OpenET geeSEBAL Monthly Evapotranspiration v2.0

پروژه‌ها/openet/assets/geesebal/conus/gridmet/monthly/v2_0
اطلاعات

این مجموعه داده‌ها بخشی از کاتالوگ Publisher است و توسط Google Earth Engine مدیریت نمی‌شود. برای اطلاع از اشکالات یا مشاهده مجموعه داده‌های بیشتر از کاتالوگ OpenET با support@openetdata.org تماس بگیرید. درباره مجموعه داده‌های Publisher بیشتر بدانید .

مالک کاتالوگ
اوپن ای تی
در دسترس بودن مجموعه داده‌ها
1999-10-01T00:00:00Z–2025-01-01T00:00:00Z
تولیدکننده مجموعه داده
تماس
support@openetdata.org
قطعه کد موتور زمین
ee.ImageCollection("projects/openet/assets/geesebal/conus/gridmet/monthly/v2_0")
کادانس
۱ ماه
برچسب‌ها
تبخیر و تعرق، مشتق شده از شبکه، مشتق شده از لندست ، مجموعه داده ناشر ماهانه ، بخار آب

توضیحات

پیاده‌سازی مدل الگوریتم تعادل انرژی سطحی برای زمین (SEBAL) در موتور گوگل ارث.

مروری بر نسخه فعلی geeSEBAL را می‌توان در مقاله 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-2 و gridMET به ترتیب 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 نرمال‌شده تفاضلی (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 انتخاب شده، 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:

  1. نسخه ساده‌شده CIMEC با استفاده از فیلترهای اضافی برای انتخاب اعضای نهایی، از جمله استفاده از لایه داده‌های کشاورزی USDA (CDL) و فیلترهای NDVI، LST و آلبدو، بهبود یافته است.
  2. اصلاحات LST برای اعضای انتهایی بر اساس بارش پیشین.
  3. تعریف آستانه‌های سرعت باد NLDAS-2 برای کاهش ناپایداری مدل در طول تصحیح جوی.
  4. بهبودهایی در تخمین تابش خالص روزانه، با استفاده از FAO-56 به عنوان مرجع (آلن و همکاران، ۱۹۹۸).

به طور کلی، عملکرد geeSEBAL به شرایط توپوگرافی، آب و هوا 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، 2021 و Kayser و همکاران، 2022). 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.

اطلاعات تکمیلی

باندها

باندها

اندازه پیکسل: 30 متر (همه باندها)

نام واحدها اندازه پیکسل توضیحات
et میلی‌متر ۳۰ متر

کل تبخیر و تعرق واقعی (ET)

count بشمار ۳۰ متر

تعداد مشاهدات بدون ابر در ماه که در درون‌یابی لحاظ شده‌اند

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

CC-BY-4.0

نقل قول‌ها

نقل قول ها:
  • 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

  • باستیانسن، دبلیو جی، مننتی، ام، فدس، آر ای و هولتسلاگ، ای ای ام، ۱۹۹۸. الگوریتم تعادل انرژی سطحی سنجش از دور برای زمین (SEBAL). ۱. فرمول‌بندی. مجله هیدرولوژی، ۲۱۲، صفحات ۱۹۸-۲۱۲. 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('projects/openet/assets/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');
باز کردن در ویرایشگر کد