- 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 geeSEBAL اخیراً در چارچوب OpenET تکمیل شده است و مروری بر نسخه فعلی geeSEBAL را میتوان در Laipelt و همکاران (2021) یافت که بر اساس الگوریتمهای اصلی توسعهیافته توسط Bastiaanssen و همکاران (1998) است. پیادهسازی OpenET geeSEBAL از دادههای دمای سطح زمین (LST) از مجموعه لندست 2، علاوه بر مجموعه دادههای NLDAS و gridMET به عنوان ورودیهای هواشناسی لحظهای و روزانه، استفاده میکند. الگوریتم آماری خودکار برای انتخاب اعضای انتهایی گرم و سرد بر اساس نسخه سادهشدهای از الگوریتم کالیبراسیون با استفاده از مدلسازی معکوس در شرایط بحرانی (CIMEC) است که توسط آلن و همکاران (2013) ارائه شده است، که در آن از مقادیر LST و شاخص پوشش گیاهی تفاضلی نرمالشده (NDVI) برای انتخاب نامزدهای عضو انتهایی در منطقه دامنه لندست استفاده میشود. نامزدهای عضو انتهایی سرد و مرطوب در مناطق با پوشش گیاهی خوب انتخاب میشوند، در حالی که نامزدهای عضو انتهایی گرم و خشک در مناطق با پوشش گیاهی کم انتخاب میشوند. بر اساس اعضای انتهایی انتخابشده، geeSEBAL فرض میکند که در عضو انتهایی سرد و مرطوب، تمام انرژی موجود به گرمای نهان (با نرخ بالای تعرق) 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 لحظهای بر اساس کسر تبخیر، با فرض ثابت بودن آن در طول روز بدون تغییرات قابل توجه در رطوبت خاک و فرارفت، ارتقا مییابند. بر اساس نتایج حاصل از ارزیابی دقت OpenET و مطالعه مقایسه متقابل، الگوریتم OpenET geeSEBAL به شرح زیر اصلاح شد: (۱) نسخه سادهشده CIMEC با استفاده از فیلترهای اضافی برای انتخاب اعضای انتهایی، از جمله استفاده از لایه دادههای کشاورزی USDA (CDL) و فیلترهای NDVI، LST و آلبدو بهبود یافت؛ (۲) اصلاحات LST برای اعضای انتهایی بر اساس بارش پیشین؛ (۳) تعریف آستانههای سرعت باد NLDAS برای کاهش ناپایداری مدل در طول اصلاح جوی؛ و (۴) بهبودهایی در تخمین تابش خالص روزانه، با استفاده از FAO-56 به عنوان مرجع (Allen و همکاران، ۱۹۹۸). به طور کلی، عملکرد geeSEBAL به شرایط توپوگرافی، آب و هوایی و هواشناسی وابسته است، با حساسیت و عدم قطعیت بالاتر مربوط به انتخاب اعضای انتهایی گرم و سرد برای کالیبراسیون خودکار CIMEC، و حساسیت و عدم قطعیت کمتر مربوط به ورودیهای هواشناسی (Laipelt و همکاران، ۲۰۲۱ و Kayser و همکاران، ۲۰۲۲). برای کاهش عدم قطعیتهای مربوط به عوارض پیچیده زمین، بهبودهایی برای تصحیح LST و تابش جهانی (تابشی) روی سطح (از جمله نرخ افت محیطی، شیب ارتفاع و جهت) اضافه شد تا اثرات ویژگیهای توپوگرافی بر الگوریتم انتخاب اعضای انتهایی مدل و تخمینهای ET را نشان دهد.
باندها
اندازه پیکسل
۳۰ متر
باندها
| نام | واحدها | اندازه پیکسل | توضیحات |
|---|---|---|---|
et | میلیمتر | متر | مقدار ET مربوط به geeSEBAL |
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
لایپلت، ل.، کایزر، آر اچ بی، فلایشمن، ای اس، روهوف، ای.، باستیانسن، دبلیو.، اریکسون، تی ای و ملتون، اف.، 2021. پایش بلندمدت تبخیر و تعرق با استفاده از الگوریتم سبال و محاسبات ابری موتور گوگل ارث. مجله فتوگرامتری و سنجش از دور ISPRS، 178، صفحات 81-96. doi:10.1016/j.isprsjprs.2021.05.018
Bastiaanssen، WG، Menenti، M.، Feddes، RA و Holtslag، AAM،
- الگوریتم تعادل انرژی سطحی سنجش از دور برای زمین (SEBAL). 1. فرمولاسیون. مجله هیدرولوژی، 212، صفحات 198-212. doi:S0022-1694(98)00253-4
کایزر، آر اچ، روهوف، ای.، لایپلت، ال.، د ملو کیچ، ای.، روبرتی، دی آر، د آرودا سوزا، وی.، روبرت، جی سی دی، کولیشون، دبلیو. و نیل، سی ام یو، 2022. ارزیابی عدم قطعیتهای کالیبراسیون خودکار geeSEBAL و تحلیل مجدد هواشناسی برای تخمین تبخیر و تعرق در آب و هوای مرطوب نیمه گرمسیری. هواشناسی کشاورزی و جنگل، 314، صفحه 108775. doi:10.1016/j.agrformet.2021.108775
آلن، آر جی، برنت، بی.، کرامبر، دبلیو.، هانتینگتون، جی.، کیرسگارد، جی.، کیلیچ، ای.، کلی، سی. و ترزا، آر.، 2013. کالیبراسیون خودکار فرآیند تبخیر و تعرق متریک-لندست. مجله انجمن منابع آب آمریکا، JAWRA، 49(3)، صفحات 563-576. doi:10.1111/jawr.12056
DOI ها
با موتور زمین کاوش کنید
ویرایشگر کد (جاوااسکریپت)
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');