکاران یافت. (2021)، که بر اساس الگوریتم های اصلی توسعه یافته توسط Bastiaanssen و همکاران است. (1998). پیاده‌سازی OpenET geeSEBAL از داده‌های دمای سطح زمین (LST) از Landsat Collection 2، علاوه بر مجموعه داده‌های NLDAS و gridMET به ترتیب به عنوان ورودی‌های هواشناسی آنی و روزانه استفاده می‌کند. الگوریتم آماری خودکار برای انتخاب اعضای انتهایی سرد و گرم بر اساس یک نسخه ساده از کالیبراسیون با استفاده از الگوریتم مدل‌سازی معکوس در شرایط شدید (CIMEC) پیشنهاد شده توسط آلن و همکاران است. (2013)، که در آن چندک LST و مقادیر شاخص گیاهی تفاوت نرمال شده (NDVI) برای انتخاب نامزدهای عضو نهایی در ناحیه دامنه لندست استفاده می شود. نامزدهای عضو انتهایی سرد و مرطوب در مناطق با پوشش گیاهی خوب انتخاب می شوند، در حالی که نامزدهای عضو انتهایی گرم و خشک در مناطق زراعی کم پوشش گیاهی انتخاب می شوند. بر اساس اعضای انتهایی انتخاب شده، geeSEBAL فرض می‌کند که در قسمت انتهایی سرد و مرطوب، تمام انرژی موجود به گرمای نهان (با نرخ تعرق بالا) تبدیل می‌شود، در حالی که در عضو انتهایی گرم و خشک تمام انرژی موجود به گرمای محسوس تبدیل می‌شود. در نهایت، تخمین‌های تبخیر و تعرق روزانه از تخمین‌های آنی بر اساس کسر تبخیری، با فرض ثابت بودن آن در طول روز بدون تغییرات قابل‌توجه در رطوبت خاک و فرارفت، ارتقاء می‌یابند. بر اساس نتایج حاصل از ارزیابی دقت OpenET و مطالعه مقایسه بین، الگوریتم OpenET geeSEBAL به شرح زیر اصلاح شد: (i) نسخه ساده شده CIMEC با استفاده از فیلترهای اضافی برای انتخاب اعضای انتهایی، از جمله استفاده از لایه داده زراعی USDA (CDL) و فیلترها برای NDVI، LST و LST، بهبود یافت. (ب) اصلاحات به LST برای اعضای نهایی بر اساس بارش قبلی. (iii) تعریف آستانه سرعت باد NLDAS برای کاهش ناپایداری مدل در طول اصلاح جوی. و (IV) بهبود برای برآورد تشعشع خالص روزانه، با استفاده از FAO-56 به عنوان مرجع (Allen et al., 1998). به طور کلی، عملکرد geeSEBAL به شرایط توپوگرافی، آب و هوا و هواشناسی بستگی دارد، با حساسیت و عدم قطعیت بیشتر مربوط به انتخاب اعضای انتهایی سرد و گرم برای کالیبراسیون خودکار CIMEC، و حساسیت و عدم قطعیت کمتر مربوط به ورودی‌های هواشناسی است (Laipelt et al., 2022, 2020). برای کاهش عدم قطعیت‌های مربوط به زمین‌های پیچیده، پیشرفت‌هایی برای تصحیح تابش LST و سراسری (حادثه) روی سطح (شامل نرخ لغزش محیطی، شیب ارتفاع و جنبه) اضافه شد تا اثرات ویژگی‌های توپوگرافی را بر الگوریتم انتخاب عضو نهایی مدل و تخمین‌های ET نشان دهد.

اطلاعات تکمیلی

باندها

اندازه پیکسل
30 متر

باندها

نام واحدها اندازه پیکسل توضیحات
et میلی متر متر

مقدار ET geeSEBAL

count شمارش متر

تعداد مقادیر بدون ابر

ویژگی های تصویر

ویژگی های تصویر

نام تایپ کنید توضیحات
build_date STRING

تاریخ دارایی ها ساخته شد

ابر_پوشش_حداکثر دوبل

حداکثر مقدار درصد CLOUD_COVER_LAND برای تصاویر Landsat موجود در درونیابی

مجموعه ها STRING

لیست مجموعه های لندست برای تصاویر لندست که در درون یابی گنجانده شده است

core_version STRING

نسخه کتابخانه هسته OpenET

پایان_تاریخ STRING

تاریخ پایان ماه

et_reference_band STRING

باند در et_reference_source که حاوی داده های ET مرجع روزانه است

et_reference_resample STRING

حالت درونیابی فضایی برای نمونه برداری مجدد از داده های مرجع روزانه ET

et_reference_source STRING

شناسه مجموعه برای داده‌های ET مرجع روزانه

interp_days دوبل

حداکثر تعداد روزهای قبل و بعد از هر تاریخ تصویر برای گنجاندن در درونیابی

interp_method STRING

روش مورد استفاده برای درون یابی بین برآوردهای مدل لندست

interp_source_count دوبل

تعداد تصاویر موجود در مجموعه تصویر منبع درونیابی برای ماه مورد نظر

mgrs_tile STRING

شناسه منطقه شبکه MGRS

مدل_نام STRING

نام مدل OpenET

مدل_نسخه STRING

نسخه مدل OpenET

scale_factor_count دوبل

ضریب مقیاس پذیری که باید در باند شمارش اعمال شود

scale_factor_et دوبل

عامل پوسته پوسته شدن که باید روی باند et اعمال شود

شروع_تاریخ STRING

تاریخ شروع ماه

شرایط استفاده

شرایط استفاده

CC-BY-4.0

نقل قول ها

نقل قول ها:
  • Laipelt, L., Kayser, RHB, Fleischmann, AS, Ruhoff, A., Bastiaanssen, W., Erickson, TA and Melton, F., 2021. پایش طولانی مدت تبخیر و تعرق با استفاده از الگوریتم SEBAL و محاسبات ابری موتور Google Earth. مجله فتوگرامتری و سنجش از دور ISPRS، 178، صص 81-96. doi:10.1016/j.isprsjprs.2021.05.018

  • Bastiaanssen، WG، Menenti، M.، Feddes، RA و Holtslag، AAM، 1998. الگوریتم تعادل انرژی سطح سنجش از دور برای زمین (SEBAL). 1. فرمولاسیون. مجله هیدرولوژی، 212، صص198-212. doi:S0022-1694(98)00253-4

  • Kayser, RH, Ruhoff, A., Laipelt, L., de Mello Kich, E., Roberti, DR, de Arruda Souza, V., Rubert, GCD, Collischonn, W. and Neale, CMU, 2022. آب و هوای مرطوب هواشناسی کشاورزی و جنگل، 314، ص108775. doi:10.1016/j.agrformet.2021.108775

  • Allen, RG, Burnett, B., Kramber, W., Huntington, J., Kjaersgaard, J., Kilic, A., Kelly, C. and Trezza, R., 2013. کالیبراسیون خودکار فرآیند تبخیر و تعرق متریک-لندست. مجله JAWRA انجمن منابع آب آمریکا، 49(3)، pp.563-576. doi:10.1111/jawr.12056

DOI

با Earth Engine کاوش کنید

ویرایشگر کد (جاوا اسکریپت)

var dataset = ee.ImageCollection('OpenET/GEESEBAL/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 geeSEBAL Annual ET');
در ویرایشگر کد باز کنید