- Ketersediaan Set Data
- 1999-10-01T00:00:00Z–2024-12-01T00:00:00Z
- Penyedia Set Data
- OpenET, Inc.
- Rangkaian Langkah Penjualan
- 1 Bulan
- Tag
Deskripsi
Implementasi geeSEBAL baru saja diselesaikan dalam framework OpenET dan ringkasan versi geeSEBAL saat ini dapat ditemukan di Laipelt et al. (2021), yang didasarkan pada algoritma asli yang dikembangkan oleh Bastiaanssen et al. (1998). Implementasi geeSEBAL OpenET menggunakan data suhu permukaan daratan (LST) dari Landsat Collection 2, selain set data NLDAS dan gridMET sebagai input meteorologi instan dan harian. Algoritma statistik otomatis untuk memilih titik ekstrem panas dan dingin didasarkan pada versi sederhana dari algoritma Kalibrasi menggunakan Pemodelan Invers pada Kondisi Ekstrem (CIMEC) yang diusulkan oleh Allen et al. (2013), dengan menggunakan kuantil LST dan nilai indeks vegetasi perbedaan yang dinormalisasi (NDVI) untuk memilih kandidat titik ekstrem di area domain Landsat. Kandidat endmember dingin dan basah dipilih di area yang memiliki banyak vegetasi, sedangkan kandidat endmember panas dan kering dipilih di area lahan pertanian yang memiliki paling sedikit vegetasi. Berdasarkan endmember yang dipilih, geeSEBAL mengasumsikan bahwa dalam endmember dingin dan basah, semua energi yang tersedia dikonversi menjadi panas laten (dengan tingkat transpirasi yang tinggi), sedangkan dalam endmember panas dan kering, semua energi yang tersedia dikonversi menjadi panas sensibel. Terakhir, estimasi evapotranspirasi harian di-upscale dari estimasi sesaat berdasarkan fraksi evaporasi, dengan asumsi bahwa fraksi tersebut konstan pada siang hari tanpa perubahan signifikan pada kelembapan tanah dan adveksi. Berdasarkan hasil dari studi Penilaian Akurasi dan Perbandingan OpenET, algoritma geeSEBAL OpenET dimodifikasi sebagai berikut: (i) versi sederhana CIMEC ditingkatkan dengan menggunakan filter tambahan untuk memilih endmember, termasuk penggunaan USDA Cropland Data Layer (CDL) dan filter untuk NDVI, LST, dan albedo; (ii) koreksi LST untuk endmember berdasarkan presipitasi sebelumnya; (iii) definisi nilai minimum kecepatan angin NLDAS untuk mengurangi ketidakstabilan model selama koreksi atmosfer; dan, (iv) peningkatan untuk memperkirakan radiasi bersih harian, menggunakan FAO-56 sebagai referensi (Allen et al., 1998). Secara keseluruhan, performa geeSEBAL bergantung pada kondisi topografi, iklim, dan meteorologi, dengan sensitivitas dan ketidakpastian yang lebih tinggi terkait dengan pemilihan endmember panas dan dingin untuk kalibrasi otomatis CIMEC, serta sensitivitas dan ketidakpastian yang lebih rendah terkait dengan input meteorologi (Laipelt et al., 2021 dan Kayser et al., 2022). Untuk mengurangi ketidakpastian terkait medan yang kompleks, peningkatan ditambahkan untuk mengoreksi LST dan radiasi global (insiden) di permukaan (termasuk laju lapse lingkungan, kemiringan elevasi, dan aspek) untuk merepresentasikan efek fitur topografi pada algoritma pemilihan endmember model dan estimasi ET.
Band
Ukuran Piksel
30 meter
Band
| Nama | Unit | Ukuran Piksel | Deskripsi |
|---|---|---|---|
et |
mm | meter | Nilai ET geeSEBAL |
count |
jumlah | meter | Jumlah nilai gratis cloud |
Properti Gambar
Properti Gambar
| Nama | Jenis | Deskripsi |
|---|---|---|
| build_date | STRING | Tanggal aset dibuat |
| cloud_cover_max | DOUBLE | Nilai persentase CLOUD_COVER_LAND maksimum untuk gambar Landsat yang disertakan dalam interpolasi |
| koleksi | STRING | Daftar koleksi Landsat untuk gambar Landsat yang disertakan dalam interpolasi |
| core_version | STRING | Versi library inti OpenET |
| end_date | STRING | Tanggal akhir bulan |
| et_reference_band | STRING | Band di et_reference_source yang berisi data ET referensi harian |
| et_reference_resample | STRING | Mode interpolasi spasial untuk mengambil sampel ulang data ET referensi harian |
| et_reference_source | STRING | ID pengumpulan data untuk data ET referensi harian |
| interp_days | DOUBLE | Jumlah maksimum hari sebelum dan sesudah setiap tanggal gambar yang akan disertakan dalam interpolasi |
| interp_method | STRING | Metode yang digunakan untuk menginterpolasi antara estimasi model Landsat |
| interp_source_count | DOUBLE | Jumlah gambar yang tersedia dalam koleksi gambar sumber interpolasi untuk bulan target |
| mgrs_tile | STRING | ID zona petak MGRS |
| model_name | STRING | Nama model OpenET |
| model_version | STRING | Versi model OpenET |
| scale_factor_count | DOUBLE | Faktor penskalaan yang harus diterapkan ke rentang jumlah |
| scale_factor_et | DOUBLE | Faktor penskalaan yang harus diterapkan ke band et |
| start_date | STRING | Tanggal mulai bulan |
Persyaratan Penggunaan
Persyaratan Penggunaan
Kutipan
Laipelt, L., Kayser, R.H.B., Fleischmann, A.S., Ruhoff, A., Bastiaanssen, W., Erickson, T.A. dan Melton, F., 2021. Pemantauan jangka panjang evapotranspirasi menggunakan algoritma SEBAL dan komputasi cloud Google Earth Engine. ISPRS Journal of Photogrammetry and Remote Sensing, 178, hlm.81-96. doi:10.1016/j.isprsjprs.2021.05.018
Bastiaanssen, W.G., Menenti, M., Feddes, R.A. dan Holtslag, A.A.M., 1998. Algoritma keseimbangan energi permukaan penginderaan jauh untuk lahan (SEBAL). 1. Formulasi. Journal of hydrology, 212, hlm.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. dan Neale, C.M.U., 2022. Menilai kalibrasi otomatis geeSEBAL dan ketidakpastian analisis ulang meteorologi untuk memperkirakan evapotranspirasi di iklim lembap subtropis. Agricultural and Forest Meteorology, 314, hlm.108775. doi:10.1016/j.agrformet.2021.108775
Allen, R.G., Burnett, B., Kramber, W., Huntington, J., Kjaersgaard, J., Kilic, A., Kelly, C. dan Trezza, R., 2013. Kalibrasi otomatis proses evapotranspirasi metric-landsat. JAWRA Journal of the American Water Resources Association, 49(3), hlm.563-576. doi:10.1111/jawr.12056
DOI
Menjelajahi dengan Earth Engine
Code Editor (JavaScript)
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');