Field-scale Actual ET Estimation using SSEBop | Gabriel Senay, Ph.D., P.E.
Summary
TLDR本视频脚本介绍了一种基于遥感数据的简化能量平衡模型(SSEBop),用于估算蒸散发量(ET),这对于干旱监测和水资源管理具有重要意义。演讲者来自美国地质调查局(USGS),并与其他气候科学中心合作。他们利用MODIS和Landsat卫星数据,通过分析地表温度来估算ET,尤其是在灌溉区域。该模型考虑了环境压力,如土壤湿度和植被条件,以估算实际蒸散发量。通过与气象数据和潜在蒸散发量数据的结合,该模型能够提供空间分布的ET估算。此外,还讨论了模型的准确性和验证,以及如何通过Google Earth Engine进行全国性的ET估算。演讲者强调了模型的物理基础,并指出其绝对准确度大约在70%到80%之间,但也强调了进行一次性验证以校正偏差的重要性。
Takeaways
- 📈 美国地质调查局(USGS)正在使用遥感技术估算蒸散发量(ET),这对于干旱监测和水资源管理非常重要。
- 🌡️ 通过地表温度来估算ET的方法类似于评估植被冠层温度的方法,这强调了地表温度在评估水分胁迫中的重要性。
- 💧 遥感产品在干旱监测中非常有用,但在进行水预算分析时需要考虑潜在的偏差问题。
- 🏢 USGS对水资源的普查计划感兴趣,该计划每五年对县级的水资源使用进行一次汇编。
- 🌱 遥感技术正在被探索用于估算县级的水资源消费性使用量,因为不同州使用不同的方法,使得统一汇编变得困难。
- 🚀 正在评估的遥感产品基于MODIS数据集,它能够估算每个县基于灌溉像素的总用水量。
- 🤔 使用MODIS数据集存在挑战,尤其是在估算消费性使用时可能会低估实际使用量。
- 🌄 简化的地表能量平衡模型(SSEBop)包括两个组成部分:一个是估算潜在蒸散发量,另一个是通过遥感数据来确定实际蒸散发量。
- 🌡️ 地表温度(LST)被用来确定水分胁迫因子,该因子是土壤湿度和作物类型及生长阶段的组合。
- 🌿 使用归一化植被指数(NDVI)可以显示植被覆盖与实际蒸散发量之间的关系,高NDVI值对应于高ET值。
- 📊 通过比较不同数据集,如USGS的Bureau of Reclamation水平衡方法和遥感估算的ET,可以评估模型的性能。
- ⏱️ 该模型已被用于处理31年的数据(从1984年到2014年),显示出模型的稳定性和一致性。
Q & A
在演讲中提到的SSEB或Sibob方法是什么?
-SSEB(Surface-Energy Balance System)或Sibob是一种基于遥感数据估算蒸散发(Evapotranspiration, ET)的方法,它利用地表温度信息来估算水分从植被表面蒸发到大气中的过程。
为什么在干旱监测中使用基于地表温度的蒸散发估算方法时需要考虑偏差?
-因为这种方法可能无法准确反映实际的水预算分析,存在一定的系统性偏差,这可能是由于遥感数据的分辨率、大气校正误差、地表覆盖类型的多样性等因素造成的。
USGS为什么对水预算分析感兴趣?
-USGS(美国地质调查局)对水预算分析感兴趣,因为它涉及到水资源的管理和规划。USGS参与水普查计划,每五年对县级的水使用情况进行一次汇编,这对于水资源的可持续管理和规划至关重要。
演讲中提到的遥感技术在水使用报告中的作用是什么?
-遥感技术在水使用报告中的作用是提供一种新的方法来估计县级的消耗性用水,这有助于解决不同州使用不同方法导致的统一性问题,从而能够更准确地编制全国县级水使用报告。
演讲中提到的CBOB模型是什么?
-CBOB(简化的地表能量平衡模型)是一种用于估算蒸散发的模型,它包括两个主要部分:一个是估算潜在蒸散发,另一个是通过遥感数据来确定实际蒸散发的局限性。
如何使用地表温度来估算水分胁迫因子?
-通过分析地表温度图像的分布,可以识别出植被覆盖区域的冷热点,这些温度差异可以用来估算水分胁迫因子,即土壤湿度和作物类型及生长阶段的组合效应。
演讲中提到的“冷表面温度”是什么?
-“冷表面温度”是指在特定区域内,由于水分充足而不受到水分胁迫的地表温度。这个温度可以作为估算蒸散发的一个基准,与“热像素”相对。
如何使用遥感数据来估算蒸散发的实际值?
-通过将遥感数据提供的地表温度与潜在蒸散发相乘,可以得到一个介于0到1之间的ET分数,这个分数乘以潜在蒸散发可以估算出实际蒸散发。
演讲中提到的“卫星心理计量常数”是什么?
-“卫星心理计量常数”是一个用于将遥感数据转换为土壤湿度信息的参数,类似于心理计量法中用于测量空气相对湿度的常数。
为什么在干旱监测中使用Landsat数据而不是MODIS数据?
-Landsat数据具有更高的空间分辨率(100米),这使得它能够更详细地观察地表特征,如中心支轴灌溉系统。而MODIS数据虽然覆盖范围更广,但分辨率较低(1公里),适合于大尺度的水文分析。
演讲中提到的模型准确性如何?
-演讲中提到的CBOB模型的绝对准确性大约在70%到80%之间,对于月尺度而言,而在季节尺度上准确性会有所提高。但需要进行至少一次的验证实验来校正偏差,以便用于水预算分析。
Outlines
Esta sección está disponible solo para usuarios con suscripción. Por favor, mejora tu plan para acceder a esta parte.
Mejorar ahoraMindmap
Esta sección está disponible solo para usuarios con suscripción. Por favor, mejora tu plan para acceder a esta parte.
Mejorar ahoraKeywords
Esta sección está disponible solo para usuarios con suscripción. Por favor, mejora tu plan para acceder a esta parte.
Mejorar ahoraHighlights
Esta sección está disponible solo para usuarios con suscripción. Por favor, mejora tu plan para acceder a esta parte.
Mejorar ahoraTranscripts
Esta sección está disponible solo para usuarios con suscripción. Por favor, mejora tu plan para acceder a esta parte.
Mejorar ahoraVer Más Videos Relacionados
Crop Water Use Dynamics & Water Budget Parameters/High Plains Aquifer - Gabriel Senay, USGS EROS
NASA | TIRS: The Thermal InfraRed Sensor on LDCM
A little guide to building Large Language Models in 2024
Networking for GenAI Training and Inference Clusters | Jongsoo Park & Petr Lapukhov
【人工智能】万字通俗讲解大语言模型内部运行原理 | LLM | 词向量 | Transformer | 注意力机制 | 前馈网络 | 反向传播 | 心智理论
Toward a Deeper Understanding of Our Climate System Through Data Science | Emily Gordon
5.0 / 5 (0 votes)