Việc triển khai geeSEBAL gần đây đã hoàn tất trong khuôn khổ OpenET và bạn có thể xem thông tin tổng quan về phiên bản geeSEBAL hiện tại trong Laipelt và cộng sự (2021). Phiên bản này dựa trên các thuật toán ban đầu do Bastiaanssen và cộng sự (1998) phát triển. Việc triển khai OpenET geeSEBAL sử dụng dữ liệu nhiệt độ bề mặt đất (LST) từ Landsat Collection 2, ngoài các tập dữ liệu NLDAS và gridMET lần lượt là dữ liệu đầu vào khí tượng tức thời và hằng ngày. Thuật toán thống kê tự động để chọn các thành phần cuối nóng và lạnh dựa trên phiên bản đơn giản của thuật toán Hiệu chỉnh bằng mô hình hoá nghịch đảo trong điều kiện khắc nghiệt (CIMEC) do Allen và cộng sự đề xuất (2013), trong đó các phân vị của LST và chỉ số thực vật khác biệt được chuẩn hoá (NDVI) được dùng để chọn các thành phần cuối tiềm năng trong vùng miền Landsat. Các ứng cử viên thành phần cuối lạnh và ẩm được chọn ở những khu vực có nhiều thảm thực vật, trong khi các ứng cử viên thành phần cuối nóng và khô được chọn ở những khu vực đất trồng ít thảm thực vật nhất. Dựa trên các thành phần cuối được chọn, geeSEBAL giả định rằng trong thành phần cuối lạnh và ẩm, tất cả năng lượng có sẵn đều được chuyển đổi thành nhiệt tiềm ẩn (với tốc độ thoát hơi nước cao), trong khi trong thành phần cuối nóng và khô, tất cả năng lượng có sẵn đều được chuyển đổi thành nhiệt cảm nhận. Cuối cùng, số liệu ước tính về lượng thoát hơi nước hằng ngày được tăng lên từ số liệu ước tính tức thời dựa trên tỷ lệ bốc hơi, giả định rằng tỷ lệ này không đổi trong ngày mà không có thay đổi đáng kể về độ ẩm của đất và sự đối lưu. Dựa trên kết quả của nghiên cứu Đánh giá độ chính xác và so sánh OpenET, thuật toán OpenET geeSEBAL đã được sửa đổi như sau: (i) phiên bản đơn giản của CIMEC đã được cải thiện bằng cách sử dụng các bộ lọc bổ sung để chọn thành phần cuối, bao gồm cả việc sử dụng Lớp dữ liệu về đất trồng trọt (CDL) của Bộ Nông nghiệp Hoa Kỳ (USDA) và các bộ lọc cho NDVI, LST và suất phản chiếu; (ii) các điểm điều chỉnh đối với LST cho thành phần cuối dựa trên lượng mưa trước đó; (iii) định nghĩa các ngưỡng tốc độ gió NLDAS để giảm sự không ổn định của mô hình trong quá trình điều chỉnh khí quyển; và (iv) các điểm cải tiến để ước tính bức xạ ròng hằng ngày, sử dụng FAO-56 làm tài liệu tham khảo (Allen và cộng sự, 1998). Nhìn chung, hiệu suất của geeSEBAL phụ thuộc vào điều kiện địa hình, khí hậu và khí tượng, với độ nhạy và độ không chắc chắn cao hơn liên quan đến việc lựa chọn thành phần cuối nóng và lạnh để hiệu chỉnh tự động CIMEC, đồng thời độ nhạy và độ không chắc chắn thấp hơn liên quan đến dữ liệu đầu vào khí tượng (Laipelt và cộng sự, 2021 và Kayser cùng cộng sự, 2022). Để giảm những yếu tố không chắc chắn liên quan đến địa hình phức tạp, chúng tôi đã bổ sung các điểm cải tiến để điều chỉnh LST và bức xạ toàn cầu (sự cố) trên bề mặt (bao gồm cả tốc độ suy giảm môi trường, độ dốc và hướng của độ cao) nhằm thể hiện ảnh hưởng của các đặc điểm địa hình đối với thuật toán lựa chọn thành phần cuối và ước tính ET của mô hình.
Thông tin khác
