Аннотация

Цель: оценка возможности интеграции данных радиационных потоков из климатического реанализа ERA5-Land в энергобалансовую модель, устанавливающую пространственное распределение эвапотранспирации в условиях отсутствия тепловизионных спутниковых данных, и валидация модифицированной модели на примере орошаемого поля сои в Саратовской области. 

Материалы и методы. В качестве энергобалансовой модели использована PT-JPL. Предложена схема замены расчетного блока радиационного баланса данными реанализа ERA5-Land с предварительной корректировкой систематического смещения по данным натурных измерений. Валидация метода проводилась путем сравнения с натурными измерениями эвапотранспирации на пульсационных станциях. 

Результаты. Сравнительный анализ показал, что исходные данные реанализа ERA5-Land систематически занижают значения радиационного баланса по сравнению с расчетным методом PT-JPL (коэффициент детерминации R² = 0,59, процентное смещение PBias = 11,3 % против R² = 0,73 и PBias = 2,5 %). Введение корректирующего коэффициента (~1,11) позволило повысить качество входных данных реанализа: R² увеличился до 0,69, а PBias снизился до 1,3 %. Последующее моделирование эвапотранспирации с использованием скорректированного радиационного баланса из ERA5-Land продемонстрировало практически полную идентичность оригинальной методике PT-JPL (R² = 0,47, квадратный корень из среднеквадратичной ошибки RMSE = 0,12 мм/ч, PBias = −0,4 %). Апробация на орошаемом поле сои в Саратовской области показала, что абсолютные расхождения между методами в оценке эвапотранспирации не превышают 0,03 мм/ч. 

Выводы. Предложенная модификация модели PT-JPL позволяет получать адекватные оценки пространственного распределения компонентов эвапотранспирации при использовании данных реанализа ERA5-Land взамен расчетного блока, требующего наличия теплового канала. Это расширяет возможность применения модели в сочетании с данными спутников или БПЛА, не оснащенных тепловыми сенсорами. 

doi: 10.31774/2712-9357-2026-16-2-106-126

Для цитирования

Доброхотов А. В., Козырева Л. В., Мухина Д. П. Оценка эвапотранспирации по модели PT-JPL с данными реанализа ERA5-Land // Мелиорация и гидротехника. 2026. Т. 16, № 2. С. 106–126. https://doi.org/10.31774/2712-9357-2026-16-2-106-126.

Список литературы

1. Sarkar S., Sarkar S. A review on impact of climate change on evapotranspiration // Pharma Innovation Journal. 2018. Vol. 7, iss. 11. P. 387–390. 

2. Балакай Г. Т., Балакай Н. И. Методика расчета и корректировки сроков полива сельскохозяйственных культур // Научный журнал Российского НИИ проблем мелиорации. 2017. № 1(25). С. 32–49. EDN: XWNOQV.

3. Методика оценки биологического водопотребления посевов для решения задач управления водным режимом / Л. В. Козырева, Ю. Р. Ситдикова, А. Е. Ефимов, А. В. Доброхотов // Агрофизика. 2013. № 4. С. 12–19. EDN: RPWOVP.

4. Мониторинг эвапотранспирации на сельскохозяйственном поле, определение норм и сроков полива автоматизированным мобильным полевым агрометеорологическим комплексом / А. Е. Ефимов, Ю. Р. Ситдикова, А. В. Доброхотов, Л. В. Козырева // Водные ресурсы. 2018. № 45(1). С. 100–105. DOI: 10.7868/S032105961801008X. EDN: YMEEZJ.

5. К проблеме автоматизации процесса расчетов эвапотранспирации риса / Г. Т. Балакай, Р. Е. Юркова, Л. М. Докучаева, В. И. Ольгаренко, Т. С. Пономаренко // Научный журнал Российского НИИ проблем мелиорации. 2019. № 1(33). С. 72–91. DOI: 10.31774/2222-1816-2019-1-72-91. EDN: VVQTZD.

6. Салугин А. Н., Балкушкин Р. Н. О применении искусственных нейронных сетей для моделирования водопотребления // Водное хозяйство России: проблемы, технологии, управление. 2021. № 1. С. 70–84. DOI: 10.35567/1999-4508-2021-1-5. EDN: MAMMQZ.

7. Crop evapotranspiration. Guidelines for computing crop water requirements. FAO Irrigation and drainage paper 56 / R. G. Allen, L. S. Pereira, D. Raes, M. Smith. Rome: FAO, 1998. 300 p. 

8. Mapping actual evapotranspiration using Landsat for the conterminous United States: Google Earth Engine implementation and assessment of the SSEBop model / G. B. Senay, M. Friedrichs, C. Morton, G. E. Parrish, M. Schauer, K. Khand, S. Kagone, O. Boiko, J. Huntington // Remote Sensing of Environment. 2022. Vol. 275. Art. 113011. DOI: 10.1016/j.rse.2022.113011. EDN: XNRMVE.

9. Alsanjar O., Cetin M. Comparison of actual evapotranspiration by the Google Earth Engine Evapotranspiration Flux (EEFlux) to the METRIC model using remote sensing data and in-situ climate observations // BIO Web of Conferences. 2024. Vol. 85. Art. 01073. DOI: 10.1051/bioconf/20248501073. EDN: BFSOYT.

10. Baboli N., Ghamarnia H., Hafezparast Mavaddat M. Estimating wheat evapotranspiration through remote sensing utilizing GeeSEBAL and comparing with lysimetric data // Applied Water Science. 2024. Vol. 14, iss. 9. Art. 193. DOI: 10.1007/s13201-024-02248-6. EDN: IWEZFK.

11. Satellite-based PT-SinRH evapotranspiration model: Development and validation from AmeriFlux data / Z. Xie, Y. Yao, Y. Li, L. Liu, J. Ning, R. Yu, J. Fan, Y. Kan, L. Zhang, J. Xu, K. Jia // Remote Sensing. 2024. Vol. 16, iss. 15. Art. 2783. DOI: 10.3390/rs16152783. EDN: SBURQD.

12. Feasibility of using the two-source energy balance model (TSEB) with Sentinel-2 and Sentinel-3 images to analyze the spatio-temporal variability of vine water status in a vineyard / J. Bellvert, C. Jofre-Ĉekalović, A. Pelechá, M. Mata, H. Nieto // Remote Sensing. 2020. Vol. 12, iss. 14. Art. 2299. DOI: 10.3390/rs12142299. EDN: PHRTTL.

13. Fisher J. B., Tu K. P., Baldocchi D. D. Global estimates of the land-atmosphere water flux based on monthly AVHRR and ISLSCP-II data, validated at 16 FLUXNET sites // Remote Sensing of Environment. 2008. Vol. 112, iss. 3. P. 901–919. DOI: 10.1016/j.rse.2007.06.025.

14. Allen R. G., Tasumi M., Trezza R. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)-model // Journal of Irrigation and Drainage Engineering. 2007. Vol. 133, iss. 4. P. 380–394. DOI: 10.1061/(ASCE)0733-9437(2007)133:4(380).

15. ERA5-Land: A state-of-the-art global reanalysis dataset for land applications / J. Muñoz-Sabater, E. Dutra, A. Agustí-Panareda, C. Albergel, G. Arduini, G. Balsamo, S. Boussetta, M. Choulga, S. Harrigan, H. Hersbach, B. Martens, D. G. Miralles, M. Piles, N. J. Rodríguez-Fernández, E. Zsoter, C. Buontempo, J. N. Thépaut // Earth System Science Data. 2021. Vol. 13. P. 4349–4383. DOI: 10.5194/essd-13-4349-2021. EDN: EIIZTQ.

16. Assessing FAO-56 dual crop coefficients using eddy covariance flux partitioning / R. G. Anderson, J. G. Alfieri, R. Tirado-Corbalá, J. Gartung, L. G. McKee, J. H. Prueger, D. Wang, J. E. Ayars, W. P. Kustas // Agricultural Water Management. 2017. Vol. 179. P. 92–102. DOI: 10.1016/j.agwat.2016.07.027.

17. Gao L., Zhang Y., Zhang L. Validation and spatiotemporal analysis of surface net radiation from CRA/Land and ERA5-Land over the Tibetan Plateau // Atmosphere. 2023. Vol. 14, iss. 10. Art. 1542. DOI: 10.3390/atmos14101542. EDN: QCMNBH.

18. Jing Y., Bai P., Yang Z. CHiRAD: A high-resolution daily net radiation dataset for China generated using meteorological and albedo data // Journal of Hydrology. 2025. Vol. 654. Art. 132854. DOI: 10.1016/j.jhydrol.2025.132854. EDN: YOXYAD.

19. Rashid T., Tian D. Improved 30-m evapotranspiration estimates over 145 eddy covariance sites in the contiguous United States: The role of ECOSTRESS, harmonized Landsat Sentinel-2 imagery, climate reanalysis, and deep neural network postprocessing // Water Resources Research. 2024. Vol. 60, iss. 4. Art. e2023WR036313. DOI: 10.1029/2023wr036313. EDN: DWZFYV.

20. Research on assimilation of unmanned aerial vehicle remote sensing data and AquaCrop model / W. Li, M. Li, M. Awais, L. Ji, H. Li, R. Song, M. J. M. Cheema, R. Agarwal // Sensors. 2024. Vol. 24, iss. 10. Art. 3255. DOI: 10.3390/s24103255. EDN: FAGYBM.