Cet ensemble de données fait partie d'un catalogue d'éditeurs et n'est pas géré par Google Earth Engine. Contactez support@openetdata.org pour signaler un bug ou consultez d'autres ensembles de données dans le catalogue OpenET. En savoir plus sur les ensembles de données pour les éditeurs
- Propriétaire du catalogue
- OpenET
- Disponibilité de l'ensemble de données
- 1999-10-01T00:00:00Z–2025-01-01T00:00:00Z
- Producteur de l'ensemble de données
- OpenET, Inc.
- Contact
- support@openetdata.org
- Cadence
- 1 mois
- Tags
Description
Implémentation Google Earth Engine de l'algorithme de bilan énergétique de surface pour le modèle SEBAL (Surface Energy Balance Algorithm for Land).
Vous trouverez un aperçu de la version actuelle de geeSEBAL dans Laipelt et al. (2021), qui est basée sur les algorithmes d'origine développés par Bastiaanssen et al. (1998). L'implémentation geeSEBAL d'OpenET utilise les données de température de surface terrestre (LST) de la collection 2 de Landsat, en plus des ensembles de données NLDAS-2 et gridMET comme entrées météorologiques instantanées et quotidiennes, respectivement.
L'algorithme statistique automatisé permettant de sélectionner les membres extrêmes chauds et froids est basé sur une version simplifiée de l'algorithme CIMEC (Calibration using Inverse Modeling at Extreme Conditions) proposé par Allen et al. (2013), où les quantiles des valeurs de LST et de l'indice de végétation par différence normalisée (NDVI) sont utilisés pour sélectionner les candidats aux membres extrêmes dans la zone du domaine Landsat. Les candidats aux membres extrêmes froids et humides sont sélectionnés dans des zones bien végétalisées, tandis que les candidats aux membres extrêmes chauds et secs sont sélectionnés dans les zones de terres cultivées les moins végétalisées.Sur la base des membres extrêmes sélectionnés, geeSEBAL suppose que dans le membre extrême froid et humide, toute l'énergie disponible est convertie en chaleur latente (avec des taux de transpiration élevés), tandis que dans le membre extrême chaud et sec, toute l'énergie disponible est convertie en chaleur sensible. Enfin, les estimations de l'évapotranspiration quotidienne sont mises à l'échelle à partir d'estimations instantanées basées sur la fraction d'évaporation, en supposant qu'elle est constante pendant la journée sans changements importants de l'humidité du sol et de l'advection.
Sur la base des résultats de l'étude d'évaluation et de comparaison de la précision d'OpenET, l'algorithme geeSEBAL d'OpenET a été modifié comme suit :
- La version simplifiée de CIMEC a été améliorée en utilisant des filtres supplémentaires pour sélectionner les endmembers, y compris la couche de données sur les terres cultivées (CDL) de l'USDA et des filtres pour le NDVI, la température de surface terrestre et l'albédo.
- Corrections apportées à la température de surface terrestre pour les membres extrêmes en fonction des précipitations antérieures.
- Définition des seuils de vitesse du vent NLDAS-2 pour réduire l'instabilité du modèle lors de la correction atmosphérique.
- Améliorations pour estimer le rayonnement net quotidien, en utilisant FAO-56 comme référence (Allen et al., 1998).
Dans l'ensemble, les performances de geeSEBAL dépendent des conditions topographiques, climatiques et météorologiques, avec une sensibilité et une incertitude plus élevées liées aux sélections de membres extrêmes chauds et froids pour la calibration automatisée CIMEC, et une sensibilité et une incertitude plus faibles liées aux entrées météorologiques (Laipelt et al., 2021 et Kayser et al., 2022). Pour réduire les incertitudes liées à un terrain complexe, des améliorations ont été ajoutées pour corriger la température de surface terrestre et le rayonnement global (incident) à la surface (y compris le gradient thermique environnemental, la pente et l'aspect de l'altitude) afin de représenter les effets des caractéristiques topographiques sur l'algorithme de sélection des membres extrêmes du modèle et les estimations de l'ET.
Bandes
Bandes de fréquences
Taille des pixels : 30 mètres (toutes les bandes)
| Nom | Unités | Taille des pixels | Description |
|---|---|---|---|
et |
mm | 30 mètres | Évapotranspiration réelle totale (ET) |
count |
nombre | 30 mètres | Nombre d'observations sans nuage au cours du mois incluses dans l'interpolation |
Propriétés des images
Propriétés des images
| Nom | Type | Description |
|---|---|---|
| build_date | STRING | Date de création des composants |
| cloud_cover_max | DOUBLE | Valeur maximale du pourcentage CLOUD_COVER_LAND pour les images Landsat incluses dans l'interpolation |
| collections | STRING | Liste des collections Landsat pour les images Landsat incluses dans l'interpolation |
| core_version | STRING | Version de la bibliothèque OpenET Core |
| end_date | STRING | Date de fin du mois |
| et_reference_band | STRING | Bande dans et_reference_source contenant les données quotidiennes de l'ET de référence |
| et_reference_resample | STRING | Mode d'interpolation spatiale pour rééchantillonner les données quotidiennes de référence sur l'ET |
| et_reference_source | STRING | ID de collection pour les données quotidiennes de référence sur l'ET |
| interp_days | DOUBLE | Nombre maximal de jours avant et après la date de chaque image à inclure dans l'interpolation |
| interp_method | STRING | Méthode utilisée pour interpoler les estimations du modèle Landsat |
| interp_source_count | DOUBLE | Nombre d'images disponibles dans la collection d'images source d'interpolation pour le mois cible |
| mgrs_tile | STRING | ID de la zone de grille MGRS |
| model_name | STRING | Nom du modèle OpenET |
| model_version | STRING | Version du modèle OpenET |
| scale_factor_count | DOUBLE | Facteur de scaling à appliquer à la bande de nombre |
| scale_factor_et | DOUBLE | Facteur de scaling à appliquer à la bande ET |
| start_date | STRING | Date de début du mois |
Conditions d'utilisation
Conditions d'utilisation
Citations
Laipelt, L., Kayser, R.H.B., Fleischmann, A.S., Ruhoff, A., Bastiaanssen, W., Erickson, T.A. et Melton, F., 2021. Surveillance à long terme de l'évapotranspiration à l'aide de l'algorithme SEBAL et du cloud computing Google Earth Engine. ISPRS Journal of Photogrammetry and Remote Sensing, 178, pp.81-96. doi:10.1016/j.isprsjprs.2021.05.018
Bastiaanssen, W.G., Menenti, M., Feddes, R.A. et Holtslag, A.A.M., 1998. Algorithme de bilan énergétique de surface de télédétection pour les terres (SEBAL). 1. Formulation. Journal of hydrology, 212, p.198-212. doi:S0022-1694(98)00253-4
Kayser, R.H., Ruhoff, A., Laipelt, L., de Mello Kich, E., Roberti, D. R., de Arruda Souza, V., Rubert, G.C.D., Collischonn, W. et Neale, C.M.U., 2022. Évaluation de l'incertitude de la calibration automatique de geeSEBAL et de la réanalyse météorologique pour estimer l'évapotranspiration dans les climats subtropicaux humides. Agricultural and Forest Meteorology, 314, p.108775. doi:10.1016/j.agrformet.2021.108775
Allen, R.G., Burnett, B., Kramber, W., Huntington, J., Kjaersgaard, J., Kilic, A., Kelly, C. et Trezza, R., 2013. Calibrage automatique du processus d'évapotranspiration métrique-Landsat. JAWRA Journal of the American Water Resources Association, 49(3), p.563-576. doi:10.1111/jawr.12056
DOI
Explorer avec Earth Engine
Éditeur de code (JavaScript)
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');