
- در دسترس بودن مجموعه داده
- 1999-10-01T00:00:00Z–2024-12-01T00:00:00Z
- ارائه دهنده مجموعه داده
- OpenET, Inc.
- آهنگ
- 1 ماه
- برچسب ها
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.
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
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');