DOI: https://doi.org/10.1038/s41597-025-04610-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40064907
تاريخ النشر: 2025-03-10
المؤلف: Diego G. Miralles وآخرون
الموضوع الرئيسي: رطوبة التربة والاستشعار عن بعد
نظرة عامة
تقدم البحث مجموعة بيانات يومية شاملة عن التبخر الأرضي من 1980 إلى 2023، تم إنشاؤها باستخدام الجيل الرابع من نموذج تبخر الأراضي العالمية في أمستردام (GLEAM4) بدقة مكانية تبلغ 0.1°. يتضمن هذا النموذج تقدمًا في تقنيات النمذجة الهجينة، حيث يتعلم الضغط التبخيري من بيانات التباين الدوامي وتدفق النسغ، ويعزز تمثيل العوامل الحرجة مثل الاعتراض، وطلب المياه في الغلاف الجوي، ورطوبة التربة، وإمكانية وصول النباتات إلى المياه الجوفية.
تظهر التحقق من القياسات في الموقع من 473 موقعًا للتباين الدوامي ارتباطًا وسطيًا قدره 0.73، وخطأ جذر متوسط المربعات قدره 0.95 مم يوم\(^{-1}\)، وكفاءة كلينغ-غوبتا قدرها 0.49، مما يشير إلى موثوقية مجموعة البيانات. يُقدّر التبخر العالمي للأراضي بحوالي 68.5 × 10\(^{3}\) كم\(^{3}\) سنة\(^{-1}\)، مع نسبة 62% من ذلك تعود إلى النتح. بالإضافة إلى التبخر الفعلي ومكوناته، تتضمن مجموعة البيانات رطوبة التربة، والتبخر المحتمل، وتدفق الحرارة الحساسة، والضغط التبخيري، مما يدعم مبادرات البحث الهيدرولوجي والمناخي والبيئي المتنوعة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور الحيوي للتبخر الأرضي (E)، أو “التبخر النتح”، في نظام المناخ، حيث يعمل كحلقة وصل حيوية بين دورات المياه والكربون والطاقة. يؤثر E بشكل كبير على توقعات المناخ على المدى الطويل، والأحداث الجوية المتطرفة، وإدارة موارد المياه، ومع ذلك لا يزال غير مؤكد بشكل كبير على المستويات الإقليمية والعالمية بسبب التحديات في القياس والنمذجة والكشف عبر الأقمار الصناعية. لمعالجة هذا الغموض، ظهرت مجموعة من الأساليب المبتكرة، بما في ذلك دمج بيانات في الموقع، والأقمار الصناعية، وإعادة التحليل، بالإضافة إلى تطوير نماذج التعلم الآلي. ومع ذلك، أدت قيود الأساليب المعتمدة فقط على التعلم الآلي إلى اهتمام متزايد بالنماذج الهجينة التي تجمع بين الأساليب الفيزيائية والتعلم الآلي.
يتم تقديم نموذج تبخر الأراضي العالمية في أمستردام (GLEAM) كنموذج تنبؤ رائد لتقدير E العالمي باستخدام بيانات الأقمار الصناعية. تم اعتماد GLEAM على نطاق واسع، مع أكثر من 10,000 مستخدم، ويوفر مجموعات بيانات شاملة تتضمن مكونات مختلفة من E، مثل النتح والتبخر من أسطح مختلفة. تقدم الورقة GLEAM4، الجيل الرابع من هذا النموذج، الذي يتميز بدقة مكانية محسنة (من 0.25° إلى 0.1°) وطول سجل ممتد من 1980 إلى 2023. ستفصل الأقسام التالية التقدم المحرز في GLEAM4، بما في ذلك تحسينات في تمثيل الضغط التبخيري وإمكانية وصول المياه الجوفية من قبل النباتات، وستحلل مجموعات البيانات الناتجة من حيث اتساقها المكاني والزماني وأدائها.
الطرق
تم تصميم منهجية GLEAM (نموذج تبخر الأراضي العالمية في أمستردام) لحساب التبخر (E) ومكوناته من خلال نهج منظم يتكون من أربعة وحدات تركز على التأثير المباشر للعمليات على E مع ضمان نموذج مقتصد. تتناول الوحدات بالتتابع الاعتراض (E_i)، والتبخر المحتمل (E_p)، ومحتوى المياه في التربة، والضغط التبخيري. يحسب النموذج E_i وE_p، حيث يتم تعديل E_p ليكون مطابقًا للتبخر الفعلي (E) باستخدام عامل ضغط تبخيري مضاعف (S) مستمد من رطوبة التربة في منطقة الجذر ومتغيرات أخرى. تم تصميم هذه العملية لتناسب أنواع تغطية الأراضي المختلفة، بما في ذلك التربة العارية وارتفاعات النباتات المختلفة، وتدمج قانون بير-لامبرت لأخذ في الاعتبار انتقال الإشعاع عبر المظلة.
تشمل التحسينات الكبيرة في GLEAM4 مقارنة بسابقه، GLEAM v3، تحسينات في كل وحدة، وتمديد مجموعات البيانات لتكون قريبة من الحاضر، وزيادة في الدقة المكانية من 0.25° إلى 0.1°. تتضمن تحسينًا ملحوظًا في حساب E_i اعتماد نموذج الاعتراض العالمي فان ديك-بروينزيل، الذي يجمع بيانات من تجارب ميدانية واسعة النطاق ويستخدم ديناميات النباتات المستمدة من الأقمار الصناعية. يسمح هذا التشكيل الجديد بتمثيل أكثر دقة للاعتراض من خلال مراعاة التباين الفرعي وحساب التدفقات بشكل منفصل للنباتات الطويلة والقصيرة، مما يعالج القيود السابقة ويحسن من تحقق النموذج مقابل بيانات الحقل ومنتجات أخرى.
المناقشة
في قسم المناقشة من ورقة البحث، يبرز المؤلفون التقدم الكبير في نموذج GLEAM4، لا سيما في حسابه للتبخر المحتمل ($E_p$) باستخدام معادلة بنمان، التي تأخذ في الاعتبار عوامل مثل سرعة الرياح، وارتفاع النباتات، وعيب ضغط البخار. يسهل هذا التحول من النهج السابق لبريستلي وتايلور توفر بيانات الأقمار الصناعية المحسنة، مما يسمح بتمثيل أكثر دقة لعمليات التبخر. يحسب النموذج $E_p$ لكسور تغطية الأراضي المختلفة، ويجمع بين معلمات مثل الإشعاع الصافي وتدفق الحرارة الأرضية، ويستخدم طريقة محسنة لتقدير محتوى المياه في التربة تشمل مساهمات المياه الجوفية، مما يعزز دقة النموذج في ظل ظروف نقص المياه.
تظهر التحقق من GLEAM4 مقابل الملاحظات الميدانية ومجموعات البيانات الأخرى أدائه المحسن في تقدير التبخر وديناميات رطوبة التربة. تتماشى مخرجات النموذج بشكل وثيق مع التقديرات العالمية للتبخر، مما يشير إلى متوسط قدره $68.5 \times 10^3 \text{ كم}^3 \text{ سنة}^{-1}$، ويعكس بشكل فعال التغيرات الموسمية المتأثرة بالعوامل المناخية. تكشف المقارنات مع مجموعات بيانات عالمية أخرى أن GLEAM4 يوفر تمثيلًا أكثر دقة للتبخر في المناطق الاستوائية بينما يعالج أيضًا تعقيدات الضغط التبخيري في البيئات الجافة. مجموعة البيانات، التي تمتد من 1980 إلى 2023، متاحة للجمهور ومنظمة لتسهيل الوصول، مما يدعم الأبحاث المستمرة في علم الهيدرولوجيا وعلم المناخ.
DOI: https://doi.org/10.1038/s41597-025-04610-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40064907
Publication Date: 2025-03-10
Author(s): Diego G. Miralles et al.
Primary Topic: Soil Moisture and Remote Sensing
Overview
The research presents a comprehensive daily dataset of terrestrial evaporation from 1980 to 2023, generated using the fourth generation of the Global Land Evaporation Amsterdam Model (GLEAM4) at a spatial resolution of 0.1°. This model incorporates advancements in hybrid modeling techniques, learning evaporative stress from both eddy-covariance and sapflow data, and enhances the representation of critical factors such as interception, atmospheric water demand, soil moisture, and plant access to groundwater.
Validation against in situ measurements from 473 eddy-covariance sites reveals a median correlation of 0.73, a root-mean-square error of 0.95 mm d\(^{-1}\), and a Kling-Gupta efficiency of 0.49, indicating the dataset’s reliability. The estimated global land evaporation is approximately 68.5 × 10\(^{3}\) km\(^{3}\) yr\(^{-1}\), with 62% of this attributed to transpiration. In addition to actual evaporation and its components, the dataset includes soil moisture, potential evaporation, sensible heat flux, and evaporative stress, thereby supporting diverse hydrological, climatic, and ecological research initiatives.
Introduction
The introduction of the research paper highlights the critical role of terrestrial evaporation (E), or ‘evapotranspiration’, in the climate system, serving as a vital link between the water, carbon, and energy cycles. E significantly influences long-term climate projections, extreme weather events, and water resource management, yet remains highly uncertain at both regional and global scales due to challenges in measurement, modeling, and satellite detection. To address this uncertainty, various innovative approaches have emerged, including the integration of in situ, satellite, and reanalysis data, as well as the development of machine learning models. However, the limitations of purely machine learning-based methods have led to a growing interest in hybrid models that combine physical and machine learning approaches.
The Global Land Evaporation Amsterdam Model (GLEAM) is presented as a pioneering prognostic model for estimating global E using satellite data. GLEAM has been widely adopted, with over 10,000 users, and provides comprehensive datasets that include various components of E, such as transpiration and evaporation from different surfaces. The paper introduces GLEAM4, the fourth generation of this model, which features enhanced spatial resolution (from 0.25° to 0.1°) and an extended record length from 1980 to 2023. The subsequent sections will detail the advancements made in GLEAM4, including improvements in the representation of evaporative stress and groundwater access by vegetation, and will analyze the resulting datasets for their spatiotemporal consistency and performance.
Methods
The GLEAM (Global Land Evaporation Amsterdam Model) methodology is designed to compute evaporation (E) and its components through a structured, four-module approach that emphasizes the direct impact of processes on E while ensuring a parsimonious model. The modules sequentially address interception (E_i), potential evaporation (E_p), soil water content, and evaporative stress. The model calculates E_i and E_p, with E_p being adjusted to actual evaporation (E) using a multiplicative evaporative stress factor (S) derived from root-zone soil moisture and other variables. This process is tailored for different land cover types, including bare soil and various vegetation heights, and incorporates the Beer-Lambert law to account for radiation transmission through the canopy.
Significant advancements in GLEAM4 over its predecessor, GLEAM v3, include enhancements in each module, an extension of datasets to near-present, and an increase in spatial resolution from 0.25° to 0.1°. A notable improvement in the computation of E_i involves the adoption of a global van Dijk-Bruijnzeel interception model, which synthesizes data from extensive field experiments and utilizes satellite-derived vegetation dynamics. This new formulation allows for a more nuanced representation of interception by considering sub-grid heterogeneity and separately calculating fluxes for tall and short vegetation, thereby addressing previous limitations and improving model validation against field data and other products.
Discussion
In the discussion section of the research paper, the authors highlight significant advancements in the GLEAM4 model, particularly in its calculation of potential evaporation ($E_p$) using Penman’s equation, which incorporates factors such as wind speed, vegetation height, and vapor pressure deficit. This shift from the previous Priestley and Taylor approach is facilitated by improved satellite data availability, allowing for a more nuanced representation of evaporation processes. The model computes $E_p$ for various land cover fractions, integrating parameters like net radiation and ground heat flux, and employs a refined method for estimating soil water content that includes groundwater contributions, enhancing the model’s accuracy under water-limited conditions.
The validation of GLEAM4 against field observations and other datasets demonstrates its improved performance in estimating evaporation and soil moisture dynamics. The model’s outputs align closely with global estimates of evaporation, indicating a mean of $68.5 \times 10^3 \text{ km}^3 \text{ yr}^{-1}$, and it effectively captures seasonal variations influenced by climatic factors. Comparisons with other global datasets reveal that GLEAM4 provides a more accurate representation of evaporation in tropical regions while also addressing the complexities of evaporative stress in arid environments. The dataset, which spans from 1980 to 2023, is publicly available and structured for ease of access, supporting ongoing research in hydrology and climate science.