geeSEBAL : uma ferramenta Google Earth Engine para estimativa de séries temporais de evapotranspiração

Abstract

A estimativa acurada da evapotranspiração (𝐸𝑇) é essencial para diversas aplicações na gestão de recursos hídricos. O uso de modelos de 𝐸𝑇 que utilizam produtos de sensoriamento remoto vem crescendo nos últimos anos com o desenvolvimento de novas tecnologias como computaçãoem nuvem, deep learning e processamento de alta performance. Esse estudo apresenta o gee SEBAL, uma nova ferramenta para estimativa automática de 𝐸𝑇 baseado no modelo Surface Energy Balance Algorithm for Land (SEBAL) e desenvolvido utilizando a plataforma Google Earth Engine(GEE). O uso de imagens Landsat e dados meteorológicos do Global Land Data Assimilation System (GLDAS) permite a estimação de longas séries temporais de 𝐸𝑇. A estrutura da ferramenta é apresentada, bem como estudos de caso em diferentes condições climáticas do Brasil através da validação da estimativa de 𝐸𝑇diária com dados de torres de fluxo com medições de covariância de vórtices turbulentos (EC) nos biomas da Amazônia, Cerrado, Pantanal e Pampa. As estimativas da 𝐸𝑇 diária apresentaram uma média de RMSD de 0,75mm dia-1, com um total de 224 imagens Landsat processadas. Por fim, é apresentado uma longa série temporal de 𝐸𝑇 (1984-2019) para uma pequena área localizada no bioma Cerrado, caracterizado por uma intensa expansão de agricultura com sistemas de irrigações. A ferramenta está disponível na plataforma GitHub (https://github.com/et-brasil/geesebal) e possui uma versão com interface gráfica do usuário (https://etbrasil.org/geesebal), permitindo importantes avanços na gestão de recursos hídricos em relação a mudanças na 𝐸𝑇.

An accurate estimation of evapotranspiration (𝐸𝑇) is essential for many applications in water resources management. 𝐸𝑇 models using remote sensing products have flourished in recent years with new technologies as cloud computation, deep learning and high performance computing. This study presents geeSEBAL, a new tool for automatic estimation of 𝐸𝑇 based on the Surface Energy Balance Algorithm for Land (SEBAL) model and developed within the Google Earth Engine platform (GEE). The usage of Landsat images and meteorological data from the Global Land Data Assimilation System (GLDAS) allows estimating long term 𝐸𝑇 series. The tool framework is introduced, and case studies across multiple climate conditions in Brazil are presented by validating daily 𝐸𝑇 with eddy covariance (EC) data in the Amazon, Cerrado, Pantanal and Pampabiomes. Daily 𝐸𝑇 estimations yielded an average RMSDof 0.75mm day-1, with a total of 224 Landsat images being processed. Finally, we present a long term 𝐸𝑇 assessment (from 1984 to 2019) in a small area located in the Cerrado biome, characterized by an intense irrigated cropland expansion over the last decades, demonstrating the potential of the tool to understand the effects of land cover changes and water use in agriculture. The tool is freely available on GitHub (https://github.com/et-brasil/geesebal) and has a graphical user interface (https://etbrasil.org/geesebal), allowing important advances in water resources management regarding 𝐸𝑇 changes.