GLEAM achtergrond en beschrijving
Introductie
GLEAM (Global Land Evaporation Amsterdam Model) is van oorsprong een mondiaal verdampingsmodel, ontwikkeld door wetenschappers van de VU Amsterdam en Universiteit Gent (zie ook www.gleam.eu en Martens et al., 2018). Het wordt gezien als een “state of the art” model, wat wil zeggen dat het de best mogelijke resultaten geeft met de nu beschikbare data. Zo worden de GLEAM datasets onder meer gebruikt door instituten zoals NASA en Princeton University om hun klimaat modellen te benchmarken. GLEAM wordt ook gebruikt voor het Jaarlijke BAMS State of the climate rapport . Een van de belangrijkste aspecten van GLEAM is dat het veel gebruik maakt van satellietbeelden in het microgolf spectrale domein. De microgolf straling wordt niet gehinderd door wolken waardoor GLEAM in staat is om onder alle weersomstandigheden dagelijkse verdamping te berekenen. Tot op heden waren de microgolf satellietbeelden en afgeleide producten enkel beschikbaar op een een relatief lage ruimtelijke resolutie van 25 km, waardoor de toepassingen van GLEAM vooral gericht waren op klimaatstudies. Voor SATDATA 3.0 worden de microgolf satellietbeelden naar een veel hogere resolutie (100x100m) geschaald. Vervolgens wordt GLEAM-HR op deze hoge resolutie gedraaid en worden de resultaten beschikbaar gesteld voor de waterschappen via het WIWB portal.
Beschrijving GLEAM
GLEAM bestaat uit een viertal modules: - Potentiële verdamping - Vegetatie-stress module - Neerslag en neerslaginterceptie - Bodemvocht module
GLEAM maakt gebruik van de Priestley en Taylor (1972) [PT72] vergelijking om de potentiële verdamping te berekenen op basis van temperatuurs- en stralingsobservaties. De potentiële verdamping (Ep) wordt omgezet naar actuele verdamping (E) door middel van een vegetatiestress factor (S) die afhangt van de hoeveelheid bodemvocht en de toestand van de vegetatie. Neerslaginterceptie (Ei) wordt gebaseerd op het analytische model van Gash (1979) [Gas79]. Een uniek onderdeel van GLEAM is dat het gebruik maakt van satellietbeelden van bodemvocht. Deze beelden worden door middel van data assimilatie gecombineerd met de resultaten van een hydrologisch model, om zo de actuele hoeveelheid vocht in de wortelzone nauwkeurig te bepalen. Dit proces vindt plaats in de bodem module en is direct gekoppeld aan de bepaling van de vegetatiestress factor (S). Zie figuur hieronder.
Schematisch Overzicht van het Verdampingsmodel GLEAM
De input voor GLEAM bestaat voor een groot deel uit dagelijkse satelliet data. Daarnaast wordt data uit de weermodellen en het meetnetwerk van het KNMI gebruikt.
Note
GLEAM maakt gebruik van satelliet-gebaseerde kaarten van landgebruik die per pixel aangeven hoe groot het percentage bos, korte vegetatie, kale (of bedekte) bodem en water is. Hiermee is het mogelijk om op subpixel-niveau de hydrologische fluxen te berekenen. Hierdoor wordt de gemiddelde toestand op zgn. mixed pixels zo goed mogelijk bepaald.
Bos en natuurgebied
Bij bossen en dichte vegetatie speelt neerslag interceptie een belangrijke rol. Binnen GLEAM-HR wordt hier rekening mee gehouden met de interceptie module die speciaal ontwikkeld is om betrouwbare schattingen van neerslag interceptie te krijgen over bossen. Deze methode is uitgebreid gevalideerd voor verschillende bossen en gepubliceerd in [MHDJ+11]. Daarnaast worden de vegetatie parameters dynamisch geupdate aan de hand van satellietdata.
Zoals beschreven in het werk van [Moo12] kan de interceptie een zeer belangrijk deel zijn in de waterbalans van bossen. Het in GLEAM-HR gebruikte Gash interceptie model is als één van de weinige modellen in staat dit goed te bepalen. Ook in heterogene natuurterreinen met een hoge aerodynamische weerstand zal de interceptie een grote rol spelen [SDS97]. Gezien de overeenkomsten van het GLEAM-HR model en de in beide studies als beste geteste modellen is het de vooronderstelling dat de resultaten van GLEAM-HR sterk overeen zullen komen. Dit bleek ook al uit het uitgevoerde SBIR project (Small Business Innovation Research, https://www.rvo.nl/subsidie-en-financieringswijzer/sbir). Het Gash model houdt rekening met de extra energie (boven de netto straling) de beschikbaar is voor de verdamping vanaf het natte bladerdak
Landbouw gebieden
GLEAM maakt gebruik van dynamische landgebruik- en vegetatiekaarten die gebaseerd worden op satellietdata. Deze kaarten bepalen de parametrisatie van de hydrologische processen in GLEAM (b.v. de verdampingsreductie bij vochttekort, neerslaginterceptie). De landgebruikkaart in GLEAM maakt geen onderscheid tussen natuur- en landbouwgebied. Wel wordt onderscheid gemaakt tussen verschillende typen vegetatie.
Braakliggende velden hebben een significant ander verdampingspatroon dan velden waar gewas op groeit. Van een kale bodem verdampt significant minder water dan van een begroeide akker, ook onder natte omstandigheden. Daarnaast zijn er verschillen in de evapotranspiratie door verschillende gewassen. GLEAM maakt gebruik van gewasfactoren voor verschillende typen vegetatie om zo de referentieverdamping om te zetten naar potentiële verdamping. De gewasfactoren worden bepaald aan de hand van satellietbeelden en wijken daarom wel af van de Kc waarden die gebruikt worden in het verdampingsmodel van Makkink.
Door de verschillen in parametrisatie van hydrologische processen als verdamping en interceptie is het landgebruik vaak zichtbaar als patroon in de resultaten van GLEAM. De grens tussen twee akkers waar verschillende gewassen worden verbouwd kan daarom zichtbaar zijn in de bodemvocht- of verdampingskaarten.
Stedelijke gebieden
De verdamping in steden [JEB+15] is lager dan in rurale gebieden door lagere windsnelheden, een lagere albedo en een veel beperkte opslagcapaciteit in de bodem (deze is vaak bedekt). Het gebruik van remote sensing data helpt om dit onderscheid te maken [JEB+15].
Omdat stedelijk groen vaak kleinschalig is en op satellietbeelden wegvalt tegen andere typen landgebruik (wegen, daken etc) is het waarschijnlijk dat de totale hoeveelheid vegetatie in stedelijke gebieden wordt onderschat. Daarmee zal waarschijnlijk ook de verdamping van steden als geheel onderschat kunnen worden. Het verdampingstekort zal daardoor waarschijnlijk overschat worden.
Verdamping open water
Op open water is er in principe geen verdampingstekort. Er is geen vegetatie die door middel van huidmondjes de transpiratie kan reduceren en er is geen bodem of verhard oppervlak dat een weerstand tegen verdamping kan geven. Hierdoor is het verdampingstekort op open water dus altijd gelijk aan nul. We gebruiken voor verdamping op open water de Penman formulering [Pen56] waarbij de verschillende modelparameters worden afgeleid uit satellietbeelden.
Tevens worden er verschillende on-line waterstations van Rijkswaterstaat in combinatie met de Copernicus Lake Surfae Water Temperature (LSWT) gegevens gebruikt om het watertemperatuurmodel met behulp van data assimilatie te updaten.
Het is gebruikelijk om de bodem-warmtestroom op land over een etmaal gelijk te stellen aan nul en deze energieflux niet mee te nemen in de berekening van de beschikbare energie voor verdamping. Op open water is door golven en stroming veel meer warmte-uitwisseling en kan deze aanname niet gemaakt worden. In SATDATA 3.0 wordt het verschil in watertemperatuur op de huidige dag en de temperatuur op de dag ervoor als een maat voor de warmtestoom in een waterpixel gebruikt. Voor de watertemperatuur wordt een waterdiepte van 3m aangehouden.
De watertemperatuur wordt bepaald uit het verschil in watertemperatuur en de temperatuur van de lucht en een exponentieel verval waarbij er een andere waarde wordt gebruik voor het opwarmen dan bij het afkoelen:
\[T_{lucht} > T_{water} \longrightarrow T_{water} = T_{water-1} + {\alpha_up} (T_{lucht} - T_{water-1})\]\[T_{lucht} \leq T_{water} \longrightarrow T_{water} = T_{water-1} + {\alpha_{down}} (T_{lucht} - T_{water-1})\]
Waarbij voor de vervalfactor \(\alpha_{down}\) een waarde van 0.1 is gekozen en voor een waarde van \(\alpha_{up}\) 0.28.
Voor de assimilatie van de gemeten temperaturen gebruiken we Newtonian Nudging (ook wel Newtonian Relaxation). De gemodelleerde watertemperatuur wordt bijgesteld aan de hand van:
Waarin:
\(T_{water}^+\) = watertemperatuur na data assimilatie
\(T_{water}^-\) = gemodelleerde watertemperatuur voor assimilatie
\(K\) = de nudging factor, een waarde van 1 betekent maximale assimilatie
\(\gamma\) = data kwaliteitsfactor, een waarde van 1 betekent een perfecte meting
Over het algemeen kan worden aangenomen dat de relatief eenvoudige meting van de temperatuur accuraat is. In de onderzochte stationsdata zijn ook geen overduidelijke meetfouten gevonden. We hebben daarom gekozen voor een kwaliteitsfactor van 0.95. De nudging factor is op 0.4 gesteld om eventuele fouten in het model enigszins geleidelijk in de tijd te corrigeren.
De data-assimilatie wordt elke dag op elk roosterpunt van het model uitgevoerd. De gemeten temperaturen op de stations worden hiertoe eerste vergeleken met de de maandelijkse klimatologie van de watertemperatuur zoals bepaald uit satelleiet gegevens (LSWT) waarna de residuals via een inverse-distance interpolatie naar een vlakdekkend verschil tussen de klimatologie en de actuale temperatuur voor het IJsselmeer en Markermeer worden getransformeerd. Daarna wordd dit ruimtelijk verschil opgeteld bij de klimatologie zoadat een ruimetlijk gecorrigeerd beeld van de huidige watertemperatuur ontstaat.
Watertemperatuur modellering inclusief interpolatie en correctie van de watertemperatuur
Vervolgens wordt het verschil in watertemperatuur tussen twee opeenvolgende dagen gebruikt om de warmtestroom te bepalen:
\[G = \rho_w cd \frac{d T_{water}}{dt} [W/m^2]\]
waarin:
\(G\) de warmtestroom in \(W/m^2\)
\(\rho_w\) de dichtheid van het water in \(kg/m^3\)
\(c\) de soortelijke warmte van water – 4200 \(Jkg^{-1}K^{-1}\)
\(d\) de waterdiepte in m
\(T_{water}\) de watertemperatuur in K
\(t\) de tijd in s.