En esta nueva publicación vamos a ir un paso más allá: aprenderemos a calcular la ET promedio anual histórica, es decir, el valor promedio de evapotranspiración en un lugar determinado a lo largo de varios años.

Este análisis es útil para:

• Estimar el consumo promedio de agua en diferentes regiones o cultivos.

• Evaluar la disponibilidad hídrica en el largo plazo.

• Comparar condiciones normales con años específicos (por ejemplo, para detectar sequías o excesos de lluvia).

Podemos definir el período histórico según nuestras necesidades: 5, 10, 15 años, o incluso usar todos los años disponibles del conjunto MOD16A2 (que comienza en el año 2000).

En esta entrada exploraremos cómo hacerlo paso a paso en Google Earth Engine (GEE), filtrando los datos, calculando promedios y visualizándolos en el mapa o exportándolos para su análisis.

1. Definir capas de referencia, país y años de analisis

Usamos una capa de límites nacionales de México y dos módulos personalizados (de VICAL) para agregar estilos y leyendas. Ademas, ingresamos una lista con los años que queremos analizar.

var NA = ee.FeatureCollection("USDOS/LSIB\_SIMPLE/2017") .filter(ee.Filter.eq('country\_co', 'MX')); // México
var imp = require('users/InifapCenidRaspa/VICAL:Exportaciones'); 
var St = require('users/InifapCenidRaspa/VICAL:Style');
var anuario = ee.List(\[2010, 2011, 2012, 2013,2014,2015,2016,2017,2018,2019,2020,2021,2022,2023\]);
var fechas = anuario.map(function(y) {
  return ee.Date.fromYMD({
    year: y, 
    month: 1, 
    day: 1
  });
});

2. Importar las colecciones MODIS, y seleccionar la banda ET y unir Agregamos las dos colleciones de imagenes y lo unimos en uno solo para poder generar la serie de tiempo de cualquier punto que desemos

var collection_i = ee.ImageCollection("MODIS/061/MOD16A2")
  .filterDate('2022-01-01', '2025-12-31')
  .select('ET');
var collection_f = ee.ImageCollection('MODIS/006/MOD16A2')
 .filterDate('2010-01-01', '2021-12-31')
  .select('ET');
var collection2=collection_i.merge(collection_f).sort('system:time_start')

3. Suma anual de ET por cada año Aquí filtramos los datos de cada año, sumamos los valores de ET para obtener la ET anual acumulada por píxel y guardamos la propiedad year para poder filtrar después.

var compuestos = ee.ImageCollection.fromImages(anuario.map(function(y) {
  var anual = collection2.filter(ee.Filter.calendarRange(y, y, 'year'));
  return anual.sum()
              .set('year', y)
              .set('system:time_start', ee.Date.fromYMD(y, 1, 1).millis());
}));

4. Calcular la media histórica y convertir unidades

var etPromedioHistorico = compuestos.mean().multiply(0.1).clip(NA).float();

5. Filtrar años individuales para visualización Puedes visualizar años individuales seleccionando con el filtro por propiedad year.

var media2020 = ee.Image(compuestos.filter(ee.Filter.eq('year', 2020)).first());

6. Crear gráfico de serie de tiempo de ET Esto genera una gráfica para una región de interés (geometry) mostrando la ET anual a lo largo de los años. cabe recordar que los valores en la gráfica los debe afectar por 0.1 que es la escala a lo que esta la colección imagenes

var chart = ui.Chart.image.series({
  imageCollection: compuestos.select('ET'), 
  region: geometry, 
  reducer: ee.Reducer.first(), 
  scale: 30
});

var options = { 
  title: 'Serie de tiempo de Evapotranspiración x 10', 
  hAxis: { title: 'fecha' },
  vAxis: { title: 'ET (mm/año' },
  series: {
    0: { color: 'green' }
  }
};

// Configure las opciones del gráfico e imprímalo.
chart = chart.setOptions(options);
print(chart);

7. Visualizar y exportar resultados

var paletaCl = {min: 100, max: 600, palette:St.ETO};
var panL = imp.Leyenda('ET (mm)', paletaCl);
//Mostrar en el mapa
Map.centerObject(NA)//centrar a la region
Map.addLayer(etPromedioHistorico, paletaCl, 'ET promedio 2010–2022');
Map.addLayer((media2020.multiply(0.1)).clip(NA), paletaCl, ' Suma_ET2020');
Map.add(panL);// leyenda
//Exportar Img
Export.image.toDrive({
  image: etPromedioHistorico.select('ET'),
  description: 'ET_promedio_historico_2010_2025',
  folder: 'earthengine',
  fileNamePrefix: 'ET',
  scale: 500,
  maxPixels: 1e10,
  crs: 'EPSG:4326',
  formatOptions: {
    cloudOptimized: true
  }
})

El codigo completo lo puedes encontrar aqui:

Puedes modificar el codigo o compartirlo, dejanos tus comentarios de que variable quiere y cual es el objetivo.

1. Lo primero que tenemos que hacer es seleccionar la colección de imágenes, en este caso vamos a ocupar: *'_*Harmonized Sentinel-2 MSI: MultiSpectral Instrument, Level-2A_, sus características pueden verse en este sitio web

var l8sr = ee.ImageCollection("COPERNICUS/S2_SR_HARMONIZED");

1. Ahora usando la herramienta Drawing tools vamos a crear un polígono del área donde necesitamos la imagen. Nótese que al crear un polígono este se guarda en la parte superior de nuestro script

1. Vamos filtrar las imágenes de la colección usando tres características: La geometría, intervalo de fechas específicas y el porcentaje de nubosidad máximo que deben tener las imágenes.

   -La primer características es con respecto al polígono que creamos al inicio

   -La segunda característica ustedes los pueden definir, en este caso vamos seleccionar fechas del 2023.

   -En la tercera característica vamos filtrar imágenes que además cumplan con el criterio de una nubosidad menos a 20 %

var filtradaPorFechaYNubes = l8sr
    .filterBounds(geometry) //filtro de la colección de imagenes por geometria
    .filterDate('2023-01-01', '2023-08-31') //filtro por fechas
    .filterMetadata('CLOUDY_PIXEL_PERCENTAGE', 'less_than', 20); //filtro por nubosidad

1. Hasta este punto ya tenemos la colección de imágenes según nuestros requisitos, ahora lo que falta es generar un ortomosaicos, es decir, pasar de una colección de imágenes a una sola imagen. Por tanto, podemos usar la propiedad media (ImageCollection.mean()) o mediana (ImageCollection.median()). En el caso de la media: se Reduce una colección de imágenes calculando la media de todos los valores en cada píxel en la pila de todas las bandas coincidentes. Las bandas se emparejan por nombre.

var composite = filtradaPorFechaYNubes.mean();

1. Ahora podemos crear una visualización indicando las bandas que nos interesa mostrar y los rangos de valores. Posteriormente agregamos la capa composite (que creamos anteriormente) al mapa.

//creamos una variable visualizacion
var visParams1 = {bands: ['B4', 'B3', 'B2'], min: 0, max: 5000};
Map.addLayer(composite, visParams1, 'composite');

1. Si deseamos cortar la visualización de acuerdo al borde de nuestro poligono podemos usar la propiedad .clip() directamente cuando agregamos el mapa. Ademas acercamos el mapa a nuestra geometria usando Map.centerObject

Map.addLayer(composite.clip(geometry), visParams1, 'compositeRecortado');
Map.centerObject(geometry,10)

1. Una forma para exportar nuestro ortomosaico (composite) fuera de Google Earth Engine es mediante el siguiente código, donde especificamos la colección de imágenes, el folder, la región o borde, escala de salida y el sistema de referencia (si no lo conocen busquen en QGIS).

Export.image.toDrive({
  image: composite.select('B4', 'B3', 'B2'),
  description: 'img',
  folder: 'CursoGEE',
  region: geometry,
  scale: 30,
  crs: 'EPSG:4326',
  formatOptions: {
    cloudOptimized: true
  }
});

El codigo completo lo pueden encontrar aquí

Dejanos tus comentarios y dudas.

1. Lo primero que tenemos que hacer es seleccionar la colección de imágenes, en este caso vamos a ocupar: 'USGS Landsat 8 Level 2' e importe el tier 1, sus características pueden verse en este sitio web

var l8sr = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2");

1. Ahora usando la herramienta Drawing tools vamos a crear un polígono del área donde necesitamos la imagen. Nótese que al crear un polígono este se guarda en la parte superior de nuestro script

1. Vamos filtrar las imágenes de la colección usando tres características: La geometría, intervalo de fechas específicas y el porcentaje de nubosidad máximo que deben tener las imágenes. -La primer características es con respecto al polígono que creamos al inicio -La segunda característica ustedes los pueden definir, en este caso vamos seleccionar fechas del 2023. -En la tercera característica vamos filtrar imágenes que además cumplan con el criterio de una nubosidad menos a 10 %

var filtradaPorFechaYNubes = l8sr
    .filterBounds(geometry) //filtro de la colección de imagenes por geometria
    .filterDate('2023-01-01', '2023-08-31') //filtro por fechas
    .filterMetadata('CLOUD_COVER', 'less_than', 10); //filtro por nubosidad

1. Hasta este punto ya tenemos la colección de imágenes según nuestros requisitos, ahora lo que falta es generar un ortomosaicos, es decir, pasar de una colección de imágenes a una sola imagen. Por tanto, podemos usar la propiedad media (ImageCollection.mean()) o mediana (ImageCollection.median()). En el caso de la media: se Reduce una colección de imágenes calculando la media de todos los valores en cada píxel en la pila de todas las bandas coincidentes. Las bandas se emparejan por nombre.

var composite = filtradaPorFechaYNubes.mean();

1. Ahora podemos crear una visualización indicando las bandas que nos interesa mostrar y los rangos de valores. Posteriormente agregamos la capa composite (que creamos anteriormente) al mapa.

//creamos una variable visualizacion
var visParams1 = {bands: ['SR_B4', 'SR_B3', 'SR_B2'], min: 0, max: 30000};
Map.addLayer(composite, visParams1, 'composite');

1. Si deseamos cortar la visualización de acuerdo al borde de nuestro poligono podemos usar la propiedad .clip() directamente cuando agregamos el mapa. Ademas acercamos el mapa a nuestra geometria usando Map.centerObject

Map.addLayer(composite.clip(geometry), visParams1, 'compositeRecortado');
Map.centerObject(geometry,10)

1. Una forma para exportar nuestro ortomosaico (composite) fuera de Google Earth Engine es mediante el siguiente código, donde especificamos la colección de imágenes, el folder, la región o borde, escala de salida y el sistema de referencia (si no lo conocen busquen en QGIS).

Export.image.toDrive({
  image: composite.select('SR_B4', 'SR_B3', 'SR_B2'),
  description: 'img',
  folder: 'CursoGEE',
  region: geometry,
  scale: 30,
  crs: 'EPSG:4326',
  formatOptions: {
    cloudOptimized: true
  }
});

El codigo completo lo pueden encontrar aquí

Dejanos tus comentarios y dudas.

Son muchos los índices de vegetación que se emplean para el mapeo de cuerpos de agua, algunos de estos se describen con detalle en la entrada Índices de vegetación para mapear cuerpos de agua.

Con VICAL se pueden calcular los siguientes en GEE:

• AWEI (Automated Water Extraction Index)

• NDWI (Normalized difference water index)

• MNDWI (Modified Normalized difference water index)

• WI (water index)

• ANDWI (Augmented Normalized Difference Water Index)

Para saber como extraer cuerpos de agua con imagenes Sentinel-2 o Landsat vamos a seguir los siguientes pasos:

1. VICAL cuenta con tres archivos que puede importar a su Script, estos son

// archivo para las colecciones de imagenes);
var imp = require('users/InifapCenidRaspa/VICAL:Exportaciones');
// archivo para los indices de vegetacion
var imp2= require('users/InifapCenidRaspa/VICAL:VegetationIndex'); 
// archivo para las visualizaciones
var St= require('users/InifapCenidRaspa/VICAL:Style');

1. Antes de importar el conjunto de colecciones de imágenes (Landsat o sentinel-2 o ambos) se deben definir ciertas variables que son útiles para filtrar esta colección, estos son: i) un polígono; ii) intervalo de fechas y iii) valor umbral de nubes en las imágenes.

var fecha = ['2021-03-01', '2022-03-18']; //Fecha inicial y final 
var table = ee.FeatureCollection( //poligono
    ee.Geometry.Polygon(
        [[[-105.09741449991577, 25.77457195054493],
          [-105.17500544229858, 25.72262066567659],
          [-105.05415583292358, 25.49103864339504],
          [-104.93261957804077, 25.548666430953972]]])); 
var p_nubes= 10;//Porcentaje de nubes

1. Importamos la colección de imagenes, en este caso es Sentinel-2, usamos para ello el archivo imp de VICAL

//Se emplea la imagen Sentinel
var S2B = imp.ColeccionImagenSentinelSR(fecha, table, p_nubes);

1. Calculamos cualquiera de los índices de vegetación que se mostraron arriba, en este caso vamos a usar el AWEI.

var ivs = ee.ImageCollection(S2B.map(imp2.AWEI));

1. Seleccionamos una imagen de la colección (en este caso la primera imagen) y definimos un valor umbral que en este caso es 0

var iv = ivs.first(); //indice de vegetación
var th=0; //valor umbral

1. Se crea el archivo vector con los pixeles de agua, para usar la funcion del archivo imp. indicamos los valores de estas variables: Índice de vegetación, valor umbral, polígono que delimitada, escala pixel.

var vectors=imp.VectorF(iv,th,table,10)

1. Se agrega el índice de vegetación y el archivo vector al mapa

//Paleta de colores donde se usa el archivo st
var ivVis = {min :0, max : 1, palette : St.paletaIV};
//se agrega al mapa y centra el mapa a la zona
Map.addLayer(iv.clip(table), ivVis,'NDVI'); //Indice
Map.addLayer (vectors, {palette: ['blue', 'red']}, 'Water Body')
Map.centerObject(table, 13);

El resultado final es:

Para revisar el script a detalle clic aquí

• Implementar la funcion ui.util.getCurrentPosition en nuestro Script
• Mandar a llamar la ubicación actual con botones y,
• Poner imagen al botón

Estos tres puntos se pueden lograr de dos maneras, escribiendo todo el código o bien usando las funciones internas de VICAL.

i) Escribiendo todo el código en nuestro Script

1) Lo primero que tenemos que hacer es crear dos funciones, el primero para identificar la ubicación del usuario (current_position) y el segundo de Error

// función de Ubicación actual
function current_position(point) {
  Map.addLayer(point);
  Map.centerObject(point, 12);
  print(point);
}
//Función de Error
function Error(error) {
  print(error);
}

2) Ahora creamos un Button donde le agregamos la función en la propiedad onClick

var ImgButton = ui.Button({ //boton para ubicación del usuario
  label: 'Get Current Position',
  onClick: function(){ui.util.getCurrentPosition(current_position,Error)}
});

3) Agregamos el Button al Map

Map.add(ImgButton)

Y el resultado es:

ii) Usando VICAL

1) Para usar VICAL primero tenemos que importar dos archivos a nuestro script:

// archivo para las funciones generales de VICAL
var imp = require('users/InifapCenidRaspa/VICAL:Exportaciones');
var St= require('users/InifapCenidRaspa/VICAL:Style');

2) Usamos ui.util.getCurrentPosition para obtener la ubicación de usuario y le asignamos las funciones current_position y Error que están en el archivo imp de VICAL.

Además, como queremos que al dar clic a un botón nos centre en la ubicación actual del usuario, le asignamos la función ui.util.getCurrentPosition a la propiedad onClick del Button.

Se vera mejor si le ponemos un icono al Button ¿no?, para ello usamos la funcion IconName que esta en el archivo St de VICAL, para indicar cual icono queremos usar solo basta con ingresar el nombre, si desea mas información, puede consultar esta entrada.

var ImgButton = ui.Button({ //boton para ubicación del usuario
  label: 'Get Current Position',
  imageUrl: St.IconName('my_location'),
  onClick: function(){ui.util.getCurrentPosition(imp.current_position,imp.Error)}
});

3) Ahora, solo basta con agregar el Button al Map, y cada ves que demos clic al Button se acercara a nuestra ubicación actual.

Map.add(ImgButton)

Déjanos tus comentarios.

VICAL cuenta con tres archivos que puede importar a su Script, estos son:

// archivo para las colecciones de imagenes);
var imp = require('users/InifapCenidRaspa/VICAL:Exportaciones');
// archivo para los indices de vegetacion
var imp2= require('users/InifapCenidRaspa/VICAL:VegetationIndex'); 
// archivo para las visualizaciones
var St= require('users/InifapCenidRaspa/VICAL:Style');

Variables generales

Antes de importar el conjunto de colecciones de imágenes (Landsat o sentinel-2 o ambos) se deben definir ciertas variables que son útiles para filtrar esta colección, estos son: i) un punto o polígono; ii) *intervalo de fechas y iii) valor umbral de nubes en las imágenes*. Para este ejemplo usamos polígonos de unas parcelas agrícolas de un Distrito de Riego en México. co

var fecha = ['2021-01-01', '2022-03-18']; //Fecha inicial y final 
//polígono o punto
var table = ee.FeatureCollection("projects/calcium-verbena-328905/assets/Bate"); 
var p_nubes= 30;//Porcentaje de nubes

Selección de Colección de imagenes

Con estas colecciones de imágenes se pueden calcular series de tiempo de diferentes índices de vegetación.

Landsat

Si desea usar imágenes LandSat (4, 5, 7, 8 y 9) corregidas atmosféricamente libre de nubes se puede usar el siguiente código, donde se crea una función para unir las colecciones de imágenes y ordenarlos por fecha. Para ello se usa el archivo imp descrito al inicio de la entrada. Se realiza el ajuste espectral de los sensores del Landsat, 4, 5 y 7.

function ColeccionImagenSR(fecha, recorte, umbral)
{
  // se importan las colecciones de imagenes usando el archivo "imp"
  var L9sr = imp.ColeccionLandsatSR(fecha, 'LC09', recorte, umbral);
  var L8sr = imp.ColeccionLandsatSR(fecha, 'LC08', recorte, umbral);
  var L7sr = imp.ColeccionLandsatSR(fecha, 'LE07', recorte, umbral);
  var L5sr = imp.ColeccionLandsatSR(fecha, 'LT05', recorte, umbral);
  var L4sr = imp.ColeccionLandsatSR(fecha, 'LT04', recorte, umbral);
  //Los datos de ETM y ETM+ se ajustan espectrales a OLI y OLI-2 
  var L7a = L7sr.map(imp.TMaOLI);
  var L5a = L5sr.map(imp.TMaOLI);
  var L4a = L4sr.map(imp.TMaOLI);
  // Une las tres series de imágenes
  var serieT =L9sr.merge(L8sr).merge(L7a).merge(L5a).merge(L4a).sort('system:time_start');
    return serieT;
}
//Se importa la colección usando la función anterior 
var l8Sergio=ColeccionImagenSR(fecha, table, p_nubes);
//podemos imprimir las imagenes usando la funcion print() para ver 
//si se llevo a cabo el filtrado de la colección de imagenes (Figura 6.1) 
print (l8Sergio);

Sentinel-2

Si se desea usar imágenes Sentinel-2 corregidas atmosféricamente libre de nubes se puede usar el siguiente código.

//Se importa la colección usando el siguiente código
var S2sr = imp.ColeccionImagenSentinelSR(fecha, table, p_nubes);
//podemos imprimir las imagenes usando la funcion print() para ver 
//si se llevo a cabo el filtrado de la colección de imagenes (Figura 6.2)
print (S2sr);

Landsat y Sentinel-2

Si se desea usar imágenes LandSat y Sentinel-2 corregidas atmosféricamente libre de nubes se puede usar el siguiente código, los datos se ajustaron espectralmente a las bandas espectrales de Landsat 8. Se emplean las funciones descritas en la Sección anterior:

function ColeccionImagenAMBOS(fecha, recorte, umbral)
{
  //Se lee la función para imagenes Landsat con ajuste espectral
  var L8Conjunto=ColeccionImagenSR(fecha, recorte, umbral)
  //colección entinel
  var S2sr = imp.ColeccionImagenSentinelSR(fecha, recorte, umbral);
  var S2a = S2sr.map(imp.MSIaOLI); //Se hace el ajuste espectral de sentinel-2 a Landsat
  var serieT = S2a.merge(L8Conjunto).sort('system:time_start');
    return serieT;
}

//Se importa la colección usando el siguiente código
var S2B = ColeccionImagenAMBOS(fecha, table, p_nubes);
//podemos imprimir las imagenes usando la funcion print() para ver 
//si se llevo a cabo el filtrado de la coleccion de imagenes (Figura 6.3)
print (S2sr);

Índices de vegetación

Para usar el código de índices de vegetación de VICAL se tienen que usar el archivo imp2; y se mandan a llamar estos IV usando los nombres de la columna ExpresionGEE que se muestran en la Tabla 1.

Por ejemplo, para calcular el NDVI (Fila 12 de Tabla 1)con la colección de imágenes LandSat y Sentinel-2 de la sección anterior se usaría el siguiente código:

//Normalized Difference Vegetation Index- NDVI
var ivs = ee.ImageCollection(S2B.map(imp2.NDVI));
//para imprimir y ver la banda de NDVI
print (ivs);

Ahora, para visualizar en el mapa el NDVI de la primera imagen de la colección y recortado para la zona quedaría como se muestra a continuación; donde para ver la paleta de colores se utilizaría el archivo st de VICAL.

//Se obtiene el NDVI de la primera imagen en la colección 
var iv = ivs.first();
//Paleta de colores donde se usa el archivo st
var ivVis = {min :0, max : 1, palette : St.paletaIV};
Map.addLayer(iv.clip(table), ivVis,'NDVI'); //Indice
//se centra el mapa a la zona
 Map.centerObject(table, 13);

En la siguiente Figura se muestra el mapa de NDVI para la zona de interés.

Para revisar el código del ejemplo clic aquí

Si se desea visualizar el NDVI de una imagen en particular se debe convertir a lista de después mandar a llamarlo.

Table 1. Nombre de los Índices de vegetación en VICAL

Los iconos que vamos a usar se encuentran en esta liga: https://fonts.google.com/icons?icon.platform=web&icon.style=Outlined&icon.set=Material+Icons

Los pasos a seguir son: 1. Si vamos a poner imagenes en diferentes partes de nuestra App de GEE, nos conviene crear una función en donde nadadas se pida el nombre del icono. Esto es:

//Icons
var IconName= function(Name){ 
    return 'https://fonts.gstatic.com/s/i/materialiconsoutlined/'+Name+'/v11/24px.svg'
}

El nombre (Name) lo encontramos al dar clic en cualquier icono. Aparece una sección en la parte derecha donde aparece aparecen cuatro pestañas, seleccionamos la pestaña web y aparece unas líneas de código donde solo debemos tomar, la parte que esta marcado de amarillo en la siguiente imagen.

2. Ahora, lo que resta es poner Button o Label en nuestra App y mandar a llamar la funcion indicando el nombre del icono en el argumento imageUrl.

//Creamos un Label
var ImgLabel = ui.Label({
  value: 'Ayuda',
  imageUrl:  IconName('help_outline'),
})

//Creamos un botón
var ImgButton = ui.Button({
  label: 'Cerrar',
  imageUrl: IconName('close'),
  onClick: function(){Map.add(Box.INDICE_PANEL)}
});
//Creamos un Label
var ImgMLabel = ui.Label({
  value: 'Minimizar',
  imageUrl:  IconName('minimize'),
})
Map.add(ImgLabel)
Map.add(ImgMLabel)
Map.add(ImgButton)

El script de ejemplo se puede consultar aquí.

En este sentido, en esta entrada se muestra como descargar diferentes conjuntos de datos de reanálisis en GEE sobre una coordenada en particular. Vamos a descargar variables como Temperatura, velocidad del viento, radiación solar, humedad especifica, entre otros que se van a guardar en un archivo .CSV. Para ello se van a seguir estos sencillos pasos:

**1. ** Definimos las variables generales, estos son: intervalo de fechas, Coordenadas del punto en que queremos extraer los valores de las variables, y nombre del archivo que se va guardar en el Drive.

//---------------Valores a modificar------------------
var ainicial='2022-03-01' //Fecha inicial (respetar el formato)
var afinal='2022-05-31' //Fecha final
var latitud =  24.6375;  //Latitud en grados decimanles
var longitud = -102.7827778; //longitud en grados decimales
var Nombre='29Tepehuanes'; //Nombre
//----------------------------------------------------

2. Definimos el conjunto de datos de reanálisis que cual deseamos descargar las variables y filtramos por fecha. En este ejemplo se usa el conjunto de datos de GLDAS-2.1: Global Land Data Assimilation System

//para usar otro conjunto de datos o Dataset cambiar: 
//'NASA/GLDAS/V021/NOAH/G025/T3H'
var dataset = ee.ImageCollection('NASA/GLDAS/V021/NOAH/G025/T3H')
                  .filter(ee.Filter.date(ainicial, afinal));

Otros conjuntos de datos son:

CFSv2 ('NOAA/CFSV2/FOR6H')

NLDAS-2 ('NASA/NLDAS/FORA0125_H002')

RTMA ('NOAA/NWS/RTMA')

3. Seleccionamos las variables de nuestro interés, indicando los nombre de las bandas:

//Air temperature, Specific humidity, Downward short-wave radiation flux, Wind speed
var VaribleS = dataset.select('Tair_f_inst', 'Qair_f_inst', 'SWdown_f_tavg', 'Wind_f_inst');

4. Creamos un Feature Collection de Point usando las coordenadas indicadas en el Paso 1

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

5. Extraemos los valores de las variables en las coordenadas del Feature Collection y agregamos propiedades al conjunto de datos, estas propiedades nos ayudan para agregar mas información a la tabla .CSV; propiedades como Año, mes, día y día juliano.

//Extraer información de las variables en el punto
var filtCol = VaribleS.filterBounds(westernRegions);
//Agregamos propiedades a los datos. 
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', 'Etc/GMT+6'))
               .set('year', ee.Date(image.get('system:time_start')).format('yyyy','Etc/GMT+6'))
               .set('mon', ee.Date(image.get('system:time_start')).format('MM','Etc/GMT+6'))
               .set('day', ee.Date(image.get('system:time_start')).format('dd','Etc/GMT+6'));
}));

Debido a que los datos de reanálisis se general con hora de Etc/GMT+0 se debe modificar la zona horaria en el código. Para este ejemplo se usa el horario de la Ciudad de México se pone .format('DDD', 'Etc/GMT+6')).

6. Exportamos el conjunto de datos en formato CSV. Configuramos la información que se va agregar en cada columna del documento, que este ejemplo, son: Coordenadas, Año, mes, día, día juliano y las variables.

Export.table.toDrive({collection: data,
                      folder: "GLDAS",
                      description: Nombre+'_GLDAS', 
                      fileFormat: 'CSV', 
                      selectors: [longitud,  latitud,'year','mon','day','DOY','Tair_f_inst', 'Qair_f_inst', 'SWdown_f_tavg', 'Wind_f_inst']})

Si nos interesa mostrar el punto en el mapa de GEE, usamos el siguiente codigo

//agregar al mapa
var COLOR = {
  CITY: 'ff0000',
};
Map.addLayer(Punto, {color: COLOR.CITY}, 'point');
Map.centerObject(Punto, 7);

7. Ejecutamos el Script [clic en Run] desde el editor de código de GEE, inmediatamente aparecerá del lado izquierdo marcado en amarillo la pestaña Tasks.

En la pestaña Tasks aparece el nombre del archivo que indicamos en el código, solo le damos clic en (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, cuando se termine de descargar los datos aparecerá nuestro archivo en Drive.

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

8. Aquí dejamos los script de GEE para los conjuntos RTMA, GLDAS, CFSv2, NLDAS, con estos Script puede descargar datos de variables útiles para calcular la ETo: RTMAGLDASCFSv2NLDAS

El algoritmo utilizado para la recopilación de productos de datos MOD16 se basa en la lógica de la ecuación de Penman-Monteith, incluye entradas de datos de reanálisis diarios junto con productos de datos de detección remota MODIS, como la dinámica de las propiedades de la vegetación, el albedo y la cobertura terrestre.

En los siguientes pasos vamos a mostrar como calcular la ET acumulada en 2021 para México.

1. Se importan algunos script de la herramientas VICAL, útil para la visualización.

   var imp = require('users/InifapCenidRaspa/VICAL:Exportaciones');
   var St = require('users/InifapCenidRaspa/VICAL:Style');
   

2. Se importa la colección de imagenes y, se define el intervalo (fecha inicial y final) y la banda a utilizar (ET).

   var collection = ee.ImageCollection("MODIS/006/MOD16A2")
   .filterDate('2021-01-01', '2021-12-31')
   .select('ET');
   

   Las bandas con las que cuenta este Dataset se muestran en la siguiente imagen, de estas bandas, los valores de píxel para las dos capas de evapotranspiración (ET y PET) son la suma de los ocho días dentro del período compuesto.

1. Definimos la región, que este caso seria México, por tanto usamos el archivo disponible en GEE de Polígonos de límite internacional. Para cambiar el país se debe cambiar las dos letras MX por el código de país, para conocer el este código puede visitar la dirección https://en.wikipedia.org/wiki/List_of_FIPS_country_codes. Por ejemplo para Perú seria [PE]

   var region = ee.FeatureCollection("USDOS/LSIB_SIMPLE/2017")
             .filter(ee.Filter.eq('country_co', 'MX'));// 'MX' de México
   

1. Calculamos la ET y asignamos el estadísticos, que en este caso seria SUMA. Posteriormente recortamos con respecto a nuestra región de interés.
   Después del paso anterior multiplicamos los valores obtenidos por 0.1 que es la escala con la que nos da GEE la ET de este DataSet.

   var composite =collection.sum().clip(region);
   var composite =composite.multiply(0.1);
   

2. Definimos la paleta de visualización y la leyenda que se mostrara en el mapa

   var paletaCl = {min: 0, max: 1300, palette:St.ETO};
   var panL = imp.Leyenda('ET (mm)', paletaCl);
   

3. Finalmente, se pida a GEE que muestre el mapa con los valores de ET

   Map.centerObject(region)//centrar a la region
   Map.addLayer(composite, paletaCl, ' Suma_ET');
   Map.add(panL);// leyenda
   

4. Resultado En la siguiente Figura se muestra el resultado de la implementación del código.

Revisa el código: https://code.earthengine.google.com/2fb626db113b2d2efad82d05060c1bef

si quiere exportar el resultado en formato Raster puede escribir el siguiente codigo

Export.image.toDrive({
  image: composite,
  description: 'ET_Export',
  folder: 'earthengine',
  fileNamePrefix: 'ET',
  scale: 500,
  maxPixels: 1e10
})

Herramientas

VICAL: Es una herramienta (Figura 1) útil para calcular 23 índices de vegetación (empleados comúnmente en aplicaciones agrícolas) de cualquier polígono del mundo con imágenes satelitales Landsat (Resolución espacial de 30 m) y Sentinel-2 (resolución espacial de 10 m) (Jiménez-Jiménez et al., 2022). Para ver la sección de ayuda de VICAL clic aquí.

Figura 1. Calculo de NDVI en VICAL de una zona de riego en México

geeSEBAL (Figura 2): Es una implementación de código abierto del Algoritmo de Balance de Energía de Superficie para la Tierra (SEBAL) usando GEE usando imagenes Landsat (Laipelt et al. 2021). Esto quiere decir, que con esta herramienta se puede estimar la Evapotranspiración (ET) de cualquier parte del mundo a partir de la ecuación de balance de energía (Rn – G = LE + H), donde LE, Rn, G y H son flujo de calor latente, radiación neta, flujo de calor del suelo y flujo de calor sensible, respectivamente (Bastiaanssen, 1995; Bastiaanssen et al., 1998a, 1998b).

Figura 2. Calculo de la ET con geeSEBAL

2. Script

Algunos de estos Script son elaborados por Hidráulica Fácil y otros adaptados de otros autores. Evapotranspiración con datos Modis: Es una Script donde se usa el conjunto de datos evapotranspiración/flujo de calor latente MOD16A2 versión 6 que es un producto compuesto de 8 días con una resolución espacial de 500 metros/pixel. El algoritmo utilizado para la recopilación de productos de datos MOD16 se basa en la lógica de la ecuación de Penman-Monteith, que incluye entradas de datos de reanálisis meteorológico diario junto con productos de datos de detección remota MODIS, como la dinámica de las propiedades de la vegetación, el albedo y la cobertura terrestre. Actualmente está calculado para México pero se puede adaptar a cualquier país modificando la línea 15 del Script. Además, se calcula la ET acumulada en todo 2021, sí por ejemplo se desea calcular la ET media en cualquier año, solo debe indicar la fecha (línea 7 y 8) y reemplazar en la línea 12 del código [.sum() por .mean()]. Para modificar el código clic aquí.

Figura 3. ET acumulado de 2021 para México con datos MODIS

Si desea descargar el archivo Raster con los datos acumulado de ET de México de 2021 clic aqui: https://drive.google.com/file/d/1GSaM53dfem_DyUpM_HypjtlzFaWhRmSH/view?usp=sharing

Datos de reanálisis para estimar la Evapotranspiración de referencia (ET0): Son cuadro Script para descargar datos de reanálisis o cuadriculados para estimar la ET0, en este sentido, se descargan datos de Temperatura, humedad especifica, Radiación solar y velocidad del viento en un rango de fechas. Los datos se descargan a su DRIVE en formato CSV . Código para descargar datos de RTMA se puede obtener en la siguiente liga (Figura 4): 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

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')).

Para conocer acerca de las bases de datos y su resolución espacial puede consultar la entrada del blog [Descargar datos climáticos de reanálisis para estimar Evapotranspiración de referencia]

Figura 4. Datos descargados de RTMA en formato CSV

Literatura citada

Bastiaanssen, W.G.M., 1995. Regionalization of surface flux densities and moisture indicators in composite terrain: a remote sensing approach under clear skies in Mediterranean climates. Dr. thesis, Wageningen Agric. Univ. Wageningen Netherlands. SC-DLO, Wageningen.

Bastiaanssen, W.G.M., Menenti, M., Feddes, R.A., Holtslag, A.A.M., 1998a. A remote sensing surface energy balance algorithm for land (SEBAL): 1. Formulation. J. Hydrol. 212–213, 198–212.

Bastiaanssen, W.G.M., Pelgrum, H., Wang, J., Ma, Y., Moreno, J.F., Roerink, G.J., van der Wal, T., 1998b. A remote sensing surface energy balance algorithm for land (SEBAL): 2. Validation. J. Hydrol. 212–213, 213–229.

Jiménez-Jiménez, S. I., Marcial-Pablo, M. de J., Ojeda-Bustamante, W., Sifuentes-Ibarra, E., Inzunza-Ibarra, M. A., & Sánchez-Cohen, I. (2022). VICAL: Global Calculator to Estimate Vegetation Indices for Agricultural Areas with Landsat and Sentinel-2 Data. Agronomy 2022, Vol. 12, Page 1518, 12(7), 1518. https://doi.org/10.3390/AGRONOMY12071518

Laipelt, L., Henrique Bloedow Kayser, R., Santos Fleischmann, A., Ruhoff, A., Bastiaanssen, W., Erickson, T.A., Melton, F., 2021. Long-term monitoring of evapotranspiration using the SEBAL algorithm and Google Earth Engine cloud computing. ISPRS Journal of Photogrammetry and Remote Sensing 178, 81–96. https://doi.org/10.1016/J.ISPRSJPRS.2021.05.018