Machine Translated by Google

Avances en Recursos Hídricos 143 (2020) 103667

Listas de contenidos disponibles en ScienceDirect

Avances en Recursos Hídricos

página de inicio de la revista: www.elsevier.com/locate/advwatres

Potencial de los conjuntos de datos de evaporación satelital y de reanálisis para el

modelado hidrológico bajo diversas estrategias de calibración del modelo

Moctar Dembélé a, , Natalie Ceperleyae, Sander J. Zwart b, Elga Salvadorec,d,

Gregoire Mariethoz y ,Bettina Schaefliae
a Instituto de Dinámica de la Superficie de la Tierra, Facultad de Geociencias y Medio Ambiente, Universidad de Lausana, 1015 Lausana, Suiza b Instituto
Internacional de Gestión del Agua, PMB CT 112 Cantonments, Accra, Ghana
C
IHE Delft Institute for Water Education, Delft, 2611AX, Países Bajos d
Departamento de Hidrología e Ingeniería Hidráulica, Facultad de Ingeniería, Vrije Universiteit Brussel, 1050 Bruselas, Bélgica e Instituto de
Geografía (GIUB), Universidad de Berna, 3012 Berna, Suiza

información del artículo abstracto

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 evaluación de la variabilidad espaciotemporal de los procesos hidrológicos es el
quid de la gestión eficaz de los recursos hídricos. Se espera que el calentamiento global
intensifique (es decir, acelere) el ciclo hidrológico, aumentando o disminuyendo la
evaporación según los lugares (Donat et al., 2016; Famiglietti y Rodell, 2013; Huntington,
2006).
Autor de correspondencia.
Dirección de correo electrónico: moctar.dembele@unil.ch (M. Dembélé).
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
terrestres y la atmósfera. Por lo tanto, la evaporación se puede utilizar como indicador de
la disponibilidad de humedad y su tasa de consumo (He et al., 2019; Joiner et al., 2018;
Van der Ent et al., 2010). Las teorías básicas y los métodos de estimación de la
evaporación están ampliamente documentados (p. ej., Chen y Liu, 2020; Liou y Kar,
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

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
Tmax Temperatura máxima del aire
Tmin Temperatura mínima del aire
cial en cuencas (semi)áridas, donde la evaporación representa el flujo de agua saliente
dominante. En tales ambientes, un hidrológico clásico
la calibración del modelo en el flujo de la corriente solo podría conducir a un modelo importante
sesgos Más generalmente, para cuencas con fuertes influencias antropogénicas en el ciclo del
agua (p. ej., planes de riego, represas, etc.) o en
regiones con escasez de datos, la inclusión de datos de evaporación en la calibración del
modelo tiene el potencial de restringir mejor un modelo hidrológico en lugar de
que el flujo de agua solo (Becker et al., 2019; Jiang y Wang, 2019). En consecuencia, calibrar
modelos hidrológicos basados únicamente en el caudal
no es suficiente para garantizar una representación precisa del sistema hidrológico porque el
caudal es el resultado de varios procesos interrelacionados, por lo que enmascara la
heterogeneidad espacial (Tobin y Bennett, 2017;
Wambura et al., 2018). Esta limitación en la implementación del modelo ha
ha sido superada por la llegada de técnicas de calibración multivariadas que utilizan conjuntos
de datos basados en satélites, lo que ofrece a los modelos una oportunidad para una mejor
heterogeneidad espacial (Efstratiadis y Koutsoyiannis, 2010; Rakovec et al.,
2016).
En la búsqueda de mejorar la representación de procesos en los modelos hidrológicos, el
modelado hidrológico distribuido a gran escala enfrenta el desafiante requisito de conjuntos de
datos de observación espacialmente explícitos para el modelo.
configuración y evaluación del rendimiento (Clark et al., 2017; Fatichi et al.,
2016; Hrachowitz y Clark, 2017). En consecuencia, Satellite Remote
Conjuntos de datos de detección (SRS) y reanálisis de varios procesos hidrológicos
se han utilizado como datos de entrada (Beck et al., 2017; Maggioni y Mas sari, 2018) o como
datos de calibración y evaluación para modelos hidrológicos (Koppa y Gebremichael, 2020;
McCabe et al., 2017). Evaporación
Las estimaciones de SRS se utilizan cada vez más en la calibración multivariante de
modelos hidrológicos. Debido a que es un indicador clave de la disponibilidad de agua
superficial, la evaporación es una fuente esencial de información para limitar mejor la
representación espaciotemporal de los procesos en la hidrología.
Evaluar la incertidumbre de las estimaciones de evaporación a gran escala es
desafiante debido a la disponibilidad limitada de mediciones en tierra (Bhattarai et al., 2019;
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
las limitaciones se pueden señalar en estudios previos. La mayoría de los estudios previos
solo use o compare algunos conjuntos de datos de evaporación (p. ej., Kunnath­Poovakka
et al., 2016; Vervoort et al., 2014), y rara vez (si acaso) investigan el uso
de conjuntos de datos de reanálisis (es decir, análisis retrospectivo; cf. Bosilovich et al.,
2008), que son una fuente importante de estimaciones de evaporación espacial
(Feng et al., 2019). Por lo general, se utiliza un modelo agrupado o semidistribuido
(por ejemplo, Odusanya et al., 2019; Rientjes et al., 2013), que no aprovecha todo el potencial
de los conjuntos de datos de evaporación cuadriculados que son su
patrones espaciales (Armstrong et al., 2019; Stisen et al., 2018). La mayoría de los estudios
no pruebe diferentes estrategias de calibración del modelo, con algunas excepciones
that use a semi­distributed model (e.g., Herman et al., 2018; Rajib et al.,
2018). Finalmente, algunos estudios usan una métrica insensible al sesgo para enfocarse solo
sobre los patrones espaciales de los productos de evaporación cuadriculados (Dembélé et al.,
2020a; Koch et al., 2018).
Este estudio tiene como objetivo llenar los vacíos de conocimiento actuales mediante la
evaluación de la utilidad de nueve conjuntos de datos de evaporación basados en satélites
(pronóstico y diagnóstico) y tres de análisis real para mejorar el rendimiento de un sistema distribuido.
modelo hidrológico utilizando cuatro estrategias de calibración distintas. Este estudio
no pretende cuantificar la precisión intrínseca de la evaporación
productos ni determinar si un producto es mejor que los demás en
términos de valores absolutos. Más bien se esfuerza por evaluar su capacidad para
mejorar las simulaciones de un modelo hidrológico distribuido cuando se utiliza
como variable de calibración. Además de la gran cantidad y diversidad de conjuntos de datos
de evaporación en cuadrícula evaluados, la novedad de este estudio es la implementación de
cuatro estrategias distintas de calibración del modelo con un
modelo hidrológico distribuido, la evaluación de las respuestas del modelo
con múltiples variables (es decir, caudal, humedad del suelo y condiciones terrestres).
almacenamiento de agua) para probar la propagación del error de evaporación en otros
procesos hidrológicos, y la aplicación del experimento en una gran cuenca
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

Fig. 1. Características físicas e hidroclimáticas de la cuenca del río Volta.

influencia. Este estudio se esfuerza por responder a dos preguntas de investigación
interrelacionadas. En primer lugar, ¿cuál es la capacidad de evaporación satelital y de reanálisis?
conjuntos de datos para mejorar la habilidad predictiva general de un sistema totalmente distribuido
modelo hidrologico? En segundo lugar, qué tan importante es la calibración del modelo.
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
África, utilizando el modelo hidrológico de mesoescala (mHM) durante un período de
diez años consecutivos (2003­2012).
2. Material y métodos
2.1. Área de estudio
La cuenca transfronteriza del río Volta (VRB) se comparte entre seis
países de África occidental (es decir, Burkina Faso, Ghana, Togo, Mali, Benin
y Côte d'Ivoire) y cubre aproximadamente 415.600 km2 (Fig. 1). Mayoría
de la cuenca se encuentra por debajo de los 400 m snm con una topografía predominantemente
plana (Fig. 1b). El río Volta fluye de norte a sur a lo largo de una distancia de
1.850 km y desemboca en el Océano Atlántico en el Golfo de Guinea por tránsito a través
del lago Volta (8.502 km2) formado por el Akosombo
dam (7.94 Mm3) (Dembélé et al., 2019; Dembélé et al., 2020a; Williams
et al., 2016). El área de la cuenca está compuesta por pastizales intercalados con
arbustos y árboles (75 %), tierras de cultivo (13 %), bosques (9 %), masas de agua (2 %)
y tierra desnuda y asentamientos (1%) (Fig. 1c).
El VRB se extiende sobre cuatro zonas ecoclimáticas (es decir, Sahelian, Sudano
Sahelian, Sudanian y Guinean) caracterizadas por una densidad de vegetación creciente y
por recibir precipitaciones crecientes de norte a sur.
(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
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.
(2020a).
El clima es impulsado por la Zona de Convergencia Intertropical (ZCIT)
y varía de subhúmedo en el sur a semiárido en el norte
(Dembélé et al., 2019; FAO/GIEWS, 1998; Mul et al., 2015). Actual
la evaporación varía entre el 70% y el 90% de la precipitación anual en la cuenca.
2.2. Modelo hidrológico distribuido
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
domain (Kumar et al., 2013; Samaniego et al., 2010). Samaniego et al.
(2011) proporcionan una representación esquemática de los procesos contabilizados
para en mHM. Un modelo de enrutamiento multiescala basado en Muskingum­Cunge
( Cunge, 1969) se utiliza para el enrutamiento de la red total generada
escorrentía a través de la red fluvial (Thober et al., 2019). la subred
variabilidad de las características físicas de la cuenca (p. ej., textura del suelo,
cubierta) se contabiliza con una técnica de regionalización de parámetros multiescala
(Samaniego et al., 2017). Los parámetros del modelo (p. ej., hidráulica
conductividad, porosidad del suelo) están vinculados a las características físicas de la cuenca
a través de funciones de pedotransferencia y parámetros globales. Treinta y seis globales
los parámetros (cf. Pokhrel et al., 2008) se ajustan durante la calibración del modelo
para este estudio (Tabla S6). Se encontró que mHM es confiable para modelar procesos
hidrológicos en VRB (Dembélé et al., 2020a). La versión 5.9 de
mHM se utiliza en este estudio.
La evaporación de referencia (Eref) se calcula siguiendo el método de
Hargreaves y Samani (1985), que resultó confiable para regiones semiáridas como la VRB
(Bai et al., 2016; Er­Raki et al., 2010; Gao et al.,
2017). Eref se formula de la siguiente manera:
= (1)
árbitro un ( promedio + 17,8 )( máx − mín) 0,5
donde Ra (MJ/m2/día) es la radiación extraterrestre calculada en base a
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).

Zonas ecoclimáticas Clase climática IA (­) P (mm/año) Promedio (°C)

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

Variables productos Espacial Temporal Referencias

resolución resolución

Configuración del modelo

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

son compensados por la constante = 0.0023, y Tavg, Tmax y Tmin

2.3. Conjuntos de datos de entrada
representan la temperatura diaria media, máxima y mínima del aire en
grados Celsius (°C) en un lugar dado.
Los conjuntos de datos morfológicos (es decir, elevación, pendiente, cobertura terrestre, etc.)
La evaporación potencial (Ep) se calcula ajustando Eref con una función de escala dinámica
y conjuntos de datos meteorológicos (es decir, lluvia y temperatura del aire) utilizados para
(FDS) basada en el índice de área foliar (Allen et al.,
configurar y ejecutar el modelo distribuido se describen en la Tabla 2. Los conjuntos de datos
1998; Demirel et al., 2018), por lo tanto teniendo en cuenta la vegetación­clima
meteorológicos se seleccionan en función de su precisión (Dembélé y
interacciones (Bai et al., 2018; Birhanu et al., 2019; Jiao et al., 2017). episodio
se formula de la siguiente manera: Zwart, 2016), y su idoneidad para representar plausiblemente hidrológico
procesos en la VRB (Dembélé et al., 2020b). Todos los datos morfológicos
= con (2)
SD ref ., se vuelven a muestrear a una resolución de 1/512° (~200 m en el ecuador) usando
pag

la técnica del vecino más cercano, mientras que los datos meteorológicos se vuelven a muestrear

(3)
SD = + ( 1 − ( LA) )
donde a es el término de intersección, b es el componente dependiente de la vegetación,
yc representa el grado de no linealidad del índice de área foliar ( ILA).
Los coeficientes a, b y c se determinan mediante la calibración del modelo.
En este estudio, la evaporación real (Ea) se define como la suma de la transpiración y la
evaporación de los cuerpos de intercepción, tierra y agua.
(Coenders­Gerrits et al., 2020; Shuttleworth, 1993). Ea se calcula como
a 0,0625° (~7 km) usando un nuevo muestreo bilineal. debido a la buena
capacidad de mHM en la transferibilidad de parámetros a través de escalas (Dembélé et al.,
2020a), el modelo se ejecuta en un paso de tiempo diario con una discretización espacial de
0,25° (~28 km) correspondiente a 619 celdas de cuadrícula de modelado en el
cuenca, que atenúan la demanda computacional. Caudal in situ
Los datos y conjuntos de datos cuadriculados de evaporación se utilizan para la calibración del modelo.
(Sección 2.4). La descripción de los conjuntos de datos de evaporación se proporciona en
Sección 2.3.

una fracción de Ep de las capas del suelo dependiendo de la disponibilidad de humedad del suelo
y la profundidad de enraizamiento (Feddes et al., 1976). La humedad del suelo se estima
por un enfoque de capacidad de infiltración multicapa que adopta un enfoque de tres capas
esquema de suelo (0­5, 5­30 y 30­100 cm de profundidad). Almacenamiento de agua terrestre
en cada celda de la cuadrícula es la suma del almacenamiento de agua superficial y subterránea
(es decir, lagos, humedales, depósitos de humedad del suelo, interflujo y flujo base).
El control de calidad y el llenado de lagunas de los datos de caudal son
descrito por Dembélé et al. (2019). Además del caudal in situ,
Se utilizan conjuntos de datos SRS de humedad del suelo y almacenamiento de agua terrestre
para evaluar el rendimiento del modelo después de la calibración. el suelo superficial
El conjunto de datos de humedad (Su) se obtiene de ESA CCI (Dorigo et al., 2017)
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.
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
(Gruber et al., 2017; Liu et al., 2012; Wagner et al., 2012). el terrestre
Los datos de anomalía de almacenamiento de agua (St) (versión RL05) se obtienen de GRACE
(Landerer y Swenson, 2012; Swenson, 2012). La media aritmética del conjunto de diferentes
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
reducir el ruido en el
señal de gravedad de la Tierra que las soluciones individuales (Sakumura et al.,
2014).
2.4. Conjuntos de datos de evaporación
Doce conjuntos de datos de evaporación real cuadriculados que incluyen nueve productos
basados en SRS (MOD16A2, SSEBop, ALEXI, CMRSET, SEBS, GLEAM
v3.2a, GLEAM v3.3a, GLEAM v3.2b, GLEAM v3.3b) y tres productos de reaál lisis (ERA5, MERRA­2,
JRA­55) se evalúan en este estudio.
Basado en enfoques de modelado de evaporación (Yilmaz et al., 2014), el
Los conjuntos de datos basados en SRS se pueden clasificar aún más como productos de diagnóstico
(MOD16A2, SSEBop, ALEXI, CMRSET, SEBS) o productos de pronóstico
(GLEAM v3.2a, GLEAM v3.3a, GLEAM v3.2b, GLEAM v3.3b), mientras que el
los conjuntos de datos de reanálisis son todos productos de pronóstico. En la Tabla 3 se proporciona
un resumen de los conjuntos de datos de evaporación y más detalles sobre cada conjunto de datos.
se encuentra en las referencias correspondientes.
Se evalúan cuatro versiones del producto GLEAM. Se diferencian en
en términos de datos de entrada utilizados para su producción y en términos de su cobertura
espaciotemporal (cf. Tabla 1 en Martens et al., 2017). La versión
v3.3 difiere de v3.2 en los siguientes conjuntos de datos de forzamiento: radiación de superficie,
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
conjuntos de datos, mientras que las versiones v3.3b y v3.2b se producen principalmente con
conjuntos de datos satelitales.
Avances en Recursos Hídricos 143 (2020) 103667
Se pueden observar diferencias considerables tanto en la dinámica temporal como en los
patrones espaciales de los 12 conjuntos de datos de evaporación cuadriculados.
a través de las zonas climáticas en el VRB (Figs. 2 y 3).
2.5. Calibración y evaluación de modelos
El período de modelado se extiende de 2000 a 2012 con 3 años de
modelo de calentamiento (2000­2002), 6 años para calibración (2003­2008), y
4 años para evaluación (2009­2012). Flujo de corriente in situ diario disponible
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°
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
capa de suelo de mHM se compara con los datos de ESA CCI, que representa
la humedad superficial del suelo.
En primer lugar, se adopta como punto de referencia una calibración solo de flujo de corriente. Entonces,
la contribución de los conjuntos de datos de evaporación en la mejora hidrológica
la calibración del modelo se prueba restringiendo simultáneamente el modelo
con caudal y cada uno de los doce conjuntos de datos de evaporación cuadriculados
usando cuatro estrategias de calibración para cada uno (Fig. 4). Por lo tanto, se desarrollan 48
escenarios (es decir, 12 conjuntos de datos por 4 estrategias de calibración) y
en comparación con la calibración de referencia para evaluar el impacto de diferentes estrategias de
calibración en el rendimiento del modelo. El algoritmo de búsqueda dimensionado dinámicamente
(Tolson y Shoemaker, 2007) se utiliza para
estimación de parámetros, utilizando 5.000 iteraciones para cada uno de los 48 escenarios
y para la calibración del modelo de referencia. El tiempo de ejecución computacional es
aproximadamente 6 días para cada una de las 49 simulaciones de modelos en una computadora Intel
Procesador Xeon E5­2697 v3 con 64 GB de RAM.
2.5.1. Calibración en datos de flujo de corriente: punto de referencia
La calibración de referencia (caso Q) se elabora calibrando el
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

2.5.2. Calibración multivariante con caudal y evaporación

dónde (12)
2.5.2.1. Métrica de eficiencia del patrón espacial. Una métrica insensible al ΦEa_BA = 1 − KG( a,mod, a,obs) ,
sesgo y de múltiples componentes desarrollada por Dembélé et al. (2020a) se
utiliza para cuantificar el grado de reproducción de los patrones espaciales de hidrología
procesos. La métrica de eficiencia del patrón espacial (ESP) propuesta solo 1
a, mod( ) = ∑ a,mod( , ), y (13)
considera el patrón espacial de las variables subyacentes e ignora su ×
=1
valores absolutos. ESP es una medida integrada de la dinámica, la variabilidad Ω
,
espacial y la coincidencia de ubicación de las celdas de la cuadrícula entre el
variables modeladas (Xmod) y observadas (Xobs) . Con Xobs y Xmod compuestos
de n celdas, ESP se define de la siguiente manera: 1
a, obs( ) = ∑ a,obs( , ) (14)
2 ×
SP = 1 − √( s − 1 )2 + ( − 1) + ( − 1) 2, con (6) =1
, Ω
2
6∑ 1 i
s =1− , (7) 2­ Pixel­wise temporal (PW): la coincidencia de lo modelado y lo observado
(2−1)
Ea se realiza individualmente en la serie temporal de cada celda de la cuadrícula en el
mod∕ mod cuenca. El EKG se calcula para la serie de tiempo observada y modelada
= y (8)
obs∕ obs de Ea en cada celda de la cuadrícula en la cuenca, y la función subobjetivo
(ΦEa_PW) a minimizar es el promedio del EKG calculado para todos
(9) cuadrículas, restadas de 1. La función objetivo (ΦPW) se formula
= 1 − RMS( Xmod , Xobs)
como sigue:
donde rs es el coeficiente de correlación de orden de rango de Spearman con di el
2
diferencia entre los rangos de la i­ ésima celda de Xmod y Xobs, es la (15)
ΦPW = √ ΦQ + ΦEa_PW2, con
relación de variabilidad (es decir, la relación de los coeficientes de variación) y el
término de coincidencia de ubicación espacial calculado como la raíz cuadrada media
error (ERMS) de los valores estandarizados (z­scores, ZX) de Xmod y Xobs
(Dembélé et al., 2020a). ESP varía de infinito negativo a su óptimo
valor que es la unidad. ESP = 0 cuando existe una relación moderada entre los
rangos de las variables observadas y modeladas (es decir, rs = 0,55),
1
y ESP = ­0,67 cuando los rangos no están relacionados (es decir, rs = 0). Más detalles ΦEa_PW = 1 − ∑ KG( a, mod, a, obs)
(dieciséis)
×
sobre ESP son proporcionados por Dembélé et al. (2020a). 1≤≤1
≤≤
2.5.2.2. Estrategias de calibración multivariante. Calibración de cuatro variables
Se proponen estrategias con distintas funciones objetivo para considerar
simultáneamente los datos de Q y Ea como variables de calibración. Cada objetivo
función (Ecs. 11, 15, 17 y 19) se formula con base en la euclidiana
3­ Contabilidad del sesgo espacial (SB): la coincidencia del Ea modelado y
enfoque de distancia (ecuación 10), en el que todos los elementos tienen el mismo peso
observado se realiza para todos los píxeles en cada paso de tiempo. El
(Khu y Madsen, 2005). La distancia euclidiana (DE) entre dos EKG se calcula en cada paso de tiempo entre todos los píxeles de lo observado y lo
puntos X e Y de coordenadas (x1, x2,…, xn) e (y1, y2,…, yn) en un
modelado Ea. La función subobjetivo (ΦEa_SB ) a minimizar es
El espacio n­dimensional (Upton y Cook, 2014) viene dado por:
el promedio del EKG calculado para todos los pasos de tiempo, restado de
1. La función objetivo (ΦSB) se formula de la siguiente manera:
Y (­ )2 (10)
2
= √√√√∑ =1
ΦSB = √ ΦQ + ΦEa_SB2, con (17)
Las cuatro estrategias de calibración multivariante difieren entre sí
basado en la formulación de la función subobjetivo para Ea (es decir, ΦEa ),
mientras que ΦQ permanece sin cambios. La variable observada (Ea,obs) y la 1
ΦEa_SB = 1 − ∑ (18)
variable modelada (Ea,mod) de la evaporación real se representan cada KG( un,mod( , ), un,obs( , ) )
=1
por una matriz 3D de dimensión [M x N x T], con M el número de filas, N
, Ω
el número de columnas, y T el número de pasos de tiempo (Fig. 5). Para esto
estudio, M representa 40 filas de latitud, N representa 36 columnas de longitud
y T representa 72 meses (es decir, período de calibración). El dominio de modelado tiene 4­ Insensible al sesgo espacial (SP): la función subobjetivo (ΦEa_SP ) a ser
minimizado se calcula de manera similar a la calibración SB excepto
1440 celdas de cuadrícula, de las cuales 619 están activas (es decir, celdas de cuadrícula
que una métrica insensible al sesgo (es decir, ESP) se utiliza como puntuación de habilidad en su lugar
que representan el área de la cuenca). Las celdas de cuadrícula inactivas se enmascaran durante
de electrocardiograma La función objetivo (ΦSP) se formula de la siguiente manera:
el cálculo de las métricas de rendimiento.
A continuación, por a es una matriz 2D de la evaporación real representada 2
ΦSP = √ ΦQ + ΦEa_SP2, con (19)
todas las celdas (i, j) en el dominio espacial Ω, y a es la serie de tiempo real
la evaporación para una celda dada en la fila i y la columna j. Los cuatro multivariados
Las estrategias de calibración se definen de la siguiente manera:
1
ΦEa_SP = 1 − ∑ (20)
1­ Promedio temporal de cuenca (BA): el emparejamiento de la Ea observada y SP( a,mod( , ), a,obs( , ) )
=1
modelada se realiza sobre series temporales promediadas por cuenca. el sub­objetivo
, Ω
La función (ΦEa_BA) a minimizar se obtiene calculando el EKG
para la serie de tiempo observada y modelada del promedio actual de la cuenca
Todas las funciones objetivo (ΦBA, ΦPW, ΦSB y ΦSP) varían entre
evaporación ( a,obs y a,mod) y restándolo de 1. La función objetivo (ΦBA)
se formula de la siguiente manera: su valor óptimo que es 0 e infinito positivo. Excepto el caso SP que
es un enfoque insensible al sesgo, otras estrategias de calibración consideran el
2
ΦBA = √ ΦQ + ΦEa_BA2, con (11) valores absolutos (es decir, datos brutos) de evaporación.
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al.
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
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
Además de los datos de caudales diarios, conjuntos de datos mensuales independientes
de humedad del suelo (Su) y almacenamiento de agua terrestre (St) basados en satélites
(Tabla 2) se utilizan para la evaluación del modelo. La dinámica temporal del caudal se
evalúa con EKG. Tanto la dinámica temporal como los patrones espaciales del Su modelado
se evalúan utilizando el coeficiente de correlación de Pearson (r) y la métrica de eficiencia
del patrón espacial (ESP), mientras que solo la dinámica temporal del St modelado se evalúa
utilizando r, debido a la falta de precisión espacial. resolución de los datos GRACE. Los
puntajes de habilidad para la dinámica temporal se calculan para cada píxel (o punto de
medición) en la cuenca, mientras que los puntajes de habilidad espacial se calculan por paso
de tiempo.
3. Resultados
En general, la tendencia del rendimiento del modelo (puntuaciones altas frente a bajas)
entre los escenarios (es decir, conjuntos de datos de evaporación frente a estrategias de
calibración) se conserva entre los períodos de calibración y evaluación para todas las
variables. Por lo tanto, los siguientes resultados se presentan para todo el período de
simulación que comprende los períodos de calibración y evaluación, cuyos resultados se
proporcionan adicionalmente en los materiales complementarios.
3.1. Desempeño del modelo para múltiples procesos hidrológicos en el VRB
El desempeño del modelo para varios procesos hidrológicos en el
VRB revela el potencial de SRS y conjuntos de datos de evaporación de reanálisis para
mejorar las respuestas del modelo si se aplica la estrategia de calibración adecuada
Avances en Recursos Hídricos 143 (2020) 103667
segundo ­ésimo elemento de la tercera dimensión y todos los elementos
se utiliza (Fig. 6). Los resultados detallados se proporcionan en el material complementario
(Figuras S1­S2).
Para Q, el modelo de referencia (es decir, solo Q) produce un ECG medio de 0,69. En
los escenarios de calibración multivariable (es decir, Q+Ea), el EKG de Q varía entre 0,42
para SEBS con caso PW y 0,73 para CMRSET con caso SP. La mejor estrategia de
calibración multivariable es el caso SB con un EKG promedio de 0,68 y el 75 % de los
conjuntos de datos de evaporación que producen un rendimiento del modelo más alto que el
punto de referencia, seguido por el caso SP (EKG = 0,67), el caso PW (EKG = 0,63) y el
caso AB (ECG = 0,60). Los 3 mejores conjuntos de datos de evaporación para el EKG
promedio de Q sobre las estrategias de calibración son GLEAM v3.2b (EKG = 0.71), GLEAM
v3.3b (EKG = 0.71) y GLEAM v3.3a (EKG = 0.70), mientras que los peores son ALEXI (EKG
= 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,
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
muestran que el alto rendimiento de Q logrado con la calibración solo Q se obtiene a
expensas de un rendimiento deficiente para otros procesos hidrológicos, mientras que las
calibraciones multivariadas con Q+Ea dan como resultado conjuntos de parámetros que
proporcionan un rendimiento equivalente. rendimiento del modelo para Q pero rendimiento
del modelo superior para St y Su. Estos resultados respaldan los hallazgos de Dembélé et
al. (2020a), lo que confirma los inconvenientes de la calibración solo Q (Bouaziz et al., 2020;
Stisen et al., 2018).
Los conjuntos de datos de evaporación muestran un alto potencial para mejorar la
dinámica temporal de la St modelada , ya que el 79 % de los escenarios de calibración
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
SP (r = 0.79), pero curiosamente, supera al caso Q. El más alto
los rendimientos para la mediana r de St se obtienen con MERRA­2 (r = 0,87),
SSEBop (r = 0,87) y ALEXI (r = 0,84) mientras que los rendimientos más bajos son
dado por SEBS (r = 0,77), MOD16A2 (r = 0,76) y ERA5 (r = 0,74).
La dinámica temporal del Su modelado muestra un rendimiento del modelo superior al del
St, con una r media de 0,91 y un 98% de los escenarios de calibración multivariante que
superan al caso Q (r = 0,86).
El caso BA funciona de manera similar al caso PW y al caso SP con un promedio de r de 0,91
en conjuntos de datos de evaporación, y superado por el caso SB
conjuntos de datos de evaporación cuadriculados. Se observa que, en la mayoría de los
escenarios, calibrar el modelo solo sobre los patrones espaciales (caso SP) del
conjuntos de datos de evaporación, ignorando así sus valores absolutos, mejora
la habilidad predictiva del modelo con un rendimiento superior al de
caso Q y caso BA (Fig. 6). Con estos hallazgos, el caso SP (es decir, solo patrones espaciales
de conjuntos de datos de evaporación) puede preferirse al caso SB (es decir,
valores absolutos de conjuntos de datos de evaporación) para la calibración de modelos
hidrológicos porque la propagación de los errores de la evaporación
Las estimaciones en el proceso de modelado pueden ser específicas de cada caso y depende
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
v3.3a, MERRA­2 y GLEAM v3.2a, mientras que las puntuaciones más bajas se obtienen con
MOD16A2 (r = 0,91), SEBS (r = 0,89) y ERA5 (r = 0,89).
La representación de los patrones espaciales de Su mejora para todos los
escenarios multivariados en comparación con el caso Q. Sin embargo, el caso SB
(ESP = 0.0) tiene el rendimiento promedio más alto en toda la evaporación
conjuntos de datos, mientras que el caso BA (ESP = ­0.04) tiene el rendimiento más bajo. El
mejores conjuntos de datos de evaporación para la simulación de los patrones espaciales de
Su considerando que todas las estrategias de calibración son SSEBop (ESP = 0.02),
MERRA­2 (ESP = 0,01) y GLEAM v3.3a (ESP = 0,01), mientras que el peor
son MOD16A2 (ESP = ­0,04), SEBS (ESP = ­0,07) y ERA5 (ESP = ­0,09).
En general, se observa que los desempeños del modelo para St y Su
mejorar para la mayoría de los escenarios de calibración multivariable. Entre el
estrategias de calibración multivariante, el caso SB da los mejores resultados considerando el
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
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
(+24%) y caso BA (+20%). En consecuencia, todas las estrategias de calibración del modelo
basadas en cuadrículas superan la calibración promedio de la cuenca (caso BA),
que da el rendimiento promedio más bajo del modelo. Estos resultados resaltan el valor de
calibrar los modelos hidrológicos en toda la extensión de
del modelo para un experimento dado (Addor y Melsen, 2019).
Además, para un conjunto de datos de evaporación dado, la variación espacial en los sesgos
en las estimaciones puede conducir a un rendimiento contrastante entre regiones.
(Jung et al., 2019; Nicholson, 2000).
Los patrones espaciales de ALEXI, seguidos de los de MOD16A2 y
CMRSET, fueron los menos informativos para la calibración del modelo en caso
SP (Fig. 6). Teniendo en cuenta todos los procesos hidrológicos y las estrategias de calibración
del modelo, 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 (Figs. 6 y 7a). Sin embargo, vale la pena señalar que superan
la calibración solo Q cuando se usan en caso de
SP, lo que significa que solo sus patrones espaciales mejoran el rendimiento del modelo. En
general, las versiones 3.3 de GLEAM muestran un rendimiento ligeramente superior
rendimiento del modelo que las versiones 3.2.
3.2. Impacto de las estrategias de calibración en los patrones espaciales
Diferentes estrategias de calibración del modelo dan como resultado diferentes patrones
espaciales de Ea y Su modelados, como se muestra para escenarios seleccionados en la Fig. 8.
Se proporcionan mapas adicionales de Ea, Su y St para otros escenarios en
el material complementario (Figuras S58­59, Figuras S65­66 y Figuras
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
Ea y Su modelados está bien representado para todas las calibraciones.
estrategias. Sin embargo, considerables desajustes en la variabilidad de la
se observan patrones entre las estrategias de calibración. Tales discrepancias en los
patrones espaciales tienen implicaciones para la evaluación de los recursos hídricos
incluida la contabilidad del agua, el monitoreo y la predicción de inundaciones y
sequías (AghaKouchak et al., 2015; Klemas, 2014; Teng et al., 2017; West
et al., 2019). Es importante saber cuándo ocurren los eventos de inundación o sequía,
pero conocer la extensión espacial del evento es crucial para implementar estrategias
eficientes de adaptación y mitigación (Brunner et al., 2020; Diaz
et al., 2019; Él et al., 2020). En consecuencia, mejorar la representación de los
patrones espaciales de los procesos hidrológicos debería ser una clave.
consideración en el modelado con modelos espacialmente distribuidos. La
comparación de los mapas de Ea modelada (Fig. 8a) con la referencia ALEXI
conjunto de datos (Fig. 3) revela que los patrones espaciales de Ea en el caso BA
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.

3.3. Análisis por zona climática

4. Discusiones

El análisis del comportamiento del modelo según zonas climáticas

se realiza para todos los procesos hidrológicos excepto Q debido a las pocas estaciones de aforo,
que están distribuidas de manera desigual a lo largo de la VRB (cf. Fig. 1).
Los resultados revelan rendimientos de modelos contrastantes en todas las zonas climáticas.
(Figura 9). Los resultados adicionales se proporcionan en el material complementario.
(Figuras S3–S11).
En promedio, el rendimiento del modelo para predecir la dinámica temporal de St y los
patrones espaciales de Su es mayor en las regiones climáticas intermedias (es decir, las zonas
sudanosaheliana y sudanesa) que en las regiones climáticas intermedias.
las regiones más secas y más húmedas (es decir, las zonas sur y guineana) del
VRB. En términos de la dinámica temporal de Su, el rendimiento del modelo
disminuye ligeramente de las regiones más secas a las más húmedas.
En general, los escenarios de calibración multivariados con evaporación
Los conjuntos de datos conducen a un mayor rendimiento del modelo para todos los procesos
hidrológicos en todas las zonas climáticas, en comparación con la calibración solo Q (Fig. 9,
Figura S13). Aunque los productos GLEAM funcionan bien a nivel mundial,
son los menos efectivos para predecir la dinámica temporal de St en el
zona saheliana. Los tres mejores conjuntos de datos de evaporación para mejorar la
el desempeño promedio del modelo en las zonas climáticas es SSEBop, MERRA 2 y ALEXI para
la dinámica temporal de St, MERRA­2, GLEAM v3.3a
y GLEAM v3.2a para la dinámica temporal de Su, y GLEAM v3.3b,
GLEAM v3.3a y GLEAM v3.2a para los patrones espaciales de Su. Similar a
resultados obtenidos en toda la escala VRB (Sección 3.1), MOD16A2, SEBS
y ERA5 todavía muestran la contribución más baja en la mejora del rendimiento del modelo en
diferentes zonas climáticas. Más detalles sobre la clasificación de
los conjuntos de datos de evaporación se proporcionan en el material complementario
(Tablas S1­S5; Figuras S14, S21 y S40).
Contrariamente al análisis a escala de cuenca, el caso SP es la estrategia de calibración
menos eficiente por zonas climáticas. Este resultado puede justificarse por la
hecho de que la calibración del modelo en los patrones espaciales de evaporación
conjuntos de datos se realiza a la escala de la VRB. En consecuencia, la variabilidad espacial de
los procesos hidrológicos a gran escala no es representativa de
Los resultados presentados son principalmente válidos para el VRB porque se sabe que los
errores en las estimaciones de evaporación varían según la región.
(Hartanto et al., 2017; Sörensson y Ruscica, 2018). sin embargo, el
El enfoque innovador de evaluación del modelo propuesto en este estudio no es
específico de la ubicación y se puede aplicar a otras regiones utilizando una cuadrícula
modelo hidrológico. El enfoque de evaluación robusta para la evaporación
conjuntos de datos se basa en múltiples procesos hidrológicos y responde a
el reciente llamado de la comunidad científica para diagnósticos orientados a procesos de modelos
de sistemas terrestres (Maloney et al., 2019; Melsen et al., 2016).
La misma metodología se puede implementar para la evaluación de otros conjuntos de datos de
observación espacial, como las estimaciones de humedad del suelo cuadriculadas utilizando
métricas robustas (Dong et al., 2019), y posteriormente utilizarse para estimar
su valor para la modelización hidrológica. Además, este estudio destaca
el potencial de los conjuntos de datos de evaporación satelital y de reanálisis para mejorar
la representación de varios procesos hidrológicos, que podrían guiar
modeladores en la elección del producto adecuado para sus aplicaciones, y
apoyar a los desarrolladores de datos en su búsqueda de mejorar las estimaciones globales
de evaporación (McCabe et al., 2019). Cabe señalar que el total
clasificación en la Fig. 9 no determina sistemáticamente si un conjunto de datos
es bueno o malo, sino que muestra qué producto de evaporación proporciona el
rendimiento del modelo más alto o más bajo para un flujo hidrológico dado o
variable de estado. Sólo los puntajes de habilidad permiten un juicio sobre la capacidad de
un conjunto de datos dado para producir un buen rendimiento del modelo.
Puede haber incertidumbres relacionadas con el cambio de escala de los conjuntos de datos
de evaporación de sus resoluciones espaciales nativas a la resolución del modelo hidrológico. Sin
embargo, para una comparación justa, todos los
los conjuntos de datos deben utilizarse con la misma resolución espaciotemporal. La altura
Lo más probable es que el rendimiento de los conjuntos de datos del GLEAM se deba a la
integración de la información sobre la humedad del suelo en el cálculo de la evaporación real. Por
lo tanto, se espera que GLEAM tenga un buen desempeño hidrológico.
modelado. Sorprendentemente, MERRA­2 se encuentra entre los mejores sistemas de evaporación
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al.
conjuntos de datos a pesar de su baja resolución espacial. El alto rendimiento de MERRA­2
puede explicarse por su alta resolución temporal, que podría compensar su menor resolución
espacial. En general,
no hay una tendencia clara de los conjuntos de datos de SRS a superar los conjuntos de datos
de realálisis, y viceversa. Así, además de su uso como datos de forzamiento,
Los conjuntos de datos de reanálisis representan una valiosa fuente de información para el
calibración de modelos hidrológicos. Datos satelitales de humedad del suelo y
almacenamiento de agua terrestre utilizado para la evaluación del modelo en este estudio no son
libre de errores. Sin embargo, a gran escala y en regiones mal calibradas,
son la única fuente de datos que se puede utilizar para la evaluación del modelo espacial
(Peters­Lidard et al., 2019).
En general, este estudio se esfuerza por brindar soluciones a algunos de los desafíos
actuales en hidrología (es decir, métodos de modelado, incertidumbre y
variabilidad espacial; Bloschl et al., 2019). La metodología propuesta representa una forma
innovadora de utilizar conjuntos de datos satelitales y de reanálisis para
mejorar la representación de procesos en modelos hidrológicos (Clark et al.,
2015; Peters­Lidard et al., 2017), desarrollar la contabilidad hidrológica del agua (Hunink et al.,
2019) y avanzar en la predicción en cuencas no aforadas
(Hrachowitz et al., 2013; Zhang et al., 2019).
Los estudios futuros deberían probar las ventajas de un marco de calibración multiescala
que tenga en cuenta tanto el dominio como el subdominio.
heterogeneidad espacial, lo que podría conducir a una mejor predicción de la
patrones a través de las zonas climáticas a gran escala. Estrategias de calibración con
múltiples variables no conmensurables, así como patrones espaciales es un
el camino a seguir para avanzar en la representación de procesos en modelos hidrológicos
(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
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
podrían influir en el modelado
procesos hidrológicos. Por ejemplo, el cálculo de la evaporación real (Sección 2.1) podría estar
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
durante la calibración. El trabajo adicional debe investigar el impacto
de diferentes estructuras modelo sobre la metodología propuesta en este estudio,
y evaluar la sensibilidad del parámetro de mHM dependiendo de la calibración
estrategias y variables, que está más allá del alcance del presente estudio.
Además de mejorar la calibración del modelo, los conjuntos de datos satelitales y de reanálisis
puede desempeñar un papel importante en la identificación de deficiencias en las estructuras
del modelo y contribuir a la mejora del modelo (Hulsman et al., 2020). Como
la precisión de los conjuntos de datos satelitales y de reanálisis depende de la calidad de los
conjuntos de datos meteorológicos de entrada utilizados para su producción, es
También es importante evaluar el impacto de los conjuntos de datos de precipitación en el
modelado de la evaporación (Dembélé et al., 2020b; Mao y Wang, 2017; Or y
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
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
facilitar la predicción en cuencas no aforadas utilizando observaciones terrestres.
5. Conclusión
Se utilizan cuatro estrategias de calibración del modelo para evaluar doce satélites.
y conjuntos de datos de reanálisis en la gran cuenca transfronteriza del río Volta ubicada en
África Occidental. El experimento se realiza con el modelo mHM sobre
el período 2003­2012. Los hallazgos clave se pueden resumir de la siguiente manera:
­ Los conjuntos de datos satelitales y de reanálisis pueden mejorar la habilidad predictiva
del modelo hidrológico si la estrategia de calibración apropiada es
usado.
­ En general, MERRA­2, GLEAM v3.3a y SSEBop proporcionan individualmente
la mayor contribución en la mejora del rendimiento del modelo.
Avances en Recursos Hídricos 143 (2020) 103667
­ Calibración del modelo en el alcance total de la evaporación cuadriculada
Los conjuntos de datos dan como resultado un rendimiento del modelo más alto que la calibración en
estimaciones promedio de la cuenca.
­ Usar solo los patrones espaciales de los datos de evaporación cuadriculados para el modelo
la calibración, y no sus valores absolutos, produce un rendimiento del modelo más alto que
los enfoques clásicos basados en la señal de evaporación promedio de la cuenca o
basados solo en el caudal.
­ Se obtienen patrones espaciales contrastantes de humedad del suelo dependiendo
en los escenarios de modelado, con diferencias en el desempeño del modelo según las
zonas climáticas.
Estos hallazgos contribuyen a resolver los desafíos actuales relacionados con
modelado hidrológico a gran escala y proporcionar vías para mejorar
representación de procesos con el uso de satélites cada vez más disponibles
y conjuntos de datos de reanálisis. Mejorar la representación de los patrones espaciales de los
procesos hidrológicos debería ser una consideración clave en el modelado con modelos
distribuidos espacialmente, lo que permitiría predecir mejor las inundaciones y las sequías.
Además, los resultados proporcionan información sobre la
desarrolladores de los conjuntos de datos de evaporación y podría servir de guía para
futuros desarrollos. Sin embargo, se debe aplicar una réplica de la metodología propuesta para
evaluar los conjuntos de datos de evaporación en otras regiones.
con diferentes condiciones hidroclimáticas, y con diferentes modelos hidrológicos y de superficie
terrestre. El trabajo futuro también debería investigar la
posibilidad de predicción en cuencas no aforadas únicamente a partir de conjuntos de datos de
observación de la tierra, que cada vez están más y más disponibles.
Declaración de interés en competencia
Los autores declaran que no tienen competencia financiera conocida.
intereses o relaciones personales que podrían haber parecido influir
el trabajo reportado en este trabajo.
Declaración de contribución de autoría CRediT
Moctar Dembélé: Conceptualización, Curación de datos, Análisis formal, Adquisición de
fondos, Metodología, Recursos, Software, Validación, Visualización, Escritura ­ borrador original,
Escritura ­ revisión y edición.
Natalie Ceperley: conceptualización, adquisición de fondos, redacción: revisión y edición.
Sander J. Zwart: conceptualización, adquisición de fondos, redacción: revisión y edición. Elga
Salvadore: Conceptualización,
Recursos, Redacción: revisión y edición. Gregoire Mariethoz: Conceptualización, Adquisición
de fondos, Administración de proyectos, Recursos, Supervisión, Redacción ­ revisión y edición.
Bettina Schaefli: Conceptualización, Adquisición de fondos, Administración de proyectos,
Recursos, Supervisión, Redacción ­ revisión y edición.
Agradecimientos y Datos
Agradecemos a los proveedores de los conjuntos de datos utilizados en este estudio (ver
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
Beca Doc. Mobility (SNF, P1LAP2_178071) de Swiss National
Fundación de Ciencias. Bettina Schaefli y Natalie Ceperley recibieron el apoyo de una beca de
investigación de la Swiss National Science Foundation
(SNF, PP00P2_157611). Agradecemos a los tres revisores anónimos por
su retroalimentación constructiva. Toda la base de datos de modelado puede ser libremente
consultado en http://doi.org/10.5281/zenodo.3800416
Materiales complementarios
El material complementario asociado con este artículo se puede encontrar en
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.

tomas/fao%2056.pdf. (Eds.), Precipitation Partitioning by Vegetation. Springer, Suiza, págs. 35–48.

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

Remotos Entorno. 60 (2), 195–216. https://doi.org/10.1016/ S0034­4257(96)00215­5. Hidrol.. https://doi.org/10.1016/j.jhydrol.2019.04.078.

Cunge, JA, 1969. Sobre el tema de un método de cálculo de propagación de inundaciones (método Musklngum).

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.

D­15­0202.1. J. Hydrol. 569, 573–586. https://doi.org/10.1016/j.jhydrol.2018.11.076.

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/

21 (12), 6201–6217. https://doi.org/10.5194/ hess­21­6201­2017. 10.1016/j.scitotenv.2019.134588.

Donat, MG, Lowry, AL, Alexander, LV, O'Gorman, PA, Maher, N., 2016. Más precipitaciones extremas en las

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/

distribuida espacialmente de un sistema hidrológico altamente gestionado utilizando ET derivada de nclimate2941.

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://

GLOBCOVER2009_Validation_Report_2.2.pdf. www.fao.org/docrep/004/ x0059e/x0059e00.htm.

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.
estaciones—un nuevo récord ambiental para el monitoreo de extremos. Datos científicos 2,
150066. https://doi.org/10.15780/G2RP4Q.
Gao, F., Feng, G., Ouyang, Y., Wang, H., Fisher, D., Adeli, A., Jenkins, J., 2017. Evaluación de métodos
de evapotranspiración de referencia en regiones áridas, semiáridas y húmedas . JAWRA J. Am.
Recurso de agua. Asoc. 53 (4), 791–808. https://doi.org/10.1111/1752­1688.12530.
Gelaro , R. , McCarty , W. , Suarez , MJ , Todling , R. , Molod , A. , Takacs , L. , Randles , CA ,
Darmenov , A. , Bosilovich , MG , Reichle , R. , 2017 Modern­ Era Análisis Retrospectivo de
Investigación y Aplicaciones, Versión 2 (MERRA­2). J. Clima 30 (14), 5419– 5454 .
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.
https://doi.org/10.1109/Tgrs.2017.2734070.
Guerschman, JP, Van Dijk, AI, Mattersdorf, G., Beringer, J., Hutley, LB, Leun ing, R., Pipunic, RC,
Sherman, BS, 2009. El escalamiento de la evapotranspiración potencial con datos MODIS
reproduce observaciones de flujo y observaciones del balance de agua de captación en toda
Australia. J. Hydrol. 369 (1­2), 107–119. https://doi.org/10.1016/j.jhydrol.2009.02.013.
Harada, Y., Kamahori, H., Kobayashi, C., Endo, H., Kobayashi, S., Ota, Y., Onoda, H., Onogi, K.,
Miyaoka, K., Takahashi, K., 2016. El reanálisis JRA­55: Representación de la circulación
atmosférica y la variabilidad climática. J. Meteorol. Soc. Jpn. Ser. II 94(3), 269–302. https://doi.org/
10.2151/jmsj.2016­015.
Hargreaves, GH, Samani, ZA, 1985. Evapotranspiración de cultivos de referencia a partir de la
temperatura. aplicación Ing. Agrícola. 1 (2), 96–99. https://doi.org/10.13031/2013.26773.
Hartanto, IM, Van Der Kwast, J., Alexandridis, TK, Almeida, W., Song, Y., van Andel, S., Solomatine,
D., 2017. Asimilación de datos de evapotranspiración real basada en satélites en un sistema
hidrológico distribuido modelo de un sistema de agua controlado. En t. Aplicación J. Observador
de la Tierra Geoinformar. 57, 123–135. https://doi.org/10.1016/j.jag.2016.12.015.
Hartmann, J., Moosdorf, N., 2012. La nueva base de datos global de mapas litológicos GLiM: una
representación de las propiedades de las rocas en la superficie de la Tierra. geoquímica geofia.
Geosy. 13 (12). https://doi.org/10.1029/2012gc004370.
He, M., Kimball, JS, Yi, Y., Running, SW, Guan, K., Moreno, A., Wu, X., Maneta, M., 2019. Modelado
basado en datos satelitales de la evapotranspiración a escala de campo en tierras de cultivo
utilizando el marco del algoritmo MOD16. Sensores Remotos Entorno. 230, 111201. https://doi.org/
10.1016/j.rse.2019.05.020.
He, X., Pan, M., Wei, Z., Wood, EF, Sheffield, J., 2020. Catálogo mundial de sequías e inundaciones
desde 1950 hasta 2016. Bol. Soy. Meteorito. Soc. 2020. https://doi.org/10.1175/BAMS­D­18­0269.1.
Hengl, T., et al., 2017. SoilGrids250m: Información de suelo cuadriculada global basada en aprendizaje
automático. PLoS One 12 (2), e0169748. https://doi.org/10.1371/journal.pone.0169748.
Herman, MR, Nejadhashemi, AP, Abouali, M., Hernandez­Suarez, JS, Daneshvar, F., Zhang, Z.,
Anderson, MC, Sadeghi, AM, Hain, CR, Sharifi, A., 2018. Evaluación el papel de los datos de
teledetección de evapotranspiración en la mejora de la previsibilidad del modelado hidrológico. J.
Hydrol. 556, 39–49. https://doi.org/10.1016/j.jhydrol.2017.11.009.
Hersbach, H., et al., 2018. Reanálisis global operativo: progreso, direcciones futuras y sinergias con
NWP, ERA Report Series 27, ECMWF, Reading. Centro Europeo de Pronósticos Meteorológicos
a Medio Plazo, Reino Unido https://www.ecmwf.int/node/18765.
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.
JR Meteoro. Soc.. https://doi.org/10.1002/qj.3803.
Hrachowitz, M., Savenije, H., Blöschl, G., McDonnell, J., Sivapalan, M., Pomeroy, J., Arheimer, B.,
Blume, T., Clark, M., Ehret, U., 2013. Una década de predicciones en cuencas no aforadas (PUB):
una revisión. Hidrol. ciencia J. 58 (6), 1198–1255. https://doi.org/ 10.1080/02626667.2013.803183.
Hrachowitz, M., Clark, MP, 2017. Opiniones de HESS: Los méritos complementarios de las filosofías
de modelado competidoras en hidrología. Hidrol. Sistema Tierra Carolina del Sur. 21 (8), 3953–
3973. https://doi.org/10.5194/hess­21­3953­2017.
Hulsman, P., Savenije, HHG, Hrachowitz, M., 2020. Aprendiendo de las observaciones satelitales:
mayor comprensión de los procesos de captación a través de la mejora gradual del modelo.
Hidrol. Sistema Tierra ciencia Conversar. 2020, 1–26. https://doi.org/10.5194/ hess­2020­191.
Hunink, J., Simons, G., Suárez­Almiñana, S., Solera, A., Andreu, J., Giuliani, M., Zam berletti, P.,
Grillakis, M., Koutroulis, A., Tsanis, I., 2019. Un procedimiento simplificado de contabilidad del
agua para evaluar el impacto del cambio climático en los recursos hídricos para la agricultura en
diferentes cuencas fluviales europeas. Agua 11 (10), 1976. https://doi.org/ 10.3390/w11101976.
Huntington, TG, 2006. Evidencia de la intensificación del ciclo global del agua: revisión y síntesis. J.
Hydrol. 319 (1­4), 83–95. https://doi.org/10.1016/j.jhydrol.2005.07.003.
Immerzeel, WW, Droogers, P., 2008. Calibración de un modelo hidrológico distribuido basado en la
evapotranspiración satelital. J. Hydrol. 349 (3­4), 411–424. https://doi.org/10.1016/
j.jhydrol.2007.11.017.
Jiang, D., Wang, K., 2019. El papel de la teledetección satelital en la mejora del caudal simulado: una
revisión. Agua 11 (8), 1615. https://doi.org/ 10.3390/w11081615.
2020. Evapotranspiración basada en satélites en la calibración de modelos hidrológicos. Teledetección
12(3), 428. https://doi.org/10.3390/rs12030428.
Jiao, Y., Lei, HM, Yang, DW, Huang, MY, Liu, DF, Yuan, X., 2017. Impacto de la dinámica de la
vegetación en los procesos hidrológicos en una cuenca semiárida mediante el uso de un sistema
acoplado de hidrología superficial terrestre modelo. J. Hydrol. 551, 116–131. https://doi.org/
10.1016/j.jhydrol.2017.05.060.
Jimenez , C , Prigent , C , Mueller , B , Seneviratne , SI , McCabe , M , Wood , EF , Rossow , W ,
Balsamo , G , Betts , A , Dirmeyer , P. Intercomparación global
Avances en Recursos Hídricos 143 (2020) 103667
hijo de 12 estimaciones del flujo de calor de la superficie terrestre. J. Geophys. Res. atmósfera
116 (D2). https://doi.org/10.1029/2010JD014545.
Jiménez, C., Martens, B., Miralles, DM, Fisher, JB, Beck, HE, Fernández­Prieto, D., 2018. Explorando
la fusión de los productos WACMOS­ET de evaporación terrestre global basados en mediciones
de torres locales. Hidrol. Sistema Tierra Carolina del Sur. 22 (8). https://doi.org/10.5194/
hess­22­4513­2018.
Joiner, J., Yoshida, Y., Anderson, M., Holmes, T., Hain, C., Reichle, R., Koster, R., Middleton, E., Zeng,
F.­W., 2018. Relaciones globales entre índices de vegetación de reflectancia tradicionales (NDVI
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.
Jung, HC, Getirana, A., Arsenault, KR, Holmes, TR, McNally, A., 2019. Vínculos inciertos en las
estimaciones de evapotranspiración en África occidental. Teledetección 11 (8), 892. https://doi.org/
10.3390/rs11080892.
Khan, MS, Liaqat, UW, Baik, J., Choi, M., 2018. Caracterización de la incertidumbre independiente de
los productos de evapotranspiración GLEAM, GLDAS y MOD16 utilizando un enfoque de
colocación triple extendida. Agrícola. Para. Meteorito. 252, 256–268. https://doi.org/10.1016/
j.agrformet.2018.01.022.
Khu, ST, Madsen, H., 2005. Calibración multiobjetivo con orden de preferencia de Pareto: una
aplicación a la calibración del modelo de lluviaescorrentía. Recurso de agua. Res. 41 (3). https://
doi.org/10.1029/2004WR003041.
Klemas, V., 2014. Detección remota de inundaciones y áreas propensas a inundaciones: una descripción general. Costa J.
Res. 31 (4), 1005–1013. https://doi.org/10.2112/JCOASTRES­D­14­00160.1.
Kling, H., Fuchs, M., Paulin, M., 2012. Condiciones de escorrentía en la cuenca superior del Danubio
bajo un conjunto de escenarios de cambio climático. J. Hydrol. 424, 264–277. https://doi.org/
10.1016/j.jhydrol.2012.01.011.
Knoben, WJ, Freer, JE, Woods, RA, 2019. ¿Punto de referencia inherente o no? Comparación de las
puntuaciones de eficiencia de Nash­Sutcliffe y Kling­Gupta. Hidrol. Sistema Tierra Carolina del
Sur. 23 (10), 4323–4331. https://doi.org/10.5194/hess­23­4323­2019.
Kobayashi, S., Ota, Y., Harada, Y., Ebita, A., Moriya, M., Onoda, H., Onogi, K., Kamahori, H.,
Kobayashi, C., Endo, H., , 2015. El reanálisis del JRA­55: Especificaciones generales y
características básicas. J. Meteorol. Soc. Jpn. Ser. II 93(1), 5–48. https://doi.org/10.2151/
jmsj.2015­001.
Koch, J., Demirel, MC, Stisen, S., 2018. La métrica de EFICIENCIA ESPACIAL (SPAEF): evaluación
de múltiples componentes de patrones espaciales para la optimización de modelos hidrológicos.
Geosci. Modelo. desarrollo 11 (5), 1873–1886. https://doi.org/10.5194/gmd 11­1873­2018.
Koppa, A., Gebremichael, M., 2020. Mejora de la aplicabilidad de los modelos hidrológicos para
estudios de nexo entre alimentos, energía y agua utilizando datos de teledetección. Teledetección
12 (4), 599. https://doi.org/10.3390/rs12040599.
Kumar, R., 2010. Parametrización del modelo hidrológico distribuido: aplicación en una cuenca fluvial
de mesoescala, editado por el Centro Helmholtz de Investigación Ambiental ­ UFZ https://
www.ufz.de/index.php?en=20939&ufzPublicationIdentifier=11006.
Kumar, R., Samaniego, L., Attinger, S., 2013. Implicaciones de la parametrización del modelo
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.
Kunnath­Poovakka, A., Ryu, D., Renzullo, L., George, B., 2016. La eficacia de calibrar el modelo
hidrológico utilizando la evapotranspiración y la humedad del suelo detectadas remotamente para
la predicción del caudal. J. Hydrol. 535, 509–524. https://doi.org/10.1016/j.jhydrol.2016.02.018.
Landerer, FW, Swenson, SC, 2012. Precisión de las estimaciones escaladas de almacenamiento de
agua terrestre GRACE. Recurso de agua. Res. 48 (4). https://doi.org/10.1029/2011wr011453.
Liou, Y.­A., Kar, SK, 2014. Estimación de la evapotranspiración con sensores remotos y varios
algoritmos de balance de energía superficial: una revisión. Energías 7 (5), 2821–2849. https://
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
de estimaciones de evapotranspiración a escala de cuenca contra el método de balance hídrico.
J. Hydrol. 538, 82–95. https://doi.org/10.1016/j.jhydrol.2016.04.006.
Liu, YY, Dorigo, WA, Parinussa, RM, de Jeu, RAM, Wagner, W., McCabe, MF, Evans, JP, van Dijk,
AIJM, 2012. Combinación que conserva la tendencia de recuperaciones de humedad del suelo
por microondas pasivas y activas. Sensores Remotos Entorno. 123, 280–297. https://doi.org/
10.1016/j.rse.2012.03.014.
Long, D., Longuevergne, L., Scanlon, BR, 2014. Incertidumbre en la evapotranspiración a partir del
modelado de la superficie terrestre, la teledetección y los satélites GRACE. Recurso de agua.
Res. 50 (2), 1131–1151. https://doi.org/10.1002/2013WR014581.
López, O., Houborg, R., McCabe, MF, 2017. Evaluación de la consistencia hidrológica de los productos
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.
Maggioni, V., Massari, C., 2018. Sobre el desempeño de los productos de precipitación satelital en el
modelado de inundaciones fluviales: una revisión. J. Hydrol. 558, 214–224. https://doi.org/10.1016/
j.jhydrol.2018.01.039.
Maloney, ED, Gettelman, A., Ming, Y., Neelin, JD, Barrie, D., Mariotti, A., Chen, C.­C., Coleman, DR,
Kuo, Y.­H., Singh, B., 2019. Evaluación orientada a procesos de modelos de predicción climática
y meteorológica. Toro. Soy. Meteorito. Soc. 100 (9), 1665–1686. https://doi.org/10.1175/BAMS­
D­18­0042.1.
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
reanálisis para China continental. J. Geophys. Res. atmósfera 122 (6), 3228–3244. https://doi.org/
10.1002/2016JD026065.
Martens, B., Miralles, DG, Lievens, H., van der Schalie, R., de Jeu, RAM, Fernandez Prieto, D., Beck,
HE, Dorigo, WA, Verhoest, NEC, 2017. GLEAM v3: satélite ­basado en la evaporación del suelo y
la humedad del suelo en la zona de las raíces. geosci. Modelo. La V. 10(5), 1903–1925. https://
doi.org/10.5194/gmd­10­1903­2017.
Martens, B., Waegeman, W., Dorigo, WA, Verhoest, NE, Miralles, DG, 2018. Respuesta de la
evaporación terrestre a los modos de variabilidad climática. NPJ Clima Atmósfera. ciencia 1 (1),
1–7. https://doi.org/10.1038/s41612­018­0053­5.
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al.
McCabe, M., Wood, EF, Wójcik, R., Pan, M., Sheffield, J., Gao, H., Su, H., 2008. Consistencia hidrológica
usando datos de sensores remotos multisensor para agua y energía estudios de ciclo Sensores Remotos
Entorno. 112 (2), 430–444. https://doi.org/10.1016/j.rse.2007.03.027.
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
global, https:// doi .org/10.5194/gmd­9­283­2016.
McCabe, MF, et al., 2017. El futuro de la observación de la Tierra en hidrología. Hidrol. Sistema Tierra Carolina
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
evaporation, editado Multidisciplinar Digital Publishing Insti
completamente
McMahon, T., Peel, M., Lowe, L., Srikanthan, R., McVicar, T., 2013. Estimación de la evaporación real,
potencial, de cultivo de referencia y de bandeja utilizando datos meteorológicos estándar: una síntesis
pragmática. Hidrol. Sistema Tierra Carolina del Sur. 17 (4), 1331–1363. https://doi.org/10.5194/
hess­17­1331­2013.
Melsen, LA, Teuling, AJ, Torfs, PJ, Uijlenhoet, R., Mizukami, N., Clark, MP, 2016.
Opiniones de HESS: la necesidad de una evaluación basada en procesos de modelos de hiperresolución
de gran dominio. Hidrol. Sistema Tierra Carolina del Sur. 20 (3), 1069–1079. https://doi.org/10.5194/
hess­20­1069­2016.
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
evapotranspiración basados en sensores remotos. Hidrol.
Sistema Tierra Carolina del Sur. 20 (2), 803–822. https://doi.org/10.5194/hess­20­803­2016.
Miralles, DG, Holmes, TRH, De Jeu, RAM, Gash, JH, Meesters, AGCA, Dolman, AJ, 2011. Evaporación global
de la superficie terrestre estimada a partir de observaciones satelitales. Hidrol. Sistema Tierra Carolina
del Sur. 15 (2), 453–469. https://doi.org/10.5194/ hess­15­453­2011.
Miralles , DG , Jimenez , C , Jung , M , Michel , D , Ershadi , A , McCabe , M , Hirschi , M , Martens , B ,
Dolman , AJ , Fisher , JB , 2016 WACMOS­ET project­Part 2: Eval uación de conjuntos de datos de
evaporación terrestre global. Hidrol. Sistema Tierra Carolina del Sur. 20 (2), 823–842 .
Mu, Q., Zhao, M., Running, SW, 2011. Mejoras en un algoritmo de evapotranspiración terrestre global MODIS.
Sensores Remotos Entorno. 115 (8), 1781–1800. https://doi.org/10.1016/j.rse.2011.02.019.
Mueller, B., Seneviratne, SI, Jimenez, C., Corti, T., Hirschi, M., Balsamo, G., Ciais, P., Dirmeyer, P., Fisher, J.,
Guo, Z., 2011 Evaluación de conjuntos de datos de evapotranspiración basados en observaciones
globales y simulaciones IPCC AR4. Geofísico. Res. Letón. 38 (6). https://doi.org/10.1029/2010GL046230.
Mul , M. , Obuobie , E. , Appoh , R. , Kankam­Yeboah , K. , Bekoe­Obeng , E. , Amisigo , B. , Lo gah , FY ,
Ghansah , B. , McCartney , M. , 2015 Evaluación de los recursos hídricos de la cuenca del río VoltaRep.
9290908297. Instituto Internacional de Gestión del Agua (IWMI) 82 pp http://www.iwmi.cgiar.org/
Publications/Working_Papers/working/wor166.pdf . . . .
Nicholson, S., 2000. Procesos de la superficie terrestre y clima del Sahel. Rev. Geophys. 38 (1), 117–
139. https://doi.org/10.1029/1999RG900014.
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/
2017wr021895.
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
de datos en el sudoeste de Nigeria. Hidrol. Sistema Tierra Carolina del Sur. 23 (2), 1113–1144. https://
doi.org/10.5194/ hess­23­1113­2019.
Oki, T., Kanae, S., 2006. Ciclos hidrológicos globales y recursos hídricos mundiales. Ciencia 313 (5790), 1068–
1072. https://doi.org/10.1126/science.1128845.
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://
doi.org/10.1029/2018WR024050.
Pan, S., Pan, N., Tian, H., Friedlingstein, P., Sitch, S., Shi, H., Arora, VK, Haverd, V., Jain, AK, Kato, E., 2019.
Evaluación de la evapotranspiración terrestre global mediante enfoques de última generación en
sensores remotos, aprendizaje automático y modelos de superficie terrestre.
Hidrol. Sistema Tierra ciencia Conversar. 1–51. https://doi.org/10.5194/hess­2019­409.
Peters­Lidard, CD, Clark, M., Samaniego, L., Verhoest, NEC, van Emmerik, T., Ui jlenhoet, R., Achieng, K.,
Franz, TE, Woods, R., 2017. Escalado, Semejanza y el Cuarto Paradigma de la Hidrología. Hidrol. Sistema
Tierra Carolina del Sur. 21 (7), 3701–3713. https://doi.org/10.5194/hess­2016­695.
Peters­Lidard, CD, Hossain, F., Leung, LR, McDowell, N., Rodell, M., Tapiador, FJ, Turk, FJ, Wood, A., 2019.
100 años de progreso en hidrología. Meteorol. Monografías. https://doi.org/10.1175/AMSMONOGRAPHS­
D­18­0019.1.
Pokhrel, P., Gupta, HV, Wagener, T., 2008. Un enfoque de regularización espacial para la estimación de
parámetros para un modelo de cuenca distribuida. Recurso de agua. Res. 44 (12). https://doi.org/
10.1029/2007wr006615.
Pomeon, T., Diekkruger, B., Kumar, R., 2018. Calibración y validación multivariante computacionalmente
eficientes de un modelo hidrológico basado en cuadrículas en cuencas fluviales de África occidental
escasamente calibradas. Agua 10 (10), 1418. https://doi.org/10.3390/w10101418.
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.
Rakovec, O., Kumar, R., Mai, J., Cuntz, M., Thober, S., Zink, M., Attinger, S., Schafer, D., Schron, M.,
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.
Ramoelo, A., Majozi, N., Mathieu, R., Jovanovic, N., Nickless, A., Dzikiti, S., 2014. Validación del producto de
evapotranspiración global (MOD16) usando torre de flujo
Avances en Recursos Hídricos 143 (2020) 103667
datos en la sabana africana, Sudáfrica. Detección remota 6 (8), 7406–7423. https://doi.org/10.3390/
rs6087406.
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.
Rientjes, T., Muthuwatta, LP, Bos, M., Booij, MJ, Bhatti, H., 2013. Calibración multivariable de un modelo
hidrológico semidistribuido usando datos de caudal y evapotranspiración satelital. J. Hydrol. 505, 276–
290. https://doi.org/10.1016/j.jhydrol.2013.10.006.
Sakumura, C., Bettadpur, S., Bruinsma, S., 2014. Predicción de conjunto y análisis de intercomparación de
los modelos de campo de gravedad variable en el tiempo GRACE. Geofísico. Res. Letón. 41 (5), 1389–
1397. https://doi.org/10.1002/2013GL058632.
Samaniego, L., Kumar, R., Attinger, S., 2010. Regionalización de parámetros multiescala de un modelo
hidrológico basado en cuadrículas en la mesoescala. Recurso de agua. Res. 46 (5). https://doi.org/
10.1029/2008WR007327.
Samaniego, L., Kumar, R., Jackisch, C., 2011. Predicciones en una región con escasez de datos utilizando un
modelo hidrológico regionalizado basado en cuadrículas impulsado por datos de detección remota. Hidrol.
Res. 42 (5), 338–355. https://doi.org/10.2166/nh.2011.156.
Samaniego, L., et al., 2017. Hacia predicciones hidrológicas perfectas a través de escalas espaciales. Hidrol.
Sistema Tierra Carolina del Sur. 21 (9), 4323–4346. https://doi.org/10.5194/ hess­21­4323­2017.
Savenije, HH, 2001. Equifinalidad, ¿una bendición disfrazada? Hidrol. Proceso. 15 (14), 2835– 2838. https://
doi.org/10.1002/hyp.494.
Schaefli, B., Harman, C., Sivapalan, M., Schymanski, S., 2010. Predicciones hidrológicas en un entorno
cambiante: modelos de comportamiento. Hidrol. Sistema Tierra ciencia Conversar. 7, 7779–7808. https://
doi.org/10.5194/hess­15­635­2011.
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
7 (6), 979–1000. https://doi.org/10.3390/s7060979.
Senay, GB, Bohms, S., Singh, RK, Gowda, PH, Velpuri, NM, Alemu, H., Verdin, JP, 2013. Cartografía de
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.
https://doi.org/10.1111/jawr.12057.
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
heterogéneas y con datos limitados: un estudio de caso del valle de Kilombero en Tanzania . Teledetección
11 (11), 1289. https://doi.org/10.3390/rs11111289.
Shuttleworth, W., 1993. En: DR, M. (Ed.), editado por. McGraw­Hill Nueva York, Nueva York
págs. 4.1–4.53.
Sörensson, AA, Ruscica, RC, 2018. Intercomparación y evaluación de la incertidumbre de nueve estimaciones
de evapotranspiración en América del Sur. Recurso de agua. Res. 54 (4), 2891– 2908. https://doi.org/
10.1002/2017WR021682.
Stisen, S., Koch, J., Sonnenborg, TO, Refsgaard, JC, Bircher, S., Ringgaard, R., Jensen, KH, 2018. Más allá
de la calibración de escorrentía: optimización multivariable de una atmósfera de superficie­subsuperficie
modelo. Hidrol. Proceso. 32 (17), 2654–2668. https://doi.org/10.1002/hyp.13177.
Su, Z., 2002. The Surface Energy Balance System (SEBS) para la estimación de flujos de calor turbulentos.
Hidrol. Sistema Tierra Carolina del Sur. 6 (1), 85–100. https://doi.org/10.5194/hess­6­85­2002.
Swenson, SC (2012), grillas de masa de agua terrestre mensuales GRACE NETCDF versión 5.0. versión
5.0. PO.DAAC, CA, EE. UU., https://doi.org/10.5067/TELND­NC005, [Conjunto de datos consultado el
01.11.2018].
Talsma, CJ, Good, SP, Jimenez, C., Martens, B., Fisher, JB, Miralles, DG, Mc Cabe, MF, Purdy, AJ, 2018.
Particionamiento de la evapotranspiración en modelos basados en sensores remotos. Agrícola. Para.
Meteorol. 260, 131–143. https://doi.org/10.1016/j.agrformet.2018.05.010.
Tapley, BD, Bettadpur, S., Watkins, M., Reigber, C., 2004. La recuperación de la gravedad y el experimento
climático: descripción general de la misión y primeros resultados. Geofísico. Res. Letón. 31 (9). https://
doi.org/10.1029/2004gl019920.
Teng, J., Jakeman, AJ, Vaze, J., Croke, BFW, Dutta, D., Kim, S., 2017. Modelado de inundaciones: una revisión
de métodos, avances recientes y análisis de incertidumbre. Reinar.
modelo suave 90, 201–216. https://doi.org/10.1016/j.envsoft.2017.01.006.
Thober, S., M.Cuntz, M.Kelbling, R.Kumar, J.Mai y LJGMDDSamaniego (2019), The multiscale Routing Model
mRM v1. 0: enrutamiento fluvial simple en resoluciones de 1 a 50 km, 2019, 1­26, https://doi.org/10.5194/
gmd­12­2501­2019.
Tobin, KJ, Bennett, ME, 2017. Restricción de la calibración SWAT con datos de evapotranspiración de
detección remota. JAWRA J. Am. Recurso de agua. Asoc. 53 (3), 593–604. https://doi.org/
10.1111/1752­1688.12516.
Tolson, BA, Shoemaker, CA, 2007. Algoritmo de búsqueda dimensionado dinámicamente para la calibración
del modelo de cuenca hidrográfica computacionalmente eficiente. Recurso de agua. Res. 43 (1). https://
doi.org/10.1029/2005wr004723.
Trabucco, A. y R.Zomer (2018), Índice de aridez global y evapotranspiración potencial (ET0) Base de datos
climáticos v2. Consorcio CGIAR para Información Espacial (CGIAR­CSI). Publicado en línea, disponible
en el GeoPortal CGIAR­CSI en https://cgiarcsi.community, https://figshare.com/articles/Global_Aridity_
Index_and_Potential_Evapotranspiration_ET0_Climate_Database_v2/7504448/ 1accedido el 11.07.2019].
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
Carolina del Sur. 18 (1), 193–212. https://doi.org/10.5194/ hess­18­193­2014.
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
vegetación SPOT. En t. J. Remote Sens. 26 (20), 4485– 4498. https://doi.org/10.1080/01431160500168686.
Machine Translated by Google
M. Dembélé, N. Ceperley y SJ Zwart et al.
Upton, G., Cook, I., 2014. Diccionario de estadísticas, editado por Oxford university press.
Van der Ent, RJ, Savenije, HH, Schaefli, B., SteeleDunne, SC, 2010. Origen y destino de la humedad
atmosférica sobre los continentes. Recurso de agua. Res. 46 (9). https://doi.org/10.1029/2010WR009127.
Velpuri, NM, Senay, GB, Singh, RK, Bohms, S., Verdin, JP, 2013. Una evaluación integral de dos productos
de evapotranspiración MODIS en los Estados Unidos contiguos: uso de FLUXNET puntual y
cuadriculado y balance de agua ET. Sensores Remotos Envi ron. 139, 35–49. https://doi.org/10.1016/
j.rse.2013.07.013.
Vervoort, RW, Miechels, SF, van Ogtrop, FF, Guillaume, JH, 2014. Evapotranspiración por detección
remota para calibrar un modelo conceptual agrupado: trampas y oportunidades.
J. Hydrol. 519, 3223–3236. https://doi.org/10.1016/j.jhydrol.2014.10.034.
Vinukollu, RK, Meynadier, R., Sheffield, J., Wood, EF, 2011a. Estimaciones multimodelo y multisensor de
la evapotranspiración global: climatología, incertidumbres y tendencias. Hidrol.
Proceso. 25 (26), 3993–4010. https://doi.org/10.1002/hyp.8393.
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
tres enfoques basados en procesos. Sensores Remotos Entorno. 115 (3), 801–823. https://doi.org/
10.1016/j.rse.2010.11.006.
Wagner, W., Dorigo, W., de Jeu, R., Fernandez, D., Benveniste, J., Haas, E., Ertl, M., 2012.
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
of the Photogrammetry. Teledetección y Ciencias de la Información Espacial (ISPRS Annals).
Wambura, FJ, Dietrich, O., Lischeid, G., 2018. Mejora de un modelo hidrológico distribuido utilizando
condiciones de contorno relacionadas con la evapotranspiración como restricciones adicionales en
una cuenca fluvial con escasez de datos. Hidrol. Proceso. 32 (6), 759–775. https://doi.org/10.1002/
hyp.11453.
Wang, G., Pan, J., Shen, C., Li, S., Lu, J., Lou, D., Hagan, DF, 2018. Evaluación de las estimaciones de
evap otranspiración en la cuenca del río Amarillo frente al balance hídrico método.
Agua 10 (12), 1884. https://doi.org/10.3390/w10121884.
Wang, K., Dickinson, RE, 2012. Una revisión de la evapotranspiración terrestre global: observación,
modelado, climatología y variabilidad climática. Rev. Geophys. 50 (2). https://doi.org/
10.1029/2011RG000373.
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
aplicada a los datos de reanálisis de ERA­Interim. Recurso de agua. Res. 50 (9), 7505–7514. https://
doi.org/10.1002/2014WR015638.
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.
Avances en Recursos Hídricos 143 (2020) 103667
West, H., Quinn, N., Horswell, M., 2019. Detección remota para el monitoreo de la sequía y la evaluación
del impacto: progreso, desafíos pasados y oportunidades futuras. Sensores Remotos Entorno. 232,
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,
crecimiento económico y medio ambiente, editado por Routledge 282 págs.
Winsemius, H., Savenije, H., Bastiaanssen, W., 2008. Restricción de los parámetros del modelo en la
evaporación detectada remotamente: ¿justificación para la distribución en cuencas no aforadas? Hidrol.
Sistema Tierra Carolina del Sur. 12 (6), 1403–1413. https://doi.org/10.5194/hess­12­1403­2008.
Yang, Z., Zhang, Q., Yang, Y., Hao, X., Zhang, H., 2016. Evaluación de modelos de evapotranspiración
en áreas semiáridas y semihúmedas de China. Hidrol. Proceso. 30 (23), 4292– 4313. https://doi.org/
10.1002/hyp.10824.
Yilmaz, MT, Anderson, MC, Zaitchik, B., Hain, CR, Crow, WT, Ozdogan, M., Chun, JA, Evans, J., 2014.
Comparación de enfoques de modelado de flujo de superficie de pronóstico y diagnóstico sobre el
río Nilo cuenca. Recurso de agua. Res. 50 (1), 386–408. https://doi.org/10.1002/2013WR014194.
Zhang, B., Xia, Y., Long, B., Hobbins, M., Zhao, X., Hain, C., Li, Y., Ander son, MC, 2020. Evaluación y
comparación de múltiples modelos de datos de evapotranspiración sobre los Estados Unidos
contiguos: Implicaciones para la próxima fase de desarrollo de NLDAS (NLDAS­Testbed). Agrícola.
Para. Meteorol. 280, 107810. https://doi.org/10.1016/j.agrformet.2019.107810.
Zhang, K., Kimball, JS, Running, SW, 2016. Una revisión de la estimación de la evapotranspiración real
basada en sensores remotos. Interdisciplina de Wiley. Rev. Agua 3 (6), 834–853. https://doi.org/
10.1002/wat2.1168.
Zhang, Y., Chiew, FH, Liu, C., Tang, Q., Xia, J., Tian, J., Kong, D., Li, C., 2019.
¿Puede la evapotranspiración real detectada remotamente facilitar la predicción hidrológica en
regiones no aforadas sin calibración de escorrentía? Recurso de agua. Res. e24394. https://doi.org/
10.1029/2019WR026236.
Zhu, ZC, Bi, J., Pan, YZ, Ganguly, S., Anav, A., Xu, L., Samanta, A., Piao, SL, Ne mani, RR, Myneni, RB,
2013. Datos globales Conjuntos de índice de área foliar de vegetación (LAI)3g y fracción de radiación
fotosintéticamente activa (FPAR)3g derivados del índice de vegetación de diferencia normalizada
(NDVI3g) de estudios de mapeo y modelado de inventario global (GIMMS) para el período de 1981
a 2011. Detección remota 5 (2 ), 927– 948. https://doi.org/10.3390/rs5020927.
Zink, M., Mai, J., Cuntz, M., Samaniego, L., 2018. Condicionamiento de un modelo hidrológico utilizando
patrones de temperatura de la superficie terrestre detectada remotamente. Recurso de agua. Res.
54 (4), 2976–2998. https://doi.org/10.1002/2017wr021346.