GLEAM4: مجموعة بيانات التبخر العالمي من اليابسة ورطوبة التربة بدقة 0.1° من 1980 حتى الوقت الحاضر تقريبًا GLEAM4: global land evaporation and soil moisture dataset at 0.1° resolution from 1980 to near present

المجلة: Scientific Data، المجلد: 12، العدد: 1
DOI: https://doi.org/10.1038/s41597-025-04610-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40064907
تاريخ النشر: 2025-03-10

بيانات علمية

افتح

وصف البيانات

GLEAM4: مجموعة بيانات التبخر العالمي من اليابسة ورطوبة التربة بدقة 0.1° من 1980 حتى الوقت الحاضر تقريبًا

دييغو ج. ميرانيس أوليفييه بونت أكاش كوبا أوسكار م. بايز-فيليانويفا إيما ترونكو فنج تشونغ هيلكي إي. بيك بترا هولسمان ووتر دوريجو نيكو إي. سي. فيرهويست وشكوفه حقدوست

تلعب التبخر الأرضي دورًا حاسمًا في تعديل المناخ وموارد المياه. هنا، نقدم مجموعة بيانات يومية مستمرة تغطي مع الدقة المكانية، التي تم إنتاجها باستخدام الجيل الرابع من نموذج تبخر المياه العالمي في أمستردام (GLEAM). يتبنى GLEAM4 التطورات في النمذجة الهجينة، ويتعلم الضغط التبخيري من بيانات التباين الدوامي وتدفق النسغ. يتميز بتمثيل محسّن لعوامل رئيسية مثل الاعتراض، وطلب المياه في الغلاف الجوي، ورطوبة التربة، والوصول النباتي إلى المياه الجوفية. يتم مقارنة التقديرات مع المنتجات العالمية الحالية للتبخر ويتم التحقق منها مقابل القياسات في الموقع، بما في ذلك بيانات من 473 موقعًا للتباين الدوامي، مما يظهر ارتباطًا وسطيًا قدره 0.73، وخطأ جذر متوسط المربعات قدره ، وكفاءة كلينغ-غوبتا تبلغ 0.49. يُقدّر تبخر المياه من اليابسة العالمية بـ مع نُسب إلى النتح. بالإضافة إلى التبخر الفعلي ومكوناته (النتح، فقدان الاعتراض، تبخر التربة، إلخ)، توفر مجموعة البيانات أيضًا رطوبة التربة، التبخر المحتمل، تدفق الحرارة الحساسة، وإجهاد التبخر، مما يسهل مجموعة واسعة من الدراسات الهيدرولوجية والمناخية والبيئية.

الخلفية والملخص

التبخر الأرضي (E) أو ‘التبخر النتحي’ تلعب دورًا حاسمًا في نظام المناخ كنقطة تواصل بين دورات المياه والكربون والطاقة، حيث تتفاعل مع التغيرات في الانبعاثات البشرية وتنشر تأثيرها في جميع أنحاء الدورة الهيدرولوجية العالمية. تنظم التوقعات طويلة الأجل لهطول الأمطار ودرجات الحرارة من خلال تأثيرها على بخار الماء، ومعدل الانخفاض، وتغذية السحب، كما تؤثر على حدوث الأحداث المتطرفة، مثل الجفاف، والفيضانات، وموجات الحر. لإدارة المياه، هو فقد صافي للموارد المتاحة التي يجب مراقبتها، وفي الزراعة، تحدد تبخر المحاصيل احتياجات الري. على الرغم من هذه الأهمية، غير مؤكد بشكل كبير على المستويات الإقليمية والعالمية، خاصة فيما يتعلق بالاتجاهات طويلة الأجل والاستجابات للظواهر المناخية القصيرة الأجل. . تنشأ هذه الحالة من عدم اليقين لأن نادراً ما يتم قياسه في الميدان، (ii) من الصعب نمذجته بدقة (لأنه يتضمن كل من استجابات النباتات الفسيولوجية والعمليات الجوية المضطربة المعقدة)، و (iii) غير مرئي لأجهزة استشعار الأقمار الصناعية (على الرغم من تأثيره على توازن المياه والطاقة السطحية) الطبيعة الحرجة ولكن غير المؤكدة لـ قد حفز محاولات مبتكرة لدمج بيانات الموقع، والساتل، وإعادة التحليل لتقدير العالمية منذ أكثر من عقد من الزمان، تم استخدام العديد من الأساليب لاشتقاق العالمية تم اقتراح مجموعات البيانات غالبًا ما تستند إلى تطبيق نماذج التنبؤ التي تم تصميمها في الأصل لمقاييس إقليمية تم استخدام نماذج التعلم الآلي المدربة على قياسات تدفق الإدي لتقديم عالمياً، من خلال الاستفادة من كل من بيانات الأقمار الصناعية والبيانات الميدانية . ومع ذلك، فإن الأساليب المعتمدة على التعلم الآلي البحت لا تلتزم بشكل صريح بالحدود الفيزيائية، وطبيعتها كصندوق أسود تعقد من قابلية التفسير وفهم العملية اتجاه بحثي ناشئ هو دمج النماذج المستندة إلى الفيزياء ونماذج التعلم الآلي في
اعتراض الأمطار
الشكل 1 مخطط GLEAM4. أسماء المتغيرات ومصادر البيانات مدرجة في الجدول 1، ولونها يدل على الوحدة التي تم استخدامها فيها.
متغير مصدر نوع قرار
الإشعاع الصافي ) والموجات القصيرة الواردة (SW ) MSWX الإصدار 1.00 إعادة تحليل مصغرة
سيريس قمر صناعي
درجة حرارة الهواء ( ) MSWX الإصدار 1.00 إعادة تحليل منخفضة الدقة
أيرز قمر صناعي
هطول ) MSWEP الإصدار 2.8 الاندماج الملاحظ
IMERG النهائي V07 قمر صناعي
سرعة الرياح ( ) ERA5 إعادة تحليل
عجز ضغط البخار (VPD) MSWX الإصدار 1.00 إعادة تحليل مصغرة
أيرز قمر صناعي
تركيز ثاني أكسيد الكربون ) كامز إعادة تحليل
مكافئ مياه الثلج (SWE) جلوب سنو /NSIDC قمر صناعي 25 كم
رطوبة التربة السطحية ) وكالة الفضاء الأوروبية – مركز بيانات تغير المناخ قمر صناعي
عمق البصريات للنباتات (VOD) فودكا v2 قمر صناعي
كسر امتصاص الإشعاع الضوئي الاصطناعي (fPAR) MOD15A3H قمر صناعي 500 م
مؤشر مساحة الورقة (LAI) MOD15A3H قمر صناعي 500 م
ارتفاع الغطاء النباتي ( ) GEDI / لاندسات قمر صناعي 30 م
نسب تغطية الأرض MEaSURES /MOD44B إعادة تحليل مصغرة
خصائص التربة هاي هيدرو سول مدفوع بالملاحظة 250 م
“الجدول 1. مصادر البيانات المستخدمة في GLEAM4. عندما تتوفر مجموعتان من البيانات لنفس المتغير، تشير البيانات الموجودة في الأعلى إلى أرشيف البيانات ‘ ‘ والجزء السفلي إلى أرشيف البيانات ‘ب’.
بطريقة تآزرية، لإنتاج ما يُشار إليه غالبًا بـ ‘النماذج الهجينة’ والتي حققت بالفعل بعض النجاح في النمذجة .
نموذج تبخر المياه من اليابسة العالمي في أمستردام (GLEAM) )، واحدة من أولى الطرق التنبؤية التي تم تطويرها لتقدير على مستوى العالم باستخدام بيانات الأقمار الصناعية، لا يزال متاحًا مجانًا ويستخدم على نطاق واسع، مع أكثر من 10,000 مستخدم مستقل على مدار العقد الماضي تُحدث بيانات GLEAM إلى الوقت الحاضر تقريبًا مرة واحدة على الأقل في السنة، وتشمل ليس فقط ، ولكن أيضًا تدفقات مكوناته المختلفة (أو مصادره): النتح (تبخر الماء داخل الأوراق)، فقدان الاعتراض (من الأسطح الرطبة)، تبخر التربة العارية (داخل مسام التربة)، التبخر من المسطحات المائية الداخلية، والتبخر من الأسطح المغطاة بالثلوج (عادةً، ولكن بشكل غير دقيق، يُشار إليه باسم ‘التسامي’). تتضمن مجموعة البيانات أيضًا متغيرات أخرى ذات صلة، مثل رطوبة التربة (على السطح وفي منطقة الجذور)، التبخر المحتمل، وإجهاد التبخر. تم استخدام بيانات GLEAM لمجموعة واسعة من الأغراض، بما في ذلك
الشكل 2 متوسط التبخر ومكوناته. متوسط التبخر الأرضي على المدى الطويل (1980-2023) تظهر التحلل العالمي لمكونات تدفقها في الرسم البياني الدائري والملف العرضي على اليمين. المتوسطات طويلة الأجل لكل من المكونات (أسفل): النتح خسارة الاعتراض تبخر التربة ومصادر أخرى بما في ذلك تسامي الثلج تبخر المياه المفتوحة ، والتكثف جميع التدفقات في .
تحديد كميات موارد المياه، ودفع نماذج الهيدرولوجيا على مستوى الأحواض، ودراسة الاتجاهات المناخية العالمية، ومعايرة نماذج المناخ على مر السنين، تم إجراء تقييمات شاملة لنموذج GLEAM مقارنة بالملاحظات المباشرة ومجموعات البيانات المصفوفة البديلة لقد أثبتت الأداء المتسق لمجموعة البيانات في مجموعة واسعة من التطبيقات تركزت التحسينات الأخيرة في GLEAM على استخدام التعلم الآلي لتمثيل الإجهاد التبخيري. تصوير وصول المياه الجوفية من خلال النباتات ، وتوصيف خسارة الاعتراض . هنا، نقوم بتوحيد هذه الجهود ونقدم الجيل الرابع من خوارزمية GLEAM ومجموعات البيانات، GLEAM4، التي تتميز أيضًا بدقة مكانية محسّنة (من 0.25 إلى ) وطول السجل الممتد (1980-2023). في الأقسام التالية، يتم شرح النهج مع التركيز بشكل خاص على الجوانب الجديدة مقارنة بسابقه، ويتم تقديم بيانات القيادة، ويتم تحليل مجموعات البيانات العالمية الناتجة من حيث الاتساق الزمكاني والأداء.

طرق

السبب وراء GLEAM هو التركيز بشكل حصري على العمليات التي تؤثر بشكل مباشر مع الحفاظ على نهج مقتصد. الهدف هو استخراج المعلومات الأكثر صلة حول من الملاحظات الحالية للأرض، مع دمج العمليات الجديدة فقط إذا كانت ضرورية ويمكن تقييدها بفعالية من خلال الملاحظات. بناءً على هذا المنطق، يقوم GLEAM بحساب (ومكوناته) من خلال أربع خطوات متتابعة (أو ‘وحدات’) تستهدف حساب (أ) التقاط المياه، (ب) التبخر المحتمل، (ج) محتوى المياه في التربة، و(د) الضغط الناتج عن التبخر تقدم الشكل 1 مخططًا لـ GLEAM4 مع متغيرات الإدخال والإخراج.
الشكل 3 الأنماط الموسمية. المتوسطات طويلة الأجل (1980-2023) لشهور يونيو ويوليو وأغسطس (JJA، يسار) وديسمبر ويناير وفبراير (DJF، يمين) لتبخر اليابسة )، التبخر المحتمل ( الضغط التبخيري رطوبة التربة في منطقة الجذر وتدفق الحرارة السطحية الظاهرة .
من كل وحدة. أولاً، فقدان تقاطُع الأمطار على الأسطح النباتية ( ) والتبخر المحتمل ( ) يتم حسابها. ثم يتم تحويله إلى تبخر فعلي ( ) باستخدام عامل إجهاد تبخيري مضاعف ( الذي يعتمد على رطوبة التربة في منطقة الجذور )، من بين متغيرات أخرى . يتم ذلك بشكل مستقل بالنسبة لجزء التربة العارية، وجزئي النباتات الطويلة والقصيرة داخل كل بكسل، مما يؤدي إلى تقديرات لعملية تبخر التربة العارية (الحقيقية) والنتح ، على التوالي. لأخذ في الاعتبار تبخر التربة العارية في الطبقة السفلية، يقوم GLEAM4 بحساب نقل الإشعاع الوارد من خلال المظلة باستخدام قانون بير-لامبرت.
الشكل 4 عوامل التحكم في التبخر. الأهمية النسبية للطاقة الإشعاعية (الحد الأيسر في المعادلة 1)، الديناميكا الهوائية (الحد الأيمن في المعادلة 1)، والعجز التبخيري ( استنادًا إلى التدفقات المتوسطة على المدى الطويل (1980-2023). يوضح الرسم البياني الشريطي المتوسط العالمي (الموزون حسب المساحة) لكل مصطلح.
الشكل 5 المقارنة العالمية بين تقديرات من مجموعات بيانات مختلفة. العمود الأيسر يظهر المتوسطات طويلة الأجل لـ GLEAM v3.8a ERA5-Land ، و FLUXCOM لفترتهم المشتركة (1980-2020). يتم عرض الفرق بينهم وبين GLEAM4 على اليمين، جنبًا إلى جنب مع الملف اللاتيني المتوسط لجميع مجموعات البيانات الأربعة.
استنادًا إلى مؤشر مساحة الورقة (LAI) . أخيرًا، يعتبر معادلاً لـ في المناطق المغطاة بالثلج والجليد ) والمياه المفتوحة ( )، باستخدام معلمات محددة لهذه الأسطح .
منذ نشر إصدار GLEAM لقد ركزت العديد من جهود البحث على تحسين جوانب متعددة من إطار النمذجة. تتعلق هذه التحسينات بكل من الوحدات الأربع في GLEAM، كما هو موضح في الشكل 1، وقد تم توثيقها في منشورات فردية على مدار السنوات القليلة الماضية. . علاوة على ذلك، (ط) تم توسيع مجموعات البيانات لتشمل الفترة القريبة من الحاضر، و(2) تم زيادة الدقة المكانية من إلى بفضل التحديثات في بيانات القوة. يوفر ما يلي ملخصًا عامًا للمنهجية

GLEAM4

GLEAM v3.8
ERA5-Land
فلوكسكوم


الشكل 6 المقارنة الإقليمية خلال فترات الجفاف الصيفية. الأرقام العلوية تشير إلى شذوذ E خلال جفاف الصيف الأوروبي عام 2003 (يونيو-يوليو-أغسطس). الأرقام السفلية تظهر شذوذ E خلال جفاف الصيف في أمريكا الشمالية عام 1988 (يونيو-يوليو-أغسطس). من اليسار إلى اليمين: GLEAM4، GLEAM v3.8a ERA5-Land و FLUXCOM بدقتها الأصلية (أي، ، على التوالي).
وراء GLEAM4، مع التركيز على التحسينات التي تم إجراؤها على GLEAM v3 وكيف تؤثر هذه التحسينات على التقديرات لـ ، تدفقاته المكونة، وغيرها من المتغيرات الهيدرولوجية المناخية ذات الصلة.
اعتراض الأمطار. يتم حسابه في الأيام الممطرة، مما يساهم في بينما يؤثر على هطول الأمطار الفعال ومحتوى المياه في التربة. لا يزال أحد التدفقات الأكثر عدم اليقين في دورة المياه العالمية، ويرجع ذلك أساسًا إلى محدودية توفر بيانات الحملات الميدانية لتحديد المعلمات (أو تدريب) النماذج العالمية. . في GLEAM4، كانت الطريقة السابقة تعتمد على النموذج التحليلي لجاش يتم استبداله بالنهج في المرجع. الذي قام بإجراء تحليل للبيانات المتعلقة بالاعتراض من تجارب ميدانية سابقة أجريت في جميع أنحاء العالم، بما في ذلك حملات في 166 موقع غابي و17 قطعة زراعية. استنادًا إلى هذا التحليل الشامل، تم تطوير نموذج عالمي للاعتراض من فان دايك-بروينزيل. “تم تقييده باستخدام ديناميات الغطاء النباتي الملاحظة عبر الأقمار الصناعية – أي، نسبة الإشعاع الضوئي النشط الممتص ( ) و LAI – بيانات التبخر المحتمل، وبيانات الهطول . هذا تأخذ الصياغة في الاعتبار التباين الفرعي، حيث تحسب التدفق لكسور النباتات الطويلة والقصيرة بشكل منفصل، مما يحسن من النسخ السابقة من GLEAM التي كانت تشمل فقط التقاط المياه للنباتات الطويلة. وقد تم إثبات هذا الأداء المحسن في تجارب التحقق مقابل بيانات الحقل. بالإضافة إلى المقارنات بين المنتجات .
التبخر المحتمل. على عكس الإصدارات السابقة من GLEAM، التي كانت تعتمد على معادلة بريستلي وتايلور تستخدم GLEAM4 معادلة بنمان لتعكس بشكل صريح تأثير سرعة الرياح ( ارتفاع الغطاء النباتي ( )، وفرق ضغط البخار (VPD، باسكال) على كانت الدافع الأصلي لاستخدام بريستلي وتايلور هو متطلبات الإدخال الدنيا (أي الإشعاع الصافي ودرجة حرارة الهواء)، مما يجعله مناسبًا تمامًا لتطبيقات بيانات الأقمار الصناعية. . ومع ذلك، فإن التقدم الأخير في استشعار الأرض عن بُعد عبر الأقمار الصناعية وإعادة تحليل المناخ قد أسفر عن مجموعات بيانات رصدية من ، و VPD ، مما يجعل نهج بنمان أكثر ملاءمة للغرض. على هذا النحو، في GLEAM4 يتم حسابه لكل نسبة تغطية أرضية داخل كل بكسل كالتالي:
أين هو ميل منحنى ضغط بخار التشبع هو الإشعاع الصافي السطحي تدفق الحرارة من الأرض هو كثافة الهواء هو السعة الحرارية عند ضغط ثابت هو الموصلية الهوائية الكتلية ( ) ، هو الحرارة الكامنة للتبخر للماء ( )، و هو الثابت السيكرو متري ( ). و يتم حسابها كدالة لدرجة حرارة الهواء يتم تقسيمه حسب نسبة تغطية الأرض ، و الـ النسبة تعتبر دالة عكسية لمؤشر مساحة الأوراق (LAI) يتم تقريبه باستخدام معادلة توم مع افتراض وجود جو محايد وأخذ في الاعتبار المقاومة الزائدة لنقل البخار مقارنة بالزخم :
الشكل 7 التحقق باستخدام قياسات التباين المتزامن في الموقع. مخططات تايلور الكثافة للتحقق من GLEAM4 و GLEAM v3.8a ERA5-Land ، و FLUXCOM ضد البيانات الموجودة في الموقع (يسار). يتم عرض الانحراف المعياري المنظم (std) وارتباط بيرسون (R) وخطأ الجذر التربيعي المتوسط المتمركز (RMSE). يتم تمييز الأداء المثالي بنجمة حمراء. تُستخدم دوال كثافة النواة الغاوسية لتقدير كثافة الاحتمال لنقاط البيانات في الفضاء القطبي (المحدد بواسطة R وstd)، وبالتالي تشير مستويات الكنتور إلى عتبات غير محددة لوحدات قيم الكثافة. مخططات الكمان لكفاءة كلينغ-غوبتا لأربعة مجموعات بيانات (يمين). يتم تمييز الوسيط ونطاقات الربع بين الخطوط المستمرة وغير المستمرة، على التوالي. التحقق بناءً على بيانات من 473 موقعًا.
أين هو ثابت فون كارمان (0.41) هو ارتفاع الـ الملاحظات (م) هو ارتفاع إزاحة مستوى الصفر (م)، و هو طول الخشونة للعزم (م)؛ و يُفترض أن تكون و من على التوالي للكسور غير النباتية مع اعتماد إضافي على LAI للكسور النباتية طول الخشونة للبخار الذي يُفترض أن يكون هو نفسه للحرارة يتم حسابه من عبر ما يُسمى بـ نهج، حيث هو قيمة محددة للنباتات تأخذ قيم 5 و 8 للنباتات القصيرة والطويلة، على التوالي. .
مياه التربة. يتطلب محتوى مياه التربة عبر عمق الجذور للحسابات اللاحقة للضغط الناتج عن التبخر (انظر أدناه). يستخدم GLEAM توازن مياه متعدد الطبقات مدفوعًا ببيانات الهطول (و )، الذي يعتبر عمق جذر ثابت لكل نسبة تغطية أرضية رطوبة التربة باستخدام الميكروويف ) و/أو ملاحظات الانعكاس الخلفي يتم دمجها في طبقة التربة السطحية. يُفترض أن النباتات قادرة على استخراج الماء من الأماكن الأكثر سهولة في الوصول إليها ضمن ملف التربة؛ وبالتالي يتم اختيار أكثر طبقات التربة رطوبة لحساب الضغط الناتج عن التبخر. في الطبيعة، يمكن أن تكون المياه الجوفية أيضًا مصدرًا مهمًا لـ ، خاصةً خلال الظروف الجافة وفي النظم البيئية حيث تمتلك النباتات جذورًا عميقة . لم تأخذ الإصدارات السابقة من GLEAM في الاعتبار بشكل صريح وصول النباتات إلى المياه الجوفية. النهج الذي اعتمده GLEAM4 يستخدم نموذج خزان خطي لتمثيل المياه الجوفية، ويقدم تقسيمًا لعملية النتح لتقدير المصادر المائية الجوفية. التحققات ضد الملاحظات الميدانية ، رطوبة التربة، التدفق ومستويات المياه الجوفية أظهرت تمثيلاً واقعياً لـ تحت ظروف محدودة المياه ، مما يمكّن من دمج بيانات جاذبية الأقمار الصناعية في النموذج في المستقبل “تقوم GLEAM4 بدمج بيانات رطوبة التربة السطحية من مبادرة تغير المناخ التابعة لوكالة الفضاء الأوروبية (ESA)”. (انظر الجدول 1). تعتمد عملية دمج البيانات على نظام دفع نيوتوني حيث يتم أولاً تحليل رطوبة التربة إلى شذوذات، ثم يتم حساب عدم اليقين في الأخيرة بناءً على التثليث الثلاثي. .
الشكل 8 مثال على السلاسل الزمنية. السلاسل الزمنية لـ GLEAM4، GLEAM v3.8a ERA5-Land ، و FLUXCOM ضد البيانات الموجودة في الموقع من أربعة مواقع عينة خلال مجموعة من السنوات القصوى. تشير الرسوم البيانية اليسرى إلى الشذوذ في بينما تظهر الرسوم البيانية اليمنى المناخ الموسمي لكل يوم من أيام السنة (DOY).
إجهاد التبخر. كما ذُكر أعلاه، لتقييد أدناه تستخدم GLEAM عامل ضغط مضاعف الذي يتراوح من 0 (أقصى ضغط) إلى 1 (لا ضغط). من المتوقع أن تلتقط جميع العوامل التي تقيد إمداد المياه إلى الغلاف الجوي دون الطلب الجوي (أي، ). في GLEAM4، الحساب شبه التجريبي الأصلي لـ استنادًا إلى رطوبة التربة (انظر أعلاه) وعمق البصريات للنباتات (VOD) يتم استبداله بالنهج القائم على الشبكات العصبية العميقة المقدم في المرجع. . الأخير يعترف بأن النسبة بين التبخر الفعلي والقدري يمكن التحكم فيها بواسطة العديد من المتغيرات البيئية التي تتفاعل بشكل غير خطي، بما في ذلك ليس فقط رطوبة التربة و VOD، ولكن أيضًا VPD، والإشعاع الشمسي الوارد (SW ) ، درجة حرارة الهواء ( ) ، تركيز ، و LAI – انظر الشكل 1. يتم استخدام بيانات التدفق الإيدي العالمي وبيانات تدفق النسغ لتعلم دوال الإجهاد الناتج عن النتح العالمية، بشكل منفصل للنباتات الطويلة والقصيرة. صيغ الشبكة العصبية لـ
مضمنة ضمن GLEAM4، مما يتيح الربط الثنائي الاتجاه مع النموذج القائم على العمليات ويؤثر على كلاهما ورطوبة التربة المستخدمة في الحساب في الخطوة الزمنية التالية. أظهرت المقارنات مع البيانات الموجودة في الموقع والبدائل المعتمدة على الأقمار الصناعية أن النهج الهجين (المعتمد على الذكاء الاصطناعي والعمليات) لديه قدرة محسنة على التقدير و لأغلب النظم البيئية مقارنةً بالإصدارات السابقة من GLEAM .
بيانات الإدخال. الجدول 1 يسرد جميع المتغيرات المدخلة ومجموعات البيانات المستخدمة في توليد مجموعات بيانات GLEAM4. تم إعادة أخذ عينات بيانات الإدخال إلى مستوى مشترك التحسين من خلال التداخل الثنائي، عند الحاجة.

سجلات البيانات

أرشيف البيانات. يبلغ حجم مجموعة بيانات GLEAM4 حاليًا حوالي 1.1 تيرابايت. البيانات متاحة مجانًا على خادم SFTP عام بموجب ترخيص CC BY، ويمكن الوصول إليها من خلالhttps://www.gleam.eu/#downloadsللحصول على وصف مفصل لمجموعة البيانات، نوجه القراء إلى الملاحظات الفنية فيhttps://doi.org/10.5281/زينودو.14056079. الـ يمكن أيضًا العثور على مجموعة البيانات من النسخة الفرعية الدقيقة المستخدمة في هذه المخطوطة (v4.2a) في هذا المستودع. كما يمكن العثور على مواصفات مجموعة البيانات على موقع GLEAM ومن خلال معرف الكائن الرقمي (DOI). . الفترة التي يغطيها GLEAM4 هي حاليًا من 1980 إلى 2023 بدقة زمنية يومية و الدقة المكانية. يتم تحديث مجموعات بيانات GLEAM سنويًا (في مارس-أبريل) وتوسيعها حتى نهاية السنة السابقة، مع توفر بيانات الإدخال.
مثل الإصدارات السابقة من GLEAM يتوفر أرشيفان متميزان من البيانات يختلفان في تغطيتهما الزمنية وموثوقيتهما على البيانات الملاحظة. يعتمد الأرشيف ‘أ’ بشكل أساسي على إعادة التحليل من مصادر الطقس المتعددة (MSWX ) وهطول الأمطار من مجموعة الوزن المتعددة المصادر لهطول الأمطار (MSWEP ) كبيانات قسرية. يغطي الفترة بأكملها من 1980 إلى 2023، وهو مخصص للدراسات المناخية التي تتطلب فترات سجلات أطول. الأرشيف ‘ب’ له طبيعة أكثر ملاحظة وموثوقية أقل على إعادة التحليل بسبب استخدامه لتدفقات الإشعاع من نظام الطاقة الإشعاعية للغيوم والأرض (CERES). الترسيب من استرجاعات متعددة الأقمار الصناعية المتكاملة لمهمة الترسيب العالمية (IMERG) )، ودرجة الحرارة وVPD من جهاز الاستشعار بالأشعة تحت الحمراء الجوية (AIRS ومع ذلك، فإن طول سجله أقصر، حيث يمتد حالياً من عام 2003 إلى عام 2023. الجدول 1 يوضح مجموعات البيانات المحددة المستخدمة لإنشاء كلا أرشيفي البيانات.
المتغيرات الاثنا عشر التالية متاحة لكل من أرشيفي البيانات (‘أ’ و ‘ب’):
التبخر الفعلي يوم
النتح ( ، )
تبخر التربة العارية ( )
خسارة الاعتراض ( ، )
تبخر المياه المفتوحة ( )
تكثف ( , يوم مم )
تبخر فوق الثلج والجليد ، )
التبخر المحتمل ( , يوم مم )
إجهاد التبخر ( بدون وحدة)
رطوبة التربة السطحية ( )
رطوبة التربة في منطقة الجذور ( )
تدفق الحرارة السطحية الحسية ( )
هيكل البيانات. يتم تنظيم البيانات في ملفات netCDF، مع ملف واحد لكل متغير لكل سنة. يحتوي كل ملف يومي على مصفوفة ثلاثية الأبعاد بأبعاد ، حيث هو عدد الأيام في السنة المعنية، 1800 هو عدد خلايا الشبكة في البعد العرضي، و3600 هو عدد خلايا الشبكة في البعد الطولي. الخلية الأولى في كل ملف تتوافق مع 1 يناير من تلك السنة، مركزة عند خط العرض وطول . بالإضافة إلى البيانات اليومية، تحتوي ملفات netCDF على بيانات شهرية (الأبعاد ) والأبعاد السنوية ) تعني متاحة أيضًا.
تُخزن هذه المجموعات البيانية على الخادم العام في هيكل الدليل التالي: <ARCHIVE>/ <TEMPORAL_RESOLUTION>/، حيث يشير <ARCHIVE> إما إلى GLEAM4.2a (v4.2a) أو GLEAM4.2b (v4.2b)، و <TEMPORAL_RESOLUTION> يشير إلى مستوى التجميع الزمني (‘يومي’، ‘شهري’، أو ‘سنوي’)، و ‘v4.2’ تشير إلى النسخة الفرعية من مجموعة بيانات GLEAM4. تُنظم المجموعات البيانية اليومية حسب السنة، بينما تُنظم المجموعات البيانية الشهرية والسنوية حسب المتغير.
تتبع الملفات اليومية هذا النمط في التسمية: <VARIABLE><سنة>بريق<ARCHIVE>.nc، حيث <VARIABLE> يتوافق مع أسماء المتغيرات المدرجة في القسم السابق: ‘E’، ‘Et’، ‘Eb’، ‘Ei’، ‘Ew’، ‘Ec’، ‘Es’، ‘Ep’، ‘S’، ‘SMrz’، ‘SMs’، ‘H’، و <YEAR> هو السنة المكونة من أربعة أرقام. على سبيل المثال، سيكون اسم الملف الذي يحتوي على بيانات التبخر اليومية لعام 2023 في مجموعة البيانات ‘a’ كالتالي:
v4.2a/يومي/2023/E_2023_GLEAM_v4.2a.nc.
تتبع الملفات الشهرية والسنوية هذا النمط في التسمية: <VARIABLE><سنة>بريق<ARCHIVE>_<TEMPORAL_RESOLUTION>.nc، حيث يتم اختصار <TEMPORAL_RESOLUTION> إلى ‘MO’ للشهري أو ‘YR’ للسنو. بالنسبة للملفات الشهرية والسنوية، وحدات التدفق هي مم في الشهر و mm سنة بدلاً من يوم مم على سبيل المثال، سيكون اسم ملف يحتوي على بيانات رطوبة التربة في منطقة الجذر الشهرية لعام 2010 من أرشيف ‘b’ كالتالي:
v4.2b/شهري/SMrz/SMrz_2010_GLEAM_v4.2b_MO.nc.

التحقق الفني

أنماط عالمية. الشكل 2 يستكشف المتوسط العالمي الأنماط (1980-2023)، جنبًا إلى جنب مع المساهمات المطلقة والنسبية من تدفقات المكونات المختلفة. ما لم يُذكر خلاف ذلك، فإن GLEAM4 يتوافق مع بيانات v4.2a، أحدث إصدار فرعي في وقت كتابة هذه المخطوطة. كما هو متوقع، تسيطر على التدفق عالميًا، خاصة في المناطق الاستوائية الرطبة ذات الكثافة النباتية العالية بسبب توفر المياه في التربة على مدار السنة والإشعاع العالي الوارد. الـ
النسبة العالمية لـ يعود إلى هو ، يقع ضمن نطاق التقديرات العالمية الحالية ، ولكن تحت الـ من GLEAM v ، الذي كان في الطرف العالي من طيف المنتجات المتاحة عالميًا. تقليل من GLEAM v3 إلى GLEAM4، النتائج الناتجة عن اعتبار فقدان تقاطعات الغطاء النباتي القصير وتبخر التربة العارية تحت الغطاء في GLEAM4، من بين تحسينات منهجية أخرى (انظر الطرق). يشكل من التدفق العالمي، حيث يكون أكبر في المناطق الحرجية، كما هو متوقع، بينما يبلغ عالمي وهو أكبر في المناطق ذات الغطاء النباتي القليل. تشير التقديرات السلبية في GLEAM4 إلى التكثف وتُعرض مع مكونات أخرى ثانوية (أي، الثلج وتبخر المياه المفتوحة) في الشكل 2. المتوسط في GLEAM4 هو ، الذي يتوافق مع تقييمات دورة المياه المتطورة المستندة إلى تحليل شامل للأدبيات ( ) ومع مجموعات البيانات العالمية الأخرى (انظر أدناه).
تُظهر الديناميات الموسمية لبعض المتغيرات الرئيسية من GLEAM4 في الشكل 3. تعرض الألواح الفرعية المتوسط العالمي لعدة سنوات (1980-2023). ، و خلال الصيف الشمالي (يونيو، يوليو، أغسطس)، والشتاء الشمالي (ديسمبر، يناير، فبراير). نمط الموسم من يتماشى بشكل أساسي مع دورة الإشعاع الصافي، بينما يتحدد أيضًا حسب موسمية ، وبالتالي هطول الأمطار. المناطق شبه الاستوائية التي تتمتع بهطول أمطار كافٍ خلال فترة يونيو ويوليو وأغسطس (مثل الهند، شمال أستراليا، أجزاء من جنوب أفريقيا، أو الساحل الشرقي للولايات المتحدة) تظهر أكبر التباينات في مع الصيف غالبًا ما تكون أكبر بمقدار ترتيب من حيث الحجم مقارنة بمستويات الشتاء. في المناطق الأكثر جفافًا، مثل وسط أستراليا أو شبه الجزيرة العربية، حيث تكون حالات هطول الأمطار نادرة، فإن الأحجام الموسمية من تظل منخفضة باستمرار طوال العام وغير متأثرة بـ الدورة. في هذه المناطق، يحدث تشتت الطاقة المتاحة بشكل أساسي من خلال بسبب محدود و . بالمثل، تظل منخفضة باستمرار في مناطق الثلوج الدائمة، على الرغم من القيم الأعلى خلال موسم الإشعاع العالي. بشكل عام، تتفق هذه الأنماط الموسمية مع الأدبيات ذات الصلة. .
فهم الاعتماد على يمكن أن توفر العوامل المختلفة المحركة رؤى حاسمة حول السلوك الموسمي لـ في مناطق محددة، وربما إلى الضوابط الرئيسية على المدى الطويل اتجاهات يوفر الشكل 4 نظرة عامة على هذه العوامل المحركة، مستفيدًا من تقسيم التبخر المحتمل إلى مصطلح ديناميكي هوائي ومصطلح إشعاعي في معادلة دمج بنمان (انظر المعادلة 1)، واستغلال الحساب المنفصل للإجهاد التبخيري في GLEAM4 (انظر الطرق). تشير الألوان الحمراء في المناطق شبه الجافة إلى هيمنة العجز التبخيري. ؛ في هذه المناطق، إمدادات الهطول غير كافية لتلبية الطلب العالي على الماء من الغلاف الجوي. من ناحية أخرى، في الغابات المعتدلة والغابات الشمالية، إمدادات الهطول كافية لتلبية الطلب الجوي؛ وبشكل خاص، المكون الديناميكي الهوائي لـ (الذي يعتمد على الرياح، والاضطراب، وارتفاع النظام البيئي، وVPD) يظهر أهمية أكبر، كما هو موضح من خلال الألوان الخضراء. في المناطق الاستوائية، يتم تلبية ذلك بشكل أساسي من خلال المكون الإشعاعي لـ (الألوان الزرقاء)، والتي تكون مرتفعة بسبب الإشعاع الوارد العالي وانخفاض الانعكاسية في الغابات المطيرة. على مستوى العالم، يتطلب الغلاف الجوي الماء، أو يضيف إلى الذي غير راضٍ (عجز تبخيري)، والباقي مُرضى بـ من خلال الإشعاعية ( ) و ديناميكي هوائي ( ) العمليات.
التحقق والمقارنة. الشكل 5 يوضح مقارنة بين GLEAM4 ضد الاستخدام العالمي المتكرر مجموعات البيانات، بما في ذلك سابقتها المباشرة GLEAM v3.8a إعادة تحليل ERA5-Land و FLUXCOM (RS-METEO) تشير الوسائل طويلة الأجل لجميع مجموعات البيانات إلى أنماط جغرافية مشابهة، حيث يظهر GLEAM4 توافقًا أكبر مع ERA5-Land وFLUXCOM في المناطق الاستوائية مقارنةً بـ GLEAM v3.8a، ويرجع ذلك إلى انخفاض تقديرات النتح في الغابات المطيرة (كما هو موضح في المقارنة بين الشكل 2 والنتائج في المرجع). تشير الفروقات الإقليمية إلى قيم مرتفعة نسبيًا لنموذج GLEAM4 مقارنة بالمنتجات الأخرى في الغابات المعتدلة والغابات الشمالية في نصف الكرة الشمالي، حيث يؤدي أخذ بعين الاعتبار المصطلح الديناميكي الهوائي في معادلة بنمان (1) في النسخة الجديدة إلى ارتفاع ومن ثم أعلى من GLEAM v3.8a. التقديرات المنخفضة نسبيًا من GLEAM4 تتركز في النظم البيئية شبه الجافة – مثل غرب الولايات المتحدة، وجنوب إفريقيا أو منطقة البحر الأبيض المتوسط – خاصة عند مقارنتها بـ FLUXCOM و ERA5-Land. وهذا يعكس حقيقة أن الضغط التبخيري في GLEAM4 تحت ظروف نقص المياه أكبر من GLEAM v3.8a، بغض النظر عن الطلب الجوي العام الأكبر على المياه في الأولى (كما يتضح من المقارنة بين في الشكل 3 والنتائج في المرجع. ).
التقديرات العالمية المتوسطة لـ من المجموعات الأربعة للبيانات قابلة للمقارنة، تتراوح من الأعلى إلى الأدنى: 72.8، 71.8، 68.5 و ، بالنسبة لـ ERA5-Land و GLEAM v3.8a و GLEAM4 و FLUXCOM، على التوالي. كما هو موضح أعلاه، تقع هذه التقديرات ضمن نطاق تحليل ميتا حديث الذي أفاد .
على المقاييس الإقليمية، تبدو أنماط GLEAM4 واقعية وتبرز قيمة الانتقال إلى دقة مكانية أعلى لالتقاط تأثير التضاريس المعقدة وتغيرات استخدام الأراضي بشكل أفضل. الشكل 6 يقارن التقديرات من GLEAM4 بتلك من مجموعات البيانات الثلاث الأخرى خلال اثنين من أكثر فترات الجفاف الصيفية أهمية في السجل التاريخي: جفاف أمريكا الشمالية عام 1988. وجفاف أوروبا في عام 2003 كلاهما تفاقم بسبب موجات حر شديدة. خلال أحداث الجفاف وموجات الحر، يميل إلى إظهار شذوذات إيجابية في المراحل المبكرة، طالما أن رطوبة التربة متاحة بشكل كافٍ، بسبب الطلب الجوي العالي على الماء. . ومع ذلك، مع تقدم هذه الأحداث ونتيجة لنقص رطوبة التربة الذي يؤدي إلى زيادة الضغط التبخيري ( عادةً ما تصبح الشذوذات سلبية، مما يؤدي إلى تفعيل آليات التغذية الراجعة التي يمكن أن تزيد من شدة الأحداث. ما إذا كانت الشذوذات إيجابية أو سلبية بشكل عام عند دمجها عبر الحدث يعتمد إلى حد كبير على ظروف رطوبة التربة الأولية ومدة وشدة الحدث. تبدو مجموعات البيانات الأربعة التي تم تقييمها في الشكل 6 قادرة على التقاط هذا التفاعل المعقد بين إمدادات المياه والطلب، حيث تظهر توافقًا جيدًا في التوزيع الإقليمي للشذوذات الإيجابية والسلبية. من الواضح أن دقة FLUXCOM الأقل، وكذلك الصعوبات المبلغ عنها في التقاط حجم الشذوذات. ومع ذلك، فإن الجيل الجديد من مجموعات بيانات FLUXCOM التي تم إصدارها مؤخرًا تستخدم دقة أعلى وقد تقدم قدرات محسنة لالتقاط الشذوذات خلال مثل هذه الأحداث. .
لتقييم مهارة GLEAM4 في التقاط الديناميات الزمنية على مستوى النظام البيئي، تُحقق التقديرات مقابل بيانات التباين الدوار في الموقع من مجموعة واسعة من الشبكات العالمية، بما في ذلك FLUXNET La Thuile وFLUXNET2015 وFLUXNET-CH4 وAmeriFlux وICOS وEFDC. للمحطات المكررة عبر المصادر، تم الاحتفاظ بأطول سجل. بعد ذلك، تم استبعاد المواقع التي تحتوي على أقل من 250 يومًا. وهذا أسفر عن
عينة نهائية من 473 موقعًا و2511 سنة من البيانات. الشكل 7 يقارن الأداء العام لمجموعات البيانات الأربعة GLEAM4 والمجموعات الثلاث الأخرى (أي GLEAM v3.8a وERA5-Land وFLUXCOM) في المحاكاة . يتم توضيح النتائج من خلال مخططات كثافة تايلور ومخططات الكمان لكفاءة كلينغ-غوبتا (KGE)، حيث تعرض كلاهما توزيع مقاييس التحقق التي تم حسابها لكل موقع. تشير الانحراف المعياري الطبيعي (std) في مخططات تايلور إلى ميل طفيف لجميع مجموعات البيانات (باستثناء ERA5-Land) إلى التقليل من تقدير تباين سلاسل زمنية، والتي قد تتعلق بتغطيتها الكبيرة من البكسلات مقارنةً بالمساحة الأصغر للبرج. متوسط خطأ الجذر التربيعي (RMSE) وارتباط بيرسون (R) متشابهان لجميع مجموعات البيانات، لكنهما أفضل قليلاً بالنسبة لـ FLUXCOM. ) من GLEAM4 ( ) و ERA5-Land ( في هذه الأثناء، تُظهر قيم KGE – التي تدمج الارتباط والتباين والانحياز – قيمًا متوسطة أعلى (وبالتالي أداءً أفضل) لـ GLEAM4 مقارنةً بـ ERA5-Land (0.49 مقابل 0.45)، وتحسن طفيف عن GLEAM v3.8a (0.48).
الشكل 8 يzoom إلى سلسلة زمنية مثال في أربعة مواقع محددة. المواقع تتوافق مع غابة التنوب في ثارانديت في شرق ألمانيا (DE-Tha)، وموقع زراعة الذرة وفول الصويا المعتمد على الأمطار في نبراسكا (US-Ne3)، وموقع السافانا في الغابات المفتوحة الأسترالية في هاوارد سبرينغز (AU-How)، والغابة المتوسطية دائمة الخضرة في فرنسا في بويشابون (FR-Pue). تم اختيار هذه المواقع بناءً على سجلاتها الطويلة ( سنوات) التي تسمح بالحساب الموثوق للأنماط المناخية الموسمية. تم اختيار السنوات بناءً على الظروف القصوى: الجفاف لفرنسا-بوي و US-Ne3 موجات حر لـ DE-Tha ، والأحداث المطرية لـ AU-How تشير سلسلة الزمن اليسرى إلى الشذوذ في تم حسابه عن طريق طرح المناخ الموسمي لمجموعة البيانات المقابلة، باستخدام متوسط متعدد السنوات لكل يوم تقويمي ومتوسط متحرك لمدة 31 يومًا لحساب ذلك المناخ. تظهر سلاسل الزمن للانحرافات تقلبات كبيرة عبر المواسم والأحداث المناخية، وغالبًا ما توجد اختلافات بين مجموعات البيانات المختلفة، ولكن أيضًا تشابهات ملحوظة بينها وعند مقارنتها بالبيانات الميدانية. يتم ملاحظة هذا النمط في جميع المحطات الأربع. بينما قد يبدو محاكاة الدورات الموسمية بشكل صحيح في المبدأ مهمة تافهة مقارنة بمحاكاة الانحرافات الزمنية بدقة، تشير الألواح الصغيرة على اليمين إلى أن المنتجات المختلفة لا تزال تواجه صعوبة في محاكاة الموسمية. . قد يتعلق هذا بالاختلافات في تغطية الأرض من بصمة البرج إلى وحدات البكسل ذات الدقة الخشنة، كما أنه يتأثر أيضًا بالتحيزات في بيانات الإدخال المستخدمة من قبل كل من النماذج. ومع ذلك، تلتقط جميع مجموعات البيانات توقيت الدورة الموسمية، لكنها تفرط في تقدير سعتها في DE-Tha و FR-Pue، بينما تظهر تباينًا أكبر بشكل عام وميلاً للتقليل من التقدير في كل من US-Ne3 و AU-How. بشكل عام، يتماشى GLEAM4 جيدًا مع الدورات الموسمية الملاحظة، وعلى الرغم من الأداء غير المتجانس عبر المواقع، فإنه يعيد إنتاج الشذوذ عبر مناخات ونظم بيئية متنوعة بنجاح، حتى خلال الأحداث المتطرفة مثل تلك الموضحة في الشكل 8.

توفر الشيفرة

يمكن الحصول على شيفات MATLAB و Python لتوليد النتائج وإنشاء جميع الأشكال في المقالة من المستودع العام على https://doi.org/10.5281/zenodo.14056593 . يمكن طلب شيفرة Python المستخدمة لتوليد منتجات GLEAM4 عبر info@gleam.eu لأغراض التكرار. ومع ذلك، تم تخصيص الشيفرة لنظام الحوسبة والتخزين في مركز الحواسيب الفائقة الفلمنكية (VSC) وبالتالي فهي غير مناسبة للاستخدام في بيئات أخرى.
تاريخ الاستلام: 19 نوفمبر 2024؛ تاريخ القبول: 11 فبراير 2025؛
تاريخ النشر: 10 مارس 2025

References

  1. Miralles, D. G., Brutsaert, W., Dolman, A. J. & Gash, J. H. On the use of the term “Evapotranspiration”. Water Resour. Res. 56, e2020WR028055, https://doi.org/10.1029/2020wr028055 (2020).
  2. Miralles, D. G., Gentine, P., Seneviratne, S. I. & Teuling, A. J. Land-atmospheric feedbacks during droughts and heatwaves: State of the science and current challenges. Annals New York Acad. Sci. 1436, 19-35, https://doi.org/10.1111/nyas. 13912 (2019).
  3. Teuling, A. J. et al. Evapotranspiration amplifies European summer drought. Geophys. Res. Lett. 40, 2071-2075, https://doi. org/10.1002/grl. 50495 (2013).
  4. Brocca, L. et al. A Digital Twin of the terrestrial water cycle: a glimpse into the future through high-resolution Earth observations. Front. Sci. 1, 1190191, https://doi.org/10.3389/fsci.2023.1190191 (2024).
  5. Miralles, D. G. et al. El Niño-La Niña cycle and recent trends in continental evaporation. Nat. Clim. Chang. 4, 122-126, https://doi. org/10.1038/nclimate2068 (2014).
  6. Vicente-Serrano, S. M. et al. The uncertain role of rising atmospheric CO2 on global plant transpiration. Earth-Science Rev. 230, 104055, https://doi.org/10.1016/j.earscirev.2022.104055 (2022).
  7. Zhao, M., A, G., Liu, Y. & Konings, A. G. Evapotranspiration frequently increases during droughts. Nat. Clim. Chang.1-7, https:// doi.org/10.1038/s41558-022-01505-3 (2022).
  8. Dorigo, W. et al. Closing the water cycle from observations across scales: Where do we stand? Bull. Am. Meteorol. Soc. 1-95, https:// doi.org/10.1175/bams-d-19-0316.1 (2021).
  9. Ezenne, G. I., Eyibio, N. U., Tanner, J. L., Asoiro, F. U. & Obalum, S. E. An overview of uncertainties in evapotranspiration estimation techniques. J. Agrometeorology 25, https://doi.org/10.54386/jam.v25i1. 2014 (2023).
  10. Miralles, D. G. et al. Global land-surface evaporation estimated from satellite-based observations. Hydrol. Earth Syst. Sci. 15, 453-469, https://doi.org/10.5194/hess-15-453-2011 (2011).
  11. Fisher, J. B., Tu, K. P. & Baldocchi, D. D. Global estimates of the land-atmosphere water flux based on monthly AVHRR and ISLSCPII data, validated at 16 FLUXNET sites. Remote. Sens. Environ. 112, 901-919 (2008).
  12. Mu, Q., Zhao, M. & Running, S. W. Improvements to a MODIS global terrestrial evapotranspiration algorithm. Remote. Sens. Environ. 115, 1781-1800, https://doi.org/10.1016/j.rse.2011.02.019 (2011).
  13. Penman, H. L. Natural evaporation from open water, bare soil and grass. Proc. Royal Society of London Series A- Mathematical and Physical Sciences 193, 120-145 (1948).
  14. Priestley, C. H. B. & Taylor, R. J. On the assessment of surface heat flux and evaporation using large-scale parameters. Mon. Weather. Rev. 100, 81-92 (1972).
  15. Monteith, J. L. Evaporation and environment. Symp. Soc. for Exp. Biol. 19, 4 (1965).
  16. Jung, M., Reichstein, M. & Bondeau, A. Towards global empirical upscaling of FLUXNET eddy covariance observations: Validation of a model tree ensemble approach using a biosphere model. Biogeosciences 6, 2001-2013 (2009).
  17. Nelson, J. A. et al. X-BASE: The first terrestrial carbon and water flux products from an extended data-driven scaling framework, FLUXCOM-X. EGUsphere 2024, 1-51, https://doi.org/10.5194/egusphere-2024-165 (2024).
  18. Reichstein, M. et al. Deep learning and process understanding for data-driven earth system science. Nature 566, 195-204, https:// doi.org/10.1038/s41586-019-0912-1 (2019).
  19. Zhao, W. L. et al. Physics-constrained machine learning of evapotranspiration. Geophys. Res. Lett. 46, 14496-14507, https://doi. org/10.1029/2019gl085291 (2019).
  20. Kraft, B., Jung, M., Körner, M., Koirala, S. & Reichstein, M. Towards hybrid modeling of the global hydrological cycle. Hydrol. Earth Syst. Sci. Discuss. 2021, 1-40, https://doi.org/10.5194/hess-2021-211 (2021).
  21. Koppa, A., Rains, D., Hulsman, P., Poyatos, R. & Miralles, D. G. A deep learning-based hybrid model of global terrestrial evaporation. Nat. Commun. 13, 1912, https://doi.org/10.1038/s41467-022-29543-7 (2022).
  22. ElGhawi, R. et al. Hybrid modeling of evapotranspiration: Inferring stomatal and aerodynamic resistances using combined physicsbased and machine learning. Environ. Res. Lett. 18, 034039, https://doi.org/10.1088/1748-9326/acbbe0 (2023).
  23. Jahromi, M. N. et al. Ten years of GLEAM: A review of scientific advances and applications. In Bozorg-Haddad, O. & Zolghadr-Asli, B. (eds.) Computational Intelligence for Water and Environmental Sciences, 525-540, https://doi.org/10.1007/978-981-19-2519-1_25 (Springer Nature Singapore, Singapore, 2022).
  24. Michel, D. et al. The WACMOS-ET project – Part 1: Tower-scale evaluation of four remote-sensing-based evapotranspira- tion algorithms. Hydrol. Earth Syst. Sci. 20, 803-822, https://doi.org/10.5194/hess-20-803-2016 (2016).
  25. Talsma, C. J. et al. Partitioning of evapotranspiration in remote sensing-based models. Agric. For. Meteorol. 260, 131-143, https:// doi.org/10.1016/j.agrformet.2018.05.010 (2018).
  26. Miralles, D. G. et al. The WACMOS-ET project – part 2: Evaluation of global terrestrial evaporation data sets. Hydrol. Earth Syst. Sci. 20, 823-842, https://doi.org/10.5194/hess-20-823-2016 (2016).
  27. Mccabe, M. F. et al. The GEWEX LandFlux project: evaluation of model evaporation using tower-based and globally gridded forcing data. Geosci. Model. Dev. 9, 283-305, https://doi.org/10.5194/gmd-9-283-2016 (2016).
  28. Hulsman, P., Keune, J., Koppa, A., Schellekens, J. & Miralles, D. G. Incorporating plant access to groundwater in existing global, satellite-based evaporation estimates. Water Resour. Res. 59, https://doi.org/10.1029/2022WR033731 (2023).
  29. Zhong, F. et al. Revisiting large-scale interception patterns constrained by a synthesis of global experimental data. Hydrol. Earth Syst. Sci. 26, 5647-5667, https://doi.org/10.5194/hess-26-5647-2022 (2022).
  30. van Dijk, A. I. J. M. & Bruijnzeel, L. A. Modelling rainfall interception by vegetation of variable density using an adapted analytical model. part 1. model description. J. Hydrol. 247, 230-238, https://doi.org/10.1016/s0022-1694(01)00392-4 (2001).
  31. Martens, B. et al. GLEAM v3: Satellite-based land evaporation and root-zone soil moisture. Geosci. Model. Dev. 10, 1903-1925, https://doi.org/10.5194/gmd-10-1903-2017 (2017).
  32. Miralles, D. G., Gash, J. H., Holmes, T. R. H., de Jeu, R. A. M. & Dolman, A. J. Global canopy interception from satellite observations. J. Geophys. Res. Atmospheres 115, D16122, https://doi.org/10.1029/2009jd013530 (2010).
  33. Gash, J. H. C. & Morton, A. J. An application of the Rutter model to the estimation of the interception loss from Thetford Forest. J. Hydrol. 38, 49-58, https://doi.org/10.1016/0022-1694(78)90131-2 (1978).
  34. van Dijk, A. I. J. M. & Bruijnzeel, L. A. Modelling rainfall interception by vegetation of variable density using an adapted analytical model. part 2. model validation for a tropical upland mixed cropping system. J. Hydrol. 247, 239-262, https://doi.org/10.1016/s0022-1694(01)00393-6 (2001).
  35. Zhong, F. et al. Multi-Decadal Dynamics of Global Rainfall Interception and Their Drivers. Geophys. Res. Lett. 51, https://doi. org/10.1029/2024gl109295 (2024).
  36. Potapov, P. et al. Mapping global forest canopy height through integration of GEDI and Landsat data. Remote. Sens. Environ. 253, 112165, https://doi.org/10.1016/j.rse.2020.112165 (2021).
  37. Beck, H. E. et al. MSWX: Global 3-hourly bias-corrected meteorological data including near-real-time updates and forecast ensembles. Bull. Am. Meteorol. Soc. 103, E710-E732, https://doi.org/10.1175/bams-d-21-0145.1 (2022).
  38. Aumann, H. H. et al. AIRS/AMSU/HSB on the Aqua mission: Design, science objectives, data products, and processing systems. IEEE Transactions on Geosci. Remote. Sens. 41, 253-264, https://doi.org/10.1109/TGRS. 2002.808356 (2003).
  39. Allen, R. G., Tasumi, M. & Trezza, R. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)-model. J. Irrigation Drainage Eng. 133, 380-394, 10.1061/(asce)0733-9437(2007)133:4(380) (2007).
  40. Thom, A. S. Momentum, mass and heat exchange of plant communities. Q. J. Royal Meteorol. Soc. 18 (1975).
  41. Shuttleworth, W. J. Whole-Canopy Interactions, chap. 22, 316-333 https://doi.org/10.1002/9781119951933.ch22 (John Wiley & Sons, Ltd, 2012).
  42. Garrat, J. R. Surface roughness and local advection, chap. 4, 85-114 (Cambridge University Press, 1994).
  43. Rigden, A. J. & Salvucci, G. D. Evapotranspiration based on equilibrated relative humidity (ETRHEQ): Evaluation over the continental U.S. Water Resour. Res. 51, 2951-2973, https://doi.org/10.1002/2014WR016072 (2015).
  44. Rains, D. et al. Sentinel-1 backscatter assimilation using support vector regression or the water cloud model at european soil moisture sites. IEEE Geosci. Remote. Sens. Lett. PP, 1-5, https://doi.org/10.1109/lgrs.2021.3073484 (2021).
  45. Lievens, H. et al. Assimilation of global radar backscatter and radiometer brightness temperature observations to improve soil moisture and land evaporation estimates. Remote. Sens. Environ. 189, 194-210, https://doi.org/10.1016/j.rse.2016.11.022 (2017).
  46. Maxwell, R. M. & Condon, L. E. Connections between groundwater flow and transpiration partitioning. Science 353, 377-380, https://doi.org/10.1126/science.aaf7891 (2016).
  47. Haghdoost, S., Koppa, A., Lievens, H. & Miralles, D. G. Improving global evaporation estimation using GRACE and GRACE-FO satellite data assimilation. In EGU General Assembly 2024, Vienna, Austria, EGU24-17588, https://doi.org/10.5194/egusphere-egu24-17588 (2024).
  48. Dorigo, W. et al. ESA CCI Soil Moisture for improved earth system understanding: State-of-the art and future directions. Remote. Sens. Environ. 203, 185-215, https://doi.org/10.1016/j.rse.2017.07.001 (2017).
  49. Miralles, D. G. et al. GLEAM4 https://doi.org/10.5281/zenodo. 14056079 (2024).
  50. Beck, H. E. et al. MSWEP V2 global 3-hourly precipitation: Methodology and quantitative assessment. Bull. Am. Meteorol. Soc. 100, 473-500, https://doi.org/10.1175/bams-d-17-0138.1 (2018).
  51. Wielicki, B. A. et al. Clouds and the Earth’s Radiant Energy System (CERES): An Earth Observing System Experiment. Bull. Am. Meteorol. Soc. 77, 853-868, 10.1175/1520-0477(1996)077<0853:CATERE>2.0.CO;2 (1996).
  52. Hou, A. Y. et al. The Global Precipitation Measurement Mission. Bull. Am. Meteorol. Soc. 95, 701-722, https://doi.org/10.1175/ bams-d-13-00164.1 (2014).
  53. Wei, Z. et al. Revisiting the contribution of transpiration to global terrestrial evapotranspiration. Geophys. Res. Lett. 44, 2792-2801, https://doi.org/10.1002/2016gl072235 (2017).
  54. Miralles, D. G., de Jeu, R. A. M., Gash, J. H., Holmes, T. R. H. & Dolman, A. J. Magnitude and variability of land evaporation and its components at the global scale. Hydrol. Earth Syst. Sci. 15, 967-981, https://doi.org/10.5194/hess-15-967-2011 (2011).
  55. Singer, M. B. et al. Hourly potential evapotranspiration at resolution for the global land surface from 1981-present. Sci. Data 8, 224, https://doi.org/10.1038/s41597-021-01003-9 (2021).
  56. Jung, M. et al. The FLUXCOM ensemble of global land-atmosphere energy fluxes. Sci. Data 6, 74, https://doi.org/10.1038/s41597-019-0076-8 (2019).
  57. Zhang, K. A global dataset of terrestrial evapotranspiration and soil moisture dynamics from 1982 to 2020. Scientific Data 11, 445 (2024).
  58. Teuling, A. J. et al. A regional perspective on trends in continental evaporation. Geophys. Res. Lett. 36, https://doi. org/10.1029/2008gl036584 (2009).
  59. Muñoz-Sabater, J. et al. ERA5-Land: A state-of-the-art global reanalysis dataset for land applications. Earth Syst. Sci. Data 13, 4349-4383, https://doi.org/10.5194/essd-13-4349-2021 (2021).
  60. Trenberth, K. E., Branstator, G. W. & Arkin, P. A. Origins of the 1988 North American Drought. Science 242, 1640-1645, https://doi. org/10.1126/science.242.4886.1640 (1988).
  61. García-Herrera, R., Díaz, J., Trigo, R. M., Luterbacher, J. & Fischer, E. M. A Review of the European Summer Heat Wave of 2003. Critical Rev. Environ. Sci. Technol. 40, 267-306, https://doi.org/10.1080/10643380802238137 (2010).
  62. García-Herrera, R. et al. The European 2016/17 drought. J. Clim. 32, 3169-3187, https://doi.org/10.1175/JCLI-D-18-0331.1 (2019).
  63. Kerr, E. Brutal drought depresses agriculture, thwarting US and Texas economies. Southwest Econ. 10-13 (2012).
  64. Ciais, P. et al. Europe-wide reduction in primary productivity caused by the heat and drought in 2003. Nature 437, 529-533, https:// doi.org/10.1038/nature03972 (2005).
  65. Australian Government Bureau of Meteorology. Annual climate summary 2010. Tech. Rep., Australian Government Bureau of Meteorology (2011).
  66. Miralles, D. G., Crow, W. T. & Cosh, M. H. Estimating spatial sampling errors in coarse-scale soil moisture estimates derived from point-scale observations. J. Hydrometeorol. 11, 1423-1429, https://doi.org/10.1175/2010JHM1285.1 (2010).
  67. Miralles, D. G. et al. h-cel/GLEAM4: First submission. Zenodo [Code] https://doi.org/10.5281/zenodo.14056593 (2024).
  68. NASA/LARC/SD/ASDC. CERES and GEO-Enhanced TOA, Within-Atmosphere and Surface Fluxes, Clouds and Aerosols 1-Hourly Terra-Aqua Edition4A, https://doi.org/10.5067/TERRA+AQUA/CERES/SYN1DEG-1HOUR_L3.004A (2017).
  69. Goddard Earth Sciences Data and Information Services Center. Aqua/AIRS L3 Daily Standard Physical Retrieval (AIRS-only) 1 degree × 1 degree V7.0, https://doi.org/10.5067/UO3Q64CTTS1U (2019).
  70. Huffman, G., Stocker, E., Bolvin, D., Nelkin, E. & Tan, J. GPM IMERG Final Precipitation L3 1 day 0.1 degree degree V07, https://doi.org/10.5067/GPM/IMERGDF/DAY/07 (2023).
  71. Hersbach, H. et al. The ERA5 global reanalysis. Q. J. Royal Meteorol. Soc. 146, 1999-2049, https://doi.org/10.1002/qj.3803 (2020).
  72. Hersbach, H. et al. ERA5 hourly data on single levels from 1940 to present, https://doi.org/10.24381/cds.adbb2d47 (2023).
  73. Inness, A. et al. The CAMS reanalysis of atmospheric composition. Atmospheric Chem. Phys. 19, 3515-3556, https://doi.org/10.5194/ acp-19-3515-2019 (2019).
  74. Copernicus Atmosphere Monitoring Service Atmosphere Data Store. CAMS global greenhouse gas reanalysis (EGG4), https://doi. org/10.24380/8fck-9w87 (2021).
  75. Luojus, K., Pulliainen, J., Takala, M., Lemmetyinen, J. & Moisander, M. GlobSnow v3.0 snow water equivalent (SWE) https://doi. org/10.1594/PANGAEA. 911944 (2020).
  76. Armstrong, R., Brodzik, M. J., Knowles, K. & Savoie, M. Global monthly EASE-Grid snow water equivalent climatology, version 1 https://doi.org/10.5067/KJVERY3MIBPS (2005).
  77. Dorigo, W. et al. Soil moisture gridded data from 1978 to present, v201706.0.0., https://doi.org/10.24381/cds.d7782f18 (2017).
  78. Zotta, R.-M. et al. VODCA v2: Multi-sensor, multi-frequency vegetation optical depth data for long-term canopy dynamics and biomass monitoring. Earth Syst. Sci. Data 16, 4573-4617, https://doi.org/10.5194/essd-16-4573-2024 (2024).
  79. Moesinger, L. et al. The Global Long-term Microwave Vegetation Optical Depth Climate Archive VODCA, https://doi.org/10.5281/ zenodo. 2575599 (2019).
  80. Myneni, R., Knyazikhin, Y. & Park, T. Mcd15a3h modis/terra+aqua leaf area index/fpar 4 -day 14 global 500 m sin grid v006 [data set]. nasa eosdis land processes distributed active archive center. accessed 2024-11-19. https://doi.org/10.5067/MODIS/ MCD15A3H.006.
  81. Hansen, M. & Song, X. Vegetation continuous fields (VCF) yearly global 0.05 deg. 2018, distributed by NASA EOSDIS Land Processes Distributed Active Archive Center, https://doi.org/10.5067/MEaSUREs/VCF/VCF5KYR. 001 (2017).
  82. DiMiceli, C. et al. MOD44B MODIS/Terra Vegetation Continuous Fields Yearly L3 Global 250m SIN Grid V006, distributed by NASA EOSDIS Land Processes Distributed Active Archive Center https://doi.org/10.5067/MODIS/MOD44B. 006 (2015).
  83. Simons, G., Koster, R. & Droogers, P. Hihydrosoil v2.0-high resolution soil maps of global hydraulic properties. Futur. Work. Available from https://www.futurewater.eu/projects/hihydrosoil (2020).

الشكر والتقدير

تم تطوير GLEAM4 في السنوات الأخيرة بفضل التمويل المتكرر من مكتب السياسة العلمية البلجيكية (BELSPO) برنامج STEREO (SR/02/402، SR/02/377، SR/00/373) ووكالة الفضاء الأوروبية (ESA) ( -NB، -EF، 000136272/21/I-EF). يعترف DGM بدعم المجلس الأوروبي للبحث (ERC) عبر منحة HEAT Consolidator (101088405). نحن ممتنون لمارتن يونغ وأولريش ويبر لتوفير بيانات FLUXCOM لهذه الدراسة، ولجميع مزودي بيانات الأرض. تم توفير الموارد والخدمات الحاسوبية المستخدمة في هذا العمل من قبل VSC (مركز الحواسيب الفائقة الفلمنكية)، الممول من مؤسسة البحث، فلاندرز (FWO)، والحكومة الفلمنكية.

مساهمات المؤلفين

قاد D.G.M. تطوير GLEAM كمدير رئيسي منذ عام 2009. قام F.Z. و D.G.M. و P.H. و A.K. بتنسيق تطوير النسخ الجديدة من وحدات التقاط المياه، والتبخر المحتمل، ومياه التربة، وإجهاد التبخر، على التوالي. ساهم D.G.M. و A.K. و O.B. و O.B.-V. و E.T. و P.H. و F.Z. و S.H. في تطوير الشيفرة والقرارات المتعلقة بالخوارزمية وبنية مجموعة البيانات. قام O.B. بتبسيط شيفرة النموذج. جمع O.B.-V. و A.K. البيانات الضاغطة وقاموا بمعالجتها مسبقًا. طور H.E.B. وقدم البيانات الضاغطة الجوية. طور W.D. وقدم بيانات إدخال VOD ورطوبة التربة السطحية. نفذ A.K. و O.B.-V. النموذج. قاد E.T. التحقق من صحة البيانات مقابل البيانات الميدانية. قام D.G.M. بتحليل المخرجات، وإعداد الأشكال، وكتابة المسودة الأولى. ساهم جميع المؤلفين في المناقشة وتفسير النتائج، بالإضافة إلى تحرير المخطوطة.

المصالح المتنافسة

يعلن المؤلفون عدم وجود مصالح متنافسة.

معلومات إضافية

يجب توجيه المراسلات والطلبات للحصول على المواد إلى D.G.M.
معلومات إعادة الطبع والتصاريح متاحة على www.nature.com/reprints.
ملاحظة الناشر تظل Springer Nature محايدة فيما يتعلق بالمطالبات القضائية في الخرائط المنشورة والانتماءات المؤسسية.
الوصول المفتوح هذه المقالة مرخصة بموجب رخصة المشاع الإبداعي للاستخدام غير التجاري، والتي تسمح بأي استخدام غير تجاري، ومشاركة، وتوزيع، وإعادة إنتاج في أي وسيلة أو صيغة، طالما أنك تعطي الائتمان المناسب للمؤلفين الأصليين والمصدر، وتوفر رابطًا لرخصة المشاع الإبداعي، وتوضح إذا قمت بتعديل المادة المرخصة. ليس لديك إذن بموجب هذه الرخصة لمشاركة المواد المعدلة المشتقة من هذه المقالة أو أجزاء منها. الصور أو المواد الأخرى من طرف ثالث في هذه المقالة مشمولة في رخصة المشاع الإبداعي للمقالة، ما لم يُذكر خلاف ذلك في سطر ائتمان للمادة. إذا لم تكن المادة مشمولة في رخصة المشاع الإبداعي للمقالة واستخدامك المقصود غير مسموح به بموجب اللوائح القانونية أو يتجاوز الاستخدام المسموح به، ستحتاج إلى الحصول على إذن مباشرة من صاحب حقوق الطبع والنشر. لعرض نسخة من هذه الرخصة، قم بزيارة http://creativecommons.org/licenses/by-nc-nd/4.0/.
© المؤلفون 2025
  1. مختبر extremes المناخية المائية (H-CEL)، جامعة غنت، غنت، بلجيكا. مختبر هيدرولوجيا الحوض والجيومورفولوجيا، المدرسة الفيدرالية المتعددة التقنيات في لوزان (EPFL)، سيون، سويسرا. العلوم الفيزيائية والهندسة، جامعة الملك عبدالله للعلوم والتقنية (KAUST)، ثول، المملكة العربية السعودية. قسم الجيوديسيا والمعلومات الجغرافية، TU Wien، فيينا، النمسا. البريد الإلكتروني: diego.miralles@ugent.be

Journal: Scientific Data, Volume: 12, Issue: 1
DOI: https://doi.org/10.1038/s41597-025-04610-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40064907
Publication Date: 2025-03-10

scientific data

OPEN

DATA DESCRIPTOR

GLEAM4: global land evaporation and soil moisture dataset at resolution from 1980 to near present

Diego G. Miralles , Olivier Bonte , Akash Koppa , Oscar M. Baez-Villanueva , Emma Tronquo , Feng Zhong , Hylke E. Beck , Petra Hulsman , Wouter Dorigo , Niko E. C. Verhoest & Shekoofeh Haghdoost

Terrestrial evaporation plays a crucial role in modulating climate and water resources. Here, we present a continuous, daily dataset covering with a spatial resolution, produced using the fourth generation of the Global Land Evaporation Amsterdam Model (GLEAM). GLEAM4 embraces developments in hybrid modelling, learning evaporative stress from eddy-covariance and sapflow data. It features improved representation of key factors such as interception, atmospheric water demand, soil moisture, and plant access to groundwater. Estimates are inter-compared with existing global evaporation products and validated against in situ measurements, including data from 473 eddycovariance sites, showing a median correlation of 0.73 , root-mean-square error of , and Kling-Gupta efficiency of 0.49. Global land evaporation is estimated at , with attributed to transpiration. Beyond actual evaporation and its components (transpiration, interception loss, soil evaporation, etc.), the dataset also provides soil moisture, potential evaporation, sensible heat flux, and evaporative stress, facilitating a wide range of hydrological, climatic, and ecological studies.

Background & Summary

Terrestrial evaporation (E) or ‘evapotranspiration’ plays a crucial role in the climate system as a nexus between the water, carbon, and energy cycles, reacting to changes in anthropogenic emissions and propagating their influence throughout the global hydrological cycle. It regulates long-term precipitation and temperature projections through its influence on the water vapour, lapse rate and cloud feedbacks, and it influences the occurrence of extreme events, such as droughts, floods and heatwaves . For water management, is a net loss of available resources that must be monitored, and for agriculture, crop transpiration determines irrigation needs . Despite this importance, is highly uncertain at regional and global scales, especially regarding long-term trends and responses to short-term climate anomalies . This uncertainty arises because is (i) rarely measured in the field, (ii) challenging to model accurately (as it involves both plant physiological responses and complex turbulent atmospheric processes), and (iii) invisible to satellite sensors (despite its imprint on surface water and energy balance) . The critical yet uncertain nature of has spurred innovative attempts to combine in situ, satellite, and reanalysis data to estimate global . Since over a decade ago, myriad approaches to derive global datasets have been proposed , often based on the application of prognostic models originally designed for regional scales . Machine learning models trained on eddy-covariance measurements have also been used to represent globally, leveraging both satellite and in situ data . However, pure machine learning-based approaches do not explicitly obey physical limits, and their black-box nature complicates interpretability and process understanding . An emerging research direction is to combine both physics-based and machine learning models in
RAINFALL INTERCEPTION
Fig. 1 Schematic of GLEAM4. Variable names and data sources are listed in Table 1, and their colour denotes the module in which they are employed.
Variable Source Type Resolution
Net radiation ( ) and shortwave incoming (SW ) MSWX v1.00 Downscaled reanalysis
CERES Satellite
Air temperature ( ) MSWX v1.00 Downscaled reanalysis
AIRS Satellite
Precipitation ( ) MSWEP v2.8 Observational merger
IMERG Final V07 Satellite
Wind speed ( ) ERA5 Reanalysis
Vapour pressure deficit (VPD) MSWX v1.00 Downscaled reanalysis
AIRS Satellite
Carbon dioxide concentration ( ) CAMS Reanalysis
Snow water equivalent (SWE) GlobSnow /NSIDC Satellite 25 km
Surface soil moisture ( ) ESA CCI Satellite
Vegetation optical depth (VOD) VODCA v2 Satellite
Fraction absorbed photos ynthetic radiation (fPAR) MOD15A3H Satellite 500 m
Leaf area index (LAI) MOD15A3H Satellite 500 m
Vegetation height ( ) GEDI/Landsat Satellite 30 m
Land cover fractions MEaSURES /MOD44B Downscaled reanalysis
Soil properties HiHydroSoil Observation driven 250 m
Table 1. Sources of data used in GLEAM4. When two datasets are available for the same variable, the top one refers to data archive ‘ ‘ and the bottom one to data archive ‘b’.
a synergistic manner, to yield what is frequently referred to as ‘hybrid models’ and which has already met some success in modelling .
The Global Land Evaporation Amsterdam Model (GLEAM ), one of the first prognostic approaches developed to estimate globally using satellite data, remains freely available and widely used, with over 10,000 independent users over the past decade . GLEAM data are updated to near present at least once a year, and include not just , but also its different component fluxes (or sources): transpiration (evaporation of water within the leaves), interception loss (from wet surfaces), bare soil evaporation (within soil pores), evaporation from inland water bodies, and evaporation from snow-covered surfaces (typically, yet inaccurately, referred to as ‘sublimation’l). The dataset also includes other related variables, such as (surface and root-zone) soil moisture, potential evaporation, and evaporative stress. GLEAM data have been used for a wide range of purposes, including
Fig. 2 Mean evaporation and its components. Long-term (1980-2023) mean terrestrial evaporation ( ) (top). The global decomposition of its component fluxes is shown in the pie diagram and the latitudinal profile on the right. Long-term means for each of the components (bottom): transpiration , interception loss , soil evaporation , and other sources , including snow sublimation , open water evaporation , and condensation . All fluxes are in .
the quantification of water resources, driving basin-scale hydrological models, studying global climate trends, and benchmarking climate models . Over the years, extensive evaluations of GLEAM against in situ observations and alternative gridded datasets have evidenced the consistent performance of the dataset in a wide range of applications . Recent improvements in GLEAM have concentrated on the use of machine learning to represent evaporative stress , the depiction of groundwater access by vegetation , and the characterisation of interception loss . Here, we unify these efforts and present the fourth generation of the GLEAM algorithm and datasets, GLEAM4, which also features an improved spatial resolution (from 0.25 to ) and extended record length (1980-2023). In the following sections, the approach is explained with specific emphasis on the novel aspects compared to its predecessor, driving data are introduced, and the resulting global datasets are analysed in terms of spatiotemporal consistency and performance.

Methods

The rationale behind GLEAM is to focus exclusively on processes that directly impact while maintaining a parsimonious approach. The aim is to extract the most relevant information about from existing Earth observations, incorporating new processes only if they are both crucial and can be effectively constrained by observations. Following this rationale, GLEAM calculates (and its components) through four sequential steps (or ‘modules’) targeting the computation of (i) interception, (ii) potential evaporation, (iii) soil water content, and (iv) evaporative stress . Figure 1 provides a schematic of GLEAM4 together with the input and output variables
Fig. 3 Seasonal patterns. Long-term (1980-2023) means for June, July, and August (JJA, left) and December, January, and February (DJF, right) for terrestrial evaporation ( ), potential evaporation ( ), evaporative stress , root-zone soil moisture , and surface sensible heat flux .
of each module. First, rainfall interception loss over vegetated surfaces ( ) and potential evaporation ( ) are computed. is then converted into actual evaporation ( ) using a multiplicative evaporative stress factor ( ) that is based on root-zone soil moisture ( ), among other variables . This is done independently for the fraction of bare soil, and the fractions of tall and short vegetation within each pixel, yielding estimates of (actual) bare soil evaporation and transpiration , respectively. To consider understorey bare soil evaporation, GLEAM4 computes the transmission of incoming radiation through the canopy using the Beer-Lambert law
Fig. 4 Evaporation control factors. Relative importance of radiative energy (left-hand term in Eq. 1), aerodynamics (right-hand term in Eq. 1), and evaporative deficit ( ), based on long-term (1980-2023) mean fluxes. The bar diagram indicates the global (area-weighted) mean of each term.
Fig. 5 Global inter-comparison of estimates from different datasets. The left column shows long-term means for GLEAM v3.8a , ERA5-Land , and FLUXCOM for their common period (1980-2020). The difference between them and GLEAM4 is shown on the right, along with the mean latitudinal profile for all four datasets.
based on leaf area index (LAI) . Finally, is considered to equate in regions covered with snow and ice ( ), and open water ( ), using specific parametrisations for these surfaces .
Since the publication of GLEAM version , several research efforts have concentrated on improving multiple aspects of the modelling framework. These improvements concern each of the four modules in GLEAM, as illustrated in Fig. 1, and have been documented in individual publications over the past few years . Moreover, (i) datasets were extended to near-present, and (ii) spatial resolution was increased from to thanks to the updates in forcing data. The following provides a general summary of the methodology

GLEAM4

GLEAM v3.8
ERA5-Land
FLUXCOM


Fig. 6 Regional inter-comparison during summer droughts. Top figures refer to the E anomalies during the 2003 summer (JJA) European drought. Bottom figures show E anomalies during the 1988 summer (JJA) North American drought. From the left to right: GLEAM4, GLEAM v3.8a , ERA5-Land , and FLUXCOM at their original resolution (i.e., , respectively).
behind GLEAM4, concentrating on the improvements upon GLEAM v3 and how these affect the estimates of , its component fluxes, and other related hydroclimatic variables.
Rainfall interception. is computed on rainy days, contributing to while influencing effective precipitation and soil water content. It remains one of the most uncertain fluxes in the global water cycle, mainly due to the limited availability of in situ campaign data for parameterising (or training) universal models . In GLEAM4, the previous approach based on Gash’s analytical model is replaced by the approach in ref. , which performed a synthesis of interception data from past field experiments conducted worldwide, including campaigns in 166 forest sites and 17 agricultural plots. Based on this meta-analysis, a global van Dijk-Bruijnzeel interception model was constrained using satellite-observed vegetation dynamics – i.e., fraction of absorbed photosynthetically active radiation ( ) and LAI – potential evaporation, and precipitation data . This formulation accounts for sub-grid heterogeneity, computing the flux for tall and short vegetation fractions separately, thus improving upon previous GLEAM versions that only included interception for tall vegetation. This improved performance has been demonstrated in validation experiments against field data as well as product inter-comparisons .
Potential evaporation. Unlike previous GLEAM versions, which were based on Priestley and Taylor’s equation , GLEAM4 uses Penman’s equation to explicitly reflect the influence of wind speed ( ), vegetation height ( ), and vapour pressure deficit (VPD, Pa) on . The original motivation for using Priestley and Taylor was its minimum input requirements (i.e., net radiation and air temperature), making it well-suited for satellite data applications. . However, recent advances in satellite remote sensing and climate reanalysis have yielded observational datasets of , and VPD , making Penman’s approach increasingly suited for purpose. As such, in GLEAM4 is calculated for each land cover fraction within each pixel as:
where is the slope of saturation vapour pressure curve is the surface net radiation the ground heat flux is the air density is the specific heat at constant pressure is the bulk aerodynamic conductance ( ), is the latent heat of vaporisation of water ( ), and is the psychrometric constant ( ). and are computed as a function of air temperature is partitioned per land cover fraction , and the ratio is considered an inverse function of LAI is approximated using Thom’s equation , assuming a neutral atmosphere and accounting for the excess resistance of the transfer of vapour compared to momentum :
Fig. 7 Validation using in situ eddy-covariance measurements. Density Taylor diagrams for the validation of GLEAM4, GLEAM v3.8a , ERA5-Land , and FLUXCOM against in situ data (left). Normalized standard deviation (std), Pearson’s correlation (R) and centred pattern root mean square error (RMSE) are shown. The ideal performance is marked with a red star. Gaussian Kernel density functions are used to estimate the probability density of data points in the polar space (defined by R and std), thus contour levels indicate unitless thresholds of density values. Violin plots of Kling-Gupta Efficiency for the four datasets (right). Median and interquartile ranges are marked with continuous and discontinuous lines, respectively. Validation based on data from 473 sites.
where is von Kármán’s constant ( 0.41 ), is the height of the observations ( m ), is the zero-plane displacement height (m), and is the roughness length for momentum (m); and are assumed to be and of respectively for the non-vegetated fractions , with an additional dependence on LAI for the vegetated fractions . The roughness length for vapour , which is assumed to be the same for heat , is calculated from via the so-called approach, where is a vegetation specific value taking values of 5 and 8 for short and tall vegetation, respectively .
Soil water. Soil water content across the root depth is required for later computation of evaporative stress (see below). GLEAM uses a multi-layer running water balance driven by precipitation data (and ), which considers a constant root depth per land cover fraction . Microwave soil moisture ( ) and/or backscatter observations are assimilated in the top soil layer. Plants are assumed to be able to extract water from where it is more easily accessible within the soil profile; thus the wettest soil layer is selected for computing evaporative stress. In nature, groundwater can also be an important source for , especially during dry conditions and in ecosystems where vegetation has deep roots . Previous versions of GLEAM did not explicitly account for plant access to groundwater. The approach adopted by GLEAM4 uses a linear reservoir model to represent groundwater, and introduces a partitioning of transpiration to estimate groundwater-sourced . Validations against field observations of , soil moisture, discharge and groundwater levels demonstrated a realistic representation of under water-limited conditions , enabling the future assimilation of satellite gravimetry data into the model . GLEAM4 assimilates surface soil moisture data from the European Space Agency (ESA) Climate Change Initiative (CCI) (see Table 1). The data assimilation is based on a Newtonian Nudging scheme where soil moisture is first decomposed into anomalies, and then uncertainties in the latter are computed based on triple collocation .
Fig. 8 Example time series. Time series for GLEAM4, GLEAM v3.8a , ERA5-Land , and FLUXCOM against in situ data from four sample sites during a selection of extreme years. Left plots indicate anomalies in while the right plots show the seasonal climatology for each day of the year (DOY).
Evaporative stress. As mentioned above, to constrain below , GLEAM uses a multiplicative stress factor that ranges from 0 (maximum stress) to 1 (no stress). is expected to capture all factors that restrain the supply of water to the atmosphere below the atmospheric demand (i.e., ). In GLEAM4, the original semi-empirical computation of based on soil moisture (see above) and vegetation optical depth (VOD) , is replaced by the deep neural network approach presented in ref. . The latter acknowledges that the ratio between actual and potential transpiration can be controlled by numerous environmental variables that interact non-linearly, including not just soil moisture and VOD, but also VPD, incoming solar radiation (SW ), air temperature ( ), concentration, , and LAI – see Fig. 1. Global eddy-covariance and sapflow data are used to learn universal transpiration stress functions, separately for tall and short vegetation. The neural network formulations of
are embedded within GLEAM4, enabling bidirectional coupling with the process-based model and influencing both and the soil moisture used to compute in the next time step. Comparisons against in situ data and satellite-based proxies demonstrated that the hybrid (AI-process-based) approach has an enhanced ability to estimate and for most ecosystems compared to previous GLEAM versions .
Input data. Table 1 lists all the input variables and datasets used in the generation of GLEAM4 datasets. Input data have been resampled to a common resolution by means of bilinear interpolation, when needed.

Data Records

Data archive. The GLEAM4 dataset currently amounts to approximately 1.1TB. Data are freely available in a public SFTP server under a CC BY licence, and can be accessed through https://www.gleam.eu/#downloads. For a detailed description of the dataset, we refer readers to the technical notes at https://doi.org/10.5281/ zenodo.14056079. The dataset from the exact sub-version used in this manuscript (v4.2a) can also be found in this repository. Dataset specifications are also found on the GLEAM website and through its Digital Object Identifier (DOI) . The period covered by GLEAM4 is currently 1980-2023 at daily temporal resolution and spatial resolution. GLEAM datasets are updated annually (in March-April) and extended until the end of the previous year, as input data become available.
Like in previous versions of GLEAM , two distinct data archives are available that differ on their temporal coverage and reliability on observational data. The archive ‘a’ relies mostly on the reanalysis from Multi-Source Weather (MSWX ) and precipitation from Multi-Source Weighted-Ensemble Precipitation (MSWEP ) as forcing data. It covers the entire period 1980-2023, and it is intended for climatological studies requiring longer record lengths. The archive ‘b’ has a more observational nature and a lower reliance on reanalysis due to its use of radiation fluxes from the Clouds and the Earth’s Radiant Energy System (CERES ), precipitation from Integrated Multi-satellite Retrievals for the Global Precipitation Mission (IMERG ), and temperature and VPD from the Atmospheric Infrared Sounder (AIRS ). Its record length is however shorter, currently spanning the period 2003-2023. Table 1 lists the specific datasets used to generate both data archives.
The following 12 variables are available for each of the two data archives (‘ a ‘ and ‘ b ‘):
Actual evaporation day
Transpiration ( , )
Bare soil evaporation ( )
Interception loss ( , )
Open-water evaporation ( )
Condensation ( , mm day )
Evaporation over snow and ice ( , )
Potential evaporation ( , mm day )
Evaporative stress ( , unitless)
Surface soil moisture ( )
Root-zone soil moisture ( )
Surface sensible heat flux ( )
Data structure. Data are organized into netCDF files, with one file per variable per year. Each daily file contains a 3D array with dimensions , where is the number of days in the respective year, 1800 is the number of grid cells in the latitudinal dimension, and 3600 is the number of grid cells in the longitudinal dimension. The first cell in each file corresponds to January 1st of that year, centred at latitude and longitude . In addition to daily data, netCDF files containing monthly (dimensions ) and annual (dimensions ) means are also available.
These datasets are stored on the public server in the following directory structure: <ARCHIVE>/ <TEMPORAL_RESOLUTION>/, where <ARCHIVE> refers to either GLEAM4.2a (v4.2a) or GLEAM4.2b (v4.2b), <TEMPORAL_RESOLUTION> indicates the temporal aggregation level (‘daily’, ‘monthly’, or ‘yearly’), and ‘v4.2’ indicates the subversion of the GLEAM4 dataset. Daily datasets are organized by year, while monthly and yearly datasets are organized by variable.
Daily files follow this naming convention: <VARIABLE><YEAR>GLEAM<ARCHIVE>.nc, where <VARIABLE> corresponds to the variable names listed in the previous section: ‘E’, ‘Et, ‘Eb’, ‘Ei,’ ‘Ew’, ‘Ec’, ‘Es, ‘Ep’, ‘S’, ‘SMrz, ‘SMs,’ ‘H’, and < YEAR > is the four-digit year. For example, a file containing daily evaporation data for 2023 in the ‘a’ dataset would be named:
v4.2a/daily/2023/E_2023_GLEAM_v4.2a.nc.
Monthly and yearly files follow this naming convention: <VARIABLE><YEAR>GLEAM <ARCHIVE>_<TEMPORAL_RESOLUTION>.nc, where <TEMPORAL_RESOLUTION> is abbreviated as ‘MO’ for monthly or ‘YR’ for yearly. For monthly and yearly files, flux units are mm month and mm year , respectively, instead of mm day . For example, a file containing monthly root-zone soil moisture data for 2010 from the ‘b’ archive would be named:
v4.2b/monthly/SMrz/SMrz_2010_GLEAM_v4.2b_MO.nc.

Technical Validation

Global patterns. Figure 2 explores mean global patterns (1980-2023), along with the absolute and relative contributions from different component fluxes. Unless otherwise noted, GLEAM4 corresponds to the v4.2a data, the latest subversion at the time of writing this manuscript. As expected, dominates the flux globally, especially in densely vegetated humid tropics due to year-round soil water availability and high incoming radiation. The
global proportion of originating from is , falling within the envelope of current global estimates , but below the from GLEAM v , which was on the high end of the spectrum of globally available products. The reduction of from GLEAM v3 to GLEAM4, results from the consideration of short vegetation interception loss and understorey bare soil evaporation in GLEAM4, among other methodological improvements (see Methods). constitutes of the global flux, being larger in forested regions, as expected, while amounts to of global and is larger in sparsely vegetated regions. Negative estimates in GLEAM4 indicate condensation and are illustrated together with other minor components (i.e., snow and open-water evaporation) in Fig. 2. The mean in GLEAM4 is , which agrees with state-of-the-art water cycle appraisals based on extensive literature meta-analysis ( ) and with other global observational datasets (see below).
The seasonal dynamics of some of the key variables from GLEAM4 are portrayed in Fig. 3. The sub-panels showcase global multi-year (1980-2023) mean , and during boreal summer (June, July, August), and boreal winter (December, January, February). The seasonal pattern of aligns primarily with the cycle of net radiation, while is additionally determined by the seasonality of , and thus precipitation. Subtropical regions with sufficient JJA precipitation (e.g., India, Northern Australia, parts of Southern Africa, or the east coast of the United States) exhibit the most significant variations in , with summer often being an order of magnitude larger than winter levels. In more arid regions, such as central Australia or the Arabian Peninsula, where rainfall occurrences are rare, the seasonal volumes of remain persistently low throughout the year and unaffected by the cycle. In these areas, the dissipation of available energy primarily occurs through due to limited and . Likewise, is persistently low in permanent snow regions, despite higher values during the high-radiation season. Overall, these seasonal patterns agree with relevant literature .
Understanding the dependency of on different driving factors can provide crucial insights into the seasonal behaviour of in specific regions, and potentially into the main controls on long-term trends . Figure 4 provides an overview of these driving factors, leveraging from the partitioning of potential evaporation into an aerodynamic and a radiative term in Penman’s combination equation (see Eq. 1), and taking advantage of the separate calculation of evaporative stress in GLEAM4 (see Methods). Red tones in semiarid regions indicate the dominance of evaporative deficit ; in these regions, precipitation supply is insufficient to satisfy the high atmospheric demand for water. On the other hand, in temperate and boreal forests, precipitation supply is sufficient to meet the atmospheric demand; in particular, the aerodynamic component of (which depends on wind, turbulence, ecosystem height and VPD) shows a higher relevance, as shown by the green tones. In the tropics, is primarily satisfied by the radiative component of (blue tones), which is high due to the high incoming radiation and low albedo of rainforests. Globally, the atmosphere demand for water, or , adds up to , of which is unsatisfied (evaporative deficit), and the remaining is satisfied by through radiative ( ) and aerodynamic ( ) processes.
Validation and inter-comparison. Figure 5 shows a comparison of GLEAM4 against frequently used global datasets, including its immediate predecessor GLEAM v3.8a , the ERA5-Land reanalysis , and FLUXCOM (RS-METEO) . Long-term means for all datasets portray similar geographical patterns, with GLEAM4 showing greater agreement with ERA5-Land and FLUXCOM in the tropics compared to GLEAM v3.8a, largely due to a decrease in transpiration estimates over rainforests (as seen in the comparison between Fig. 2 and the results in ref. ). Regional differences indicate relatively high values of GLEAM4 compared to other products in temperate and boreal forests in the Northern Hemisphere, where the consideration of the aerodynamic term of Penman’s Eq. (1) in the new version results in higher and subsequently higher than in GLEAM v3.8a. Relatively low estimates by GLEAM4 are concentrated in semiarid ecosystems – such as western United States, southern Africa or the Mediterranean region – especially when compared to FLUXCOM and ERA5-Land. This reflects the fact that the evaporative stress in GLEAM4 under water-limited conditions is greater than for GLEAM v3.8a, regardless of the generally larger atmospheric demand for water in the former (as seen in the comparison between in Fig. 3 and the results in ref. ).
The global mean estimates of from the four datasets are comparable, ranging from highest to lowest: 72.8, 71.8, 68.5 and , for ERA5-Land, GLEAM v3.8a, GLEAM4 and FLUXCOM, respectively. As indicated above, these estimates fall within the range of a recent meta-analysis that reported .
At regional scales, the patterns of GLEAM4 appear realistic and highlight the value of transitioning to higher spatial resolutions to better capture the influence of complex topography and land use changes. Figure 6 compares the estimates from GLEAM4 to those from the other three datasets during two of the most significant summer droughts in the historical record: the 1988 North American drought and the 2003 European drought , both of which were compounded by severe heatwaves. During drought and heatwave events, tends to exhibit positive anomalies in the early stages, as long as soil moisture remains sufficiently available, due to the high atmospheric demand for water . However, as these events progress and soil moisture depletion leads to increased evaporative stress ( ), anomalies typically become negative, triggering feedback mechanisms that can further intensify the events . Whether anomalies are overall positive or negative when integrated across the event largely depends on initial soil moisture conditions and the duration and severity of the event . The four datasets evaluated in Fig. 6 appear to capture this complex interplay between water supply and demand, showing good agreement in the regional distribution of positive and negative anomalies. The coarser resolution of FLUXCOM is evident, and so are its reported difficulties in capturing the magnitude of anomalies. However, the recently released next generation of FLUXCOM datasets employs higher resolution and may offer improved capabilities for capturing anomalies during such events .
To evaluate the skill of GLEAM4 in capturing temporal dynamics at the ecosystem scale, estimates are validated against in situ eddy-covariance data from a wide range of global networks, including FLUXNET La Thuile, FLUXNET2015, FLUXNET-CH4, AmeriFlux, ICOS, and EFDC . For duplicate stations across sources, the longest record was retained. Subsequently, sites with fewer than 250 days were excluded. This yielded a
final sample of 473 sites and 2511 years of data. Figure 7 compares the overall performance of the four datasets GLEAM4 and the other three datasets (i.e., GLEAM v3.8a, ERA5-Land, and FLUXCOM) in simulating . Results are illustrated through Taylor density diagrams and violin plots of Kling-Gupta Efficiency (KGE), both displaying the distribution of the validation metrics that are calculated per site. The normalised standard deviation (std) in the Taylor diagrams indicates a mild tendency of all datasets (except for ERA5-Land) to underestimate the variability of times series, which could relate to their large pixel coverage compared to the more reduced tower footprint. Median root-mean-square error (RMSE) and Pearson’s correlations (R) are similar for all datasets, but slightly better for FLUXCOM ( ) than for GLEAM4 ( ) and ERA5-Land ( ). Meanwhile, KGE values – integrating correlation, variability and bias – show higher median values (and thus better performance) for GLEAM4 than for ERA5-Land ( 0.49 vs. 0.45 ), and a slight improvement upon GLEAM v3.8a (0.48).
Figure 8 zooms into example time series at four specific sites. The sites correspond to the Tharandt spruce forest in Eastern Germany (DE-Tha), a rainfed maize-soybean rotation site in Nebraska (US-Ne3), the Australian open woodland savanna site in Howard Springs (AU-How), and the French evergreen Mediterranean forest in Puechabon (FR-Pue). These sites were selected based on their long records ( years) which allow the reliable computation of seasonal climatologies. Years were selected based on extreme conditions: droughts for FR-Pue and US-Ne3 , heatwaves for DE-Tha , and pluvial events for AU-How . The left time series indicate anomalies in , computed by subtracting the seasonal climatology of the corresponding dataset, using a multiyear mean for each calendar day and a 31 -day moving average to compute that climatology . Time series of anomalies show significant fluctuations across seasons and climatic events, and often differences among the different datasets, but also remarkable similarities among them and when compared to the in situ data. This pattern is observed at all four stations. While simulating correctly the seasonal cycles may in principle seem like a trivial task compared to simulating temporal anomalies accurately, the smaller panels on the right indicate that the different products still struggle to simulate the seasonality of . This could relate to differences in land cover from the tower footprint to the coarser-resolution pixels, and it is also influenced by biases in the input data used by each of the models. Nonetheless, all datasets capture the timing of the seasonal cycle, but overestimate its amplitude in DE-Tha and FR-Pue, while they show a larger divergence in general and a tendency to underestimate in both US-Ne3 and AU-How. Overall, GLEAM4 aligns well with observed seasonal cycles, and despite the heterogeneous performance across sites, it reproduces anomalies across diverse climates and ecosystems successfully, even during extreme events like the ones depicted in Fig. 8.

Code availability

MATLAB and Python code for synthesizing the results and generating all figures of the article can be obtained from the public repository at https://doi.org/10.5281/zenodo.14056593 . Python code used to generate the GLEAM4 products can be requested via info@gleam.eu for reproducibility purposes. However, the code has been tailored to the computing and storage system of the Flemish Supercomputer Center (VSC) and is therefore not suitable for use in other environments.
Received: 19 November 2024; Accepted: 11 February 2025;
Published: 10 March 2025

References

  1. Miralles, D. G., Brutsaert, W., Dolman, A. J. & Gash, J. H. On the use of the term “Evapotranspiration”. Water Resour. Res. 56, e2020WR028055, https://doi.org/10.1029/2020wr028055 (2020).
  2. Miralles, D. G., Gentine, P., Seneviratne, S. I. & Teuling, A. J. Land-atmospheric feedbacks during droughts and heatwaves: State of the science and current challenges. Annals New York Acad. Sci. 1436, 19-35, https://doi.org/10.1111/nyas. 13912 (2019).
  3. Teuling, A. J. et al. Evapotranspiration amplifies European summer drought. Geophys. Res. Lett. 40, 2071-2075, https://doi. org/10.1002/grl. 50495 (2013).
  4. Brocca, L. et al. A Digital Twin of the terrestrial water cycle: a glimpse into the future through high-resolution Earth observations. Front. Sci. 1, 1190191, https://doi.org/10.3389/fsci.2023.1190191 (2024).
  5. Miralles, D. G. et al. El Niño-La Niña cycle and recent trends in continental evaporation. Nat. Clim. Chang. 4, 122-126, https://doi. org/10.1038/nclimate2068 (2014).
  6. Vicente-Serrano, S. M. et al. The uncertain role of rising atmospheric CO2 on global plant transpiration. Earth-Science Rev. 230, 104055, https://doi.org/10.1016/j.earscirev.2022.104055 (2022).
  7. Zhao, M., A, G., Liu, Y. & Konings, A. G. Evapotranspiration frequently increases during droughts. Nat. Clim. Chang.1-7, https:// doi.org/10.1038/s41558-022-01505-3 (2022).
  8. Dorigo, W. et al. Closing the water cycle from observations across scales: Where do we stand? Bull. Am. Meteorol. Soc. 1-95, https:// doi.org/10.1175/bams-d-19-0316.1 (2021).
  9. Ezenne, G. I., Eyibio, N. U., Tanner, J. L., Asoiro, F. U. & Obalum, S. E. An overview of uncertainties in evapotranspiration estimation techniques. J. Agrometeorology 25, https://doi.org/10.54386/jam.v25i1. 2014 (2023).
  10. Miralles, D. G. et al. Global land-surface evaporation estimated from satellite-based observations. Hydrol. Earth Syst. Sci. 15, 453-469, https://doi.org/10.5194/hess-15-453-2011 (2011).
  11. Fisher, J. B., Tu, K. P. & Baldocchi, D. D. Global estimates of the land-atmosphere water flux based on monthly AVHRR and ISLSCPII data, validated at 16 FLUXNET sites. Remote. Sens. Environ. 112, 901-919 (2008).
  12. Mu, Q., Zhao, M. & Running, S. W. Improvements to a MODIS global terrestrial evapotranspiration algorithm. Remote. Sens. Environ. 115, 1781-1800, https://doi.org/10.1016/j.rse.2011.02.019 (2011).
  13. Penman, H. L. Natural evaporation from open water, bare soil and grass. Proc. Royal Society of London Series A- Mathematical and Physical Sciences 193, 120-145 (1948).
  14. Priestley, C. H. B. & Taylor, R. J. On the assessment of surface heat flux and evaporation using large-scale parameters. Mon. Weather. Rev. 100, 81-92 (1972).
  15. Monteith, J. L. Evaporation and environment. Symp. Soc. for Exp. Biol. 19, 4 (1965).
  16. Jung, M., Reichstein, M. & Bondeau, A. Towards global empirical upscaling of FLUXNET eddy covariance observations: Validation of a model tree ensemble approach using a biosphere model. Biogeosciences 6, 2001-2013 (2009).
  17. Nelson, J. A. et al. X-BASE: The first terrestrial carbon and water flux products from an extended data-driven scaling framework, FLUXCOM-X. EGUsphere 2024, 1-51, https://doi.org/10.5194/egusphere-2024-165 (2024).
  18. Reichstein, M. et al. Deep learning and process understanding for data-driven earth system science. Nature 566, 195-204, https:// doi.org/10.1038/s41586-019-0912-1 (2019).
  19. Zhao, W. L. et al. Physics-constrained machine learning of evapotranspiration. Geophys. Res. Lett. 46, 14496-14507, https://doi. org/10.1029/2019gl085291 (2019).
  20. Kraft, B., Jung, M., Körner, M., Koirala, S. & Reichstein, M. Towards hybrid modeling of the global hydrological cycle. Hydrol. Earth Syst. Sci. Discuss. 2021, 1-40, https://doi.org/10.5194/hess-2021-211 (2021).
  21. Koppa, A., Rains, D., Hulsman, P., Poyatos, R. & Miralles, D. G. A deep learning-based hybrid model of global terrestrial evaporation. Nat. Commun. 13, 1912, https://doi.org/10.1038/s41467-022-29543-7 (2022).
  22. ElGhawi, R. et al. Hybrid modeling of evapotranspiration: Inferring stomatal and aerodynamic resistances using combined physicsbased and machine learning. Environ. Res. Lett. 18, 034039, https://doi.org/10.1088/1748-9326/acbbe0 (2023).
  23. Jahromi, M. N. et al. Ten years of GLEAM: A review of scientific advances and applications. In Bozorg-Haddad, O. & Zolghadr-Asli, B. (eds.) Computational Intelligence for Water and Environmental Sciences, 525-540, https://doi.org/10.1007/978-981-19-2519-1_25 (Springer Nature Singapore, Singapore, 2022).
  24. Michel, D. et al. The WACMOS-ET project – Part 1: Tower-scale evaluation of four remote-sensing-based evapotranspira- tion algorithms. Hydrol. Earth Syst. Sci. 20, 803-822, https://doi.org/10.5194/hess-20-803-2016 (2016).
  25. Talsma, C. J. et al. Partitioning of evapotranspiration in remote sensing-based models. Agric. For. Meteorol. 260, 131-143, https:// doi.org/10.1016/j.agrformet.2018.05.010 (2018).
  26. Miralles, D. G. et al. The WACMOS-ET project – part 2: Evaluation of global terrestrial evaporation data sets. Hydrol. Earth Syst. Sci. 20, 823-842, https://doi.org/10.5194/hess-20-823-2016 (2016).
  27. Mccabe, M. F. et al. The GEWEX LandFlux project: evaluation of model evaporation using tower-based and globally gridded forcing data. Geosci. Model. Dev. 9, 283-305, https://doi.org/10.5194/gmd-9-283-2016 (2016).
  28. Hulsman, P., Keune, J., Koppa, A., Schellekens, J. & Miralles, D. G. Incorporating plant access to groundwater in existing global, satellite-based evaporation estimates. Water Resour. Res. 59, https://doi.org/10.1029/2022WR033731 (2023).
  29. Zhong, F. et al. Revisiting large-scale interception patterns constrained by a synthesis of global experimental data. Hydrol. Earth Syst. Sci. 26, 5647-5667, https://doi.org/10.5194/hess-26-5647-2022 (2022).
  30. van Dijk, A. I. J. M. & Bruijnzeel, L. A. Modelling rainfall interception by vegetation of variable density using an adapted analytical model. part 1. model description. J. Hydrol. 247, 230-238, https://doi.org/10.1016/s0022-1694(01)00392-4 (2001).
  31. Martens, B. et al. GLEAM v3: Satellite-based land evaporation and root-zone soil moisture. Geosci. Model. Dev. 10, 1903-1925, https://doi.org/10.5194/gmd-10-1903-2017 (2017).
  32. Miralles, D. G., Gash, J. H., Holmes, T. R. H., de Jeu, R. A. M. & Dolman, A. J. Global canopy interception from satellite observations. J. Geophys. Res. Atmospheres 115, D16122, https://doi.org/10.1029/2009jd013530 (2010).
  33. Gash, J. H. C. & Morton, A. J. An application of the Rutter model to the estimation of the interception loss from Thetford Forest. J. Hydrol. 38, 49-58, https://doi.org/10.1016/0022-1694(78)90131-2 (1978).
  34. van Dijk, A. I. J. M. & Bruijnzeel, L. A. Modelling rainfall interception by vegetation of variable density using an adapted analytical model. part 2. model validation for a tropical upland mixed cropping system. J. Hydrol. 247, 239-262, https://doi.org/10.1016/s0022-1694(01)00393-6 (2001).
  35. Zhong, F. et al. Multi-Decadal Dynamics of Global Rainfall Interception and Their Drivers. Geophys. Res. Lett. 51, https://doi. org/10.1029/2024gl109295 (2024).
  36. Potapov, P. et al. Mapping global forest canopy height through integration of GEDI and Landsat data. Remote. Sens. Environ. 253, 112165, https://doi.org/10.1016/j.rse.2020.112165 (2021).
  37. Beck, H. E. et al. MSWX: Global 3-hourly bias-corrected meteorological data including near-real-time updates and forecast ensembles. Bull. Am. Meteorol. Soc. 103, E710-E732, https://doi.org/10.1175/bams-d-21-0145.1 (2022).
  38. Aumann, H. H. et al. AIRS/AMSU/HSB on the Aqua mission: Design, science objectives, data products, and processing systems. IEEE Transactions on Geosci. Remote. Sens. 41, 253-264, https://doi.org/10.1109/TGRS. 2002.808356 (2003).
  39. Allen, R. G., Tasumi, M. & Trezza, R. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)-model. J. Irrigation Drainage Eng. 133, 380-394, 10.1061/(asce)0733-9437(2007)133:4(380) (2007).
  40. Thom, A. S. Momentum, mass and heat exchange of plant communities. Q. J. Royal Meteorol. Soc. 18 (1975).
  41. Shuttleworth, W. J. Whole-Canopy Interactions, chap. 22, 316-333 https://doi.org/10.1002/9781119951933.ch22 (John Wiley & Sons, Ltd, 2012).
  42. Garrat, J. R. Surface roughness and local advection, chap. 4, 85-114 (Cambridge University Press, 1994).
  43. Rigden, A. J. & Salvucci, G. D. Evapotranspiration based on equilibrated relative humidity (ETRHEQ): Evaluation over the continental U.S. Water Resour. Res. 51, 2951-2973, https://doi.org/10.1002/2014WR016072 (2015).
  44. Rains, D. et al. Sentinel-1 backscatter assimilation using support vector regression or the water cloud model at european soil moisture sites. IEEE Geosci. Remote. Sens. Lett. PP, 1-5, https://doi.org/10.1109/lgrs.2021.3073484 (2021).
  45. Lievens, H. et al. Assimilation of global radar backscatter and radiometer brightness temperature observations to improve soil moisture and land evaporation estimates. Remote. Sens. Environ. 189, 194-210, https://doi.org/10.1016/j.rse.2016.11.022 (2017).
  46. Maxwell, R. M. & Condon, L. E. Connections between groundwater flow and transpiration partitioning. Science 353, 377-380, https://doi.org/10.1126/science.aaf7891 (2016).
  47. Haghdoost, S., Koppa, A., Lievens, H. & Miralles, D. G. Improving global evaporation estimation using GRACE and GRACE-FO satellite data assimilation. In EGU General Assembly 2024, Vienna, Austria, EGU24-17588, https://doi.org/10.5194/egusphere-egu24-17588 (2024).
  48. Dorigo, W. et al. ESA CCI Soil Moisture for improved earth system understanding: State-of-the art and future directions. Remote. Sens. Environ. 203, 185-215, https://doi.org/10.1016/j.rse.2017.07.001 (2017).
  49. Miralles, D. G. et al. GLEAM4 https://doi.org/10.5281/zenodo. 14056079 (2024).
  50. Beck, H. E. et al. MSWEP V2 global 3-hourly precipitation: Methodology and quantitative assessment. Bull. Am. Meteorol. Soc. 100, 473-500, https://doi.org/10.1175/bams-d-17-0138.1 (2018).
  51. Wielicki, B. A. et al. Clouds and the Earth’s Radiant Energy System (CERES): An Earth Observing System Experiment. Bull. Am. Meteorol. Soc. 77, 853-868, 10.1175/1520-0477(1996)077<0853:CATERE>2.0.CO;2 (1996).
  52. Hou, A. Y. et al. The Global Precipitation Measurement Mission. Bull. Am. Meteorol. Soc. 95, 701-722, https://doi.org/10.1175/ bams-d-13-00164.1 (2014).
  53. Wei, Z. et al. Revisiting the contribution of transpiration to global terrestrial evapotranspiration. Geophys. Res. Lett. 44, 2792-2801, https://doi.org/10.1002/2016gl072235 (2017).
  54. Miralles, D. G., de Jeu, R. A. M., Gash, J. H., Holmes, T. R. H. & Dolman, A. J. Magnitude and variability of land evaporation and its components at the global scale. Hydrol. Earth Syst. Sci. 15, 967-981, https://doi.org/10.5194/hess-15-967-2011 (2011).
  55. Singer, M. B. et al. Hourly potential evapotranspiration at resolution for the global land surface from 1981-present. Sci. Data 8, 224, https://doi.org/10.1038/s41597-021-01003-9 (2021).
  56. Jung, M. et al. The FLUXCOM ensemble of global land-atmosphere energy fluxes. Sci. Data 6, 74, https://doi.org/10.1038/s41597-019-0076-8 (2019).
  57. Zhang, K. A global dataset of terrestrial evapotranspiration and soil moisture dynamics from 1982 to 2020. Scientific Data 11, 445 (2024).
  58. Teuling, A. J. et al. A regional perspective on trends in continental evaporation. Geophys. Res. Lett. 36, https://doi. org/10.1029/2008gl036584 (2009).
  59. Muñoz-Sabater, J. et al. ERA5-Land: A state-of-the-art global reanalysis dataset for land applications. Earth Syst. Sci. Data 13, 4349-4383, https://doi.org/10.5194/essd-13-4349-2021 (2021).
  60. Trenberth, K. E., Branstator, G. W. & Arkin, P. A. Origins of the 1988 North American Drought. Science 242, 1640-1645, https://doi. org/10.1126/science.242.4886.1640 (1988).
  61. García-Herrera, R., Díaz, J., Trigo, R. M., Luterbacher, J. & Fischer, E. M. A Review of the European Summer Heat Wave of 2003. Critical Rev. Environ. Sci. Technol. 40, 267-306, https://doi.org/10.1080/10643380802238137 (2010).
  62. García-Herrera, R. et al. The European 2016/17 drought. J. Clim. 32, 3169-3187, https://doi.org/10.1175/JCLI-D-18-0331.1 (2019).
  63. Kerr, E. Brutal drought depresses agriculture, thwarting US and Texas economies. Southwest Econ. 10-13 (2012).
  64. Ciais, P. et al. Europe-wide reduction in primary productivity caused by the heat and drought in 2003. Nature 437, 529-533, https:// doi.org/10.1038/nature03972 (2005).
  65. Australian Government Bureau of Meteorology. Annual climate summary 2010. Tech. Rep., Australian Government Bureau of Meteorology (2011).
  66. Miralles, D. G., Crow, W. T. & Cosh, M. H. Estimating spatial sampling errors in coarse-scale soil moisture estimates derived from point-scale observations. J. Hydrometeorol. 11, 1423-1429, https://doi.org/10.1175/2010JHM1285.1 (2010).
  67. Miralles, D. G. et al. h-cel/GLEAM4: First submission. Zenodo [Code] https://doi.org/10.5281/zenodo.14056593 (2024).
  68. NASA/LARC/SD/ASDC. CERES and GEO-Enhanced TOA, Within-Atmosphere and Surface Fluxes, Clouds and Aerosols 1-Hourly Terra-Aqua Edition4A, https://doi.org/10.5067/TERRA+AQUA/CERES/SYN1DEG-1HOUR_L3.004A (2017).
  69. Goddard Earth Sciences Data and Information Services Center. Aqua/AIRS L3 Daily Standard Physical Retrieval (AIRS-only) 1 degree × 1 degree V7.0, https://doi.org/10.5067/UO3Q64CTTS1U (2019).
  70. Huffman, G., Stocker, E., Bolvin, D., Nelkin, E. & Tan, J. GPM IMERG Final Precipitation L3 1 day 0.1 degree degree V07, https://doi.org/10.5067/GPM/IMERGDF/DAY/07 (2023).
  71. Hersbach, H. et al. The ERA5 global reanalysis. Q. J. Royal Meteorol. Soc. 146, 1999-2049, https://doi.org/10.1002/qj.3803 (2020).
  72. Hersbach, H. et al. ERA5 hourly data on single levels from 1940 to present, https://doi.org/10.24381/cds.adbb2d47 (2023).
  73. Inness, A. et al. The CAMS reanalysis of atmospheric composition. Atmospheric Chem. Phys. 19, 3515-3556, https://doi.org/10.5194/ acp-19-3515-2019 (2019).
  74. Copernicus Atmosphere Monitoring Service Atmosphere Data Store. CAMS global greenhouse gas reanalysis (EGG4), https://doi. org/10.24380/8fck-9w87 (2021).
  75. Luojus, K., Pulliainen, J., Takala, M., Lemmetyinen, J. & Moisander, M. GlobSnow v3.0 snow water equivalent (SWE) https://doi. org/10.1594/PANGAEA. 911944 (2020).
  76. Armstrong, R., Brodzik, M. J., Knowles, K. & Savoie, M. Global monthly EASE-Grid snow water equivalent climatology, version 1 https://doi.org/10.5067/KJVERY3MIBPS (2005).
  77. Dorigo, W. et al. Soil moisture gridded data from 1978 to present, v201706.0.0., https://doi.org/10.24381/cds.d7782f18 (2017).
  78. Zotta, R.-M. et al. VODCA v2: Multi-sensor, multi-frequency vegetation optical depth data for long-term canopy dynamics and biomass monitoring. Earth Syst. Sci. Data 16, 4573-4617, https://doi.org/10.5194/essd-16-4573-2024 (2024).
  79. Moesinger, L. et al. The Global Long-term Microwave Vegetation Optical Depth Climate Archive VODCA, https://doi.org/10.5281/ zenodo. 2575599 (2019).
  80. Myneni, R., Knyazikhin, Y. & Park, T. Mcd15a3h modis/terra+aqua leaf area index/fpar 4 -day 14 global 500 m sin grid v006 [data set]. nasa eosdis land processes distributed active archive center. accessed 2024-11-19. https://doi.org/10.5067/MODIS/ MCD15A3H.006.
  81. Hansen, M. & Song, X. Vegetation continuous fields (VCF) yearly global 0.05 deg. 2018, distributed by NASA EOSDIS Land Processes Distributed Active Archive Center, https://doi.org/10.5067/MEaSUREs/VCF/VCF5KYR. 001 (2017).
  82. DiMiceli, C. et al. MOD44B MODIS/Terra Vegetation Continuous Fields Yearly L3 Global 250m SIN Grid V006, distributed by NASA EOSDIS Land Processes Distributed Active Archive Center https://doi.org/10.5067/MODIS/MOD44B. 006 (2015).
  83. Simons, G., Koster, R. & Droogers, P. Hihydrosoil v2.0-high resolution soil maps of global hydraulic properties. Futur. Work. Available from https://www.futurewater.eu/projects/hihydrosoil (2020).

Acknowledgements

GLEAM4 has been developed in recent years thanks to recurrent funding from the Belgian Science Policy Office (BELSPO) STEREO program (SR/02/402, SR/02/377, SR/00/373) and the European Space Agency (ESA) ( -NB, -EF, 000136272/21/I-EF). DGM acknowledges the support of the European Research Council (ERC) via the HEAT Consolidator grant (101088405). We are grateful to Martin Jung and Ulrich Weber for providing FLUXCOM data for this study, and to all the ground data providers. The computational resources and services used in this work were provided by the VSC (Flemish Supercomputer Center), funded by the Research Foundation, Flanders (FWO), and the Flemish Government.

Author contributions

D.G.M. has led the development of GLEAM as P.I. since 2009. F.Z., D.G.M., P.H. and A.K. coordinated the development of the new versions of the interception, potential evaporation, soil water, and evaporative stress modules, respectively. D.G.M., A.K., O.B., O.B.-V., E.T., P.H., F.Z. and S.H. contributed to the development of the code and decisions regarding the algorithm and dataset structure. O.B. streamlined the model code. O.B.-V., A.K. and F.Z. collected and pre-processed the forcing data. H.E.B. developed and provided the meteorological forcing. W.D. developed and provided the VOD and surface soil moisture input data. A.K. and O.B.-V. executed the model. E.T. led the validation against in situ data. D.G.M. analysed the output, prepared the figures, and wrote the first draft. All authors contributed to the discussion and interpretation of the results, as well as the editing of the manuscript.

Competing interests

The authors declare no competing interests.

Additional information

Correspondence and requests for materials should be addressed to D.G.M.
Reprints and permissions information is available at www.nature.com/reprints.
Publisher’s note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.
Open Access This article is licensed under a Creative Commons Attribution-NonCommercialNoDerivatives 4.0 International License, which permits any non-commercial use, sharing, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if you modified the licensed material. You do not have permission under this licence to share adapted material derived from this article or parts of it. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/licenses/by-nc-nd/4.0/.
© The Author(s) 2025
  1. Hydro-Climate Extremes Lab (H-CEL), Ghent University, Ghent, Belgium. Laboratory of Catchment Hydrology and Geomorphology, École Polytechnique Fédérale de Lausanne (EPFL), Sion, Switzerland. Physical Sciences and Engineering, King Abdullah University of Science and Technology (KAUST), Thuwal, Saudi Arabia. Department of Geodesy and Geoinformation, TU Wien, Vienna, Austria. e-mail: diego.miralles@ugent.be