Descargar datos climáticos de reanálisis para estimar Evapotranspiración de referencia


Introducción 

En países en desarrollo, como México, la disponibilidad de datos meteorológicos medidos ha venido a la baja, en este sentido, se han buscado alternativas para suplir estos datos meteorológicos medidos, una opción a ello han sido los datos de reanálisis. Los datos de reanálisis o datos meteorológicos cuadriculados comúnmente están disponibles gratuitamente en plataformas web, publicados en formatos de cuadriculas o mallas regulares, con un retraso de meses o días a partir del presente, pueden utilizarse para obtener datos continuos de un sitio o para rellenar vacíos geoespaciales en los datos meteorológicos (Bai et al., 2010). 

Para el calculo de la Evapotranspiración de referencia (que es una variable útil para la calendarización del riego en cultivos) con el método de FAO56- Penman Monteith (FAO56-PM) (Allen, Pereira, Raes, & Smith, 1998) requiere de diversas variables meteorológicas de entrada, que usualmente no están disponibles en la frecuencia y calidad requerida. En diversos trabajos se muestra la capacidad de los datos de reanálisis para sustituir con éxito la falta de disponibilidad de datos meteorológicos observados cuando se calcula la ET0. Los conjuntos de datos de reanálisis que se han empleado para estimar la ET0 son principalmente: el sistema NASA─POWER (NP); Global Land Data Assimilation System (GLDAS); Climate Forecast System versión 2 (CFSv2); North American Land Data Assimilation System (NLDAS); Real-Time Mesoscale Analysis (RTMA); National Digital Forecast Database (NDFD); gridMET o PRISM (Jiménez-Jiménez et al., 2021). 

De los conjuntos de datos mencionados anteriormente, algunos son de alcance global y otros regional, donde los de alcance regional tienen una mayor resolución espacial y temporal que los de alcance global, esto es importante, aunque no se debe cometer el error de pensar que una alta resolución espacial y temporal brindan altas precisiones (con respecto a datos medidos), ya que se ha observado que hay datos de reanálisis que brindan mayores precisiones para ciertas aplicaciones (e.g. Duarte & Sentelhas, 2020) debido a su capacidad de estimar con mayor precisión una variable; por tanto, es necesario realizar una evaluación de diferentes datos de reanálisis en una aplicación específica.

De acuerdo a lo anterior, el objetivo de esta entrada es mostrar como se pueden descargar datos climáticos de reanálisis de diferentes conjuntos, esto con el fin de estimar la evapotranspiración de referencia, por tanto, se descargaran datos de: i) temperatura, ii) humedad especifica que se puede convertir a humedad relativa o presion de vapor actual, iii) Radiación solar, iv) velocidad de viento. Para ello vamos a usar Google Earth engine y con un simple código podemos descargar datos en cuestión de minutos. 

Conjunto de datos de reanálisis 

En GEE se pueden encontrar diferentes conjuntos de datos de reanálisis, solo es cuestión de conocer su ID para iniciar el acceso a dichos datos, en el siguiente cuadro se muestra las características de algunos de ellos. Como se observa en el cuadro, se pueden ver que tenemos conjuntos de datos que brindan datos a cada hora y con retraso de un día, lo que quiere decir que podemos obtener los datos de antier.

Cuadro 3. Resoluciones y cobertura de los conjuntos de datos de reanálisis considerados en esta entrada

Base de datos

Resolución

Cobertura temporal

Cobertura espacial

Retraso (días)

ID imagen GEE

Espacial (km)

Espacial (°)

Temporal (hr)

CFSv2

22 latitud

0.2

6

1979 - presente

Global

1

NOAA/CFSV2/FOR6H

GLDAS 2.1

28

1/4

3

2000 - presente

Global

20

NASA/GLDAS/V021/NOAH/G025/T3H

NLDAS-2

14

1/8

1

1979 - presente

Contiguo a Estados Unidos

4

NASA/NLDAS/FORA0125_H002

RTMA

2.5

1/24

1

2015-06-18- presente

Contiguo a Estados Unidos

1

NOAA/NWS/RTMA


Código GEE

A continuación se muestra el código para GEE, el primer paso consiste en definir una coordenada de la cual queremos extraer la información, el periodo de tiempo y el nombre del archivo; posteriormente indicamos la base de datos de la cual queremos los datos (GLDAS, NLDAS, CFSv2 o RTMA) y finalmente las variables de interés. Debido a que los datos de reanálisis se general con hora de Etc/GMT+0 se debe modificar la zona horaria en la línea 32 a 35. Por ejemplo para Ciudad de México se pone .format('DDD', 'Etc/GMT+6')). 

Código para descargar datos de RTMA se puede obtener en la siguiente liga: https://code.earthengine.google.com/bb3bd9fb817b6b62b40ed594a3e20695
Código para descargar datos de GLDAS: https://code.earthengine.google.com/5acebeb46cd4010ef23535c458fb0605
Código para descargar datos de CFSv2:

https://code.earthengine.google.com/07050f70624f75e436465546031bb890
Código para descargar datos de NLDAS:
https://code.earthengine.google.com/33057c7bf2be90338679c69c49a65144

Código 1. Descarga de datos de reanálisis desde Google Earth Engine

código GEE

//---------------Valores a modificar------------------

var ainicial='2018-02-03'; //Fecha inicial (respetar el formato)

var afinal='2020-10-12'; //Fecha final

var latitud =  25.5883; //Latitud en grados decimales

var longitud = -103.4504; //longitud en grados decimales

var numero='8Raspa'; //Nombre Archivo

//----------------------------------------------------

var dataset = ee.ImageCollection(ID imagen GEE’)

                          .filter(ee.Filter.date(ainicial, afinal));

//Coordenada del punto para extraer información

var Punto = ee.Feature(ee.Geometry.Point([longitud, latitud]), {label: 'Punto'});

var westernRegions = new ee.FeatureCollection([Punto]);

//Variables a extraer cambiar por ´NombreBanda1

var temperature = dataset.select (NombreBanda1,NombreBanda2,NombreBanda3,NombreBandaN);

// Extraer información de las variables en el punto

var filtCol = temperature.filterBounds(westernRegions);

// selección de columnas para exportar

var data = ee.FeatureCollection(filtCol.map(function(image){

 return ee.Feature(null, image.reduceRegion(ee.Reducer.mean(), westernRegions, 200))

        .set('DOY', ee.Date(image.get('system:time_start')).format('DDD'))

        .set('year', ee.Date(image.get('system:time_start')).format('yyyy'))

        .set('mon', ee.Date(image.get('system:time_start')).format('MM'))

        .set('day', ee.Date(image.get('system:time_start')).format('dd'));

}));

// exportar variables a archivo CSV

Export.table.toDrive({collection: data,

           folder: "Nombre",

           description: numero+'NLDAS',

           fileFormat: 'CSV',

           selectors: ['year','mon','day','DOY',NombreBanda1,NombreBanda2,NombreBanda3,NombreBandaN]})

 


Para conocer el nombre de las bandas tiene que ir a la sección de cada conjunto de datos, en los siguiente puntos se muestran las ligas para ver el nombre de cada variable. 


Por ejemplo si quiero descargar los datos de GLDAS para calcular la ET0 tengo que seleccionar las siguiente variables. 

Parámetro

Unidad

Nombre Banda

Temperatura del aire a 2 m sobre la superficie

K

Swnet_tavg

Humedad específica a 2 m sobre la superficie

kg ∙ kg-1

Qair_f_inst

Radiación solar acumulada

W m-2

SWdown_f_tavg

Velocidad del viento a 10 m sobre la superficie

m∙s-1

Wind_f_inst

Guardar los datos de GEE

Cuando ya modifique el código con los datos de las variables que quiero descargar, solamente doy clic en Run desde el editor de código de GEE, inmediatamente aparecerá del lado izquierdo marcado en amarillo la pestaña Tasks. 

Ventana cuando se corre el código en GEE


En esta pestaña (Tasks) aparece el nombre del archivo que indicamos en el código, solo le damos clic en correr (RUN) y aparecerá una ventana donde nos pregunta de nuevo el nombre y la carpeta donde se va guardar el archivo en nuestro DRIVE.  El tiempo que tarda en descargarse nuestro archivo depende de la cantidad de datos que le hemos pedido a GEE, sin embargo, cuando ya hemos dado clic en RUN solo nos queda esperar y sin ningún problema podemos cerrar las ventanas o apagar el equipo ya que GEE trabajara en la nube y guardara nuestro archivo en Google Drive. 


Después de que nuestro archivo este completo lo podemos abrir y descargar de drive, tendrá la siguiente forma. Para calcular la Evapotranspiración de referencia con estos datos podemos usar HFRiego- Excel



Literatura Citada 


Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop evapotranspiration: Guidelines for computing crop requirements. Irrigation and Drainage Paper No. 56, FAO. https://doi.org/10.1016/j.eja.2010.12.001

Bai, J., Chen, X., Dobermann, A., Yang, H., Cassman, K. G., & Zhang, F. (2010). Evaluation of NASA Satellite- and Model-Derived Weather Data for Simulation of Maize Yield Potential in China. Agronomy Journal, 102(1), 9–16. https://doi.org/10.2134/agronj2009.0085

Duarte, Y. C. N., & Sentelhas, P. C. (2020). NASA/POWER and DailyGridded weather datasets—how good they are for estimating maize yields in Brazil? International Journal of Biometeorology, 64(3), 319–329. https://doi.org/10.1007/s00484-019-01810-1

Jiménez-Jiménez, S. I., Ojeda-Bustamante, W., Inzunza-Ibarra, M. A. & Marcial-Pablo, M. J. (2021). Analysis of the NASA-POWER system for estimating reference  evapotranspiration  in  the  Comarca  Lagunera,  Mexico.  Ingeniería  Agrícola  y  Biosistemas, 13(2), 201-226. http://dx.doi.org/10.5154/r.inagbi.2021.03.050

Entradas más populares de este blog

Pérdidas de carga localizadas o en accesorios

Combinación RGB con bandas del satélite Landsat 5, 7 y 8

¿Qué régimen tengo en un canal o río : Subcrítico, Crítico o Supercrítico.?

¿Cuál fórmula seleccionó para el cálculo de la pérdida de carga por fricción en tuberías?

Consideraciones para el diseño hidráulico de canales

Pérdida de carga por fricción en "Tuberías con salidas múltiples"

Diseño Agronómico e hidráulico de sistemas de riego presurizado

Componentes de los sistemas de riego por goteo

Solución de la ecuación de Colebrook-White, con métodos numéricos.

Clasificación de ríos según su edad