تقييم دقة بيانات التبخر والنتح المستندة إلى الأقمار الصناعية من OpenET لدعم تطبيقات إدارة الموارد المائية والأراضي

OpenET تستخدم ستة نماذج RSET متطورة تعتمد على الأقمار الصناعية، وهي ALEXI/DisALEXI ، eeMETRIC جي سيبال ، PT-JPL سيمز و SSEBop التي تم تطبيقها وتقييمها على نطاق واسع في الولايات

من متوسط التدفق المغلق للبرج المثقل ET. لاحظ أنه كان هناك ثلاثة مواقع إضافية لمحاصيل الخضروات مدرجة في مجموعة المحاصيل المجمعة، والتي بمفردها لم تستوفِ متطلبات بياناتنا للتحليلات الإحصائية. .
على المقياس الزمني الشهري (مقارنةً باليومي)، يوفر OpenET مباشرةً ET اليومية والشهرية، بالإضافة إلى خدمات البيانات التي تتيح للمستخدمين حساب ET في فترات تجميع أخرى. يتم تقديم نتائج الدقة لفترات زمنية يومية وشهرية وموسمية وسنوية في الجداول التكميلية 2-6، وينبغي استشارة مقاييس الدقة لفترات زمنية يومية لتطبيقات بيانات ET في فترات زمنية تتراوح بين 1-15 يومًا. تم استخدام خمسة مقاييس إحصائية معروفة لتقييم دقة OpenET (للمعادلات، انظر الطرق): ميل الانحدار الخطي المفروض من خلال الأصل الذي يقيس التحيز (الميل)، خطأ التحيز المتوسط (MBE)، خطأ القيمة المطلقة المتوسطة (MAE)، خطأ الجذر التربيعي المتوسط (RMSE) ومعامل التحديد. نتائج الانحدار مع تقاطع غير صفري للبيانات الشهرية موضحة في الجدول التكميلية 7.

الأداء عبر جميع مواقع تدفق الزراعة

أثر فترة العينة على أداء النموذج

الشكل 2 | النمذجة مقابل الملاحظة لمعدل التبخر الشهري في مواقع الأراضي الزراعية. مقارنة شهرية لجميع أزواج OpenET أعضاء المجموعة ET مقابل برج التدفق المغلق من جميع محطات الأراضي الزراعية لجميع أشهر السجل. تم تضمين نتيجة نموذج الانحدار الخطي الأقل تربيعًا لكل نموذج، مع فرضه عبر الأصل و .

الأداء بين المحاصيل السنوية والدائمة

إحصائيات ملخصية شهرية متوسطة للمقارنات بين OpenET أعضاء المجموعة ET وبرج التدفق المغلق ET الشهري للمواقع الزراعية المجمعة حسب مناخ كوبن-جيجر
متوسط الوزن لإنتاجية التبخر من برج التدفق المغلق.
الأغصان المتجمعة بقوة، خاصة بالنسبة للنماذج التي تعتمد بشكل كبير على مدخلات درجة حرارة سطح الأرض. كانت القيمة الجماعية تحمل انحيازًا سلبيًا بمتوسط ميل قدره في الشهر، MAE 21.2 مم في الشهر ( من ECET) و RMSE 27.9 مم في الشهر (22.1% من ECET)، و من 0.91. كان لدى SSEBop وSIMS أقل انحياز من حيث الميل وMBE، وكان لدى SSEBop وDisALEXI أقل خطأ من حيث MAE وRMSE (الجدول 1). بينما يكون MAE في البساتين مرتفعًا في منتصف الموسم، فإن القيم المعيارية مشابهة لتلك الخاصة بالمحاصيل السنوية (الشكل 4).

تباين أداء النموذج عبر المناطق المناخية

الأداء في النظم البيئية الطبيعية

إزالة القيم الشاذة من المجموعة والتباين المكاني بين النماذج

نقاش

الشكل 3 | المناخ الشهري لنماذج ET المقترنة والملاحظة لمواقع الأراضي الزراعية. أ، المناخ الشهري لنماذج OpenET المقترنة وبرج التدفق من مواقع الأراضي الزراعية. بقايا متوسط ET الشهري (النموذج ناقص متوسط ET المغلق). تشير تسميات غير المغلقة والمغلقة إلى ET لبرج التدفق قبل وبعد تصحيح توازن الطاقة. تمثل الخطوط المتقطعة متوسط ET المغلق زائد خطأين معياريين من المتوسط ومتوسط ET غير المغلق ناقص خطأين معياريين من المتوسط.

الشكل 4 | متوسط الخطأ المطلق الشهري لمجموعة النماذج لأنواع المحاصيل المختلفة. أ، متوسط التدفق الشهري لبرج القياس . ب، OpenET تجميع MAE و MAE المعدل بواسطة متوسط برج التدفق (NMAE) باستخدام جميع بيانات النموذج المقاسة المزدوجة لمحطات الأراضي الزراعية المجمعة حسب أنواع المحاصيل. لم يتم تضمين المحاصيل السنوية التي كانت لها تاريخ مختلط من التناوب بين أنواع المحاصيل C3 و C4، على سبيل المثال، تناوب الذرة وفول الصويا، في نتائج C3 أو C4 ولكن تم تضمينها في التجميع المشترك.

الشكل 5 | مجموعة النماذج الشهرية مقابل ET المرصود للمواقع المجمعة حسب نوع استخدام الأراضي. مقارنة شهرية لـ OpenET الشهرية مقابل برج التدفق المغلق لكل مجموعة عامة من استخدام الأراضي. تم تضمين نتيجة نموذج الانحدار الخطي الأقل تربيعًا لكل مجموعة و .

الاستنتاجات

طرق

معالجة بيانات التدفق وأخذ عينات البصمة

بيانات النموذج

حساب جماعي

التحليلات الإحصائية

ملخص التقرير

توفر البيانات

توفر الشيفرة

References

1. Fisher, J. B. et al. The future of evapotranspiration: global requirements for ecosystem functioning, carbon and climate feedbacks, agricultural management, and water resources. Water Resour. Res. 53, 2618-2626 (2017).
2. Dieter, C. A. et al. Estimated use of water in the United States in 2015. Circular 1411 https://pubs.usgs.gov/publication/cir1441 (2018).
3. Cook, B. I., Ault, T. R. & Smerdon, J. E. Unprecedented 21st century drought risk in the American Southwest and Central Plains. Sci. Adv. 1, e1400082 (2015).
4. Liu, P.-W. et al. Groundwater depletion in California’s Central Valley accelerates during megadrought. Nat. Commun. 13, 7825 (2022).
5. Melton, F. S. et al. OpenET: filling a critical data gap in water management for the western United States. J. Am. Water Resour. Assoc. 58, 971-994 (2022).
6. Chen, J. M. & Liu, J. Evolution of evapotranspiration models using thermal and shortwave remote sensing data. Remote Sens. Environ. 237, 111594 (2020).
7. Anderson, M. et al. Field-scale assessment of land and water use change over the California Delta using remote sensing. Remote Sens. 10, 889 (2018).
8. Allen, R. G., Tasumi, M. & Trezza, R. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)-Model. J. Irrig. Drain. Eng. 133, 380-394 (2007).
9. Laipelt, L. et al. Long-term monitoring of evapotranspiration using the SEBAL algorithm and Google Earth Engine cloud computing. ISPRS J. Photogramm. Remote Sens. 178, 81-96 (2021).
10. Fisher, J. B., Tu, K. P. & Baldocchi, D. D. Global estimates of the land-atmosphere water flux based on monthly AVHRR and ISLSCP-II data, validated at 16 FLUXNET sites. Remote Sens. Environ. 112, 901-919 (2008).
11. Pereira, L. S. et al. Prediction of crop coefficients from fraction of ground cover and height. Background and validation using ground and remote sensing data. Agric. Water Manag. 241, 106197 (2020).
12. Melton, F. S. et al. Satellite irrigation management support with the terrestrial observation and prediction system: a framework for integration of satellite and surface observations to support improvements in agricultural water resource management. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 5, 1709-1721 (2012).
13. Senay, G. B. et al. Improving the operational simplified surface energy balance evapotranspiration model using the forcing and normalizing operation. Remote Sens. 15, 260 (2023).
14. Gorelick, N. et al. Google Earth Engine: planetary-scale geospatial analysis for everyone. Remote Sens. Environ. 202, 18-27 (2017).
15. Allen, R. G. et al. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)Applications. J. Irrig. Drain. Eng. 133, 395-406 (2007).
16. Knipper, K. R. et al. Using high-spatiotemporal thermal satellite ET retrievals for operational water use and stress monitoring in a California vineyard. Remote Sens. 11, 2124 (2019).
17. Senay, G. B., Friedrichs, M., Singh, R. K. & Velpuri, N. M. Evaluating Landsat 8 evapotranspiration for water use mapping in the Colorado River Basin. Remote Sens. Environ. 185, 171-185 (2016).
18. Foster, T., Mieno, T. & Brozović, N. Satellite-based monitoring of irrigation water use: assessing measurement errors and their implications for agricultural water management policy. Water Resour. Res. 56, e2020WRO28378 (2020).
19. Volk, J. M. et al. Development of a benchmark eddy flux evapotranspiration dataset for evaluation of satellite-driven evapotranspiration models over the CONUS. Agric. For. Meteorol. 331, 109307 (2023).
20. Volk, J. M. et al. Post-processed data and graphical tools for a CONUS-wide eddy flux evapotranspiration dataset. Data Brief https://doi.org/10.1016/j.dib.2023.109274 (2023).
21. Baldocchi, D. Measuring fluxes of trace gases and energy between ecosystems and the atmosphere-the state and future of the eddy covariance method. Glob. Change Biol. 20, 3600-3609 (2014).
22. Baldocchi, D. et al. FLUXNET: a new tool to study the temporal and spatial variability of ecosystem-scale carbon dioxide, water vapor, and energy flux densities. Bull. Am. Meteorol. Soc. 82, 2415-2434 (2001).
23. Hampel, F. R. The influence curve and its role in robust estimation. J. Am. Stat. Assoc. 69, 383-393 (1974).
24. Leys, C., Ley, C., Klein, O., Bernard, P. & Licata, L. Detecting outliers: do not use standard deviation around the mean, use absolute deviation around the median. J. Exp. Soc. Psychol. 49, 764-766 (2013).
25. Thompson, P. D. How to improve accuracy by combining independent forecasts. Mon. Weather Rev. 105, 228-229 (1977).
26. Kirtman, B. P. et al. The North American multimodel ensemble: phase-1 seasonal-to-interannual prediction; phase-2 toward developing intraseasonal prediction. Bull. Am. Meteorol. Soc. 95, 585-601 (2014).
27. Bai, Y. et al. On the use of machine learning based ensemble approaches to improve evapotranspiration estimates from croplands across a wide environmental gradient. Agric. For. Meteorol. 298, 108308 (2021).
28. Novick, K. A. et al. The AmeriFlux network: a coalition of the willing. Agric. For. Meteorol. 249, 444-456 (2018).
29. Pastorello, G. et al. The FLUXNET2O15 dataset and the ONEFlux processing pipeline for eddy covariance data. Sci. Data 7, 1-27 (2020).
30. Mauder, M., Foken, T. & Cuxart, J. Surface-energy-balance closure over land: a review. Bound. Layer Meteorol. 177, 395-426 (2020).
31. Ingwersen, J., Imukova, K., Högy, P. & Streck, T. On the use of the post-closure methods uncertainty band to evaluate the performance of land surface models against eddy covariance flux data. Biogeosciences 12, 2311-2326 (2015).
32. Knipper, K. R. et al. Evapotranspiration estimates derived using thermal-based satellite remote sensing and data fusion for irrigation management in California vineyards. Irrig. Sci. 37, 431-449 (2019).
33. Bambach, N. et al. Evapotranspiration uncertainty at micrometeorological scales: the impact of the eddy covariance energy imbalance and correction methods. Irrig. Sci. 40, 445-461 (2022).
34. Rubel, F., Brugger, K., Haslinger, K. & Auer, I. The climate of the European Alps: shift of very high resolution Köppen-Geiger climate zones 1800-2100. Meteorol. Z. 26, 115-125 (2017).
35. Yang, Y. et al. Studying drought-induced forest mortality using high spatiotemporal resolution evapotranspiration data from thermal satellite imaging. Remote Sens. Environ. 265, 112640 (2021).
36. Isaacson, B. N., Yang, Y., Anderson, M. C., Clark, K. L. & Grabosky, J. C. The effects of forest composition and management on evapotranspiration in the New Jersey pinelands. Agric. For. Meteorol. 339, 109588 (2023).
37. Qian, Y. et al. Neglecting irrigation contributes to the simulated summertime warm-and-dry bias in the central United States. Npj Clim. Atmos. Sci. 3, 31 (2020).
38. Lei, F., Crow, W. T., Holmes, T. R., Hain, C. & Anderson, M. C. Global investigation of soil moisture and latent heat flux coupling strength. Water Resour. Res. 54, 8196-8215 (2018).
39. Dong, J., Lei, F. & Crow, W. T. Land transpiration-evaporation partitioning errors responsible for modeled summertime warm bias in the central United States. Nat. Commun. 13, 336 (2022).
40. Abolafia-Rosenzweig, R., Pan, M., Zeng, J. & Livneh, B. Remotely sensed ensembles of the terrestrial water budget over major global river basins: an assessment of three closure techniques. Remote Sens. Environ. 252, 112191 (2021).
41. Wang, Q. et al. Land surface models significantly underestimate the impact of land-use changes on global evapotranspiration. Environ. Res. Lett. 16, 124047 (2021).
42. Allen, R. G., Pereira, L. S., Howell, T. A. & Jensen, M. E. Evapotranspiration information reporting: I. Factors governing measurement accuracy. Agric. Water Manag. 98, 899-920 (2011).
43. Adu, M. O., Yawson, D. O., Armah, F. A., Asare, P. A. & Frimpong, K. A. Meta-analysis of crop yields of full, deficit, and partial root-zone drying irrigation. Agric. Water Manag. 197, 79-90 (2018).
44. Xue, J. et al. Improving the spatiotemporal resolution of remotely sensed ET information for water management through Landsat, Sentinel-2, ECOSTRESS and VIIRS data fusion. Irrig. Sci. 40, 609-634 (2022).
45. Gao, F. & Zhang, X. Mapping crop phenology in near real-time using satellite remote sensing: challenges and opportunities. J. Remote Sens. 2021, 8379391 (2021).
46. Müller, M. Dynamic time warping. in Information Retrieval for Music and Motion. 69-84 (Springer, 2007).
47. Bambach, N. et al. The Tree-crop Remote sensing of Evapotranspiration eXperiment (T-REX): a science-based path for sustainable water management and climate mitigation. Bull. Am. Meteorol. Soc. In the press (2023).
48. Fisher, J. B. Hydrosat: towards daily, field-scale, global evapotranspiration from space. (2022).
49. Polhamus, A., Fisher, J. B. & Tu, K. P. What controls the error structure in evapotranspiration models? Agric. For. Meteorol. 169, 12-24 (2013).
50. Blankenau, P. A., Kilic, A. & Allen, R. An evaluation of gridded weather data sets for the purpose of estimating reference evapotranspiration in the United States. Agric. Water Manag. 242, 106376 (2020).
51. Doherty, C. T. et al. Effects of meteorological and land surface modeling uncertainty on errors in winegrape ET calculated with SIMS. Irrig. Sci. 40, 515-530 (2022).
52. Purdy, A., Fisher, J., Goulden, M. & Famiglietti, J. Ground heat flux: an analytical review of 6 models evaluated at 88 sites and globally. J. Geophys. Res. Biogeosci. 121, 3045-3059 (2016).
53. Allen, R. G. et al. A recommendation on standardized surface resistance for hourly calculation of reference ETo by the FAO56 Penman-Monteith method. Agric. Water Manag. 81, 1-22 (2006).
54. Jung, M. et al. The FLUXCOM ensemble of global landatmosphere energy fluxes. Sci. Data 6, 74 (2019).
55. Reitz, M., Senay, G. B. & Sanford, W. E. Combining remote sensing and water-balance evapotranspiration estimates for the conterminous United States. Remote Sens. 9, 1181 (2017).
56. Volk, J. et al. flux-data-qaqc: a Python package for energy balance closure and post-processing of eddy flux. Data. 6, 1-5 (2021).
57. Evett, S. R. et al. The Bushland weighing lysimeters: a quarter century of crop ET investigations to advance sustainable irrigation. Trans. ASABE 59, 163-179 (2016).
58. Abatzoglou, J. T. Development of gridded surface meteorological data for ecological applications and modelling. Int. J. Climatol. 33, 121-131 (2013).
59. Kljun, N., Calanca, P., Rotach, M. W. & Schmid, H. P. A simple twodimensional parameterisation for Flux Footprint Prediction (FFP). Geosci. Model Dev. 8, 3695-3713 (2015).
60. Xia, Y. et al. Continental-scale water and energy flux analysis and validation for the North American Land Data Assimilation System project phase 2 (NLDAS-2): 1. Intercomparison and application of model products. J. Geophys. Res. Atmos. 117, DO31O9 (2012).
61. Foga, S. et al. Cloud detection algorithm comparison and validation for operational Landsat data products. Remote Sens. Environ. 194, 379-390 (2017).
62. Rousseeuw, P. J. & Croux, C. Alternatives to the median absolute deviation. J. Am. Stat. Assoc. 88, 1273-1283 (1993).
63. Harris, C. R. et al. Array programming with NumPy. Nature 585, 357-362 (2020).
64. Seabold, S. & Perktold, J. Statsmodels: econometric and statistical modeling with Python. In Proc. 9th Python in Science Conference vol. 57 10-25080 (SciPy, 2010).
65. Obrecht, N. A. Sample size weighting follows a curvilinear function. J. Exp. Psychol. Learn. Mem. Cogn. 45, 614 (2019).

شكر وتقدير

مساهمات المؤلفين

المصالح المتنافسة

معلومات إضافية

الغابات دائمة الخضرة

الغابات المختلطة

المراعي

الأراضي الشجرية

الأراضي الرطبة/المناطق الساحلية

شهر

الشكل 6 من البيانات الموسعة | المناخ الشهري لنموذج ET باستخدام جميع بكسلات الأراضي الزراعية. المناخ الشهري لـ OpenET أعضاء المجموعة والمتوسط الجماعي باستخدام جميع بيانات ET الشهرية لجميع البكسلات التي تم تصنيفها كأراضٍ زراعية لكل عام من 2016 إلى 2022.

متوسط عدد النماذج في التجميع

الشكل البياني الموسع 7| التحليل المكاني لحدوث القيم الشاذة في مجموعة نماذج بكسلات الأراضي الزراعية. يظهر الرسم الفرعي (أ) الفروق المكانية بين متوسط ​​فترة النمو لمجموعة OpenET ET لفترة النمو (من أبريل إلى أكتوبر) لبكسلات الأراضي الزراعية باستخدام طريقة إزالة القيم الشاذة بالانحراف المطلق الوسيط (MAD) والمتوسط الحسابي البسيط (SAM)؛ تم استخدام ET الشهري من 2016-2022
لبناء الخريطة. يظهر الرسم الفرعي (ب) متوسط ​​عدد النماذج المستخدمة في المجموعة بعد إزالة القيم الشاذة باستخدام جميع بيانات الأشهر لفترة النمو لبكسلات الأراضي الزراعية. تشير القيمة ستة إلى أنه لم يتم تحديد أي نموذج كقيمة شاذة، بينما أربعة هي الحد الأدنى حيث تم إزالة نموذجين كحد أقصى كقيم شاذة قبل أخذ المتوسط الجماعي.

natureportfolio

ملخص التقرير

الإحصائيات

تم التأكيد

البرمجيات والرموز

معلومات السياسة حول توفر كود الكمبيوتر

البيانات

• رموز الوصول، معرفات فريدة، أو روابط ويب لمجموعات البيانات المتاحة للجمهور
• وصف لأي قيود على توفر البيانات
• بالنسبة لمجموعات البيانات السريرية أو بيانات الطرف الثالث، يرجى التأكد من أن البيان يتماشى مع سياستنا

المشاركون في البحث البشري

التقارير الخاصة بالمجال

تصميم دراسة العلوم البيئية والتطورية والبيئية

التقارير عن مواد وأنظمة وطرق محددة

المواد والأنظمة التجريبية		الطرق
غير متاح	المشاركة في الدراسة	غير متاح	المشاركة في الدراسة
	الأجسام المضادة		ChIP-seq
	علم الحفريات وعلم الآثار

Assessing the accuracy of OpenET satellite-based evapotranspiration data to support water resource and land management applications

OpenET employs six state-of-the-art satellite based RSET models, that is, ALEXI/DisALEXI , eeMETRIC , geeSEBAL , PT-JPL , SIMS and SSEBop , that have been widely applied and evaluated in the United

of the weighted mean closed flux tower ET. Note, there were three additional vegetable crop sites included in the combined crop group, which alone did not meet our data requirements for statistical analyses .
at the monthly (compared with daily) timescale, and OpenET directly provides daily and monthly ET, along with data services that allow users to compute ET at other aggregation periods. Accuracy results are provided for daily, monthly, seasonal and annual timesteps in Supplementary Tables 2-6, and accuracy metrics for daily timesteps should be consulted for applications of ET data at timesteps of 1-15 days. Five well-known statistical metrics were used to evaluate OpenET accuracy (for equations, see Methods): the linear regression slope forced through the origin which measures bias (Slope), mean bias error (MBE), mean absolute error (MAE), root-mean-square error (RMSE) and the coefficient of determination ( ). Regression results with a non-zero intercept for monthly data are provided in Supplementary Table 7.

Performance over all agricultural flux sites

Impact of sampling interval on model performance

Fig. 2 | Modelled versus observed monthly ET at cropland sites. Monthly comparison of all paired OpenET ensemble members ET versus closed flux tower from all cropland stations for all months of record. Included for each model is the result of the least square linear regression model forced through the origin and .

Performance among annual and perennial crops

Mean monthly summary statistics for comparisons between OpenET ensemble members ET and closed flux tower monthly ET for agricultural sites grouped by Köppen-Geiger climate
weighted mean closed flux tower ET.
strongly clumped canopies, particularly for models that are strongly dependent on LST inputs. The ensemble value had a negative bias with mean slope of per month, MAE 21.2 mm per month ( of ECET) and RMSE 27.9 mm per month (22.1% of ECET), and an of 0.91. SSEBop and SIMS had the least bias in terms of slope and MBE, and SSEBop and DisALEXI had the lowest error in terms of MAE and RMSE (Table1). While MAE in orchards is high mid-season, the normalized values are similar to those of annual crops (Fig. 4).

Variation of model performance across climate regions

Performance in natural ecosystems

Ensemble outlier removal and spatial inter-model variability

Discussion

Fig. 3 | Monthly climatology of paired modelled and observed ET for cropland sites. a, Monthly climatology of paired OpenET and flux tower from cropland sites. , The residual of monthly mean ET (model minus mean closed flux ET). Unclosed and closed labels refer to flux tower ET before and after energy balance closure correction. Dashed lines represent the closed flux ET mean plus two standard errors of the mean and unclosed flux ET mean minus two standard errors of the mean.

Fig. 4 | Monthly MAE of the model ensemble for different croptypes. a, Monthly mean flux tower . b, OpenET ensemble MAE and MAE normalized by the mean flux tower (NMAE) using all paired modelmeasured data for cropland stations grouped by crop types. Annual crops that had a mixed history of rotation between C3 and C4 crop types, for example, corn-soy rotations, were not included in C3 or C4 results but were included in the combined grouping.

Fig. 5 | Monthly modelled ensemble versus observed ET for sites grouped by land cover type. Monthly comparison of the paired monthly OpenET versus closed flux tower for each general land cover group. Included for each group is the result of the least square linear regression model and .

Conclusions

Methods

Flux data processing and footprint sampling

Model data

Ensemble computation

Statistical analyses