Combinación de múltiples flujos de datos ambientales en un conjunto de datos de humedad del suelo: The Social Metwork

Correo electrónico: aaejigu@pgr.reading.ac.uk

Una estimación precisa de la humedad del suelo tiene un papel vital en una serie de áreas de investigación científica. Es importante para la predicción meteorológica numérica del día a día, la previsión de fenómenos meteorológicos extremos, como inundaciones y sequías, la idoneidad de los cultivos para una región en particular y la estimación del rendimiento de los cultivos, por mencionar algunos. Sin embargo, las mediciones in situ de la humedad del suelo son generalmente costosas de obtener, requieren mucha mano de obra y tienen una cobertura espacial escasa. Para ayudar a esto, las mediciones y modelos satelitales se utilizan como un proxy de la medición terrestre. Las misiones satelitales como SMAP (Soil Moisture Active Passive) observan el contenido de humedad del suelo en los primeros centímetros de la superficie de la tierra. Por otro lado, las estimaciones de la humedad del suelo a partir de modelos son propensas a errores debido a los errores del modelo al representar la física o los valores de los parámetros utilizados.

La asimilación de datos es un método de combinación de modelos numéricos con datos observados y sus estadísticas de error. En principio, se espera que la estimación del estado después de la asimilación de datos sea mejor que la estimación del modelo numérico independiente del estado o las observaciones. Hay una variedad de métodos de asimilación de datos: métodos variacional, secuencial, Monte Carlo y una combinación de ellos. El Joint UK Land Environment Simulator (JULES) es un modelo de superficie terrestre comunitaria que calcula varios procesos de la superficie terrestre, como el balance de energía superficial y el ciclo del carbono, y es utilizado por Met Office, el servicio meteorológico nacional del Reino Unido.

Mi doctorado tiene como objetivo mejorar la estimación de la humedad del suelo del modelo JULES utilizando datos satelitales de SMAP y el método de asimilación de datos Four-Dimensional Ensemble Variational (4DEnVar) introducido por Liu et al. (2008) e implementado por Pinnington (2019; en revisión), una combinación de métodos de asimilación de datos Variational y Ensemble. Además de la asimilación de datos satelitales de humedad del suelo, también se asimilan los datos de medición terrestre de la humedad del suelo de Oklahoma Mesoscale Networks (Mesonet).

Combinacion de multiples flujos de datos ambientales en un conjunto
Figura 1: Humedad volumétrica del suelo observada por satélite de la capa superior anterior, de fondo, posterior y SMAP para la estación Antlers en Oklahoma Mesonet, para el año 2017.
1683416435 647 Combinacion de multiples flujos de datos ambientales en un conjunto
Figura 2: Distancia de la humedad del suelo anterior y la humedad del suelo posterior de las observaciones SMAP de humedad del suelo concurrentes explicadas en la Figura 1.

La serie temporal de la humedad del suelo del modelo JULES (anterior), la humedad del suelo obtenida después de la asimilación (posterior) y la humedad del suelo observada para la estación Antlers en Mesonet se muestran en la Figura 1. La Figura 2 muestra la distancia de las estimaciones de humedad del suelo anteriores y la humedad del suelo posterior. estimaciones de humedad a partir de las observaciones asimiladas. Cuanto menor sea la distancia, mejor, ya que el objetivo principal de la asimilación de datos es ajustar de manera óptima la trayectoria del modelo a las observaciones y el fondo. De la Figura 1 y la Figura 2 podemos concluir que las estimaciones posteriores de la humedad del suelo están más cerca de las observaciones en comparación con las anteriores. Mirando meses particulares, la humedad del suelo previa está más cerca de las observaciones en comparación con la posterior alrededor de enero y octubre. Esto se debe al hecho de que 4DEnVar considera todas las observaciones para calcular una trayectoria óptima que se ajuste a las observaciones y al fondo. Por lo tanto, no sorprende ver que el anterior está más cerca de las observaciones que el posterior en algunos lugares.

Los experimentos de asimilación de datos se repiten para diferentes sitios en Mesonet con diferentes tipos de suelo, topografía y clima y con diferentes conjuntos de datos de humedad del suelo. En todos los experimentos, hemos observado que las estimaciones posteriores de la humedad del suelo están más cerca de las observaciones que las estimaciones previas de la humedad del suelo. Como verificación, se calcula el reanálisis de la humedad del suelo para el año 2018 y se compara con las observaciones. La Figura 3 son datos de humedad del suelo SMAP asimilados en el modelo JULES y retrospectivos para el año siguiente.

1683416436 267 Combinacion de multiples flujos de datos ambientales en un conjunto
figura 3: Humedad del suelo estimada a posteriori para 2018 basada en la textura posterior del suelo correspondiente al resultado obtenido a partir de los datos de humedad del suelo asimilados por mesonet para 2017.

Referencias

Liu, C., Q. Xiao y B. Wang, 2008: Un esquema de asimilación de datos variacional de cuatro dimensiones basado en conjuntos. Parte I: Formulación Técnica y Prueba Preliminar. Lun. Tiempo Rev.136 (9), 3363–3373., https://doi.org/10.1175/2008MWR2312.1

Pinnington, E., T. Quaife, A. Lawless, K. Williams, T. Arkebauer y D. Scoby, 2019: El marco de asimilación de datos del conjunto de variaciones de la tierra:
LAVANDA. Geosci. Desarrollo del modelo Conversar. https://doi.org/10.5194/gmd-2019-60

Deja un comentario