Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Palabras clave: Se evalúan doce conjuntos de datos de evaporación reales por su capacidad para mejorar el rendimiento del modelo hidrológico de mesoescala
evaporación real (mHM) completamente distribuido. Los conjuntos de datos consisten en modelos de diagnóstico basados en satélites (MOD16A2, SSEBop,
Teledetección satelital
ALEXI, CMRSET, SEBS), modelos de pronóstico basados en satélites (GLEAM v3.2a, GLEAM v3.3a, GLEAM v3.2b, GLEAM v3.3b) y reanálisis
reanálisis
(ERA5, MERRA2, JRA55). Se implementan cuatro estrategias distintas de calibración multivariante (promedio de cuenca, pixelwise, contabilidad
Parametrización del modelo
de sesgo espacial e insensible al sesgo espacial) que utilizan la evaporación y el caudal real, lo que da como resultado 48 escenarios cuyos
Procesos hidrológicos
Patrones espaciales
resultados se comparan con un modelo de referencia calibrado únicamente con datos de caudal . Se adopta un enfoque de diagnóstico de
Calibración multivariable procesos para evaluar las respuestas del modelo con datos in situ de flujo de corriente y datos independientes de humedad del suelo obtenidos
Función multiobjetivo por sensores remotos de ESACCI y almacenamiento de agua terrestre de GRACE. El método se implementa en la cuenca del río Volta, que es
una región con escasez de datos en África Occidental, para el período de 2003 a 2012.
Los resultados muestran que los conjuntos de datos de evaporación tienen un buen potencial para mejorar la calibración del modelo, pero esto
depende de la estrategia de calibración. Todas las estrategias de calibración multivariable superan a la calibración de caudal solamente. La
mayor mejora en el rendimiento general del modelo se obtiene con la estrategia de contabilidad de sesgo espacial (+29 %), seguida de la
estrategia insensible al sesgo espacial (+26 %) y la estrategia de píxel (+24 %), mientras que la cuenca La estrategia media (+20%) da la mejora
más baja. En promedio, el uso de datos de evaporación además del caudal para la calibración del modelo reduce el rendimiento del modelo para
el caudal (7 %), lo que se contrarresta con el aumento del rendimiento del almacenamiento de agua terrestre (+11 %), la dinámica temporal de la
humedad del suelo (+6%) y patrones espaciales de humedad del suelo (+89%). En general, los tres conjuntos de datos de evaporación con mejor
rendimiento son MERRA2, GLEAM v3.3a y SSEBop, mientras que los tres conjuntos de datos inferiores son MOD16A2, SEBS y ERA5. Sin
embargo, los rendimientos de los productos de evaporación divergen según las respuestas del modelo y entre las zonas climáticas. Estos
hallazgos abren vías para mejorar la representación de procesos de modelos hidrológicos y avanzar en la predicción espaciotemporal de
inundaciones y sequías bajo cambios climáticos y de uso de la tierra.
1. Introducción La evaporación es un flujo dominante del ciclo del agua (Martens et al., 2018; Oki y
Kanae, 2006). Representa el intercambio de agua y energía entre los ecosistemas
La evaluación de la variabilidad espaciotemporal de los procesos hidrológicos es el terrestres y la atmósfera. Por lo tanto, la evaporación se puede utilizar como indicador de
quid de la gestión eficaz de los recursos hídricos. Se espera que el calentamiento global la disponibilidad de humedad y su tasa de consumo (He et al., 2019; Joiner et al., 2018;
intensifique (es decir, acelere) el ciclo hidrológico, aumentando o disminuyendo la Van der Ent et al., 2010). Las teorías básicas y los métodos de estimación de la
evaporación según los lugares (Donat et al., 2016; Famiglietti y Rodell, 2013; Huntington, evaporación están ampliamente documentados (p. ej., Chen y Liu, 2020; Liou y Kar,
2006). 2014; McMahon et al., 2013; Pan et al., 2019; Zhang et al., 2016). La representación
precisa de la evaporación en los modelos hidrológicos es importante para los estudios
que vinculan el cambio climático y el uso de la tierra porque la evaporación es el flujo
central que define las interacciones tierraatmósfera (Fisher et al., 2017; Mueller et al.,
2011). La modelización fiable de la evaporación es esencial
Autor de correspondencia.
Dirección de correo electrónico: moctar.dembele@unil.ch (M. Dembélé).
https://doi.org/10.1016/j.advwatres.2020.103667 Recibido el 9 de
marzo de 2020; Recibido en forma revisada el 8 de junio de 2020; Aceptado el 22 de junio de 2020 Disponible en
línea el 24 de junio de 2020
03091708/© 2020 Los autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY. (http://creativecommons.org/licenses/by/4.0/)
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
models (Bai and Liu, 2018; Cui et al., 2019; Talsma et al., 2018). The
Lista de símbolos el aumento de la disponibilidad y diversidad de conjuntos de datos de evaporación cuadriculados ha
desencadenó muchos estudios de evaluación y comparación (Long et al., 2014;
Descripción de los símbolos Vinukollu et al., 2011b), que destacan diferencias significativas entre
Medida de ubicación espacial los conjuntos de datos y, por lo tanto, indican la incertidumbre subyacente en las estimaciones
Medida de sesgo
de la evaporación (Baik et al., 2018; López et al., 2017). La incertidumbre
Medida de variabilidad proviene de la fuerte variabilidad de las variables biogeofísicas que impulsan
Calor latente de vaporización del agua. evaporación (p. ej., albedo, radiación neta, rugosidad de la superficie y temperatura) y la
ΦBA Función objetivo para el caso BA diversidad de estructuras del modelo, parametrizaciones del modelo
ΦEa Función objetivo para Ea y conjuntos de datos de entrada utilizados para estimar la evaporación (Badgley et al., 2015;
ΦPW Función objetivo para el caso PW Wang y Dickinson, 2012; Zhang et al., 2020). Por lo tanto, la elección
ΦQ Función objetivo para el caso Q y el uso de datos de evaporación SRS en el modelado hidrológico debe ser
ΦSB Función objetivo para el caso SB hacerse con cautela, particularmente en cuencas con fuerte influencia antropogénica.
ΦSP Función objetivo para el caso SP influences (Senkondo et al., 2019; Yang et al., 2016). Generally, the
DE distancia euclidiana
Se adoptan los siguientes cuatro enfoques para evaluar la evaporación cuadriculada
Sí evaporación real productos:
electrocardiograma Eficiencia de KlingGupta
(i) análisis de la varianza entre varios productos (por ejemplo,
episodio
Evaporación potencial
Jimenez et al., 2011; Khan et al., 2018; Mueller et al., 2011;
Eref Evaporación de referencia
Senkondo et al., 2019; Trambauer et al., 2014);
ERMS Error cuadrático medio de la raíz
(ii) comparación punto a píxel con mediciones terrestres
ESP Eficiencia del patrón espacial
(eg, Chen et al., 2014; McCabe et al., 2015; Michel et al., 2016;
FDS Función de escalado dinámico
Índice de área foliar Ramoelo et al., 2014; Velpuri et al., 2013);
EXCEPTO
(iii) consistencia hidrológica mediante el cálculo del balance hídrico (p. ej.,
PAG
Precipitación
Flujo de corriente Liu et al., 2016; McCabe et al., 2008; Miralles et al., 2016;
q
r Coeficiente de correlación de Pearson Wang et al., 2018; Weerasinghe et al., 2020); espíritu
Radiación extraterrestre (iv) evaluar la capacidad de los conjuntos de datos de evaporación para mejorar la
Sol
estimación de parámetros de los modelos hidrológicos (p. ej., Demirel et al.,
rs Coeficiente de correlación de Spearman
2018; Immerzeel y Driers, 2008; Jiang et al., 2020;
Calle Anomalía de almacenamiento de agua terrestre
La humedad del suelo
Pomeon et al., 2018; Winsemius et al., 2008).
Ellos son
Promedio Temperatura media del aire Evaluar la incertidumbre de las estimaciones de evaporación a gran escala es
Tmax Temperatura máxima del aire desafiante debido a la disponibilidad limitada de mediciones en tierra (Bhattarai et al., 2019;
Tmin Temperatura mínima del aire Ceperley et al., 2017). La incertidumbre en
la evaporación varía en el espacio y según las regiones climáticas (Blatchford
et al., 2020; Vinukollu et al., 2011a). Al evaluar la contribución de
conjuntos de datos de evaporación cuadriculados para la calibración del modelo hidrológico, algunos
cial en cuencas (semi)áridas, donde la evaporación representa el flujo de agua saliente las limitaciones se pueden señalar en estudios previos. La mayoría de los estudios previos
dominante. En tales ambientes, un hidrológico clásico solo use o compare algunos conjuntos de datos de evaporación (p. ej., KunnathPoovakka
la calibración del modelo en el flujo de la corriente solo podría conducir a un modelo importante et al., 2016; Vervoort et al., 2014), y rara vez (si acaso) investigan el uso
sesgos Más generalmente, para cuencas con fuertes influencias antropogénicas en el ciclo del de conjuntos de datos de reanálisis (es decir, análisis retrospectivo; cf. Bosilovich et al.,
agua (p. ej., planes de riego, represas, etc.) o en 2008), que son una fuente importante de estimaciones de evaporación espacial
regiones con escasez de datos, la inclusión de datos de evaporación en la calibración del (Feng et al., 2019). Por lo general, se utiliza un modelo agrupado o semidistribuido
modelo tiene el potencial de restringir mejor un modelo hidrológico en lugar de (por ejemplo, Odusanya et al., 2019; Rientjes et al., 2013), que no aprovecha todo el potencial
que el flujo de agua solo (Becker et al., 2019; Jiang y Wang, 2019). En consecuencia, calibrar de los conjuntos de datos de evaporación cuadriculados que son su
modelos hidrológicos basados únicamente en el caudal patrones espaciales (Armstrong et al., 2019; Stisen et al., 2018). La mayoría de los estudios
no es suficiente para garantizar una representación precisa del sistema hidrológico porque el no pruebe diferentes estrategias de calibración del modelo, con algunas excepciones
caudal es el resultado de varios procesos interrelacionados, por lo que enmascara la that use a semidistributed model (e.g., Herman et al., 2018; Rajib et al.,
heterogeneidad espacial (Tobin y Bennett, 2017; 2018). Finalmente, algunos estudios usan una métrica insensible al sesgo para enfocarse solo
Wambura et al., 2018). Esta limitación en la implementación del modelo ha sobre los patrones espaciales de los productos de evaporación cuadriculados (Dembélé et al.,
ha sido superada por la llegada de técnicas de calibración multivariadas que utilizan conjuntos 2020a; Koch et al., 2018).
de datos basados en satélites, lo que ofrece a los modelos una oportunidad para una mejor Este estudio tiene como objetivo llenar los vacíos de conocimiento actuales mediante la
heterogeneidad espacial (Efstratiadis y Koutsoyiannis, 2010; Rakovec et al., evaluación de la utilidad de nueve conjuntos de datos de evaporación basados en satélites
2016). (pronóstico y diagnóstico) y tres de análisis real para mejorar el rendimiento de un sistema distribuido.
En la búsqueda de mejorar la representación de procesos en los modelos hidrológicos, el modelo hidrológico utilizando cuatro estrategias de calibración distintas. Este estudio
modelado hidrológico distribuido a gran escala enfrenta el desafiante requisito de conjuntos de no pretende cuantificar la precisión intrínseca de la evaporación
datos de observación espacialmente explícitos para el modelo. productos ni determinar si un producto es mejor que los demás en
configuración y evaluación del rendimiento (Clark et al., 2017; Fatichi et al., términos de valores absolutos. Más bien se esfuerza por evaluar su capacidad para
2016; Hrachowitz y Clark, 2017). En consecuencia, Satellite Remote mejorar las simulaciones de un modelo hidrológico distribuido cuando se utiliza
Conjuntos de datos de detección (SRS) y reanálisis de varios procesos hidrológicos como variable de calibración. Además de la gran cantidad y diversidad de conjuntos de datos
se han utilizado como datos de entrada (Beck et al., 2017; Maggioni y Mas sari, 2018) o como de evaporación en cuadrícula evaluados, la novedad de este estudio es la implementación de
datos de calibración y evaluación para modelos hidrológicos (Koppa y Gebremichael, 2020; cuatro estrategias distintas de calibración del modelo con un
McCabe et al., 2017). Evaporación modelo hidrológico distribuido, la evaluación de las respuestas del modelo
Las estimaciones de SRS se utilizan cada vez más en la calibración multivariante de con múltiples variables (es decir, caudal, humedad del suelo y condiciones terrestres).
modelos hidrológicos. Debido a que es un indicador clave de la disponibilidad de agua almacenamiento de agua) para probar la propagación del error de evaporación en otros
superficial, la evaporación es una fuente esencial de información para limitar mejor la procesos hidrológicos, y la aplicación del experimento en una gran cuenca
representación espaciotemporal de los procesos en la hidrología. distribuidos en cuatro zonas ecoclimáticas con considerable influencia antropogénica
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
influencia. Este estudio se esfuerza por responder a dos preguntas de investigación El clima es impulsado por la Zona de Convergencia Intertropical (ZCIT)
interrelacionadas. En primer lugar, ¿cuál es la capacidad de evaporación satelital y de reanálisis? y varía de subhúmedo en el sur a semiárido en el norte
conjuntos de datos para mejorar la habilidad predictiva general de un sistema totalmente distribuido (Dembélé et al., 2019; FAO/GIEWS, 1998; Mul et al., 2015). Actual
modelo hidrologico? En segundo lugar, qué tan importante es la calibración del modelo. la evaporación varía entre el 70% y el 90% de la precipitación anual en la cuenca.
estrategia para mejorar la representación de los procesos hidrológicos? El
La investigación propuesta se lleva a cabo en la cuenca del río Volta ubicada en West 2.2. Modelo hidrológico distribuido
África, utilizando el modelo hidrológico de mesoescala (mHM) durante un período de
diez años consecutivos (20032012). El modelo hidrológico de mesoescala totalmente distribuido (mHM) es un modelo
conceptual que simula los procesos hidrológicos dominantes (p. ej.,
evaporación, humedad del suelo y descarga) por celda de cuadrícula en el modelo
2. Material y métodos
domain (Kumar et al., 2013; Samaniego et al., 2010). Samaniego et al.
(2011) proporcionan una representación esquemática de los procesos contabilizados
2.1. Área de estudio
para en mHM. Un modelo de enrutamiento multiescala basado en MuskingumCunge
( Cunge, 1969) se utiliza para el enrutamiento de la red total generada
La cuenca transfronteriza del río Volta (VRB) se comparte entre seis
escorrentía a través de la red fluvial (Thober et al., 2019). la subred
países de África occidental (es decir, Burkina Faso, Ghana, Togo, Mali, Benin
variabilidad de las características físicas de la cuenca (p. ej., textura del suelo,
y Côte d'Ivoire) y cubre aproximadamente 415.600 km2 (Fig. 1). Mayoría
cubierta) se contabiliza con una técnica de regionalización de parámetros multiescala
de la cuenca se encuentra por debajo de los 400 m snm con una topografía predominantemente
(Samaniego et al., 2017). Los parámetros del modelo (p. ej., hidráulica
plana (Fig. 1b). El río Volta fluye de norte a sur a lo largo de una distancia de
conductividad, porosidad del suelo) están vinculados a las características físicas de la cuenca
1.850 km y desemboca en el Océano Atlántico en el Golfo de Guinea por tránsito a través
a través de funciones de pedotransferencia y parámetros globales. Treinta y seis globales
del lago Volta (8.502 km2) formado por el Akosombo
los parámetros (cf. Pokhrel et al., 2008) se ajustan durante la calibración del modelo
dam (7.94 Mm3) (Dembélé et al., 2019; Dembélé et al., 2020a; Williams
para este estudio (Tabla S6). Se encontró que mHM es confiable para modelar procesos
et al., 2016). El área de la cuenca está compuesta por pastizales intercalados con
hidrológicos en VRB (Dembélé et al., 2020a). La versión 5.9 de
arbustos y árboles (75 %), tierras de cultivo (13 %), bosques (9 %), masas de agua (2 %)
mHM se utiliza en este estudio.
y tierra desnuda y asentamientos (1%) (Fig. 1c).
La evaporación de referencia (Eref) se calcula siguiendo el método de
El VRB se extiende sobre cuatro zonas ecoclimáticas (es decir, Sahelian, Sudano
Hargreaves y Samani (1985), que resultó confiable para regiones semiáridas como la VRB
Sahelian, Sudanian y Guinean) caracterizadas por una densidad de vegetación creciente y
(Bai et al., 2016; ErRaki et al., 2010; Gao et al.,
por recibir precipitaciones crecientes de norte a sur.
2017). Eref se formula de la siguiente manera:
(Fig. 1a; Tabla 1). La información proporcionada en la Tabla 1 se obtiene de
la base de datos del índice de aridez global (Trabucco y Zomer, 2018), y la = (1)
árbitro un ( promedio + 17,8 )( máx − mín) 0,5
Datos meteorológicos WFDEI (ver Tabla 2; Weedon et al., 2014) para el
periodo 19792016. La figura 1 y la tabla 1 están adaptadas de Dembélé et al. donde Ra (MJ/m2/día) es la radiación extraterrestre calculada en base a
(2020a). sobre la latitud del lugar y el día del año (Allen et al., 1998),
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
tabla 1
Características de las cuatro zonas ecoclimáticas de la cuenca del río Volta con el Índice de Aridez (AI). La media anual
Se proporciona un valor con el rango ([minmax]) para la precipitación (P) y la temperatura promedio del aire (Tavg).
zona saheliana Árido 0,16 [0,120,20] 570 [470610] 0,29 [0,160,43] 29,3 [29,029,7]
Zona sudanosaheliana Semiárida 790 [570980] 28,6 [28,029,3]
zona sudanesa Semiárido/Subhúmedo seco 0,47 [0,330,98] 1010 [8901290] 28.1 [26.428.8]
zona guineana Seco subhúmedo/Húmedo 0,70 [0,491,22] 1190 [10301420] 27,6 [26,028,6]
Tabla 2
Descripción general de los conjuntos de datos de entrada. CHIRPS: Precipitación infrarroja del Grupo de peligros climáticos con datos de la estación; ESA CCI SM: Iniciativa sobre el Cambio Climático
de la Agencia Espacial Europea Humedad del Suelo; GIMMS: estudios de mapeo y modelado de inventario global; GLiM: Mapa Litológico Global; GMTED: Elevación de terreno de resolución múltiple global
Datos; GRACE: Recuperación de la Gravedad y Experimento Climático; WFDEI: Metodología WATCH Forcing Data aplicada a datos ERAInterim
Datos meteorológicos
Lluvia CHIRPS v2.0 0,05° a diario Funk et al. (2015)
http://chg.geog.ucsb.edu/data/chirps/
Temperatura (media, mínima y DMA 0,5° cada hora Weedon et al. (2014)
máximo) http://www.euwatch.org/data_availability
Datos morfológicos
Características del terreno (elevación, pendiente, GMTED 2010 225 metros estático Danielson y Gesch (2011)
aspecto, dirección del flujo y acumulación del flujo) (0.0021°) https://topotools.cr.usgs.gov/
Propiedades del suelo (profundidad del horizonte, densidad aparente, SueloRejillas 250 metros estático Hengl et al. (2017)
contenido de arena y arcilla) (0.0023°) https://www.isric.org/explore/soilgrids
Geología GLiM v1.0 0,5° estático Hartmann y Moosdorf (2012)
https://doi.pangaea.de/10.1594/PANGAEA.788537
uso de la tierra cobertura de la tierra tapaglobo 300 metros estático Bontemps et al. (2011)
2009 (0.0028°) http://due.esrin.esa.int/page_globcover.php
Fenología (índice de área foliar) GIMNAS 8 km (0,0833°) bimensual Tucker et al. (2005), Zhu et al. (2013)
http://cliveg.bu.edu/modismisr/lai3gfpar3g.html
Modelo de calibración/evaluación
Datos in situ
Caudal (Q) punto a diario Múltiples organizaciones (ver agradecimientos)
Datos satelitales
Anomalía de almacenamiento de agua terrestre (St) GRACIA DE LA TIERRA 1° mensual Taley et al. (2004), Swenson (2012)
v5.0 https://grace.jpl.nasa.gov/
Humedad superficial del suelo (Su) ESA CCI SM 0,25° a diario Dorigo et al. (2017)
v4.2 https://www.esasoilmoisturecci.org/
Evaporación real (Ea ) Ver Tabla 3
= 2,45 MJ/kg es el calor latente de vaporización del agua. La unidad Más información sobre el cálculo de procesos hidrológicos en mHM
de radiación se convierte en evaporación de agua equivalente en mm/día se puede encontrar en el trabajo de Kumar (2010) y Samaniego et al. (2010).
con la relación Ra/ . Las diferencias en el efecto de transferencia de vapor o advección
la técnica del vecino más cercano, mientras que los datos meteorológicos se vuelven a muestrear
(3) a 0,0625° (~7 km) usando un nuevo muestreo bilineal. debido a la buena
SD = + ( 1 − ( LA) )
capacidad de mHM en la transferibilidad de parámetros a través de escalas (Dembélé et al.,
donde a es el término de intersección, b es el componente dependiente de la vegetación, 2020a), el modelo se ejecuta en un paso de tiempo diario con una discretización espacial de
yc representa el grado de no linealidad del índice de área foliar ( ILA). 0,25° (~28 km) correspondiente a 619 celdas de cuadrícula de modelado en el
Los coeficientes a, b y c se determinan mediante la calibración del modelo. cuenca, que atenúan la demanda computacional. Caudal in situ
En este estudio, la evaporación real (Ea) se define como la suma de la transpiración y la Los datos y conjuntos de datos cuadriculados de evaporación se utilizan para la calibración del modelo.
evaporación de los cuerpos de intercepción, tierra y agua. (Sección 2.4). La descripción de los conjuntos de datos de evaporación se proporciona en
(CoendersGerrits et al., 2020; Shuttleworth, 1993). Ea se calcula como Sección 2.3.
una fracción de Ep de las capas del suelo dependiendo de la disponibilidad de humedad del suelo El control de calidad y el llenado de lagunas de los datos de caudal son
y la profundidad de enraizamiento (Feddes et al., 1976). La humedad del suelo se estima descrito por Dembélé et al. (2019). Además del caudal in situ,
por un enfoque de capacidad de infiltración multicapa que adopta un enfoque de tres capas Se utilizan conjuntos de datos SRS de humedad del suelo y almacenamiento de agua terrestre
esquema de suelo (05, 530 y 30100 cm de profundidad). Almacenamiento de agua terrestre para evaluar el rendimiento del modelo después de la calibración. el suelo superficial
en cada celda de la cuadrícula es la suma del almacenamiento de agua superficial y subterránea El conjunto de datos de humedad (Su) se obtiene de ESA CCI (Dorigo et al., 2017)
(es decir, lagos, humedales, depósitos de humedad del suelo, interflujo y flujo base). y representa la primera capa de suelo (es decir, 25 cm de profundidad). el mezclado
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
Fig. 2. Evaporación real total mensual media (Ea) de 12 conjuntos de datos de evaporación cuadriculados promediados para las cuatro zonas climáticas (subfiguras be) en la cuenca del río Volta
durante el período 20032012.
aquí se utiliza el producto de productos de microondas pasivos y activos Se pueden observar diferencias considerables tanto en la dinámica temporal como en los
(Gruber et al., 2017; Liu et al., 2012; Wagner et al., 2012). el terrestre patrones espaciales de los 12 conjuntos de datos de evaporación cuadriculados.
Los datos de anomalía de almacenamiento de agua (St) (versión RL05) se obtienen de GRACE a través de las zonas climáticas en el VRB (Figs. 2 y 3).
(Landerer y Swenson, 2012; Swenson, 2012). La media aritmética del conjunto de diferentes
2.5. Calibración y evaluación de modelos
soluciones de tres centros de procesamiento (es decir,
Center for Space Research de la Universidad de Texas, Geoforschungs Zen trum Potsdam and Jet
Propulsion Laboratory) se utiliza en este estudio porque se ha demostrado que es más eficaz para El período de modelado se extiende de 2000 a 2012 con 3 años de
señal de gravedad de la Tierra que las soluciones individuales (Sakumura et al., 4 años para evaluación (20092012). Flujo de corriente in situ diario disponible
2014). Los conjuntos de datos de 11 ubicaciones de medición se utilizan para la calibración del modelo y
evaluación, mientras que los conjuntos de datos mensuales de Ea (Tabla 3) se utilizan para el modelo
calibración, y conjuntos de datos mensuales de Su (ESA CCI) y St (GRACE) son
utilizado para la evaluación del modelo. Todos los conjuntos de datos de Ea se reescalan a 0,25°
2.4. Conjuntos de datos de evaporación mediante interpolación bilineal para que coincidan con la resolución espacial del modelo, y
los datos submensuales se agregan a la resolución mensual. solo el primero
Doce conjuntos de datos de evaporación real cuadriculados que incluyen nueve productos capa de suelo de mHM se compara con los datos de ESA CCI, que representa
basados en SRS (MOD16A2, SSEBop, ALEXI, CMRSET, SEBS, GLEAM la humedad superficial del suelo.
v3.2a, GLEAM v3.3a, GLEAM v3.2b, GLEAM v3.3b) y tres productos de reaál lisis (ERA5, MERRA2, En primer lugar, se adopta como punto de referencia una calibración solo de flujo de corriente. Entonces,
JRA55) se evalúan en este estudio. la contribución de los conjuntos de datos de evaporación en la mejora hidrológica
Basado en enfoques de modelado de evaporación (Yilmaz et al., 2014), el la calibración del modelo se prueba restringiendo simultáneamente el modelo
Los conjuntos de datos basados en SRS se pueden clasificar aún más como productos de diagnóstico con caudal y cada uno de los doce conjuntos de datos de evaporación cuadriculados
(MOD16A2, SSEBop, ALEXI, CMRSET, SEBS) o productos de pronóstico usando cuatro estrategias de calibración para cada uno (Fig. 4). Por lo tanto, se desarrollan 48
(GLEAM v3.2a, GLEAM v3.3a, GLEAM v3.2b, GLEAM v3.3b), mientras que el escenarios (es decir, 12 conjuntos de datos por 4 estrategias de calibración) y
los conjuntos de datos de reanálisis son todos productos de pronóstico. En la Tabla 3 se proporciona en comparación con la calibración de referencia para evaluar el impacto de diferentes estrategias de
un resumen de los conjuntos de datos de evaporación y más detalles sobre cada conjunto de datos. calibración en el rendimiento del modelo. El algoritmo de búsqueda dimensionado dinámicamente
se encuentra en las referencias correspondientes. (Tolson y Shoemaker, 2007) se utiliza para
Se evalúan cuatro versiones del producto GLEAM. Se diferencian en estimación de parámetros, utilizando 5.000 iteraciones para cada uno de los 48 escenarios
en términos de datos de entrada utilizados para su producción y en términos de su cobertura y para la calibración del modelo de referencia. El tiempo de ejecución computacional es
espaciotemporal (cf. Tabla 1 en Martens et al., 2017). La versión aproximadamente 6 días para cada una de las 49 simulaciones de modelos en una computadora Intel
v3.3 difiere de v3.2 en los siguientes conjuntos de datos de forzamiento: radiación de superficie, Procesador Xeon E52697 v3 con 64 GB de RAM.
temperatura del aire cerca de la superficie y mapas de cobertura terrestre. las versiones
v3.3a y v3.2a se producen con reanálisis, satélite y basado en calibre 2.5.1. Calibración en datos de flujo de corriente: punto de referencia
conjuntos de datos, mientras que las versiones v3.3b y v3.2b se producen principalmente con La calibración de referencia (caso Q) se elabora calibrando el
conjuntos de datos satelitales. modelo hidrológico únicamente con datos de caudal (Q) . La función objetivo
Machine Translated by Google
(2020
Avanc
Hídric
Recur
1036
Tabla 3
Conjuntos de datos de evaporación real cuadriculados. Las características de los conjuntos de datos son las utilizadas en este estudio, aunque los mismos conjuntos de datos pueden estar disponibles de los proveedores de datos con diferentes versiones y resoluciones
143
espaciotemporales.
conjuntos de datos Nombre/Portal de datos Cobertura espacial Resolucion espacial Cobertura temporal Resolución temporal Referencias
MOD16A2 Espectrorradiómetro de imágenes de resolución moderada (MODIS) Algoritmo de Global 0,0085° (~1km) 20012014 Mensual Mu et al. (2011)
evapotranspiración terrestre global versión 5
http://files.ntsg.umt.edu/data/NTSG_Products/MOD16/MOD16A2_MONTHLY.
MERRA_GMAO_1kmALB/
SSEBop Balance de energía superficial simplificado operativo Global 0.0083°(~1km) 20032014 Mensual Senay et al. (2007),
https://edcintl.cr.usgs.gov/downloads/sciweb1/shared/fews/web/ Atmósfera Senay et al. (2013)
ALEXI Tierra Intercambio Inverso ftp://ftp.wateraccounting.unesco ihe.org/WaterAccounting/ 70° N–60° S 0,05° (~5,6 km) 20032015 Mensual Anderson et al. (1997),
Data_Satellite/Evaporation/ALEXI/World/ CSIRO MODIS Escala de reflectancia Anderson et al. (2007)
CMRSET EvapoTranspiración http://remotesensing.nci.org.au/u39/ público/ Global 0,05° (~5,6 km) 20012013 Mensual Guerschman et al. (2009)
en
datos/wirada/cmrset/ Sistema de balance de energía superficial ftp://
SEBS ftp.wateraccounting.unescoihe.org/WaterAccounting/Data_Satellite/Evaporation/ 40° N–40° S 0,05° (~5,6 km) 20012012 Mensual Su (2002)
SEBS/SEBS/ Modelo de Ámsterdam de evaporación global de la tierra https://
BRILLO v3.2a www.gleam.eu Global 0,25° (~28 kilómetros) 1980presente A diario Martens et al. (2017),
BRILLO v3.3a Miralles et al. (2011)
GLEAM v3.2b 50° N–50° S 2003presente
GLEAM v3.3b
ERA5 Centro Europeo de Pronósticos Meteorológicos a Medio Plazo ReAnalysis 5 (ERA5) datos por Global 0,25° (~28 kilómetros) 1979presente Cada hora Hersbach et al. (2018),
hora en niveles únicos https://cds.climate.copernicus.eu/ Análisis retrospectivo Hersbach et al. (2020)
MERRA2 de la era moderna para investigación y aplicaciones 2 (Evaporation_land: Global 0.5° x 0.625°(~56 1980presente Cada hora Gelaro et al. (2017),
M2TUNXLND_V5.12.4) https://disc.gsfc.nasa.gov/ km) Reichle et al. (2017)
datasets/M2TUNXLND_V5.12.4/summary Reanálisis japonés de 55 años
JRA55 (JRA55); evaporación: fcst_phy2m125 https://jra.kishou.go.jp/JRA55/index_en.html Global 1,25° (~140 kilómetros) 1959presente cada 3 horas Kobayashi et al. (2015),
Harada et al. (2016)
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
Fig. 3. Distribución espacial de la evaporación real anual total (Ea) para 12 conjuntos de datos de evaporación cuadriculados en la cuenca del río Volta promediados para el período 20032012.
Una normalización minmax de los valores permite reescalarlos entre 0 y 1 para facilitar la intercomparación de los patrones espaciales entre los conjuntos de datos.
Fig. 4. Descripción general del enfoque de modelado para evaluar el reanálisis y los conjuntos de datos de evaporación basados en satélites.
La indicación para el caso Q (ΦQ) que se va a minimizar se obtiene donde g es el número total de estaciones de aforo de caudales en la cuenca,
calculando la eficiencia promedio de KlingGupta (EKG) sobre los 11 puntos EKG es la eficiencia de KlingGupta modificada (Kling et al., 2012) calculada
de medición para Q en la cuenca, y restándola de 1. ΦQ varía desde su valor para el caudal observado (Qobs,i) y modelado (Qmod,i) de la cuenca i ésimo
óptimo que es 0 a infinito positivo, y se formula de la siguiente manera: punto de medición. El EKG está compuesto por el coeficiente de correlación
de Pearson (r), el término de sesgo ( , es decir, la relación de las medias) y el
con término de variabilidad ( , es decir, la relación de los coeficientes de variación,
∑ (4)
ΦQ = 1 − [ 1 yo=1 KG,i ( mod,i, obs,i ) ] , cf. Ec. 8). EKG varía desde infinito negativo hasta su valor óptimo que es 1.
Un modelo es mejor que el flujo medio observado si EKG> 0.41 (Knoben et
= 1 − √ ( − 1)
2 2 + (1) 2 + (1) (5) al., 2019).
KG
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
Fig. 5. Descripción de la sintaxis gráfica y de programación del uso de los datos de evaporación en las cuatro estrategias de calibración. La matriz azul representa los datos
observados, mientras que la matriz marrón representa los datos modelados. Para la sintaxis, (i, j,:) significa iésimo elemento de la primera dimensión (latitud), j ésimo elemento del
de la primera y dimensión (longitud) y todos los elementos de la tercera dimensión (tiempo). De manera segundo ésimo elemento de la tercera dimensión y todos los elementos
similar, (:,:, t) significa t segundas dimensiones. Las funciones objetivo se calculan en base a la eficiencia de KlingGupta (EKG) y las métricas de eficiencia de patrón espacial (ESP) .
2.6. Evaluación de salida del modelo se utiliza (Fig. 6). Los resultados detallados se proporcionan en el material complementario
(Figuras S1S2).
Además de los datos de caudales diarios, conjuntos de datos mensuales independientes Para Q, el modelo de referencia (es decir, solo Q) produce un ECG medio de 0,69. En
de humedad del suelo (Su) y almacenamiento de agua terrestre (St) basados en satélites los escenarios de calibración multivariable (es decir, Q+Ea), el EKG de Q varía entre 0,42
(Tabla 2) se utilizan para la evaluación del modelo. La dinámica temporal del caudal se para SEBS con caso PW y 0,73 para CMRSET con caso SP. La mejor estrategia de
evalúa con EKG. Tanto la dinámica temporal como los patrones espaciales del Su modelado calibración multivariable es el caso SB con un EKG promedio de 0,68 y el 75 % de los
se evalúan utilizando el coeficiente de correlación de Pearson (r) y la métrica de eficiencia conjuntos de datos de evaporación que producen un rendimiento del modelo más alto que el
del patrón espacial (ESP), mientras que solo la dinámica temporal del St modelado se evalúa punto de referencia, seguido por el caso SP (EKG = 0,67), el caso PW (EKG = 0,63) y el
utilizando r, debido a la falta de precisión espacial. resolución de los datos GRACE. Los caso AB (ECG = 0,60). Los 3 mejores conjuntos de datos de evaporación para el EKG
puntajes de habilidad para la dinámica temporal se calculan para cada píxel (o punto de promedio de Q sobre las estrategias de calibración son GLEAM v3.2b (EKG = 0.71), GLEAM
medición) en la cuenca, mientras que los puntajes de habilidad espacial se calculan por paso v3.3b (EKG = 0.71) y GLEAM v3.3a (EKG = 0.70), mientras que los peores son ALEXI (EKG
de tiempo. = 0,61), SEBS (EKG = 0,56) y ERA5 (EKG = 0,51). La disminución en el desempeño del
modelo para Q en la calibración multivariada podría ser un artefacto causado por la
equifinalidad (es decir, la no unicidad de los parámetros del modelo; Beven, 2006; Savenije,
3. Resultados
2001) que ocurrió con la calibración solo Q, que da más grados de libertad para restringir el
espacio de parámetros del modelo Dembélé et al. (2020a). De hecho, las Figuras S68S71
En general, la tendencia del rendimiento del modelo (puntuaciones altas frente a bajas)
muestran que el alto rendimiento de Q logrado con la calibración solo Q se obtiene a
entre los escenarios (es decir, conjuntos de datos de evaporación frente a estrategias de
expensas de un rendimiento deficiente para otros procesos hidrológicos, mientras que las
calibración) se conserva entre los períodos de calibración y evaluación para todas las
calibraciones multivariadas con Q+Ea dan como resultado conjuntos de parámetros que
variables. Por lo tanto, los siguientes resultados se presentan para todo el período de
proporcionan un rendimiento equivalente. rendimiento del modelo para Q pero rendimiento
simulación que comprende los períodos de calibración y evaluación, cuyos resultados se
del modelo superior para St y Su. Estos resultados respaldan los hallazgos de Dembélé et
proporcionan adicionalmente en los materiales complementarios.
al. (2020a), lo que confirma los inconvenientes de la calibración solo Q (Bouaziz et al., 2020;
Stisen et al., 2018).
3.1. Desempeño del modelo para múltiples procesos hidrológicos en el VRB
El desempeño del modelo para varios procesos hidrológicos en el Los conjuntos de datos de evaporación muestran un alto potencial para mejorar la
VRB revela el potencial de SRS y conjuntos de datos de evaporación de reanálisis para dinámica temporal de la St modelada , ya que el 79 % de los escenarios de calibración
mejorar las respuestas del modelo si se aplica la estrategia de calibración adecuada multivariable superan el caso Q (r = 0,73) con una r media de 0,81. El
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
Fig. 6. Comportamiento del modelo en todo el período de simulación (20032012) para la dinámica temporal (a, b, c) del caudal (Q), almacenamiento de agua terrestre (St) y suelo
humedad (Su) y los patrones espaciales (d) de Su en la cuenca del río Volta. El eje x da las funciones objetivo para diferentes estrategias de calibración del modelo. el eje y
indica las variables utilizadas para la calibración del modelo. Qsolo es la calibración de referencia. El color del círculo representa el rendimiento medio del modelo obtenido con 11
puntos de medición para Q, con 52 píxeles para St, con 619 píxeles para Su (c) o con 120 meses para Su (d). Las barras de colores muestran la puntuación de la habilidad (es decir, EKG, r, ESP). Tamaño del círculo
representa la variabilidad del rendimiento del modelo en términos de rango intercuartílico relativo (IQR) calculado como (IQR – IQRmin)/(IQRmax – IQRmin). La gama IQR para el 49
Los escenarios se dan en los títulos de las subtramas. El mejor modelo es el círculo más azul y más pequeño, mientras que el peor modelo es el círculo más rojo y más grande.
el promedio más bajo de r de St entre las estrategias de calibración viene dado por caso conjuntos de datos de evaporación cuadriculados. Se observa que, en la mayoría de los
SP (r = 0.79), pero curiosamente, supera al caso Q. El más alto escenarios, calibrar el modelo solo sobre los patrones espaciales (caso SP) del
los rendimientos para la mediana r de St se obtienen con MERRA2 (r = 0,87), conjuntos de datos de evaporación, ignorando así sus valores absolutos, mejora
SSEBop (r = 0,87) y ALEXI (r = 0,84) mientras que los rendimientos más bajos son la habilidad predictiva del modelo con un rendimiento superior al de
dado por SEBS (r = 0,77), MOD16A2 (r = 0,76) y ERA5 (r = 0,74). caso Q y caso BA (Fig. 6). Con estos hallazgos, el caso SP (es decir, solo patrones espaciales
La dinámica temporal del Su modelado muestra un rendimiento del modelo superior al del de conjuntos de datos de evaporación) puede preferirse al caso SB (es decir,
St, con una r media de 0,91 y un 98% de los escenarios de calibración multivariante que valores absolutos de conjuntos de datos de evaporación) para la calibración de modelos
superan al caso Q (r = 0,86). hidrológicos porque la propagación de los errores de la evaporación
El caso BA funciona de manera similar al caso PW y al caso SP con un promedio de r de 0,91 Las estimaciones en el proceso de modelado pueden ser específicas de cada caso y depende
en conjuntos de datos de evaporación, y superado por el caso SB en la estructura del modelo. Esta observación también llama la atención sobre la adecuación
(r = 0,93). La r más alta de Su es 0.93, y se obtiene con GLEAM del modelo para un experimento dado (Addor y Melsen, 2019).
v3.3a, MERRA2 y GLEAM v3.2a, mientras que las puntuaciones más bajas se obtienen con Además, para un conjunto de datos de evaporación dado, la variación espacial en los sesgos
MOD16A2 (r = 0,91), SEBS (r = 0,89) y ERA5 (r = 0,89). en las estimaciones puede conducir a un rendimiento contrastante entre regiones.
La representación de los patrones espaciales de Su mejora para todos los (Jung et al., 2019; Nicholson, 2000).
escenarios multivariados en comparación con el caso Q. Sin embargo, el caso SB Los patrones espaciales de ALEXI, seguidos de los de MOD16A2 y
(ESP = 0.0) tiene el rendimiento promedio más alto en toda la evaporación CMRSET, fueron los menos informativos para la calibración del modelo en caso
conjuntos de datos, mientras que el caso BA (ESP = 0.04) tiene el rendimiento más bajo. El SP (Fig. 6). Teniendo en cuenta todos los procesos hidrológicos y las estrategias de calibración
mejores conjuntos de datos de evaporación para la simulación de los patrones espaciales de del modelo, los tres conjuntos de datos de evaporación con mejor rendimiento son:
Su considerando que todas las estrategias de calibración son SSEBop (ESP = 0.02), MERRA2, GLEAM v3.3a y SSEBop, mientras que los tres conjuntos de datos inferiores
MERRA2 (ESP = 0,01) y GLEAM v3.3a (ESP = 0,01), mientras que el peor son MOD16A2, SEBS y ERA5 (Figs. 6 y 7a). Sin embargo, vale la pena señalar que superan
son MOD16A2 (ESP = 0,04), SEBS (ESP = 0,07) y ERA5 (ESP = 0,09). la calibración solo Q cuando se usan en caso de
En general, se observa que los desempeños del modelo para St y Su SP, lo que significa que solo sus patrones espaciales mejoran el rendimiento del modelo. En
mejorar para la mayoría de los escenarios de calibración multivariable. Entre el general, las versiones 3.3 de GLEAM muestran un rendimiento ligeramente superior
estrategias de calibración multivariante, el caso SB da los mejores resultados considerando el rendimiento del modelo que las versiones 3.2.
desempeño promedio del modelo para todas las variables (Q, St y Su). En
Fig. 7b, el cambio relativo promedio más alto en el rendimiento del modelo por 3.2. Impacto de las estrategias de calibración en los patrones espaciales
Estrategias de calibración multivariable en comparación con la calibración solo Q
se obtiene con el caso SB es (+29%), seguido del caso SP (+26%), caso PW Diferentes estrategias de calibración del modelo dan como resultado diferentes patrones
(+24%) y caso BA (+20%). En consecuencia, todas las estrategias de calibración del modelo espaciales de Ea y Su modelados, como se muestra para escenarios seleccionados en la Fig. 8.
basadas en cuadrículas superan la calibración promedio de la cuenca (caso BA), Se proporcionan mapas adicionales de Ea, Su y St para otros escenarios en
que da el rendimiento promedio más bajo del modelo. Estos resultados resaltan el valor de el material complementario (Figuras S5859, Figuras S6566 y Figuras
calibrar los modelos hidrológicos en toda la extensión de S3839), junto con los obtenidos con la calibración solo Q (Figura
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
Fig. 7. Cambio relativo en el rendimiento del modelo hidrológico en comparación con la estrategia de calibración solo Q cuando (a) se adopta una estrategia de calibración multivariante
(Q+Ea) con doce conjuntos de datos de evaporación, o (b) usando cuatro estrategias de calibración diferentes. Los valores en la línea de cada vértice al centro de los polígonos dan
la diferencia relativa en el rendimiento del modelo en comparación con la calibración solo Q. El cambio en el rendimiento del modelo se da en porcentaje del rendimiento
métricas (es decir, EKG, r, ESP) para caudal (Q), almacenamiento de agua terrestre (St) y humedad del suelo (Su). Por ejemplo, en (a), el uso de SSEbop en la calibración multivariada aumenta
ESP de Su en un 110 %, mientras que en (b), el caso de la estrategia de calibración BA reduce el EKG de Q en un 13 %, en comparación con la calibración solo de Q.
Fig. 8. Mapas de promedio a largo plazo (20032012) de (a) evaporación real (Ea) y (b) humedad del suelo (Su) anual obtenidos al calibrar el modelo mHM con dos
conjuntos de datos de evaporación (eje y, fuente azul) y diferentes estrategias de calibración (eje x, fuente roja). Una normalización minmax de los valores permite reescalarlos entre
0 y 1 para enfatizar los patrones espaciales y usar una escala de color única.
S12). En general, el gradiente de sur a norte de aumento de la aridez observado con pero conocer la extensión espacial del evento es crucial para implementar estrategias
Ea y Su modelados está bien representado para todas las calibraciones. eficientes de adaptación y mitigación (Brunner et al., 2020; Diaz
estrategias. Sin embargo, considerables desajustes en la variabilidad de la et al., 2019; Él et al., 2020). En consecuencia, mejorar la representación de los
se observan patrones entre las estrategias de calibración. Tales discrepancias en los patrones espaciales de los procesos hidrológicos debería ser una clave.
patrones espaciales tienen implicaciones para la evaluación de los recursos hídricos consideración en el modelado con modelos espacialmente distribuidos. La
incluida la contabilidad del agua, el monitoreo y la predicción de inundaciones y comparación de los mapas de Ea modelada (Fig. 8a) con la referencia ALEXI
sequías (AghaKouchak et al., 2015; Klemas, 2014; Teng et al., 2017; West conjunto de datos (Fig. 3) revela que los patrones espaciales de Ea en el caso BA
et al., 2019). Es importante saber cuándo ocurren los eventos de inundación o sequía, mostrar el mayor desajuste con la referencia, revelando así la
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
Fig. 9. Desempeño del modelo de caudal (Q), almacenamiento de agua terrestre (St) y humedad del suelo (Su) usando varios conjuntos de datos de evaporación y estrategias de calibración del modelo
con el modelo mHM. Los resultados se muestran para las cuatro zonas climáticas en la cuenca del río Volta (VRB) durante el período de simulación (20032012). Cada puntuación para un determinado
producto de evaporación representa el promedio sobre los puntajes obtenidos con 4 estrategias de calibración, mientras que el puntaje es el promedio sobre escenarios con 12 evaporaciones
conjuntos de datos para cada estrategia de calibración. Los puntajes de habilidad de la dinámica temporal se obtienen con la eficiencia de KlingGupta (EKG) para Q y la correlación de Pearson
coeficiente (r) para St y Su. La eficiencia del patrón espacial (ESP) se utiliza para evaluar la representación espacial de Su. El rendimiento del modelo de referencia se da para el
Calibración solo Q como referencia. Las puntuaciones de las habilidades se clasifican desde la más alta (la más azul) hasta la más baja (la más roja).
peligros potenciales de la calibración del promedio de la cuenca. La mayor mejora de los patrones las zonas climáticas donde los patrones son más homogéneos. Para regiones
espaciales de Su se obtiene con el caso SB (+101%), seguido del caso SP (+93%) y el caso PW con fuerte variabilidad espacial, calibración del modelo de subregión en espacial
(+85%), mientras que el caso BA (+76%) Los patrones pueden ser un camino a seguir para superar las trampas de todo el dominio.
proporciona la menor mejora (Fig. 7b). calibración, lo que en última instancia da como resultado un mayor rendimiento del modelo.
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
conjuntos de datos a pesar de su baja resolución espacial. El alto rendimiento de MERRA2 Calibración del modelo en el alcance total de la evaporación cuadriculada
puede explicarse por su alta resolución temporal, que podría compensar su menor resolución Los conjuntos de datos dan como resultado un rendimiento del modelo más alto que la calibración en
espacial. En general, estimaciones promedio de la cuenca.
no hay una tendencia clara de los conjuntos de datos de SRS a superar los conjuntos de datos Usar solo los patrones espaciales de los datos de evaporación cuadriculados para el modelo
de realálisis, y viceversa. Así, además de su uso como datos de forzamiento, la calibración, y no sus valores absolutos, produce un rendimiento del modelo más alto que
Los conjuntos de datos de reanálisis representan una valiosa fuente de información para el los enfoques clásicos basados en la señal de evaporación promedio de la cuenca o
calibración de modelos hidrológicos. Datos satelitales de humedad del suelo y basados solo en el caudal.
almacenamiento de agua terrestre utilizado para la evaluación del modelo en este estudio no son Se obtienen patrones espaciales contrastantes de humedad del suelo dependiendo
libre de errores. Sin embargo, a gran escala y en regiones mal calibradas, en los escenarios de modelado, con diferencias en el desempeño del modelo según las
son la única fuente de datos que se puede utilizar para la evaluación del modelo espacial zonas climáticas.
(PetersLidard et al., 2019).
En general, este estudio se esfuerza por brindar soluciones a algunos de los desafíos Estos hallazgos contribuyen a resolver los desafíos actuales relacionados con
actuales en hidrología (es decir, métodos de modelado, incertidumbre y modelado hidrológico a gran escala y proporcionar vías para mejorar
variabilidad espacial; Bloschl et al., 2019). La metodología propuesta representa una forma representación de procesos con el uso de satélites cada vez más disponibles
innovadora de utilizar conjuntos de datos satelitales y de reanálisis para y conjuntos de datos de reanálisis. Mejorar la representación de los patrones espaciales de los
mejorar la representación de procesos en modelos hidrológicos (Clark et al., procesos hidrológicos debería ser una consideración clave en el modelado con modelos
2015; PetersLidard et al., 2017), desarrollar la contabilidad hidrológica del agua (Hunink et al., distribuidos espacialmente, lo que permitiría predecir mejor las inundaciones y las sequías.
2019) y avanzar en la predicción en cuencas no aforadas Además, los resultados proporcionan información sobre la
(Hrachowitz et al., 2013; Zhang et al., 2019). desarrolladores de los conjuntos de datos de evaporación y podría servir de guía para
Los estudios futuros deberían probar las ventajas de un marco de calibración multiescala futuros desarrollos. Sin embargo, se debe aplicar una réplica de la metodología propuesta para
que tenga en cuenta tanto el dominio como el subdominio. evaluar los conjuntos de datos de evaporación en otras regiones.
heterogeneidad espacial, lo que podría conducir a una mejor predicción de la con diferentes condiciones hidroclimáticas, y con diferentes modelos hidrológicos y de superficie
patrones a través de las zonas climáticas a gran escala. Estrategias de calibración con terrestre. El trabajo futuro también debería investigar la
múltiples variables no conmensurables, así como patrones espaciales es un posibilidad de predicción en cuencas no aforadas únicamente a partir de conjuntos de datos de
el camino a seguir para avanzar en la representación de procesos en modelos hidrológicos observación de la tierra, que cada vez están más y más disponibles.
(Dembélé et al., 2020a; Nijzink et al., 2018; Zink et al., 2018). Más
lo que es más importante, la elección de la estrategia de calibración o la función objetivo es
Declaración de interés en competencia
determinante para un alto rendimiento del modelo, principalmente en un entorno cambiante
(Fowler et al., 2018; Schaefli et al., 2010). Lazos inciertos en la estructura del modelo mHM
Los autores declaran que no tienen competencia financiera conocida.
podrían influir en el modelado
intereses o relaciones personales que podrían haber parecido influir
procesos hidrológicos. Por ejemplo, el cálculo de la evaporación real (Sección 2.1) podría estar
el trabajo reportado en este trabajo.
sujeto a una doble contabilidad de estrés de
tanto el índice de área foliar como la humedad del suelo. Sin embargo, en tal caso, el
las fuentes de estrés pueden ser ajustadas proporcionalmente por los parámetros del modelo Declaración de contribución de autoría CRediT
durante la calibración. El trabajo adicional debe investigar el impacto
de diferentes estructuras modelo sobre la metodología propuesta en este estudio, Moctar Dembélé: Conceptualización, Curación de datos, Análisis formal, Adquisición de
y evaluar la sensibilidad del parámetro de mHM dependiendo de la calibración fondos, Metodología, Recursos, Software, Validación, Visualización, Escritura borrador original,
estrategias y variables, que está más allá del alcance del presente estudio. Escritura revisión y edición.
Además de mejorar la calibración del modelo, los conjuntos de datos satelitales y de reanálisis Natalie Ceperley: conceptualización, adquisición de fondos, redacción: revisión y edición.
puede desempeñar un papel importante en la identificación de deficiencias en las estructuras Sander J. Zwart: conceptualización, adquisición de fondos, redacción: revisión y edición. Elga
del modelo y contribuir a la mejora del modelo (Hulsman et al., 2020). Como Salvadore: Conceptualización,
la precisión de los conjuntos de datos satelitales y de reanálisis depende de la calidad de los Recursos, Redacción: revisión y edición. Gregoire Mariethoz: Conceptualización, Adquisición
conjuntos de datos meteorológicos de entrada utilizados para su producción, es de fondos, Administración de proyectos, Recursos, Supervisión, Redacción revisión y edición.
También es importante evaluar el impacto de los conjuntos de datos de precipitación en el Bettina Schaefli: Conceptualización, Adquisición de fondos, Administración de proyectos,
modelado de la evaporación (Dembélé et al., 2020b; Mao y Wang, 2017; Or y Recursos, Supervisión, Redacción revisión y edición.
Lehman, 2019).
Finalmente, un producto de conjunto que fusiona diferentes evaporaciones
conjuntos de datos es una forma potencial de avanzar en la reducción de las incertidumbres regionales
Agradecimientos y Datos
y, por lo tanto, mejorar las estimaciones globales (da Motta Paca et al., 2019;
Jiménez et al., 2018). Tales avances en el desarrollo de productos de evaporación pueden
Agradecemos a los proveedores de los conjuntos de datos utilizados en este estudio (ver
facilitar la predicción en cuencas no aforadas utilizando observaciones terrestres.
tablas 2 y 3). Agradecemos a los proveedores de datos de caudales
(DGRE de Burkina Faso, HSD de Ghana y la Autoridad de la Cuenca del Volta). Moctar Dembele
fue apoyado por el Gobierno de Suiza
Beca de excelencia (2016.0533 / Burkina Faso / OP) y la
5. Conclusión
Beca Doc. Mobility (SNF, P1LAP2_178071) de Swiss National
Fundación de Ciencias. Bettina Schaefli y Natalie Ceperley recibieron el apoyo de una beca de
Se utilizan cuatro estrategias de calibración del modelo para evaluar doce satélites.
investigación de la Swiss National Science Foundation
y conjuntos de datos de reanálisis en la gran cuenca transfronteriza del río Volta ubicada en
(SNF, PP00P2_157611). Agradecemos a los tres revisores anónimos por
África Occidental. El experimento se realiza con el modelo mHM sobre
su retroalimentación constructiva. Toda la base de datos de modelado puede ser libremente
el período 20032012. Los hallazgos clave se pueden resumir de la siguiente manera:
consultado en http://doi.org/10.5281/zenodo.3800416
En general, MERRA2, GLEAM v3.3a y SSEBop proporcionan individualmente El material complementario asociado con este artículo se puede encontrar en
la mayor contribución en la mejora del rendimiento del modelo. la versión en línea, en doi:10.1016/j.advwatres.2020.103667.
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
Referencias Clark, MP, et al., 2015. Mejora de la representación de los procesos hidrológicos en los modelos del sistema
terrestre. Recurso de agua. Res. 51 (8), 5929–5956. https://doi.org/10.1002/ 2015wr017096.
Addor, N., Melsen, L., 2019. El legado, más que la adecuación, impulsa la selección de modelos hidrológicos.
Recurso de agua. Res. 55 (1), 378–390. https://doi.org/10.1029/ 2018WR022958. Clark, MP, Bierkens, MFP, Samaniego, L., Woods, RA, Uijlenhoet, R., Bennett, KE, Pauwels, VRN, Cai, XT,
Wood, AW, PetersLidard, CD, 2017. La evolución de modelos hidrológicos basados en procesos: desafíos
AghaKouchak, A., Farahmand, A., Melton, FS, Teixeira, J., Anderson, MC, Wardlow, BD, Hain, CR, 2015. históricos y la búsqueda colectiva del realismo físico. Hidrol. Sistema Tierra Carolina del Sur. 21 (7), 3427–
Detección remota de la sequía: progreso, desafíos y oportunidades. Rev. Geophys. 53 (2), 452–480. 3440. https://doi.org/10.5194/hess2134272017.
https://doi.org/10.1002/2014rg000456.
Allen, RG, LSPereira, D.Raes, and M.Smith (1998), Crop evapotranspirationGuidelines for computing crop water CoendersGerrits, M., Schilperoort, B., JiménezRodríguez, C., 2020. Procesos de evaporación en la vegetación:
requirementsFAO Irrigation and Draination paper56, 326 pp, http://academic.uprm.edu/abe/backup2 / una mirada al interior. En: Van, JT, Gutmann, Stan, E., Friesen, J.
Anderson, MC, Norman, JM, Diak, GR, Kustas, WP, Mecikalski, JR, 1997. Un modelo integrado en el tiempo de Cui, X., Guo, X., Wang, Y., Wang, X., Zhu, W., Shi, J., Lin, C., Gao, X., 2019. Aplicación de la teledetección al
dos fuentes para estimar los flujos superficiales mediante sensores remotos infrarrojos térmicos. Sensores agua ambiental procesos bajo un clima cambiante. j
Anderson, MC, Norman, JM, Mecikalski, JR, Otkin, JA, Kustas, WP, 2007. Un estudio climatológico de la J. Hydraul. Res. 7 (2), 205–230. https://doi.org/10.1080/00221686909500264.
evapotranspiración y el estrés por humedad en los Estados Unidos continentales basado en sensores
Paca, da Motta, H., V., EspinozaDávalos, GE, Hessels, TM, Moreira, DM, Comair, GF, Bastiaanssen, WG,
remotos térmicos: 1. Formulación del modelo. J. Geophys.
Res. atmósfera 112 (D10). https://doi.org/10.1029/2006JD007506. 2019. La variabilidad espacial de la evapotranspiración real en la cuenca del río Amazonas basada en
Armstrong, RN, Pomeroy, JW, Martz, LW, 2019. Variabilidad espacial de las estimaciones diarias medias de la sensores remotos productos validados con torres de flujo.
evaporación real a partir de imágenes de sensores remotos y datos de referencia de superficie. Hidrol. Ecol. Proceso. 8 (1), 6. https://doi.org/10.1186/s1371701901588.
Danielson, JJ y DBGesch (2011), Datos globales de elevación del terreno de resolución múltiple 2010
Sistema Tierra Carolina del Sur. 23 (12), 4891–4907. https://doi.org/10.5194/ hess2348912019.
(GMTED2010) Rep. 23311258, 34 págs., Servicio Geológico de EE. UU., https://doi.org/10.3133/
Badgley, G., Fisher, JB, Jiménez, C., Tu, KP, Vinukollu, R., 2015. Sobre la incertidumbre en las estimaciones de ofr20111073.
http://dx.doi.org/10.1037/0021843X.93.2.213 Dembélé, M., Zwart, SJ, 2016. Evaluación y comparación de
evapotranspiración terrestre global a partir de la elección de conjuntos de datos de forzamiento de entrada.
productos de lluvia basados en satélites en Burkina Faso, África Occidental. En t. J. Teledetección. 37(17),
J. Hidrometeorol. 16 (4), 1449–1455. https://doi.org/10.1175/JHMD140040.1.
Bai, P., Liu, X., Yang, T., Li, F., Liang, K., Hu, S., Liu, C., 2016. Evaluación de las influencias de diferentes 3995–4014. https://doi.org/10.1080/01431161.2016.1207258.
entradas potenciales de evapotranspiración en el rendimiento de modelos hidrológicos mensuales bajo Dembélé, M., Oriani, F., Tumbulto, J., Mariéthoz, G., Schaefli, B., 2019. Relleno de brechas de series temporales
diferentes condiciones climáticas. J. Hidrometeorol. 17 (8), 2259–2274. https://doi.org/10.1175/JHM de caudales diarios mediante muestreo directo en varios entornos hidroclimáticos.
Bai, P., Liu, X., 2018. Intercomparación y evaluación de tres productos globales de evapotranspiración de alta Dembele, M., Hrachowitz, M., Savenije, HH, Mariethoz, G., Schaefli, B., 2020a.
resolución en China. J. Hydrol. 566, 743–755. https://doi.org/10.1016/j.jhydrol.2018.09.065. Mejorar la habilidad predictiva de un modelo hidrológico distribuido mediante la calibración de patrones
espaciales con múltiples conjuntos de datos satelitales. Recurso de agua. Res.. https://doi.org/
Bai, P., Liu, X., Zhang, Y., Liu, C., 2018. La incorporación de la dinámica de la vegetación mejoró notablemente 10.1029/2019WR026085.
el rendimiento del modelo hidrológico bajo el enverdecimiento de la vegetación. ciencia Entorno Total. 643, Dembélé, M., Schaefli, B., van de Giesen, N., Mariéthoz, G., 2020b. Idoneidad de 17 conjuntos de datos
610–622. https://doi.org/10.1016/j.scitotenv.2018.06.233. cuadriculados de lluvia y temperatura para el modelado hidrológico a gran escala, 2020.
Baik, J., Liaqat, UW, Choi, M., 2018. Evaluación de productos de evapotranspiración basados en satélites y Hidrol. Sistema Tierra ciencia Discutir, África Occidental, págs. 1–39.
reanálisis con dos enfoques combinados sobre los complejos paisajes y climas de Australia. Agrícola. Para. Demirel, MC, Mai, J., Mendiguren, G., Koch, J., Samaniego, L., Stisen, S., 2018. Combinación de datos
Meteorito. 263, 388–398. https://doi.org/ 10.1016/j.agrformet.2018.09.007. satelitales y funciones objetivas apropiadas para mejorar el rendimiento del patrón espacial de un modelo
hidrológico distribuido. Hidrol. Sistema Tierra Carolina del Sur. 22 (2), 1299– 1315. https://doi.org/10.5194/
Beck, HE, Vergopolan, N., Pan, M., Levizzani, V., van Dijk, AIJM, Weedon, GP, Brocca, L., Pappenberger, F., hess2212992018.
Diaz, V., Perez, G.A.C., Van Lanen, H.A., Solomatine, D., Varouchakis, E.A., 2019.
Huffman, GJ, Wood, EF, 2017. Global evaluación a escala de 22 conjuntos de datos de precipitación
mediante observaciones de pluviómetros y modelos hidrológicos. Hidrol. Sistema Tierra Carolina del Sur. Caracterización de la dinámica de sequías pasadas. ciencia Medio ambiente total., 134588. https://doi.org/
Becker, R., Koppa, A., Schulz, S., Usman, M., aus der Beek, T., Schüth, C., 2019. Calibración de modelo regiones secas y húmedas del mundo. Nat. Clima Cambio 6 (5), 508–513. https://doi.org/10.1038/
sensores remotos datos. J. Hydrol.. https://doi.org/10.1016/j.jhydrol.2019.123944. Dong, J., Crow, W., Reichle, R., Liu, Q., Lei, F., Cosh, MH, 2019. Una evaluación global del valor agregado en el
producto de humedad del suelo de nivel 4 de SMAP en relación con su tierra de referencia Modelo de
Beven, K., 2006. Un manifiesto para la tesis de la equifinalidad. J. Hydrol. 320 (12), 18–36.
https://doi.org/10.1016/j.jhydrol.2005.07.007. superficie. Geofísico. Res. Letón. 46 (12), 6604–6613. https://doi.org/10.1029/ 2019GL083398.
Bhattarai, N., Mallick, K., Stuart, J., Vishwakarma, BD, Niraula, R., Sen, S., Jain, M., 2019. Un marco automatizado
de mapeo de evapotranspiración de múltiples modelos usando sensores remotos y reanálisis datos. Dorigo, W., et al., 2017. ESA CCI Humedad del suelo para mejorar la comprensión del sistema terrestre: estado
Sensores Remotos Entorno. 229, 69–92. https://doi.org/10.1016/j.rse.2019.04.026. del arte y direcciones futuras. Sensores Remotos Entorno. 203, 185–215. https://doi.org/10.1016/
j.rse.2017.07.001.
Birhanu, D., Kim, H., Jang, C., 2019. Eficacia de la introducción del coeficiente de cultivo y el índice de área foliar Efstratiadis, A., Koutsoyiannis, D., 2010. Una década de enfoques de calibración multiobjetivo en el modelado
para mejorar las simulaciones de evapotranspiración en modelos hidrológicos. Hidrol. hidrológico: una revisión. hidrolog. ciencia J. 55 (1), 58–78. https://doi.org/10.1080/02626660903526292.
Proceso.. https://doi.org/10.1002/hyp.13464.
ErRaki, S., Chehbouni, A., Khabba, S., Simonneaux, V., Jarlan, L., Ouldbba, A., Rodríguez, J., Allen, R., 2010.
Blatchford , ML , Mannaerts , CM , Bee , SM , Nouri , H. , Zeng , Y. , Pelgrum , H. , Wonink , S. , Karimi , P. ,
2020 . Hidrol. Proceso.. https://doi.org/10.1002/hyp.13791. Evaluación de los métodos de evapotranspiración de referencia En las regiones semiáridas: ¿pueden
utilizarse los datos del pronóstico del tiempo como alternativa a los parámetros meteorológicos terrestres?
Blöschl, G., Bierkens, MF, Chambel, A., Cudennec, C., Destouni, G., Fiori, A., Kirchner, JW, McDonnell, JJ, J. Medio Árido. 74 (12), 1587–1596. https://doi.org/10.1016/ j.jaridenv.2010.07.002.
Savenije, HH, Sivapalan, M., 2019. Veinte tres Problemas No Resueltos en Hidrología (UPH)–una
perspectiva comunitaria. Hidrol. ciencia J.. https://doi.org/10.1080/02626667.2019.1620507. Famiglietti, JS, Rodell, M., 2013. Agua en la balanza. Ciencia 340 (6138), 1300–1301.
https://doi.org/10.1126/science.1236460.
Bontemps, S., P.Defourny, EVBogaert, O.Arino, V.Kalogirou y JRPerez (2011), GLOBCOVER 2009Descripción FAO/SMIA (1998), Sahel Weather And Crop Situation 1998, 8 págs., Organización de las Naciones Unidas para
de productos e informe de validación, 53 pp, http://due.esrin.esa.int/files / la Agricultura y la Alimentación (FAO) / Sistema Mundial de Información y Alerta Temprana (SMIA), http://
Bosilovich, MG, Chen, J., Robertson, FR, Adler, RF, 2008. Evaluación de la precipitación global en reanálisis. Fatichi, S., Vivoni, ER, Ogden, FL, Ivanov, VY, Mirus, B., Gochis, D., Downer, CW, Camporese, M., Davison, JH,
Ebel, B., 2016. aplicaciones actuales, desafíos y tendencias futuras en modelos basados en procesos
Aplicación J. Meteorol. Clima 47 (9), 2279–2299. https://doi.org/10.1175/2008jamc1921.1.
distribuidos en hidrología. j
Bouaziz, LJE, et al., 2020. Detrás de escena del rendimiento del modelo de caudal. Hidrol. Hidráulico. 537, 45–60. https://doi.org/10.1016/j.jhydrol.2016.03.026.
Sistema Tierra ciencia Conversar. 2020, 1–38. https://doi.org/10.5194/hess2020176. Feders, RA, Kowalik, P., Kolinskamalinka, K., Zaradny, H., 1976. Simulación de la absorción de agua en el
Brunner, MI, Melsen, LA, Wood, AW, Rakovec, O., Mizukami, N., Knoben, WJM, Clark, MP, 2020. Las campo por parte de las plantas utilizando una función de extracción de raíces dependiente del suelo y el agua. j
evaluaciones del impacto del cambio y el peligro de inundación pueden beneficiarse del replanteamiento Hidráulico. 31 (12), 13–26. https://doi.org/10.1016/00221694(76)900172.
de las estrategias de calibración del modelo. Hidrol. Sistema Tierra ciencia Conversar. 2020, 1–19. https:// Feng, T., Su, T., Zhi, R., Tu, G., Ji, F., 2019. Evaluación de la variabilidad real de la evapotranspiración sobre la
doi.org/10.5194/hess2020192. tierra global derivada de siete conjuntos de datos de reanálisis. En t. J. Climatol. 39 (6), 2919–2932. https://
Ceperley, N.C., Mande, T., van de Giesen, N., Tyler, S., Yacouba, H., Parlange, M.B., 2017. doi.org/10.1002/joc.5992.
Fisher, JB, et al., 2017. El futuro de la evapotranspiración: requisitos globales para el funcionamiento de los
Evaporación de la sabana sudanesa cultivada y semisalvaje en África occidental. Hidrol.
Sistema Tierra Carolina del Sur. 21, 4149–4167. https://doi.org/10.5194/hess2141492017. ecosistemas, retroalimentaciones climáticas y de carbono, gestión agrícola y recursos hídricos. Recurso
Chen, JM, Liu, J., 2020. Evolución de los modelos de evapotranspiración utilizando datos de teledetección de agua. Res. 53 (4), 2618–2626. https://doi.org/10.1002/
2016wr020175.
térmica y de onda corta. Sensores Remotos Entorno. 237, 111594. https://doi.org/10.1016/j.rse.2019.111594.
Fowler, K., Peel, M., Western, A., Zhang, L., 2018. Calibración mejorada de precipitaciones y escorrentías para
Chen, Y., Xia, J., Liang, S., Feng, J., Fisher, JB, Li, X., Li, X., Liu, S., Ma, Z., Miyata, A., 2014 Comparación de climas secos: elección de la función objetiva. Recurso de agua. Res. 54 (5), 3392– 3408. https://doi.org/
modelos de evapotranspiración basados en satélites sobre ecosistemas terrestres en China. Sensores 10.1029/2017WR022466.
Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., Husak, G., Rowland, J., Harrison, L.,
Remotos Entorno. 140, 279–293. https://doi.org/10.1016/j.rse.2013.08.045.
Hoell, A. (2006). , 2015. Los peligros climáticos con la precipitación infrarroja
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
estaciones—un nuevo récord ambiental para el monitoreo de extremos. Datos científicos 2, hijo de 12 estimaciones del flujo de calor de la superficie terrestre. J. Geophys. Res. atmósfera
150066. https://doi.org/10.15780/G2RP4Q. 116 (D2). https://doi.org/10.1029/2010JD014545.
Gao, F., Feng, G., Ouyang, Y., Wang, H., Fisher, D., Adeli, A., Jenkins, J., 2017. Evaluación de métodos Jiménez, C., Martens, B., Miralles, DM, Fisher, JB, Beck, HE, FernándezPrieto, D., 2018. Explorando
de evapotranspiración de referencia en regiones áridas, semiáridas y húmedas . JAWRA J. Am. la fusión de los productos WACMOSET de evaporación terrestre global basados en mediciones
Recurso de agua. Asoc. 53 (4), 791–808. https://doi.org/10.1111/17521688.12530. de torres locales. Hidrol. Sistema Tierra Carolina del Sur. 22 (8). https://doi.org/10.5194/
hess2245132018.
Gelaro , R. , McCarty , W. , Suarez , MJ , Todling , R. , Molod , A. , Takacs , L. , Randles , CA , Joiner, J., Yoshida, Y., Anderson, M., Holmes, T., Hain, C., Reichle, R., Koster, R., Middleton, E., Zeng,
Darmenov , A. , Bosilovich , MG , Reichle , R. , 2017 Modern Era Análisis Retrospectivo de F.W., 2018. Relaciones globales entre índices de vegetación de reflectancia tradicionales (NDVI
Investigación y Aplicaciones, Versión 2 (MERRA2). J. Clima 30 (14), 5419– 5454 . y NDII), evapotranspiración (ET) y variabilidad de la humedad del suelo en escalas de tiempo
semanales. Sensores Remotos Entorno. 219, 339–352. https://doi.org/10.1016/j.rse.2018.10.020.
Gruber, A., Dorigo, WA, Crow, W., Wagner, W., 2017. Combinación triple basada en la colocación de
recuperaciones de humedad del suelo por satélite. IEEE T. Geosci. Remoto 55 (12), 6780–6792. Jung, HC, Getirana, A., Arsenault, KR, Holmes, TR, McNally, A., 2019. Vínculos inciertos en las
https://doi.org/10.1109/Tgrs.2017.2734070. estimaciones de evapotranspiración en África occidental. Teledetección 11 (8), 892. https://doi.org/
Guerschman, JP, Van Dijk, AI, Mattersdorf, G., Beringer, J., Hutley, LB, Leun ing, R., Pipunic, RC, 10.3390/rs11080892.
Sherman, BS, 2009. El escalamiento de la evapotranspiración potencial con datos MODIS Khan, MS, Liaqat, UW, Baik, J., Choi, M., 2018. Caracterización de la incertidumbre independiente de
reproduce observaciones de flujo y observaciones del balance de agua de captación en toda los productos de evapotranspiración GLEAM, GLDAS y MOD16 utilizando un enfoque de
Australia. J. Hydrol. 369 (12), 107–119. https://doi.org/10.1016/j.jhydrol.2009.02.013. colocación triple extendida. Agrícola. Para. Meteorito. 252, 256–268. https://doi.org/10.1016/
j.agrformet.2018.01.022.
Harada, Y., Kamahori, H., Kobayashi, C., Endo, H., Kobayashi, S., Ota, Y., Onoda, H., Onogi, K., Khu, ST, Madsen, H., 2005. Calibración multiobjetivo con orden de preferencia de Pareto: una
Miyaoka, K., Takahashi, K., 2016. El reanálisis JRA55: Representación de la circulación aplicación a la calibración del modelo de lluviaescorrentía. Recurso de agua. Res. 41 (3). https://
atmosférica y la variabilidad climática. J. Meteorol. Soc. Jpn. Ser. II 94(3), 269–302. https://doi.org/ doi.org/10.1029/2004WR003041.
10.2151/jmsj.2016015. Klemas, V., 2014. Detección remota de inundaciones y áreas propensas a inundaciones: una descripción general. Costa J.
Hargreaves, GH, Samani, ZA, 1985. Evapotranspiración de cultivos de referencia a partir de la Res. 31 (4), 1005–1013. https://doi.org/10.2112/JCOASTRESD1400160.1.
temperatura. aplicación Ing. Agrícola. 1 (2), 96–99. https://doi.org/10.13031/2013.26773. Kling, H., Fuchs, M., Paulin, M., 2012. Condiciones de escorrentía en la cuenca superior del Danubio
Hartanto, IM, Van Der Kwast, J., Alexandridis, TK, Almeida, W., Song, Y., van Andel, S., Solomatine, bajo un conjunto de escenarios de cambio climático. J. Hydrol. 424, 264–277. https://doi.org/
D., 2017. Asimilación de datos de evapotranspiración real basada en satélites en un sistema 10.1016/j.jhydrol.2012.01.011.
hidrológico distribuido modelo de un sistema de agua controlado. En t. Aplicación J. Observador Knoben, WJ, Freer, JE, Woods, RA, 2019. ¿Punto de referencia inherente o no? Comparación de las
de la Tierra Geoinformar. 57, 123–135. https://doi.org/10.1016/j.jag.2016.12.015. puntuaciones de eficiencia de NashSutcliffe y KlingGupta. Hidrol. Sistema Tierra Carolina del
Hartmann, J., Moosdorf, N., 2012. La nueva base de datos global de mapas litológicos GLiM: una Sur. 23 (10), 4323–4331. https://doi.org/10.5194/hess2343232019.
representación de las propiedades de las rocas en la superficie de la Tierra. geoquímica geofia. Kobayashi, S., Ota, Y., Harada, Y., Ebita, A., Moriya, M., Onoda, H., Onogi, K., Kamahori, H.,
Geosy. 13 (12). https://doi.org/10.1029/2012gc004370. Kobayashi, C., Endo, H., , 2015. El reanálisis del JRA55: Especificaciones generales y
He, M., Kimball, JS, Yi, Y., Running, SW, Guan, K., Moreno, A., Wu, X., Maneta, M., 2019. Modelado características básicas. J. Meteorol. Soc. Jpn. Ser. II 93(1), 5–48. https://doi.org/10.2151/
basado en datos satelitales de la evapotranspiración a escala de campo en tierras de cultivo jmsj.2015001.
utilizando el marco del algoritmo MOD16. Sensores Remotos Entorno. 230, 111201. https://doi.org/ Koch, J., Demirel, MC, Stisen, S., 2018. La métrica de EFICIENCIA ESPACIAL (SPAEF): evaluación
10.1016/j.rse.2019.05.020. de múltiples componentes de patrones espaciales para la optimización de modelos hidrológicos.
He, X., Pan, M., Wei, Z., Wood, EF, Sheffield, J., 2020. Catálogo mundial de sequías e inundaciones Geosci. Modelo. desarrollo 11 (5), 1873–1886. https://doi.org/10.5194/gmd 1118732018.
desde 1950 hasta 2016. Bol. Soy. Meteorito. Soc. 2020. https://doi.org/10.1175/BAMSD180269.1.
Koppa, A., Gebremichael, M., 2020. Mejora de la aplicabilidad de los modelos hidrológicos para
Hengl, T., et al., 2017. SoilGrids250m: Información de suelo cuadriculada global basada en aprendizaje estudios de nexo entre alimentos, energía y agua utilizando datos de teledetección. Teledetección
automático. PLoS One 12 (2), e0169748. https://doi.org/10.1371/journal.pone.0169748. 12 (4), 599. https://doi.org/10.3390/rs12040599.
Kumar, R., 2010. Parametrización del modelo hidrológico distribuido: aplicación en una cuenca fluvial
Herman, MR, Nejadhashemi, AP, Abouali, M., HernandezSuarez, JS, Daneshvar, F., Zhang, Z., de mesoescala, editado por el Centro Helmholtz de Investigación Ambiental UFZ https://
Anderson, MC, Sadeghi, AM, Hain, CR, Sharifi, A., 2018. Evaluación el papel de los datos de www.ufz.de/index.php?en=20939&ufzPublicationIdentifier=11006.
teledetección de evapotranspiración en la mejora de la previsibilidad del modelado hidrológico. J. Kumar, R., Samaniego, L., Attinger, S., 2013. Implicaciones de la parametrización del modelo
Hydrol. 556, 39–49. https://doi.org/10.1016/j.jhydrol.2017.11.009. hidrológico distribuido en los flujos de agua en múltiples escalas y ubicaciones. Recurso de agua.
Res. 49 (1), 360–379. https://doi.org/10.1029/2012wr012195.
Hersbach, H., et al., 2018. Reanálisis global operativo: progreso, direcciones futuras y sinergias con KunnathPoovakka, A., Ryu, D., Renzullo, L., George, B., 2016. La eficacia de calibrar el modelo
NWP, ERA Report Series 27, ECMWF, Reading. Centro Europeo de Pronósticos Meteorológicos hidrológico utilizando la evapotranspiración y la humedad del suelo detectadas remotamente para
a Medio Plazo, Reino Unido https://www.ecmwf.int/node/18765. la predicción del caudal. J. Hydrol. 535, 509–524. https://doi.org/10.1016/j.jhydrol.2016.02.018.
Hersbach , H. , Bell , B. , Berrisford , P. , Hirahara , S. , Horanyi , A. , MunozSabater , J. , Nico las , J. ,
Peubey , C. , Radu , R. , Schepers , D., 2020. El reanálisis global de ERA5. Cuarto de galón. Landerer, FW, Swenson, SC, 2012. Precisión de las estimaciones escaladas de almacenamiento de
JR Meteoro. Soc.. https://doi.org/10.1002/qj.3803. agua terrestre GRACE. Recurso de agua. Res. 48 (4). https://doi.org/10.1029/2011wr011453.
Hrachowitz, M., Savenije, H., Blöschl, G., McDonnell, J., Sivapalan, M., Pomeroy, J., Arheimer, B., Liou, Y.A., Kar, SK, 2014. Estimación de la evapotranspiración con sensores remotos y varios
Blume, T., Clark, M., Ehret, U., 2013. Una década de predicciones en cuencas no aforadas (PUB): algoritmos de balance de energía superficial: una revisión. Energías 7 (5), 2821–2849. https://
una revisión. Hidrol. ciencia J. 58 (6), 1198–1255. https://doi.org/ 10.1080/02626667.2013.803183. doi.org/10.3390/en7052821.
Liu, W., Wang, L., Zhou, J., Li, Y., Sun, F., Fu, G., Li, X., Sang, Y.F., 2016. Una evaluación mundial
Hrachowitz, M., Clark, MP, 2017. Opiniones de HESS: Los méritos complementarios de las filosofías de estimaciones de evapotranspiración a escala de cuenca contra el método de balance hídrico.
de modelado competidoras en hidrología. Hidrol. Sistema Tierra Carolina del Sur. 21 (8), 3953– J. Hydrol. 538, 82–95. https://doi.org/10.1016/j.jhydrol.2016.04.006.
3973. https://doi.org/10.5194/hess2139532017. Liu, YY, Dorigo, WA, Parinussa, RM, de Jeu, RAM, Wagner, W., McCabe, MF, Evans, JP, van Dijk,
Hulsman, P., Savenije, HHG, Hrachowitz, M., 2020. Aprendiendo de las observaciones satelitales: AIJM, 2012. Combinación que conserva la tendencia de recuperaciones de humedad del suelo
mayor comprensión de los procesos de captación a través de la mejora gradual del modelo. por microondas pasivas y activas. Sensores Remotos Entorno. 123, 280–297. https://doi.org/
Hidrol. Sistema Tierra ciencia Conversar. 2020, 1–26. https://doi.org/10.5194/ hess2020191. 10.1016/j.rse.2012.03.014.
Long, D., Longuevergne, L., Scanlon, BR, 2014. Incertidumbre en la evapotranspiración a partir del
Hunink, J., Simons, G., SuárezAlmiñana, S., Solera, A., Andreu, J., Giuliani, M., Zam berletti, P., modelado de la superficie terrestre, la teledetección y los satélites GRACE. Recurso de agua.
Grillakis, M., Koutroulis, A., Tsanis, I., 2019. Un procedimiento simplificado de contabilidad del Res. 50 (2), 1131–1151. https://doi.org/10.1002/2013WR014581.
agua para evaluar el impacto del cambio climático en los recursos hídricos para la agricultura en López, O., Houborg, R., McCabe, MF, 2017. Evaluación de la consistencia hidrológica de los productos
diferentes cuencas fluviales europeas. Agua 11 (10), 1976. https://doi.org/ 10.3390/w11101976. de evaporación usando datos satelitales de gravedad y lluvia. Hidrol. Sistema Tierra Carolina del
Sur. 21 (1), 323–343. https://doi.org/10.5194/hess213232017.
Huntington, TG, 2006. Evidencia de la intensificación del ciclo global del agua: revisión y síntesis. J. Maggioni, V., Massari, C., 2018. Sobre el desempeño de los productos de precipitación satelital en el
Hydrol. 319 (14), 83–95. https://doi.org/10.1016/j.jhydrol.2005.07.003. modelado de inundaciones fluviales: una revisión. J. Hydrol. 558, 214–224. https://doi.org/10.1016/
j.jhydrol.2018.01.039.
Immerzeel, WW, Droogers, P., 2008. Calibración de un modelo hidrológico distribuido basado en la Maloney, ED, Gettelman, A., Ming, Y., Neelin, JD, Barrie, D., Mariotti, A., Chen, C.C., Coleman, DR,
evapotranspiración satelital. J. Hydrol. 349 (34), 411–424. https://doi.org/10.1016/ Kuo, Y.H., Singh, B., 2019. Evaluación orientada a procesos de modelos de predicción climática
j.jhydrol.2007.11.017. y meteorológica. Toro. Soy. Meteorito. Soc. 100 (9), 1665–1686. https://doi.org/10.1175/BAMS
Jiang, D., Wang, K., 2019. El papel de la teledetección satelital en la mejora del caudal simulado: una D180042.1.
revisión. Agua 11 (8), 1615. https://doi.org/ 10.3390/w11081615. Mao, Y., Wang, K., 2017. Comparación de las estimaciones de evapotranspiración basadas en el
balance de aguas superficiales, el modelo PenmanMonteith modificado y conjuntos de datos de
2020. Evapotranspiración basada en satélites en la calibración de modelos hidrológicos. Teledetección reanálisis para China continental. J. Geophys. Res. atmósfera 122 (6), 3228–3244. https://doi.org/
12(3), 428. https://doi.org/10.3390/rs12030428. 10.1002/2016JD026065.
Martens, B., Miralles, DG, Lievens, H., van der Schalie, R., de Jeu, RAM, Fernandez Prieto, D., Beck,
Jiao, Y., Lei, HM, Yang, DW, Huang, MY, Liu, DF, Yuan, X., 2017. Impacto de la dinámica de la HE, Dorigo, WA, Verhoest, NEC, 2017. GLEAM v3: satélite basado en la evaporación del suelo y
vegetación en los procesos hidrológicos en una cuenca semiárida mediante el uso de un sistema la humedad del suelo en la zona de las raíces. geosci. Modelo. La V. 10(5), 1903–1925. https://
acoplado de hidrología superficial terrestre modelo. J. Hydrol. 551, 116–131. https://doi.org/ doi.org/10.5194/gmd1019032017.
10.1016/j.jhydrol.2017.05.060. Martens, B., Waegeman, W., Dorigo, WA, Verhoest, NE, Miralles, DG, 2018. Respuesta de la
Jimenez , C , Prigent , C , Mueller , B , Seneviratne , SI , McCabe , M , Wood , EF , Rossow , W , evaporación terrestre a los modos de variabilidad climática. NPJ Clima Atmósfera. ciencia 1 (1),
Balsamo , G , Betts , A , Dirmeyer , P. Intercomparación global 1–7. https://doi.org/10.1038/s4161201800535.
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
McCabe, M., Wood, EF, Wójcik, R., Pan, M., Sheffield, J., Gao, H., Su, H., 2008. Consistencia hidrológica datos en la sabana africana, Sudáfrica. Detección remota 6 (8), 7406–7423. https://doi.org/10.3390/
usando datos de sensores remotos multisensor para agua y energía estudios de ciclo Sensores Remotos rs6087406.
Entorno. 112 (2), 430–444. https://doi.org/10.1016/j.rse.2007.03.027. Reichle, RH, Liu, Q., Koster, RD, Draper, CS, Mahanama, SP, Partyka, GS, 2017. Precipitación en la superficie
terrestre en MERRA2. J. Clima 30 (5), 1643–1664. https://doi.org/10.1175/JCLID160570.1.
McCabe, M., A.Ershadi, C.Jimenez, DGMiralles, D.Michel y EFWood (2015), El proyecto GEWEX LandFlux:
evaluación del modelo de evaporación utilizando datos de forzamiento basados en torres y en rejilla Rientjes, T., Muthuwatta, LP, Bos, M., Booij, MJ, Bhatti, H., 2013. Calibración multivariable de un modelo
global, https:// doi .org/10.5194/gmd92832016. hidrológico semidistribuido usando datos de caudal y evapotranspiración satelital. J. Hydrol. 505, 276–
McCabe, MF, et al., 2017. El futuro de la observación de la Tierra en hidrología. Hidrol. Sistema Tierra Carolina 290. https://doi.org/10.1016/j.jhydrol.2013.10.006.
del Sur. 21 (7), 3879–3914. https://doi.org/10.5194/hess2138792017.
McCabe, MF, Miralles, DG, Holmes, TR, Fisher, JB, 2019. Advances in the remote sensing of terrestrial Sakumura, C., Bettadpur, S., Bruinsma, S., 2014. Predicción de conjunto y análisis de intercomparación de
evaporation, editado Multidisciplinar Digital Publishing Insti los modelos de campo de gravedad variable en el tiempo GRACE. Geofísico. Res. Letón. 41 (5), 1389–
completamente
1397. https://doi.org/10.1002/2013GL058632.
McMahon, T., Peel, M., Lowe, L., Srikanthan, R., McVicar, T., 2013. Estimación de la evaporación real, Samaniego, L., Kumar, R., Attinger, S., 2010. Regionalización de parámetros multiescala de un modelo
potencial, de cultivo de referencia y de bandeja utilizando datos meteorológicos estándar: una síntesis hidrológico basado en cuadrículas en la mesoescala. Recurso de agua. Res. 46 (5). https://doi.org/
pragmática. Hidrol. Sistema Tierra Carolina del Sur. 17 (4), 1331–1363. https://doi.org/10.5194/ 10.1029/2008WR007327.
hess1713312013. Samaniego, L., Kumar, R., Jackisch, C., 2011. Predicciones en una región con escasez de datos utilizando un
Melsen, LA, Teuling, AJ, Torfs, PJ, Uijlenhoet, R., Mizukami, N., Clark, MP, 2016. modelo hidrológico regionalizado basado en cuadrículas impulsado por datos de detección remota. Hidrol.
Opiniones de HESS: la necesidad de una evaluación basada en procesos de modelos de hiperresolución Res. 42 (5), 338–355. https://doi.org/10.2166/nh.2011.156.
de gran dominio. Hidrol. Sistema Tierra Carolina del Sur. 20 (3), 1069–1079. https://doi.org/10.5194/ Samaniego, L., et al., 2017. Hacia predicciones hidrológicas perfectas a través de escalas espaciales. Hidrol.
hess2010692016. Sistema Tierra Carolina del Sur. 21 (9), 4323–4346. https://doi.org/10.5194/ hess2143232017.
Michel, D., Jiménez, C., Miralles, DG, Jung, M., Hirschi, M., Ershadi, A., Martens, B., McCabe, MF, Fisher, JB,
Mu, Q., 2016. TheWACMOS Proyecto ET–Parte 1: Evaluación a escala de torre de cuatro algoritmos de Savenije, HH, 2001. Equifinalidad, ¿una bendición disfrazada? Hidrol. Proceso. 15 (14), 2835– 2838. https://
evapotranspiración basados en sensores remotos. Hidrol. doi.org/10.1002/hyp.494.
Sistema Tierra Carolina del Sur. 20 (2), 803–822. https://doi.org/10.5194/hess208032016. Schaefli, B., Harman, C., Sivapalan, M., Schymanski, S., 2010. Predicciones hidrológicas en un entorno
Miralles, DG, Holmes, TRH, De Jeu, RAM, Gash, JH, Meesters, AGCA, Dolman, AJ, 2011. Evaporación global cambiante: modelos de comportamiento. Hidrol. Sistema Tierra ciencia Conversar. 7, 7779–7808. https://
de la superficie terrestre estimada a partir de observaciones satelitales. Hidrol. Sistema Tierra Carolina doi.org/10.5194/hess156352011.
del Sur. 15 (2), 453–469. https://doi.org/10.5194/ hess154532011. Senay, GB, Budde, M., Verdin, JP, Melesse, AM, 2007. Un enfoque acoplado de teledetección y balance de
energía superficial simplificado para estimar la evapotranspiración real de los campos irrigados. Sensores
Miralles , DG , Jimenez , C , Jung , M , Michel , D , Ershadi , A , McCabe , M , Hirschi , M , Martens , B , 7 (6), 979–1000. https://doi.org/10.3390/s7060979.
Dolman , AJ , Fisher , JB , 2016 WACMOSET projectPart 2: Eval uación de conjuntos de datos de Senay, GB, Bohms, S., Singh, RK, Gowda, PH, Velpuri, NM, Alemu, H., Verdin, JP, 2013. Cartografía de
evaporación terrestre global. Hidrol. Sistema Tierra Carolina del Sur. 20 (2), 823–842 . evapotranspiración operativa mediante sensores remotos y conjuntos de datos meteorológicos: una
nueva parametrización para el enfoque SSEB. JAWRA J. Am. Agua Re agria. Asoc. 49 (3), 577–591.
Mu, Q., Zhao, M., Running, SW, 2011. Mejoras en un algoritmo de evapotranspiración terrestre global MODIS. https://doi.org/10.1111/jawr.12057.
Sensores Remotos Entorno. 115 (8), 1781–1800. https://doi.org/10.1016/j.rse.2011.02.019. Senkondo, W., Munishi, SE, Tumbo, M., Nobert, J., Lyon, SW, 2019. Comparación de estimaciones de
evapotranspiración del balance de energía superficial obtenidas por detección remota en regiones
Mueller, B., Seneviratne, SI, Jimenez, C., Corti, T., Hirschi, M., Balsamo, G., Ciais, P., Dirmeyer, P., Fisher, J., heterogéneas y con datos limitados: un estudio de caso del valle de Kilombero en Tanzania . Teledetección
Guo, Z., 2011 Evaluación de conjuntos de datos de evapotranspiración basados en observaciones 11 (11), 1289. https://doi.org/10.3390/rs11111289.
globales y simulaciones IPCC AR4. Geofísico. Res. Letón. 38 (6). https://doi.org/10.1029/2010GL046230. Shuttleworth, W., 1993. En: DR, M. (Ed.), editado por. McGrawHill Nueva York, Nueva York
págs. 4.1–4.53.
Mul , M. , Obuobie , E. , Appoh , R. , KankamYeboah , K. , BekoeObeng , E. , Amisigo , B. , Lo gah , FY , Sörensson, AA, Ruscica, RC, 2018. Intercomparación y evaluación de la incertidumbre de nueve estimaciones
Ghansah , B. , McCartney , M. , 2015 Evaluación de los recursos hídricos de la cuenca del río VoltaRep. de evapotranspiración en América del Sur. Recurso de agua. Res. 54 (4), 2891– 2908. https://doi.org/
9290908297. Instituto Internacional de Gestión del Agua (IWMI) 82 pp http://www.iwmi.cgiar.org/ 10.1002/2017WR021682.
Publications/Working_Papers/working/wor166.pdf . . . . Stisen, S., Koch, J., Sonnenborg, TO, Refsgaard, JC, Bircher, S., Ringgaard, R., Jensen, KH, 2018. Más allá
Nicholson, S., 2000. Procesos de la superficie terrestre y clima del Sahel. Rev. Geophys. 38 (1), 117– de la calibración de escorrentía: optimización multivariable de una atmósfera de superficiesubsuperficie
139. https://doi.org/10.1029/1999RG900014. modelo. Hidrol. Proceso. 32 (17), 2654–2668. https://doi.org/10.1002/hyp.13177.
Nijzink, RC, et al., 2018. Restricción de modelos hidrológicos conceptuales con múltiples fuentes de
información. Recurso de agua. Res. 54 (10), 8332–8362. https://doi.org/10.1029/ Su, Z., 2002. The Surface Energy Balance System (SEBS) para la estimación de flujos de calor turbulentos.
2017wr021895. Hidrol. Sistema Tierra Carolina del Sur. 6 (1), 85–100. https://doi.org/10.5194/hess6852002.
Odusanya, AE, Mehdi, B., Schürz, C., Oke, AO, Awokola, OS, Awomeso, JA, Adejuwon, JO, Schulz, K., 2019.
Calibración y validación multisitio de SWAT con evapotranspiración satelital en una cuenca con escasez Swenson, SC (2012), grillas de masa de agua terrestre mensuales GRACE NETCDF versión 5.0. versión
de datos en el sudoeste de Nigeria. Hidrol. Sistema Tierra Carolina del Sur. 23 (2), 1113–1144. https:// 5.0. PO.DAAC, CA, EE. UU., https://doi.org/10.5067/TELNDNC005, [Conjunto de datos consultado el
doi.org/10.5194/ hess2311132019. 01.11.2018].
Talsma, CJ, Good, SP, Jimenez, C., Martens, B., Fisher, JB, Miralles, DG, Mc Cabe, MF, Purdy, AJ, 2018.
Oki, T., Kanae, S., 2006. Ciclos hidrológicos globales y recursos hídricos mundiales. Ciencia 313 (5790), 1068– Particionamiento de la evapotranspiración en modelos basados en sensores remotos. Agrícola. Para.
1072. https://doi.org/10.1126/science.1128845. Meteorol. 260, 131–143. https://doi.org/10.1016/j.agrformet.2018.05.010.
O, D., Lehmann, P., 2019. Capacitancia evaporativa superficial: cómo el tipo de suelo y las características de
la lluvia afectan la evaporación superficial a escala global. Recurso de agua. Res. 55 (1), 519– 539. https:// Tapley, BD, Bettadpur, S., Watkins, M., Reigber, C., 2004. La recuperación de la gravedad y el experimento
doi.org/10.1029/2018WR024050. climático: descripción general de la misión y primeros resultados. Geofísico. Res. Letón. 31 (9). https://
Pan, S., Pan, N., Tian, H., Friedlingstein, P., Sitch, S., Shi, H., Arora, VK, Haverd, V., Jain, AK, Kato, E., 2019. doi.org/10.1029/2004gl019920.
Evaluación de la evapotranspiración terrestre global mediante enfoques de última generación en Teng, J., Jakeman, AJ, Vaze, J., Croke, BFW, Dutta, D., Kim, S., 2017. Modelado de inundaciones: una revisión
sensores remotos, aprendizaje automático y modelos de superficie terrestre. de métodos, avances recientes y análisis de incertidumbre. Reinar.
Hidrol. Sistema Tierra ciencia Conversar. 1–51. https://doi.org/10.5194/hess2019409. modelo suave 90, 201–216. https://doi.org/10.1016/j.envsoft.2017.01.006.
PetersLidard, CD, Clark, M., Samaniego, L., Verhoest, NEC, van Emmerik, T., Ui jlenhoet, R., Achieng, K., Thober, S., M.Cuntz, M.Kelbling, R.Kumar, J.Mai y LJGMDDSamaniego (2019), The multiscale Routing Model
Franz, TE, Woods, R., 2017. Escalado, Semejanza y el Cuarto Paradigma de la Hidrología. Hidrol. Sistema mRM v1. 0: enrutamiento fluvial simple en resoluciones de 1 a 50 km, 2019, 126, https://doi.org/10.5194/
Tierra Carolina del Sur. 21 (7), 3701–3713. https://doi.org/10.5194/hess2016695. gmd1225012019.
Tobin, KJ, Bennett, ME, 2017. Restricción de la calibración SWAT con datos de evapotranspiración de
PetersLidard, CD, Hossain, F., Leung, LR, McDowell, N., Rodell, M., Tapiador, FJ, Turk, FJ, Wood, A., 2019. detección remota. JAWRA J. Am. Recurso de agua. Asoc. 53 (3), 593–604. https://doi.org/
100 años de progreso en hidrología. Meteorol. Monografías. https://doi.org/10.1175/AMSMONOGRAPHS 10.1111/17521688.12516.
D180019.1. Tolson, BA, Shoemaker, CA, 2007. Algoritmo de búsqueda dimensionado dinámicamente para la calibración
Pokhrel, P., Gupta, HV, Wagener, T., 2008. Un enfoque de regularización espacial para la estimación de del modelo de cuenca hidrográfica computacionalmente eficiente. Recurso de agua. Res. 43 (1). https://
parámetros para un modelo de cuenca distribuida. Recurso de agua. Res. 44 (12). https://doi.org/ doi.org/10.1029/2005wr004723.
10.1029/2007wr006615. Trabucco, A. y R.Zomer (2018), Índice de aridez global y evapotranspiración potencial (ET0) Base de datos
Pomeon, T., Diekkruger, B., Kumar, R., 2018. Calibración y validación multivariante computacionalmente climáticos v2. Consorcio CGIAR para Información Espacial (CGIARCSI). Publicado en línea, disponible
eficientes de un modelo hidrológico basado en cuadrículas en cuencas fluviales de África occidental en el GeoPortal CGIARCSI en https://cgiarcsi.community, https://figshare.com/articles/Global_Aridity_
escasamente calibradas. Agua 10 (10), 1418. https://doi.org/10.3390/w10101418. Index_and_Potential_Evapotranspiration_ET0_Climate_Database_v2/7504448/ 1accedido el 11.07.2019].
Rajib, A., Evenson, GR, Golden, HE, Lane, CR, 2018. La predictibilidad del modelo hidrológico mejora con
una calibración espacialmente explícita utilizando parámetros biofísicos y de evapotranspiración de
detección remota. J. Hydrol. 567, 668683,. https://doi.org/10.1016/j.jhydrol.2018.10.024. Trambauer, P., Dutra, E., Maskey, S., Werner, M., Pappenberger, F., Van Beek, L., Uhlenbrook, S., 2014.
Comparación de diferentes estimaciones de evaporación en el continente africano. Hidrol. Sistema Tierra
Rakovec, O., Kumar, R., Mai, J., Cuntz, M., Thober, S., Zink, M., Attinger, S., Schafer, D., Schron, M., Carolina del Sur. 18 (1), 193–212. https://doi.org/10.5194/ hess181932014.
Samaniego, L., 2016. Evaluación multiescala y multivariada de los flujos y estados de agua en las cuencas
fluviales europeas. J. Hidrometeorol. 17 (1), 287–307. https://doi.org/10.1175/JhmD150054.1. Tucker, CJ, Pinzon, JE, Brown, ME, Slayback, DA, Pak, EW, Mahoney, R., Ver mote, EF, El Saleous, N.,
2005. Un conjunto de datos NDVI AVHRR de 8 km ampliado compatible con MODIS y Datos de NDVI de
Ramoelo, A., Majozi, N., Mathieu, R., Jovanovic, N., Nickless, A., Dzikiti, S., 2014. Validación del producto de vegetación SPOT. En t. J. Remote Sens. 26 (20), 4485– 4498. https://doi.org/10.1080/01431160500168686.
evapotranspiración global (MOD16) usando torre de flujo
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al. Avances en Recursos Hídricos 143 (2020) 103667
Upton, G., Cook, I., 2014. Diccionario de estadísticas, editado por Oxford university press. West, H., Quinn, N., Horswell, M., 2019. Detección remota para el monitoreo de la sequía y la evaluación
Van der Ent, RJ, Savenije, HH, Schaefli, B., SteeleDunne, SC, 2010. Origen y destino de la humedad del impacto: progreso, desafíos pasados y oportunidades futuras. Sensores Remotos Entorno. 232,
atmosférica sobre los continentes. Recurso de agua. Res. 46 (9). https://doi.org/10.1029/2010WR009127. 111291. https://doi.org/10.1016/j.rse.2019.111291.
Williams, TO, Mul, ML, Biney, CA, Smakhtin, V., 2016. La cuenca del río Volta: agua para alimentos,
Velpuri, NM, Senay, GB, Singh, RK, Bohms, S., Verdin, JP, 2013. Una evaluación integral de dos productos crecimiento económico y medio ambiente, editado por Routledge 282 págs.
de evapotranspiración MODIS en los Estados Unidos contiguos: uso de FLUXNET puntual y Winsemius, H., Savenije, H., Bastiaanssen, W., 2008. Restricción de los parámetros del modelo en la
cuadriculado y balance de agua ET. Sensores Remotos Envi ron. 139, 35–49. https://doi.org/10.1016/ evaporación detectada remotamente: ¿justificación para la distribución en cuencas no aforadas? Hidrol.
j.rse.2013.07.013. Sistema Tierra Carolina del Sur. 12 (6), 1403–1413. https://doi.org/10.5194/hess1214032008.
Vervoort, RW, Miechels, SF, van Ogtrop, FF, Guillaume, JH, 2014. Evapotranspiración por detección Yang, Z., Zhang, Q., Yang, Y., Hao, X., Zhang, H., 2016. Evaluación de modelos de evapotranspiración
remota para calibrar un modelo conceptual agrupado: trampas y oportunidades. en áreas semiáridas y semihúmedas de China. Hidrol. Proceso. 30 (23), 4292– 4313. https://doi.org/
J. Hydrol. 519, 3223–3236. https://doi.org/10.1016/j.jhydrol.2014.10.034. 10.1002/hyp.10824.
Vinukollu, RK, Meynadier, R., Sheffield, J., Wood, EF, 2011a. Estimaciones multimodelo y multisensor de Yilmaz, MT, Anderson, MC, Zaitchik, B., Hain, CR, Crow, WT, Ozdogan, M., Chun, JA, Evans, J., 2014.
la evapotranspiración global: climatología, incertidumbres y tendencias. Hidrol. Comparación de enfoques de modelado de flujo de superficie de pronóstico y diagnóstico sobre el
Proceso. 25 (26), 3993–4010. https://doi.org/10.1002/hyp.8393. río Nilo cuenca. Recurso de agua. Res. 50 (1), 386–408. https://doi.org/10.1002/2013WR014194.
Vinukollu, RK, Wood, EF, Ferguson, CR, Fisher, JB, 2011b. Estimaciones globales de evap otranspiración
para estudios climáticos utilizando datos de sensores remotos de múltiples sensores: evaluación de Zhang, B., Xia, Y., Long, B., Hobbins, M., Zhao, X., Hain, C., Li, Y., Ander son, MC, 2020. Evaluación y
tres enfoques basados en procesos. Sensores Remotos Entorno. 115 (3), 801–823. https://doi.org/ comparación de múltiples modelos de datos de evapotranspiración sobre los Estados Unidos
10.1016/j.rse.2010.11.006. contiguos: Implicaciones para la próxima fase de desarrollo de NLDAS (NLDASTestbed). Agrícola.
Wagner, W., Dorigo, W., de Jeu, R., Fernandez, D., Benveniste, J., Haas, E., Ertl, M., 2012. Para. Meteorol. 280, 107810. https://doi.org/10.1016/j.agrformet.2019.107810.
Fusión de observaciones de microondas activas y pasivas para crear un registro de datos de
variables climáticas esenciales sobre la humedad del suelo, artículo presentado en ISPRS Annals Zhang, K., Kimball, JS, Running, SW, 2016. Una revisión de la estimación de la evapotranspiración real
of the Photogrammetry. Teledetección y Ciencias de la Información Espacial (ISPRS Annals). basada en sensores remotos. Interdisciplina de Wiley. Rev. Agua 3 (6), 834–853. https://doi.org/
Wambura, FJ, Dietrich, O., Lischeid, G., 2018. Mejora de un modelo hidrológico distribuido utilizando 10.1002/wat2.1168.
condiciones de contorno relacionadas con la evapotranspiración como restricciones adicionales en Zhang, Y., Chiew, FH, Liu, C., Tang, Q., Xia, J., Tian, J., Kong, D., Li, C., 2019.
una cuenca fluvial con escasez de datos. Hidrol. Proceso. 32 (6), 759–775. https://doi.org/10.1002/ ¿Puede la evapotranspiración real detectada remotamente facilitar la predicción hidrológica en
hyp.11453. regiones no aforadas sin calibración de escorrentía? Recurso de agua. Res. e24394. https://doi.org/
Wang, G., Pan, J., Shen, C., Li, S., Lu, J., Lou, D., Hagan, DF, 2018. Evaluación de las estimaciones de 10.1029/2019WR026236.
evap otranspiración en la cuenca del río Amarillo frente al balance hídrico método. Zhu, ZC, Bi, J., Pan, YZ, Ganguly, S., Anav, A., Xu, L., Samanta, A., Piao, SL, Ne mani, RR, Myneni, RB,
Agua 10 (12), 1884. https://doi.org/10.3390/w10121884. 2013. Datos globales Conjuntos de índice de área foliar de vegetación (LAI)3g y fracción de radiación
Wang, K., Dickinson, RE, 2012. Una revisión de la evapotranspiración terrestre global: observación, fotosintéticamente activa (FPAR)3g derivados del índice de vegetación de diferencia normalizada
modelado, climatología y variabilidad climática. Rev. Geophys. 50 (2). https://doi.org/ (NDVI3g) de estudios de mapeo y modelado de inventario global (GIMMS) para el período de 1981
10.1029/2011RG000373. a 2011. Detección remota 5 (2 ), 927– 948. https://doi.org/10.3390/rs5020927.
Weedon, GP, Balsamo, G., Bellouin, N., Gomes, S., Best, MJ, Viterbo, P., 2014.
El conjunto de datos de forzamiento meteorológico WFDEI: metodología WATCH Forcing Data Zink, M., Mai, J., Cuntz, M., Samaniego, L., 2018. Condicionamiento de un modelo hidrológico utilizando
aplicada a los datos de reanálisis de ERAInterim. Recurso de agua. Res. 50 (9), 7505–7514. https:// patrones de temperatura de la superficie terrestre detectada remotamente. Recurso de agua. Res.
doi.org/10.1002/2014WR015638. 54 (4), 2976–2998. https://doi.org/10.1002/2017wr021346.
Weerasinghe, I., Bastiaanssen, W., Mul, M., Jia, L., van Griensven, A., 2020. ¿Podemos confiar en los
productos de evapotranspiración de sensores remotos en África? Hidrol. Sistema Tierra ciencia 24
(3), 1565–1586. https://doi.org/10.5194/hess2415652020.