{"id":13804,"date":"2026-06-24T00:29:41","date_gmt":"2026-06-23T22:29:41","guid":{"rendered":"https:\/\/geopard.tech\/?p=13804"},"modified":"2026-06-24T00:29:41","modified_gmt":"2026-06-23T22:29:41","slug":"overvakning-av-evapotranspiration-med-hjalp-av-fjarranalysmetoder-och-modeller","status":"publish","type":"post","link":"https:\/\/geopard.tech\/swe\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/","title":{"rendered":"Evapotranspirations\u00f6vervakning med hj\u00e4lp av fj\u00e4rranalysmetoder och modeller"},"content":{"rendered":"

Evapotranspirations\u00f6vervakning med fj\u00e4rranalys representerar ett av de mest betydelsefulla framstegen inom jordbruksvattenvetenskap under de senaste tv\u00e5 decennierna. Genom att kombinera satellitbaserade termiska data, vegetationsindex och energibalansfysik kan forskare och jordbrukare nu uppskatta hur mycket vatten som l\u00e4mnar landytan \u00f6ver miljontals hektar \u2013 utan en enda markbaserad sensor.<\/p>\n

Denna f\u00f6rm\u00e5ga f\u00f6r\u00e4ndrar hur agronomer schemal\u00e4gger bevattning, hur regeringar sp\u00e5rar torka och hur forskare kvantifierar vattenavtrycket i hela flodb\u00e4cken. Jordbruket f\u00f6rbrukar ungef\u00e4r 701 ton per timme av allt globalt s\u00f6tvattenuttag, men det mesta av detta vatten m\u00e4ts aldrig direkt p\u00e5 f\u00e4ltniv\u00e5 \u2013 ett kritiskt gap som evapotranspirations\u00f6vervakning med fj\u00e4rranalys snabbt h\u00e5ller p\u00e5 att \u00f6verbrygga.<\/p>\n

Vad \u00e4r evapotranspiration?<\/h2>\n

Evapotranspiration (ET) \u00e4r den kombinerade process genom vilken vatten r\u00f6r sig fr\u00e5n landytan till atmosf\u00e4ren. Den har tv\u00e5 komponenter som arbetar samtidigt: avdunstning, den direkta omvandlingen av flytande vatten fr\u00e5n jord, vattendrag och v\u00e4xtytor till vatten\u00e5nga; och transpiration, den biologiska f\u00f6rflyttningen av vatten som absorberas av v\u00e4xtr\u00f6tter, transporteras upp\u00e5t genom stammen och frig\u00f6rs som \u00e5nga genom sm\u00e5 porer i bladen som kallas klyv\u00f6ppningar.<\/p>\n

Tillsammans st\u00e5r dessa tv\u00e5 processer f\u00f6r det st\u00f6rsta vattenfl\u00f6det som l\u00e4mnar ett terrestra ekosystem. I de flesta jordbrukslandskap \u00e5terf\u00f6r vattenutsl\u00e4pp mellan 60 och 80 procent av all nederb\u00f6rd tillbaka till atmosf\u00e4ren. Den siffran g\u00f6r vattenutsl\u00e4pp till den dominerande variabeln i landvattenbalansen \u2013 mer inflytelserik \u00e4n avrinning eller djup perkolering i de flesta odlade milj\u00f6er.<\/p>\n

Vattenutsl\u00e4pp (ET) befinner sig i centrum f\u00f6r den hydrologiska cykeln och l\u00e4nkar samman landytan, biosf\u00e4ren och atmosf\u00e4ren. N\u00e4r ET-niv\u00e5erna \u00e4r h\u00f6ga utarmas markfuktigheten snabbare, flodernas grundfl\u00f6den minskar och grundvattenmagasinens p\u00e5fyllningshastigheter sjunker. N\u00e4r ET-niv\u00e5erna saktar ner \u2013 p\u00e5 grund av torkstress, gr\u00f6dors \u00e5ldrande eller f\u00f6r\u00e4ndrad markanv\u00e4ndning \u2013 f\u00e5r konsekvenserna en dominoeffekt p\u00e5 vattentillg\u00e5ngen nedstr\u00f6ms.<\/p>\n

Inom klimatvetenskapen \u00e4r utsl\u00e4ppsminskning (ET) en prim\u00e4r kopplingsmekanism mellan kol- och vattencyklerna. V\u00e4xter \u00f6ppnar sina klyv\u00f6ppningar f\u00f6r att absorbera CO2 f\u00f6r fotosyntes, och genom att g\u00f6ra det sl\u00e4pper de samtidigt ut vatten\u00e5nga. Varje f\u00f6r\u00e4ndring i det globala vegetationst\u00e4cket, temperaturen eller CO2-koncentrationen f\u00f6r\u00e4ndrar den planetariska utsl\u00e4ppsminskningsbalansen och p\u00e5verkar regionala nederb\u00f6rdsm\u00f6nster.<\/p>\n

Varf\u00f6r \u00e4r \u00f6vervakning av avdunstning en prioritet f\u00f6r vattenf\u00f6rvaltning?<\/h2>\n

Exakta data om bevattningssystem driver b\u00e4ttre beslut inom flera sektorer. Inom jordbruket kan en bevattningschef, genom att k\u00e4nna till den faktiska vattenanv\u00e4ndningen f\u00f6r gr\u00f6dor p\u00e5 f\u00e4ltniv\u00e5, veta exakt hur mycket vatten som ska appliceras, n\u00e4r det ska appliceras och var underskott uppst\u00e5r innan synlig stress uppst\u00e5r i gr\u00f6dan.<\/p>\n

Denna precision f\u00f6rhindrar b\u00e5de \u00f6verbevattning, vilket sl\u00f6sar vatten och urlakar n\u00e4rings\u00e4mnen, och underbevattning, vilket minskar avkastningen.<\/p>\n

1. Bevattningsschemal\u00e4ggning:<\/strong> Bevattningsplanering baserad p\u00e5 vattenfl\u00f6desm\u00e4ngd ers\u00e4tter gissningar med fysik. N\u00e4r en bonde vet att ett majsf\u00e4lt i juli f\u00f6rlorar 7 mm vatten per dag p\u00e5 grund av vattenfl\u00f6desm\u00e4ngd, kan de fylla p\u00e5 exakt det underskottet ist\u00e4llet f\u00f6r att bevattna med ett fast kalenderintervall.<\/p>\n

2. Torka\u00f6vervakning:<\/strong> En ih\u00e5llande minskning av faktisk torka i f\u00f6rh\u00e5llande till referens-torka (vad som skulle avdunsta vid obegr\u00e4nsad vattentillf\u00f6rsel) signalerar framv\u00e4xande torkstress. Fj\u00e4rranalys f\u00e5ngar upp denna signal veckor innan avkastningsf\u00f6rlusten blir synlig f\u00f6r \u00f6gat.<\/p>\n

3. Vattenresursplanering:<\/strong> Vattenredovisning p\u00e5 avrinningsomr\u00e5desniv\u00e5 kr\u00e4ver vattenutsl\u00e4ppsdata p\u00e5 avrinningsomr\u00e5desniv\u00e5. Satellitbaserad vattenutsl\u00e4pps\u00f6vervakning ger denna geografiska t\u00e4ckning till en br\u00e5kdel av kostnaden f\u00f6r ett markstationsn\u00e4tverk.<\/p>\n

4. Bed\u00f6mning av klimatf\u00f6r\u00e4ndringar:<\/strong> L\u00e5ngsiktiga trender inom milj\u00f6v\u00e4nlighet visar hur stigande temperaturer och f\u00f6r\u00e4ndrade nederb\u00f6rdsm\u00f6nster f\u00f6r\u00e4ndrar ekosystemens vattenanv\u00e4ndning \u2013 data som ligger till grund f\u00f6r anpassningsplanering p\u00e5 regional och nationell niv\u00e5.<\/p>\n

5. \u00d6vervakning av ekosystemh\u00e4lsa:<\/strong> Fj\u00e4rranalys av ekologiska st\u00f6rningar i v\u00e5tmarker, skogstranspiration och vattenanv\u00e4ndning i gr\u00e4smarker reagerar alla k\u00e4nsligt p\u00e5 ekologiska st\u00f6rningar. Fj\u00e4rranalys av ekologiska st\u00f6rningar f\u00e5ngar upp dessa f\u00f6r\u00e4ndringar i stora, otillg\u00e4ngliga landskap.<\/p>\n

Vilka faktorer p\u00e5verkar evapotranspiration?<\/h2>\n

Evapotranspiration (ET) formas av en kombination av klimatf\u00f6rh\u00e5llanden, landskapsegenskaper och v\u00e4xtbiologi. Nedan f\u00f6ljer en sammanfattning av de viktigaste faktorerna som \u00e4r involverade.<\/p>\n

1. Jordtyp.<\/strong> Jordens sammans\u00e4ttning spelar en betydande roll f\u00f6r vattenretention och avdunstning. Sandiga eller grusiga jordar tenderar att h\u00e5lla mindre vatten och frig\u00f6ra mer av det genom avdunstning, medan ler- eller lerrika jordar \u00e4r b\u00e4ttre p\u00e5 att beh\u00e5lla fukt.<\/p>\n

2. Lufttemperatur.<\/strong> Temperaturen p\u00e5verkar direkt evakueringshastigheterna. Varmare luft har st\u00f6rre f\u00f6rm\u00e5ga att h\u00e5lla fukt, och \u00f6kad v\u00e4rme accelererar omvandlingen av vatten till \u00e5nga, vilket driver upp evakueringshastigheten.<\/p>\n

\"Vilka<\/p>\n

3. Solstr\u00e5lning.<\/strong> F\u00f6rutom att bara generera v\u00e4rme, inneb\u00e4r solstr\u00e5lning variationer i energiniv\u00e5er, frekvens och albedo \u2013 som alla p\u00e5verkar str\u00e5lning. Dessa faktorer varierar beroende p\u00e5 plats och \u00e5rstid, och att noggrant m\u00e4ta dem kr\u00e4ver ofta avancerad teknik.<\/p>\n

4. Luftfuktighet.<\/strong> Relativ fuktighet (RH) avser m\u00e4ngden vatten\u00e5nga i luften i f\u00f6rh\u00e5llande till dess maximala kapacitet. N\u00e4r luftfuktigheten \u00e4r h\u00f6g absorberar luften mindre ytterligare fukt, vilket saktar ner evapotranspirationen. Omv\u00e4nt kan torrare luft absorbera mer \u00e5nga, vilket leder till h\u00f6gre avdunstningshastigheter.<\/p>\n

5. V\u00e4xtt\u00e4cke.<\/strong> Olika v\u00e4xtarter interagerar med vatten p\u00e5 olika s\u00e4tt. Vissa lagrar vatten effektivt under torra perioder, medan andra f\u00f6rlorar det snabbare. Bevattningshastigheterna p\u00e5verkas ocks\u00e5 av en v\u00e4xts \u00e5lder, h\u00e4lsa och rotdjup \u2013 djupare r\u00f6tter g\u00f6r att gr\u00f6dor klarar sig l\u00e4ngre utan bevattning. Dessa fysiologiska skillnader inneb\u00e4r att bevattningshastigheten kan variera kraftigt mellan olika gr\u00f6dor, vilket kr\u00e4ver skr\u00e4ddarsydda bevattningsstrategier.<\/p>\n

6. Vindhastighet.<\/strong> Vind \u00e4r en viktig drivkraft f\u00f6r b\u00e5de avdunstning och transpiration. Den sprider det fuktiga luftlagret som byggs upp \u00f6ver vegetation, vilket \u00f6kar den yttre luftfl\u00f6desm\u00e4ngden (ET). Den hj\u00e4lper ocks\u00e5 till med \u00e5ngdiffusion genom v\u00e4xtporer, vilket \u00f6kar transpirationen. Extremt starka, torra vindar kan dock ibland hindra \u00e5ngdiffusionen och minska den yttre luftfl\u00f6desm\u00e4ngden n\u00e5got under vissa f\u00f6rh\u00e5llanden.<\/p>\n

Viktiga begrepp inom evapotranspiration<\/h2>\n

ET(0) \u00e5terspeglar atmosf\u00e4rens f\u00f6rm\u00e5ga att driva vattenf\u00f6rlust och \u00e4r enbart klimatbaserad. ET(c) m\u00e4ter vattenf\u00f6rlust fr\u00e5n friska, v\u00e4lbevattnade gr\u00f6dor som v\u00e4xer under ideala f\u00f6rh\u00e5llanden med sin fulla avkastningspotential. N\u00e4r gr\u00f6dor st\u00e5r inf\u00f6r suboptimal sk\u00f6tsel eller milj\u00f6utmaningar m\u00e5ste ET(c) modifieras f\u00f6r att ge ET(c adj). Gr\u00f6dornas avdunstning f\u00f6rst\u00e5s genom tre distinkta begrepp:<\/p>\n

    \n
  1. ET(0) \u2014 Referensavdunstning<\/li>\n
  2. ET(c) \u2014 Evapotranspiration under standardf\u00f6rh\u00e5llanden<\/li>\n
  3. ET(c adj) \u2014 Evapotranspiration under icke-standardiserade f\u00f6rh\u00e5llanden<\/li>\n<\/ol>\n

    1. Referensavdunstning \u2014 ET(0)<\/h3>\n

    ET(0) representerar den hastighet med vilken vatten avdunstar fr\u00e5n en v\u00e4lbevattnad referensyta \u2013 vanligtvis modellerad som ett idealiserat gr\u00e4st\u00e4cke som uppfyller specifika kriterier.<\/p>\n

    Detta m\u00e5tt f\u00e5ngar atmosf\u00e4rens avdunstningsbehov oberoende av gr\u00f6dtyp, tillv\u00e4xtstadium eller jordbruksmetoder. Eftersom referensytan antas vara helt fuktad exkluderas markf\u00f6rh\u00e5llandena fr\u00e5n ber\u00e4kningen \u2013 vilket eliminerar behovet av att definiera separata avdunstningsgr\u00e4nsv\u00e4rden f\u00f6r varje gr\u00f6da i varje tillv\u00e4xtstadium.<\/p>\n

    ET(0) styrs helt av klimatvariabler, och typiska v\u00e4rden varierar mellan olika agroklimatiska zoner, \u00e4ven om dessa siffror endast fungerar som allm\u00e4nna riktm\u00e4rken.<\/p>\n

    2. Evapotranspiration under standardf\u00f6rh\u00e5llanden \u2014 ET(c)<\/h3>\n

    ET(c) kvantifierar det vatten som frig\u00f6rs av en frisk, v\u00e4ln\u00e4rd gr\u00f6da som odlas p\u00e5 stora, tillr\u00e4ckligt bevattnade f\u00e4lt under gynnsamma v\u00e4derf\u00f6rh\u00e5llanden och som arbetar med maximal produktivitet. Den h\u00e4rleds genom att multiplicera referens-ET med gr\u00f6dkoefficienten K(c):<\/p>\n

    ET(c) = ET(0) \u00d7 K(c)<\/em><\/p>\n

    3. Evapotranspiration under icke-standardiserade f\u00f6rh\u00e5llanden \u2014 ET(c adj)<\/h3>\n

    ET(c adj) tar h\u00e4nsyn till verkliga avvikelser fr\u00e5n ideala odlingsf\u00f6rh\u00e5llanden. Faktorer som skadedjurs- och sjukdomstryck, vattenbrist eller \u00f6verskott, jordens salthalt och d\u00e5lig jordb\u00f6rdighet kan g\u00f6ra att den faktiska vattenanv\u00e4ndningen f\u00f6r gr\u00f6dor skiljer sig avsev\u00e4rt fr\u00e5n ET(c). En vattenstresskoefficient K(s) introduceras tillsammans med gr\u00f6dkoefficienten f\u00f6r att f\u00e5nga dessa effekter:<\/p>\n

    ET(c adj) = ET(0) \u00d7 K(c) \u00d7 K(s)<\/em><\/p>\n

    Traditionella metoder f\u00f6r att m\u00e4ta evapotranspiration<\/h2>\n

    Innan fj\u00e4rranalys m\u00e4tte forskare utstr\u00e5lning med direkt fysisk instrumentering. Varje metod fungerar bra i en specifik skala men har betydande nackdelar som begr\u00e4nsar bred jordbrukstill\u00e4mpning. N\u00e5gra av de b\u00e4sta markbaserade teknikerna f\u00f6r m\u00e4tning av utstr\u00e5lning med jord \u00e4r:<\/p>\n

    1. Lysimeter: <\/strong>En lysimeter (en stor beh\u00e5llare fylld med jord och v\u00e4xande gr\u00f6da, installerad i j\u00e4mnh\u00f6jd med marken) m\u00e4ter energi\u00e5tervinning genom att v\u00e4ga jordblocket \u00f6ver tid. N\u00e4r nederb\u00f6rden kontrolleras och dr\u00e4nering samlas upp, \u00e4r skillnaden i massa mellan tidsstegen lika med faktisk energi\u00e5tervinning.<\/p>\n

    Lysimetrar ger de mest exakta ET-m\u00e4tningarna som finns tillg\u00e4ngliga, men de kostar hundratusentals dollar per enhet, t\u00e4cker bara n\u00e5gra f\u00e5 kvadratmeter och kan inte representera den rumsliga variationen i ett verkligt f\u00e4lt.<\/p>\n

    2. Eddy-kovarianssystem: <\/strong>Eddy-kovarianssystemet m\u00e4ter ET genom att ber\u00e4kna kovariansen mellan vertikal vindhastighet och vatten\u00e5ngkoncentration ovanf\u00f6r ett tr\u00e4dkrona med hj\u00e4lp av snabbreagerande sensorer. Det t\u00e4cker ett "fotavtryck" p\u00e5 flera hundra meter till n\u00e5gra kilometer, vilket g\u00f6r det mycket mer representativt \u00e4n en lysimeter.<\/p>\n

    Fluxtorn kostar dock 50 000 till 300 000 USD att installera och underh\u00e5lla, och det globala FLUXNET-n\u00e4tverket har bara cirka 900 aktiva platser \u2013 alldeles f\u00f6r glesa f\u00f6r att \u00f6vervaka jordbrukets milj\u00f6p\u00e5verkan p\u00e5 nationell niv\u00e5.<\/p>\n

    \"Traditionella<\/p>\n

    3. Bowen-f\u00f6rh\u00e5llandemetoden: <\/strong>Bowen-kvotmetoden uppskattar v\u00e4rmefl\u00f6det (ET) genom att m\u00e4ta f\u00f6rh\u00e5llandet mellan sensibelt v\u00e4rmefl\u00f6de (som v\u00e4rmer upp luften) och latent v\u00e4rmefl\u00f6de (ET) med hj\u00e4lp av temperatur- och fuktighetsgradienter ovanf\u00f6r tr\u00e4dkronan. Den \u00e4r enklare \u00e4n virvelkovarians men kr\u00e4ver homogena h\u00e4mtningsf\u00f6rh\u00e5llanden och kan inte anv\u00e4ndas i komplex terr\u00e4ng.<\/p>\n

    4. V\u00e4derstationsbaserade ET-ber\u00e4kningar<\/strong> Med hj\u00e4lp av FAO:s Penman-Monteith-ekvation ber\u00e4knas referens-ET (ET0) fr\u00e5n lufttemperatur, luftfuktighet, vindhastighet och str\u00e5lningsdata. Denna metod anv\u00e4nds ofta f\u00f6r bevattningsplanering men producerar referens-ET, inte faktisk ET, eftersom den antar en v\u00e4lvattnad referensgr\u00f6da snarare \u00e4n den faktiska gr\u00f6dan p\u00e5 f\u00e4ltet.<\/p>\n

    Det centrala problemet med alla markbaserade metoder \u00e4r skala. En enda lysimeter representerar n\u00e5gra f\u00e5 kvadratmeter. Ett fl\u00f6destorn t\u00e4cker i b\u00e4sta fall n\u00e5gra hundra hektar. Men modern jordbruksvattenhantering kr\u00e4ver fj\u00e4rranalysdata p\u00e5 f\u00e4ltniv\u00e5 \u00f6ver hela flodb\u00e4cken \u2013 en rumslig utmaning som endast fj\u00e4rranalys kan l\u00f6sa.<\/p>\n

    Grunderna i fj\u00e4rranalys f\u00f6r ET-\u00f6vervakning<\/h2>\n

    Fj\u00e4rranalys, i samband med \u00f6vervakning av utomjordingar, \u00e4r insamling och analys av data fr\u00e5n satellit eller flygplan f\u00f6r att uppskatta vattenfl\u00f6det som l\u00e4mnar landytan utan att fysiskt vidr\u00f6ra ytan.<\/p>\n

    Metoden fungerar eftersom v\u00e4xter och jordar utbyter energi med atmosf\u00e4ren p\u00e5 s\u00e4tt som \u00e4r detekterbara fr\u00e5n rymden \u2013 s\u00e4rskilt genom uts\u00e4ndning av termisk infrar\u00f6d str\u00e5lning. N\u00e4r en v\u00e4xt transpirerar effektivt anv\u00e4nder den inkommande solenergi f\u00f6r att avdunsta vatten snarare \u00e4n att v\u00e4rmas upp. Ett tr\u00e4dkrona med tillr\u00e4cklig jordfuktighet f\u00f6rblir relativt svalt.<\/p>\n

    En vattenstressad krona st\u00e4nger d\u00e4remot sina klyv\u00f6ppningar f\u00f6r att spara vatten, och eftersom mindre latent v\u00e4rme (ET) f\u00f6rbrukar den inkommande energin stiger kronans yttemperatur. Detta \u00e4r den grundl\u00e4ggande fysiska signalen som termisk fj\u00e4rranalys f\u00e5ngar upp.<\/p>\n

    Viktiga fysikaliska principer som ligger till grund f\u00f6r satellit-ET-uppskattning<\/h3>\n

    Den energibalans<\/strong> \u00e4r det styrande ramverket. P\u00e5 vilken landyta som helst m\u00e5ste nettostr\u00e5lningen (Rn) som anl\u00e4nder fr\u00e5n solen och atmosf\u00e4ren vara lika med summan av tre energis\u00e4nkor: markv\u00e4rmefl\u00f6det (G), det sensibla v\u00e4rmefl\u00f6det (H, som v\u00e4rmer luften) och det latenta v\u00e4rmefl\u00f6det (LE, som driver ET). Skrivet som en ekvation: Rn = G + H + LE. Genom att uppskatta Rn, G och H fr\u00e5n satellitdata h\u00e4rleder modellen LE \u2013 och d\u00e4rmed ET \u2013 som residualen.<\/p>\n

    1. Markytans temperatur<\/strong> (LST) m\u00e4tt i det termiska infrar\u00f6da bandet \u00e4r den prim\u00e4ra observerbara faktorn som anv\u00e4nds f\u00f6r att uppskatta sensibelt v\u00e4rmefl\u00f6de H. En varmare yta \u00f6verf\u00f6r mer v\u00e4rme till luften (h\u00f6g H), vilket l\u00e4mnar mindre energi f\u00f6r ET (l\u00e5g LE). En kallare, v\u00e4lbevattnad yta har l\u00e4gre H och h\u00f6gre LE.<\/p>\n

    2. Vegetationsindex<\/strong> Liksom NDVI f\u00e5ngar hur mycket gr\u00f6nt, fotosyntetiskt aktivt v\u00e4xtmaterial t\u00e4cker ytan, vilket styr transpirationshastigheterna. Ett t\u00e4tt, gr\u00f6nt tr\u00e4dkrona transpirerar mer \u00e4n bar jord eller ett gles best\u00e5nd.<\/p>\n

    3. Nettostr\u00e5lning<\/strong> ber\u00e4knas fr\u00e5n kortv\u00e5giga och l\u00e5ngv\u00e5giga str\u00e5lningsfl\u00f6den, vilka fj\u00e4rranalys uppskattar fr\u00e5n ytans albedo, vegetationst\u00e4cke och termiska emissionsdata.<\/p>\n

    Satellitbaserad evapotranspirations\u00f6vervakning ers\u00e4tter inte markfakta \u2013 det \u00e4r det enda verktyget som kan leverera rumsligt kontinuerliga vattenanv\u00e4ndningsdata i den skala d\u00e4r jordbruks- och hydrologiska beslut faktiskt fattas.<\/p><\/blockquote>\n

    F\u00f6rdelen med fj\u00e4rranalys j\u00e4mf\u00f6rt med markbaserade metoder \u00e4r inte bara den geografiska t\u00e4ckningen. Satellitdata ger synoptiska, repeterbara m\u00e4tningar \u00f6ver mycket heterogena landskap \u2013 n\u00e5got som inget markbaserat n\u00e4tverk skulle kunna replikera till j\u00e4mf\u00f6rbar kostnad.<\/p>\n

    Fj\u00e4rranalysdatak\u00e4llor f\u00f6r ET-uppskattning<\/h2>\n

    Att uppskatta rymden fr\u00e5n rymden kr\u00e4ver att man kombinerar data fr\u00e5n flera sensortyper. Ingen enskild satellit tillhandah\u00e5ller all den indata som en komplett rymdenmodell beh\u00f6ver, s\u00e5 operativa rymdenprodukter sl\u00e5r vanligtvis samman data fr\u00e5n flera plattformar.<\/p>\n

    1. Satellitplattformar f\u00f6r ET-uppskattning<\/h3>\n

    i. Landsat<\/strong> (USGS\/NASA) har varit i drift kontinuerligt sedan 1972 och tillhandah\u00e5ller multispektrala och termiska bilder med 30 meters spatial uppl\u00f6sning och en 16-dagars \u00e5terbes\u00f6kscykel. Dess l\u00e5nga arkiv g\u00f6r den oumb\u00e4rlig f\u00f6r historisk utomjordisk analys och \u00f6vervakning av gr\u00f6dor. De flesta energibalansmodeller f\u00f6r utomjordisk energi \u2013 inklusive SEBAL och METRIC \u2013 utformades ursprungligen kring Landsat-data.<\/p>\n

    ii. Sentinel-2<\/strong> (ESA) erbjuder 10-meters multispektrala bilder med en 5-dagars \u00e5terbes\u00f6kstid f\u00f6r h\u00f6guppl\u00f6st ber\u00e4kning av vegetationsindex. \u00c4ven om den inte har n\u00e5got termiskt band kompletterar den Landsat genom att tillhandah\u00e5lla mer frekventa NDVI-, EVI- och LAI-data med h\u00f6gre uppl\u00f6sning f\u00f6r vegetationsbaserade ET-modeller.<\/p>\n

    iii. MODIS<\/strong> (Moderate Resolution Imaging Spectroradiometer, NASA) ger daglig global t\u00e4ckning med en uppl\u00f6sning p\u00e5 250 m till 1 km. Dess gr\u00f6vre rumsliga uppl\u00f6sning begr\u00e4nsar till\u00e4mpningar i f\u00e4ltskala men g\u00f6r den idealisk f\u00f6r kontinental och global \u00f6vervakning av rymdskepp genom produkter som MOD16.<\/p>\n

    iv. EKOSTRESS<\/strong> (NASA) \u00e4r monterad p\u00e5 den internationella rymdstationen och levererar termiska infrar\u00f6da data med 70 meters uppl\u00f6sning med en \u00e5terbes\u00f6kscykel p\u00e5 1 till 5 dagar. ECOSTRESS var specifikt utformad f\u00f6r att m\u00e4ta vattenstress och infrar\u00f6d data hos gr\u00f6dor i n\u00e4rf\u00e4ltsskala \u2013 en kapacitetslucka som MODIS och tidigare satelliter inte kunde fylla.<\/p>\n

    v. VIIRS<\/strong> (Visible Infrared Imaging Radiometer Suite, NOAA\/NASA) p\u00e5 Suomi NPP- och JPSS-satelliterna forts\u00e4tter MODIS:s globala dagliga t\u00e4ckningsarv med f\u00f6rb\u00e4ttrad sensorkalibrering, vilket st\u00f6der operativa ET-produkter p\u00e5 regional till global skala.<\/p>\n

    2. UAV- och dr\u00f6narbaserade observationer av utomjordiska rymdfarkoster<\/h3>\n

    Obemannade luftfarkoster (UAV:er eller dr\u00f6nare) utrustade med v\u00e4rmekameror och multispektrala sensorer kan kartl\u00e4gga temperaturen p\u00e5 under en meter \u00f6ver enskilda f\u00e4lt. En dr\u00f6narmonterad v\u00e4rmekamera m\u00e4ter tr\u00e4dkronans temperatur direkt, och i kombination med markmeteorologiska data producerar den kartor \u00f6ver temperaturen p\u00e5 \u00f6verg\u00e5ngsvattnet med en uppl\u00f6sning som ingen satellit kan matcha.<\/p>\n

      \n
    • Termografiska dr\u00f6nare<\/strong> uppt\u00e4cka vattenstressade v\u00e4xtomr\u00e5den inom ett f\u00e4lt innan n\u00e5gra synliga symptom uppst\u00e5r, vilket m\u00f6jligg\u00f6r variabel bevattning p\u00e5 f\u00e4ltniv\u00e5.<\/li>\n
    • Multispektrala sensorer<\/strong> P\u00e5 dr\u00f6nare ber\u00e4knar de NDVI och EVI med centimeteruppl\u00f6sning och matar med gr\u00f6dokoefficientbaserade ET-modeller f\u00f6r exakt f\u00e4ltplanering.<\/li>\n
    • H\u00f6guppl\u00f6st ET-mappning<\/strong> fr\u00e5n dr\u00f6nare \u00e4r s\u00e4rskilt v\u00e4rdefullt f\u00f6r specialgr\u00f6dor \u2013 tr\u00e4dfrukter, ving\u00e5rdar, gr\u00f6nsaker \u2013 d\u00e4r variationen inom f\u00e4ltet \u00e4r h\u00f6g och kostnaden f\u00f6r vattenstress \u00e4r stor.<\/li>\n<\/ul>\n

      Viktiga fj\u00e4rranalysvariabler som anv\u00e4nds vid fj\u00e4rranalys\u00f6vervakning<\/h2>\n

      Varje variabel som extraheras fr\u00e5n satellitdata bidrar med en specifik pusselbit i ET-uppskattningen. Att f\u00f6rst\u00e5 vad varje variabel m\u00e4ter och varf\u00f6r den \u00e4r viktig hj\u00e4lper yrkesverksamma att v\u00e4lja r\u00e4tt modell och tolka resultaten korrekt.<\/p>\n

      1. Normaliserat skillnadsvegetationsindex<\/strong> (NDVI) ber\u00e4knas som (NIR \u2013 R\u00f6d) \/ (NIR + R\u00f6d) med hj\u00e4lp av n\u00e4ra-infrar\u00f6d och r\u00f6dbandsreflektans. Den varierar fr\u00e5n -1 till +1, med t\u00e4t gr\u00f6n vegetation som vanligtvis ligger mellan 0,6 och 0,9. NDVI f\u00e5ngar tr\u00e4dkronans densitet och gr\u00f6nhet, vilket korrelerar direkt med bladyta och transpirationskapacitet.<\/p>\n

      \"Viktiga<\/p>\n

      2, F\u00f6rb\u00e4ttrat vegetationsindex<\/strong> (EVI) l\u00e4gger till ett bl\u00e5tt band f\u00f6r att minska atmosf\u00e4risk st\u00f6rning och markbakgrundseffekter som bryter ner NDVI i t\u00e4ttbevuxna eller ofta molniga regioner. EVI \u00e4r k\u00e4nsligare \u00e4n NDVI i omr\u00e5den med h\u00f6g biomassa och anv\u00e4nds i MOD16 ET-algoritmen.<\/p>\n

      3. Bladareaindex<\/strong> (LAI) kvantifierar den totala ensidiga bladytan per markyta. Den styr direkt transpirationen genom att best\u00e4mma hur mycket bladyta som utbyter vatten\u00e5nga med atmosf\u00e4ren. Satellitbaserad LAI \u00e4r en viktig indata i m\u00e5nga fysikaliskt baserade utomjordiska modeller.<\/p>\n

      4. Ytalbedo<\/strong> \u00e4r andelen av inkommande solstr\u00e5lning som reflekteras av ytan. Den styr hur mycket solenergi ytan absorberar, vilket i sin tur avg\u00f6r hur mycket energi som \u00e4r tillg\u00e4nglig f\u00f6r att driva ET. En m\u00f6rk, v\u00e5t jord har l\u00e5g albedo (absorberar mer energi); en bar sandyta har h\u00f6g albedo (reflekterar mer).<\/p>\n

      5. Jordfuktighet<\/strong> fr\u00e5n mikrov\u00e5gssensorer begr\u00e4nsar transpirationsmodeller genom att indikera om tillr\u00e4ckligt med vatten finns tillg\u00e4ngligt i rotzonen f\u00f6r att st\u00f6dja transpirationsbehovet. N\u00e4r markfuktigheten sjunker under ett kritiskt tr\u00f6skelv\u00e4rde, faller den faktiska transpirationshastigheten under den potentiella hastigheten \u00e4ven om energi finns tillg\u00e4nglig.<\/p>\n

      Bastiaanssen et al. (enligt granskning i Frontiers in Remote Sensing, 2026) fann att SEBAL, validerat i mer \u00e4n 30 l\u00e4nder<\/strong>, uppn\u00e5r 85%-noggrannhet f\u00f6r dagliga ET-uppskattningar och 95%-noggrannhet f\u00f6r s\u00e4songsbetonade ET-uppskattningar<\/strong> i f\u00e4ltskala.<\/p>\n

      En s\u00e4songsnoggrannhet p\u00e5 95% inneb\u00e4r att vattenber\u00e4kningar f\u00f6r gr\u00f6dor i ett helt bevattningsdistrikt kan utf\u00f6ras tillf\u00f6rlitligt med hj\u00e4lp av endast satellitdata, vilket eliminerar behovet av t\u00e4ta markstationsn\u00e4tverk.<\/p>\n

      Modeller f\u00f6r uppskattning av evapotranspiration<\/h2>\n

      1. Energibalansmodeller<\/h3>\n

      Energibalansmodeller ber\u00e4knar ET som residualen av ytans energibudget: ET = Rn \u2013 G \u2013 H. Varje modell skiljer sig \u00e5t i hur den uppskattar det sensibla v\u00e4rmefl\u00f6det H, vilket \u00e4r den mest ber\u00e4kningskr\u00e4vande och felk\u00e4nsliga komponenten.<\/p>\n

      i. Energibalansalgoritm f\u00f6r markytan<\/strong> (SEBAL) utvecklades av Bastiaanssen 1998 och \u00e4r fortfarande en av de mest anv\u00e4nda satellitbaserade ET-modellerna globalt. SEBAL anv\u00e4nder tre centrala satellitbaserade parametrar: markyttemperatur (T0), ythalvklotsreflektans (albedo r0) och NDVI.<\/p>\n

      F\u00f6r att uppskatta sensibelt v\u00e4rmefl\u00f6de identifierar SEBAL tv\u00e5 ankarpixlar \u2013 den "heta pixeln" (torr, bar jord, d\u00e4r ET \u00e4r n\u00e4ra noll) och den "kalla pixeln" (v\u00e4lvattnad gr\u00f6da, d\u00e4r ET \u00e4r som h\u00f6gst) \u2013 och interpolerar H \u00f6ver scenen i f\u00f6rh\u00e5llande till dessa extremer. Denna sj\u00e4lvkalibreringsfunktion g\u00f6r SEBAL mindre k\u00e4nslig f\u00f6r absoluta kalibreringsfel i meteorologiska indata.<\/p>\n

      ii. Kartl\u00e4ggning av evapotranspiration med h\u00f6g uppl\u00f6sning med internaliserad kalibrering<\/strong> (METRIC)-modellen bygger p\u00e5 SEBAL men l\u00e4gger till automatiserad kalibrering mot en referens-ET ber\u00e4knad fr\u00e5n en v\u00e4derstation. METRIC \u00e4r b\u00e4ttre l\u00e4mpad f\u00f6r regioner med kompletta v\u00e4derdatan\u00e4tverk och har anv\u00e4nts i stor utstr\u00e4ckning f\u00f6r operativ bevattningshantering i v\u00e4stra USA.<\/p>\n

      iii. Ytenergibalanssystem<\/strong> (SEBS) anv\u00e4nder turbulent fl\u00f6desteori f\u00f6r att uppskatta sensibelt v\u00e4rmefl\u00f6de fr\u00e5n satellitbaserad LST, ytj\u00e4mnhet och vindhastighet. SEBS \u00e4r fysiskt mer rigor\u00f6s \u00e4n SEBAL men kr\u00e4ver ytterligare indata, vilket g\u00f6r den b\u00e4ttre l\u00e4mpad f\u00f6r forskning \u00e4n operativ jordbruksf\u00f6rvaltning.<\/p>\n

      Valet av ET-modell \u00e4r inte bara ett tekniskt beslut \u2013 det \u00e4r ett beslut om vilken fr\u00e5ga man f\u00f6rs\u00f6ker besvara. En vattenredovisning p\u00e5 avrinningsomr\u00e5desniv\u00e5 och ett bevattningsplaneringsverktyg p\u00e5 f\u00e4ltniv\u00e5 kr\u00e4ver fundamentalt olika niv\u00e5er av rumslig uppl\u00f6sning och tidsfrekvens.<\/p><\/blockquote>\n

      iv. Energibalans med tv\u00e5 k\u00e4llor<\/strong> (TSEB)-modellen behandlar marken och tr\u00e4dkronan som tv\u00e5 separata utsl\u00e4ppsk\u00e4llor, var och en med sin egen temperatur- och energibalans. Denna metod \u00e4r mer exakt f\u00f6r gles vegetation eller blandade markt\u00e4cken d\u00e4r en modell med en enda k\u00e4lla kan blanda ihop markavdunstning med v\u00e4xttranspiration.<\/p>\n

      2. Vegetationsindexbaserade ET-modeller<\/h3>\n

      Inte alla ET-modeller kr\u00e4ver v\u00e4rmebilder. Vegetationsindexbaserade modeller uppskattar ET genom gr\u00f6dkoefficientmetoden<\/strong> (Kc x ET0), d\u00e4r gr\u00f6dkoefficienten Kc h\u00e4rleds fr\u00e5n NDVI eller EVI, och referens-ET (ET0) kommer fr\u00e5n en v\u00e4derstation. FAO-56-metoden formaliserar denna metod och den anv\u00e4nds ofta f\u00f6r bevattningsplanering eftersom den inte kr\u00e4ver n\u00e5gra termiska banddata.<\/p>\n

      Maskininl\u00e4rningsmodeller, inklusive Slumpm\u00e4ssig skog<\/strong>, Artificiella neurala n\u00e4tverk (ANN)<\/strong>, och djupinl\u00e4rningsarkitekturer, till\u00e4mpas i allt h\u00f6gre grad f\u00f6r ET-estimering genom att l\u00e4ra sig komplexa icke-linj\u00e4ra samband mellan satellit-deriverade indata (LST, NDVI, albedo, LAI) och fl\u00f6destorns-ET-m\u00e4tningar.<\/p>\n

      En studie fr\u00e5n 2023 publicerad i Remote Sensing of Environment fann att en Random Forest-modell tr\u00e4nad p\u00e5 MODIS och meteorologiska indata f\u00f6rutsp\u00e5dde daglig energibalans med en R2 p\u00e5 0,87 och RMSE p\u00e5 0,51 mm\/dag \u00f6ver olika biomer \u2013 konkurrenskraftigt med traditionella energibalansmodeller men med betydligt mindre parametriseringsanstr\u00e4ngning.<\/p>\n

      En studie publicerad i Taylor och Francis Open (2021) fann att SEBAL-algoritmen, till\u00e4mpad p\u00e5 Landsat 8-bilder \u00f6ver en majsodlingsregion i Adana, Turkiet, producerade ET-uppskattningar med en korrelationskoefficienten f\u00f6r R = 0,91<\/strong> mot FAO:s Penman-Monteith-metod och ett RMSE p\u00e5 bara 1,14 mm\/dag<\/strong>.<\/p>\n

      SEBALs noggrannhet i f\u00e4ltskala inneb\u00e4r att satellitbaserad elektronetr\u00e4nage kan ers\u00e4tta eller avsev\u00e4rt minska behovet av dyra lysimeterinstallationer i operativa bevattningssystem.<\/p>\n

      Satellitbaserade ET-produkter tillg\u00e4ngliga f\u00f6r operativ anv\u00e4ndning<\/h2>\n

      Flera globala och regionala produkter f\u00f6r fj\u00e4rranalys \u00f6vers\u00e4tter nu fj\u00e4rranalysdata till f\u00e4rdiga datalager f\u00f6r fj\u00e4rranalys. Ut\u00f6vare beh\u00f6ver inte l\u00e4ngre k\u00f6ra sina egna energibalansmodeller \u2013 de kan f\u00e5 direkt \u00e5tkomst till dessa f\u00f6rber\u00e4knade datam\u00e4ngder.<\/p>\n

      1. MOD16 ET-produkt<\/strong> (NASA) anv\u00e4nder MODIS-data med en Penman-Monteith-algoritm som drivs av MODIS-landt\u00e4ckningsdata, LAI, EVI och global reanalys av meteorologiska data. Den levererar 8-dagars och m\u00e5natliga ET-kompositdata med 500 meters uppl\u00f6sning globalt. MOD16 \u00e4r v\u00e4l l\u00e4mpad f\u00f6r studier i landskapsskala men \u00e4r f\u00f6r grov f\u00f6r individuell f\u00e4lthantering.<\/p>\n

      2. SSEBop<\/strong> Den f\u00f6renklade operationella modellen f\u00f6r ytenergibalans (Simplified Surface Energy Balance), utvecklad av USGS, f\u00f6renklar kalibreringsutmaningen f\u00f6r heta pixlar\/kalla pixlar i SEBAL genom att anv\u00e4nda f\u00f6rdefinierade temperaturgr\u00e4nser h\u00e4rledda fr\u00e5n l\u00e5ngsiktiga klimatologiska data. SSEBop k\u00f6rs operativt med 30 meters uppl\u00f6sning med Landsat-data och utg\u00f6r en av de sex modellerna inom OpenET-ensemblen.<\/p>\n

      \"Satellitbaserade<\/p>\n

      3. OpenET-plattformen<\/strong>, som lanserades 2021 och drivs som ett offentlig-privat samarbete lett av NASA, USGS, California State University Monterey Bay, Environmental Defense Fund och Desert Research Institute, levererar f\u00e4ltskaliga utomjordiska data med 30 meters uppl\u00f6sning \u00f6ver v\u00e4stra USA.<\/p>\n

      En banbrytande studie publicerad i Nature Water i januari 2024, som j\u00e4mf\u00f6rde OpenET-uppskattningar med m\u00e4tningar fr\u00e5n 152 markbaserade fl\u00f6desplatser, bekr\u00e4ftade att OpenET uppn\u00e5r h\u00f6g noggrannhet f\u00f6r ett\u00e5riga gr\u00f6dor som vete, majs, soja och ris \u2013 s\u00e4rskilt i torra regioner d\u00e4r vattenbrist g\u00f6r bevattningsprecisionen mycket viktig.<\/p>\n

      4. WaPOR-portalen<\/strong> (FAO) tillhandah\u00e5ller utsl\u00e4ppsr\u00e4ttsdata f\u00f6r Afrika och Fr\u00e4mre \u00f6stern med 30 meters, 100 meters och 250 meters uppl\u00f6sning, s\u00e4rskilt utformade f\u00f6r att st\u00f6dja analys av jordbruksvattenproduktivitet i dataknappa utvecklingsregioner.<\/p>\n

      5. GLIMMA<\/strong> (Global Land Evaporation Amsterdam Model) separerar jordavdunstning i transpiration, avdunstning i barmark, avdunstning i \u00f6ppet vatten och avdunstning i \u00f6ppet vatten, baserat p\u00e5 mikrov\u00e5gsdata fr\u00e5n markfuktighet och satellitbaserade vegetationsprodukter. Den \u00e4r utm\u00e4rkt p\u00e5 att uppdela jordavdunstningssignalen i biologiska och fysiska komponenter.<\/p>\n

      Till\u00e4mpningar av fj\u00e4rranalys<\/h2>\n

      1. Precisionsbevattning och vattenhantering f\u00f6r gr\u00f6dor<\/h3>\n

      Den mest omedelbara till\u00e4mpningen av satellitdata f\u00f6r bevattning \u00e4r bevattningsplanering. N\u00e4r en jordbrukare f\u00e5r tillg\u00e5ng till veckovisa kartor \u00f6ver bevattning i f\u00e4lt kan de ber\u00e4kna bevattningsunderskottet \u2013 skillnaden mellan faktisk bevattning och effektiv nederb\u00f6rd \u2013 och applicera exakt den volymen vatten. Detta eliminerar den kroniska \u00f6verbevattningsvanan som sl\u00f6sar vatten utan att \u00f6ka avkastningen.<\/p>\n

      I Sacramento-San Joaquin-deltat i Kalifornien anv\u00e4nder vattenresursf\u00f6rvaltare OpenET f\u00f6r att hj\u00e4lpa jordbrukare att f\u00f6lja statliga best\u00e4mmelser som kr\u00e4ver korrekt rapportering av vattenanv\u00e4ndning.<\/p>\n

      Den h\u00f6ga noggrannheten hos satellitbaserade ET-data f\u00f6r ett\u00e5riga gr\u00f6dor ger en r\u00e4ttsligt f\u00f6rsvarbar grund f\u00f6r vattenredovisning som ingen markbaserad metod skulle kunna tillhandah\u00e5lla vid s\u00e5dan geografisk t\u00e4ckning.<\/p>\n

      En studie fr\u00e5n 2024 publicerad i Agricultural Water Management (Ott et al., 2024; Desert Research Institute) utv\u00e4rderade OpenET mot m\u00e4tt bevattningsdata i grundvattenbass\u00e4nger i Nevada.<\/p>\n

      I Diamond Valley visade OpenET:s uppskattningar endast en 7% skillnad fr\u00e5n uppm\u00e4tt vattenf\u00f6rbrukningsdata<\/strong>, vilket visar driftss\u00e4kerhet f\u00f6r reglerad grundvattenhantering.<\/p>\n

      En felmarginal p\u00e5 7% p\u00e5 bass\u00e4ngniv\u00e5 inneb\u00e4r att satellitbaserade ET-data kan ers\u00e4tta dyr m\u00e4tinfrastruktur i regioner d\u00e4r grundvattnet \u00e4r kritiskt utarmat.<\/p>\n

      2. Torkbed\u00f6mning och system f\u00f6r tidig varning<\/h3>\n

      Torka\u00f6vervakning \u00e4r en annan till\u00e4mpning med stor inverkan. Index f\u00f6r avdunstningssp\u00e4nning<\/strong> (ESI), h\u00e4rledd fr\u00e5n ECOSTRESS och MODIS termiska data, m\u00e4ter f\u00f6rh\u00e5llandet mellan faktisk ET och potentiell ET.<\/p>\n

      N\u00e4r ESI sjunker betydligt under 1,0 signalerar det att v\u00e4xter upplever vattenstress \u2013 en p\u00e5litlig tidig indikator p\u00e5 jordbrukstorka, ofta detekterbar 4 till 8 veckor innan avkastningsf\u00f6rlusten blir m\u00e4tbar.<\/p>\n

      USDA:s nationella center f\u00f6r torkbegr\u00e4nsning integrerar satellitbaserade torkindex baserade p\u00e5 vattenmilj\u00f6n (ET) i operativa tork\u00f6vervakningskartor som anv\u00e4nds av delstatsregeringar, gr\u00f6df\u00f6rs\u00e4kringsmyndigheter och myndigheter f\u00f6r krishantering. Denna integration g\u00f6r torkaresponsen snabbare och b\u00e4ttre riktad \u00e4n kalenderbaserade metoder eller metoder som enbart bygger p\u00e5 nederb\u00f6rd.<\/p>\n

      3. Vattenresurshantering p\u00e5 bass\u00e4ngniv\u00e5<\/h3>\n

      Vattenredovisning p\u00e5 bass\u00e4ngniv\u00e5 kr\u00e4ver att man vet hur mycket vatten som l\u00e4mnar landytan som utsl\u00e4ppt vatten \u00f6ver miljontals hektar. Det \u00e4r precis vad satellitbaserade utsl\u00e4ppsprodukter som MOD16, GLEAM och WaPOR erbjuder p\u00e5 global niv\u00e5.<\/p>\n

        \n
      • Reservoarf\u00f6rvaltningsmyndigheter<\/strong> Anv\u00e4nda ET-data f\u00f6r att uppskatta avrinningsomr\u00e5denas vattenutbyte \u2013 skillnaden mellan nederb\u00f6rd och ET \u2013 vilket avg\u00f6r hur mycket vatten som faktiskt n\u00e5r floder och reservoarer.<\/li>\n
      • Gr\u00e4ns\u00f6verskridande avrinningsomr\u00e5desmyndigheter<\/strong> till\u00e4mpa satellit-ET f\u00f6r att oberoende verifiera nationell rapportering av vattenanv\u00e4ndning utan att beh\u00f6va tillg\u00e5ng till nationella markdatan\u00e4tverk.<\/li>\n
      • Chefer f\u00f6r bevattningsdistrikt<\/strong> Anv\u00e4nd ET f\u00f6r att sp\u00e5ra konsumtion per gr\u00f6datyp \u00f6ver hela serviceomr\u00e5den, vilket st\u00f6der r\u00e4ttvis vattenf\u00f6rdelning och efterlevnad av regelverk.<\/li>\n<\/ul>\n

        4. Milj\u00f6m\u00e4ssiga och ekologiska till\u00e4mpningar<\/h3>\n

        V\u00e5tmarks\u00f6vervakning med satellitdata kvantifierar ekosystemens vattenanv\u00e4ndning i otillg\u00e4ngliga myrar, torvmarker och flodmynningar d\u00e4r marksensorer inte kan placeras ut. Skogs\u00f6vervakning med ET avsl\u00f6jar hur avskogning, \u00e5terplantering av skog och skogsbr\u00e4nder f\u00f6r\u00e4ndrar vattenbalansen i hela avrinningsomr\u00e5den \u2013 viktiga data f\u00f6r koldioxidredovisning i skogar och planering av vattenf\u00f6rs\u00f6rjning.<\/p>\n

        Evapotranspiration \u00e4r den osynliga tr\u00e5den som f\u00f6rbinder varje v\u00e4xt p\u00e5 jorden med det globala vattnets kretslopp. Fj\u00e4rranalys \u00e4r det enda verktyget vi har f\u00f6r att se det i den skala som \u00e4r viktig f\u00f6r vattenf\u00f6rvaltningen.<\/p><\/blockquote>\n

        Noggrannhetsbed\u00f6mning och validering av satellit-ET-produkter<\/h2>\n

        Ingen ET-produkt \u00e4r anv\u00e4ndbar utan rigor\u00f6s validering. Standardmetoden j\u00e4mf\u00f6r satellitbaserade ET-uppskattningar med m\u00e4tningar fr\u00e5n virvelkovariansfl\u00f6destorn \u2013 den mest exakta tillg\u00e4ngliga markbaserade sanningen f\u00f6r ET i landskapsskala.<\/p>\n

        Det globala FLUXNET<\/strong> N\u00e4tverket tillhandah\u00e5ller \u00f6ppen \u00e5tkomst till fl\u00f6destornsdata fr\u00e5n hundratals platser i olika biom. Utvecklare av ET-produkter j\u00e4mf\u00f6r sina modellresultat med FLUXNET-m\u00e4tningar f\u00f6r att ber\u00e4kna statistiska prestandam\u00e5tt, inklusive<\/p>\n

          \n
        • R2 (korrelationskoefficient),<\/li>\n
        • RMSE (rotmedelkvadratfel), och<\/li>\n
        • Bias (systematisk \u00f6ver- eller underskattning).<\/li>\n<\/ul>\n

          Validering utf\u00f6rs separat f\u00f6r olika markt\u00e4ckningstyper, klimatzoner och \u00e5rstider, eftersom ET-modellens noggrannhet varierar avsev\u00e4rt mellan dessa f\u00f6rh\u00e5llanden.<\/p>\n

          Energibalansmodeller som SEBAL och METRIC presterar generellt b\u00e4st i halvtorra jordbrukslandskap med klar himmel. Prestandan f\u00f6rs\u00e4mras i fuktiga tropiska skogar, komplex bergsterr\u00e4ng och omr\u00e5den med frekvent molnt\u00e4cke.<\/p>\n

          OpenET-noggrannhetsstudien som publicerades i Nature Water j\u00e4mf\u00f6rde sex ET-modeller med m\u00e4tningar fr\u00e5n 152 fl\u00f6destornsplatser<\/strong> \u00f6ver hela USA och fann att OpenET-ensemblen uppn\u00e5dde den starkaste prestandan specifikt f\u00f6r ett\u00e5riga gr\u00f6dor i torra v\u00e4stra regioner \u2013 de omr\u00e5den d\u00e4r bevattningshantering \u00e4r mest ekonomiskt och ekologiskt kritisk.<\/p>\n

          Vattenf\u00f6rvaltare i torra regioner kan med h\u00f6g tillf\u00f6rlitlighet distribuera OpenET-data f\u00f6r bevattningsefterlevnad och uppf\u00f6ljning av vattenbudgeter, vilket ers\u00e4tter dyr m\u00e4tinfrastruktur.<\/p>\n

          Utmaningar inom fj\u00e4rranalys av ET-\u00f6vervakning<\/h2>\n

          Trots snabba framsteg begr\u00e4nsar flera tekniska och operativa utmaningar noggrannheten och till\u00e4mpbarheten av satellitbaserad ET-\u00f6vervakning.<\/p>\n

          1. Begr\u00e4nsningar f\u00f6r molnt\u00e4cke:<\/strong> Optisk och termisk fj\u00e4rranalys kr\u00e4ver molnfria f\u00f6rh\u00e5llanden. I fuktiga tropiska regioner eller under monsuns\u00e4songer kan ett ih\u00e5llande molnt\u00e4cke skapa datagap p\u00e5 veckor till m\u00e5nader, vilket bryter den tidsm\u00e4ssiga kontinuitet som bevattningshantering kr\u00e4ver.<\/p>\n

          2. Begr\u00e4nsningar f\u00f6r rumslig uppl\u00f6sning:<\/strong> MODIS, den satellit som anv\u00e4nds mest tidsm\u00e4ssigt, tillhandah\u00e5ller ET-data med 500 meters uppl\u00f6sning \u2013 f\u00f6r grovkornig f\u00f6r f\u00e4lt mindre \u00e4n cirka 25 hektar. Landsats 30-meters uppl\u00f6sning passar de flesta jordbruksf\u00e4lt men har en 16-dagars \u00e5terbes\u00f6kscykel, vilket missar snabba f\u00f6r\u00e4ndringar i vattenstress.<\/p>\n

          3. Avv\u00e4gningar g\u00e4llande temporal uppl\u00f6sning:<\/strong> H\u00f6g spatial uppl\u00f6sning (Landsat, Sentinel-2, ECOSTRESS) och h\u00f6g temporal uppl\u00f6sning (MODIS, VIIRS) existerar i ett omv\u00e4nt f\u00f6rh\u00e5llande. Att \u00f6verbrygga denna klyfta kr\u00e4ver datafusionstekniker.<\/p>\n

          4. Modellantaganden i heterogena landskap:<\/strong> Modeller f\u00f6r energibalans med en enda k\u00e4lla antar en enhetlig krona, som bryts ner i gles vegetation, blandade odlingssystem eller gr\u00e4nssnitt mellan stad och jordbruk d\u00e4r jord- och v\u00e4xttemperaturer skiljer sig kraftigt \u00e5t.<\/p>\n

          5. Datatillg\u00e4nglighet i utvecklingsregioner:<\/strong> Data fr\u00e5n markv\u00e4derstationer som beh\u00f6vs f\u00f6r att begr\u00e4nsa modeller f\u00f6r utomjordisk energi \u00e4r sparsam i stora delar av Afrika s\u00f6der om Sahara, Sydasien och Centralasien \u2013 exakt de regioner d\u00e4r f\u00f6rb\u00e4ttrad vattenhantering \u00e4r mest akut n\u00f6dv\u00e4ndig.<\/p>\n

          Framv\u00e4xande teknologier och framtiden inom ET-\u00f6vervakning<\/h2>\n

          Flera konvergerande tekniska utvecklingar \u00e4r redo att dramatiskt ut\u00f6ka noggrannheten, t\u00e4ckningen och tillg\u00e4ngligheten f\u00f6r fj\u00e4rranalys av rymdfarkoster inom de kommande fem till tio \u00e5ren.<\/p>\n

          1. AI, maskininl\u00e4rning och datafusion<\/h3>\n

          Djupinl\u00e4rningsmodeller som tr\u00e4nas p\u00e5 stora multisensordatam\u00e4ngder b\u00f6rjar \u00f6vertr\u00e4ffa klassiska energibalansmodeller i vissa landskap. Konvolutionella neurala n\u00e4tverk kan integrera Landsat-, Sentinel-2-, MODIS- och meteorologiska reanalysdata samtidigt, och l\u00e4ra sig rumsligt-temporala energibalansm\u00f6nster som ingen enskild sensormodell f\u00e5ngar.<\/p>\n

          Samtidigt blandar datafusionsalgoritmer \u2013 framf\u00f6r allt STARFM-metoden (Spatial and Temporal Adaptive Reflectance Fusion Model) \u2013 h\u00f6guppl\u00f6sta Landsat-bilder med dagliga MODIS-data f\u00f6r att producera syntetiska dagliga ET-kartor med 30 meters uppl\u00f6sning, vilket effektivt l\u00f6ser den rumsligt-temporala avv\u00e4gning som f\u00f6r n\u00e4rvarande begr\u00e4nsar till\u00e4mpningar av precisionsjordbruk.<\/p>\n

          2. H\u00f6guppl\u00f6sta termiska satelliter och CubeSat-konstellationer<\/h3>\n

          N\u00e4sta generations dedikerade termiska jordobservationssatelliter kommer att leverera v\u00e4rmebilder p\u00e5 under 30 meters djup med dagliga \u00e5terbes\u00f6ksfrekvenser.<\/p>\n

          Planerade uppdrag, inklusive efterf\u00f6ljaren till Landsat Next och kommersiella CubeSat-termiska konstellationer, kommer att eliminera den historiska avv\u00e4gningen mellan rumslig detaljrikedom och tidsfrekvens som har begr\u00e4nsat \u00f6vervakning av utomjordisk rymdfarkost i f\u00e4lt.<\/p>\n

          Som Future Market Insights-rapporten (2025) noterade f\u00f6rv\u00e4ntas marknaden f\u00f6r fj\u00e4rranalystj\u00e4nster \u2013 v\u00e4rderad till 22,87 miljarder USD \u00e5r 2025 \u2013 n\u00e5 84,28 miljarder USD \u00e5r 2035, kraftigt driven av expansionen av LEO-satellitkonstellationer.<\/p>\n

          3. Digitala tvillingar f\u00f6r vattenhantering<\/h3>\n

          Digitala tvillingramverk \u2013 dynamiska virtuella replikor av jordbrukslandskap som uppdateras i n\u00e4ra realtid fr\u00e5n satellit- och IoT-sensorfl\u00f6den \u2013 integrerar fj\u00e4rranalys av jordenergi som en central datastr\u00f6m. Dessa system synkroniserar satellitkartor fr\u00e5n jordenergi, data fr\u00e5n jordfuktighetssensorer, v\u00e4derprognoser och modeller f\u00f6r gr\u00f6dor f\u00f6r att simulera framtida vattenstatus i \u00e5kern och automatiskt f\u00f6reskriva bevattning.<\/p>\n

          Programvara och verktyg f\u00f6r ET-\u00f6vervakning<\/h2>\n

          En rik upps\u00e4ttning plattformar g\u00f6r nu fj\u00e4rranalys av elektronet tillg\u00e4nglig f\u00f6r yrkesverksamma utan djupg\u00e5ende programmeringsexpertis.<\/p>\n

          1. Google Earth Engine (GEE)<\/strong> \u00e4r en molnbaserad geospatial databehandlingsplattform som \u00e4r v\u00e4rd f\u00f6r kompletta Landsat-, MODIS-, Sentinel- och ECOSTRESS-arkiven tillsammans med f\u00f6rbyggda ET-algoritmer. Analytiker kan k\u00f6ra ET-ber\u00e4kningar \u00f6ver \u00e5r av data f\u00f6r hela regioner utan att ladda ner n\u00e5gra bilder lokalt. GEE har blivit den dominerande forskningsplattformen f\u00f6r kartl\u00e4ggning av stora ET-omr\u00e5den.<\/p>\n

          2. OpenET-plattformen<\/strong> tillhandah\u00e5ller ett webbgr\u00e4nssnitt d\u00e4r alla registrerade anv\u00e4ndare kan f\u00e5 tillg\u00e5ng till f\u00e4ltskaliga ET-data f\u00f6r jordbruksmark i v\u00e4stra USA. Anv\u00e4ndare kan exportera dagliga, m\u00e5natliga eller s\u00e4songsbetonade ET-sammanfattningar f\u00f6r enskilda f\u00e4lt eller hela vattenf\u00f6rvaltningsdistrikt, utan att n\u00e5gra programmeringskunskaper kr\u00e4vs.<\/p>\n

          3. WaPOR-portalen<\/strong> (FAO) tillhandah\u00e5ller ett liknande peka-och-klicka-nedladdningsgr\u00e4nssnitt f\u00f6r ET f\u00f6r Afrika och Fr\u00e4mre Orienten, med direkta l\u00e4nkar till indikatorer f\u00f6r jordbruksvattenproduktivitet.<\/p>\n

          4. Python- och R-arbetsfl\u00f6den<\/strong> Med hj\u00e4lp av bibliotek som rasterio, xarray, geopandas (Python) eller terra, raster (R) kan forskare bygga anpassade pipelines f\u00f6r ET-bearbetning som integrerar satellitdata med lokala meteorologiska register, gr\u00f6dmodeller och bevattningsdatabaser.<\/p>\n

          Fallstudier f\u00f6r fj\u00e4rranalys av elektronik\u00f6vervakning<\/h2>\n

          1. Bevattningshantering i torra regioner<\/h3>\n

          I High Plains Aquifer-regionen i USA \u2013 en av de mest intensivt bevattnade jordbrukszonerna p\u00e5 jorden \u2013 visade forskare fr\u00e5n Desert Research Institute att OpenET-data integrerade med klimatdataupps\u00e4ttningar kunde uppskatta grundvattenpumpningsvolymer med tillr\u00e4cklig noggrannhet f\u00f6r att st\u00f6dja regleringshantering av sjunkande akviferniv\u00e5er.<\/p>\n

          Studien matchade satellitbaserade ET-uppskattningar mot m\u00e4tta pumpdata och fann en avvikelse p\u00e5 mindre \u00e4n 17% i de flesta avrinningsomr\u00e5den \u2013 en noggrannhetsniv\u00e5 som \u00e4r tillr\u00e4cklig f\u00f6r administration av vattenr\u00e4ttigheter.<\/p>\n

          2. Precisionsjordbruk \u00f6ver olika gr\u00f6dor<\/h3>\n

          Fj\u00e4rranalys av ET-\u00f6vervakning har implementerats f\u00f6r bevattningsplanering av bomull med hj\u00e4lp av SEBAL- och METRIC-modeller f\u00f6r att kartl\u00e4gga faktisk ET \u00f6ver enskilda f\u00e4lt under v\u00e4xts\u00e4songen.<\/p>\n

          Studier publicerade i Astrophysics Data System (2020) visade att b\u00e5da modellerna detekterade h\u00f6gre \u00e4n f\u00f6rv\u00e4ntat faktisk jord\u00e5tervinning (ET) under tidiga gr\u00f6dstadier p\u00e5 grund av h\u00f6g avdunstning i barmark \u2013 ett fynd som standardmetoden med gr\u00f6dkoefficient systematiskt missade, vilket ledde till \u00f6verbevattning under den kritiska perioden.<\/p>\n

          3. Vattenredovisning p\u00e5 avrinningsomr\u00e5desniv\u00e5<\/h3>\n

          FAO:s WaPOR-plattform har anv\u00e4nts f\u00f6r att genomf\u00f6ra analyser av vattenproduktivitet i bevattningssystem i Etiopien, Egypten och Jordanien, och kvantifierat vattenutsl\u00e4pp per producerad enhet gr\u00f6dbiomassa.<\/p>\n

          Dessa analyser identifierade f\u00e4lt med vattenproduktivitet under avrinningsomr\u00e5denas genomsnitt, vilket ger den geografiska evidensbasen f\u00f6r riktade utbyggnadsprogram f\u00f6r att f\u00f6rb\u00e4ttra bevattningseffektiviteten i underpresterande omr\u00e5den.<\/p>\n

          B\u00e4sta praxis f\u00f6r att v\u00e4lja en metod f\u00f6r \u00f6vervakning av utomjordiska k\u00e4llor<\/h2>\n

          Att v\u00e4lja r\u00e4tt kombination av satellitdata, ET-modell och valideringsstrategi beror p\u00e5 den specifika fr\u00e5gan som ska besvaras, tillg\u00e4ngliga resurser och den acceptabla os\u00e4kerhetsniv\u00e5n.<\/p>\n

          1. Definiera f\u00f6rst den rumsliga och tidsm\u00e4ssiga skalan.<\/strong> M\u00e5natlig vattenredovisning p\u00e5 bass\u00e4ngniv\u00e5 kr\u00e4ver ett annat verktyg \u00e4n daglig bevattningsplanering p\u00e5 f\u00e4ltniv\u00e5. Matcha satellitplattformens uppl\u00f6sning och \u00e5terbes\u00f6ksfrekvens med ledningsbehovet innan du v\u00e4ljer n\u00e5gon modell.<\/p>\n

          2. Matcha modellen med landskapstypen.<\/strong> Energibalansmodeller som SEBAL och METRIC fungerar b\u00e4st i halvtorra, gr\u00f6ddominerade landskap med klar himmel. Vegetationsindexbaserade modeller fungerar b\u00e4ttre i regioner med begr\u00e4nsad tillg\u00e5ng till termisk data. Maskininl\u00e4rningsmodeller fungerar b\u00e4st n\u00e4r stora, lokalt validerade tr\u00e4ningsdatam\u00e4ngder finns tillg\u00e4ngliga.<\/p>\n

          3. Validera alltid lokalt.<\/strong> \u00c4ven den mest exakta globala utt\u00f6mningsprodukten b\u00f6r valideras mot minst en lokal fl\u00f6destorns- eller lysimeterdataupps\u00e4ttning innan den tas i bruk. Prestandam\u00e5tt fr\u00e5n publicerade studier \u00f6verf\u00f6rs s\u00e4llan exakt till nya platser och gr\u00f6dor.<\/p>\n

          4. Planera f\u00f6r molnt\u00e4ckets luckor.<\/strong> I fuktiga eller tropiska omr\u00e5den, planera strategier f\u00f6r datafusion eller luckfyllnad fr\u00e5n b\u00f6rjan. Att f\u00f6rlita sig p\u00e5 en enda termisk satellit med en 16-dagars \u00e5terbes\u00f6kscykel kommer att skapa oacceptabla datagap under kritiska tillv\u00e4xtperioder f\u00f6r gr\u00f6dor.<\/p>\n

          5. Anv\u00e4nd \u00f6ppna plattformar d\u00e4r det \u00e4r m\u00f6jligt.<\/strong> Google Earth Engine, OpenET och WaPOR ger tillg\u00e5ng till validerade, v\u00e4ldokumenterade ET-produkter utan kostnad. Att bygga en anpassad ET-modell fr\u00e5n grunden \u00e4r s\u00e4llan motiverat om inte unika lokala f\u00f6rh\u00e5llanden kr\u00e4ver det.<\/p>\n

          6. Integrera ET-data med befintliga g\u00e5rdsledningssystem.<\/strong> ET-data \u00e4r som mest v\u00e4rdefull n\u00e4r den matas direkt in i bevattningsplaneringsprogram, beslutsst\u00f6dsverktyg eller vattenredovisningsdatabaser snarare \u00e4n att existera som en frist\u00e5ende satellitutg\u00e5ng.<\/p>\n

          Slutsats<\/h2>\n

          Evapotranspirations\u00f6vervakning med fj\u00e4rranalys har utvecklats fr\u00e5n en experimentell forskningsdisciplin till ett kritiskt operativt verktyg f\u00f6r vattenhantering inom jordbruket. Kombinationen av alltmer exakta satellitbaserade fj\u00e4rranalysprodukter, plattformar med \u00f6ppen \u00e5tkomst som OpenET och WaPOR, och AI-driven datafusion, tar bort de hinder som en g\u00e5ng begr\u00e4nsade satellitbaserad fj\u00e4rranalys\u00f6vervakning till v\u00e4lfinansierade forskningsinstitutioner.<\/p>\n

          De nuvarande funktionerna \u00e4r betydande: energibalansmodeller validerade i 30 eller fler l\u00e4nder, satellitbaserade energil\u00f6sningar som uppn\u00e5r b\u00e4ttre \u00e4n 90% s\u00e4songsnoggrannhet f\u00f6r st\u00f6rre ett\u00e5riga gr\u00f6dor, och molnbaserade plattformar som levererar energil\u00f6sningsdata i f\u00e4lt till alla jordbrukare eller vattenf\u00f6rvaltare med internetanslutning. Dessa funktioner anv\u00e4nds redan f\u00f6r att hantera bevattningsefterlevnaden av Coloradofloden, f\u00f6r att \u00f6vervaka grundvattenutarmning i High Plains Aquifer och f\u00f6r att f\u00f6rb\u00e4ttra jordbruksvattenproduktiviteten i hela Afrika genom FAO:s WaPOR-system.<\/p>","protected":false},"excerpt":{"rendered":"

          Evapotranspirations\u00f6vervakning med fj\u00e4rranalys representerar ett av de mest betydelsefulla framstegen inom jordbruksvattenvetenskap under de senaste tv\u00e5 decennierna. Genom att kombinera satellitbaserad termisk\u2026<\/p>","protected":false},"author":210157960,"featured_media":13807,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1378],"tags":[],"class_list":["post-13804","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-remote-sensing"],"acf":[],"yoast_head":"\nEvapotranspiration Monitoring Using Remote Sensing Methods and Models - GeoPard Agriculture<\/title>\n<meta name=\"description\" content=\"Evapotranspiration monitoring with remote sensing represents one of the most consequential advances in agricultural water science.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geopard.tech\/swe\/blogg\/overvakning-av-evapotranspiration-med-hjalp-av-fjarranalysmetoder-och-modeller\/\" \/>\n<meta property=\"og:locale\" content=\"sv_SE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Evapotranspiration Monitoring Using Remote Sensing Methods and Models - GeoPard Agriculture\" \/>\n<meta property=\"og:description\" content=\"Evapotranspiration monitoring with remote sensing represents one of the most consequential advances in agricultural water science.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geopard.tech\/swe\/blogg\/overvakning-av-evapotranspiration-med-hjalp-av-fjarranalysmetoder-och-modeller\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoPard - Precision agriculture Mapping software\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/geopardAgriculture\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-06-23T22:29:41+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/06\/Evapotranspiration-Monitoring-Using-Remote-Sensing-Methods-and-Models.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1920\" \/>\n\t<meta property=\"og:image:height\" content=\"1080\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"dementievgeopard\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:site\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:label1\" content=\"Skriven av\" \/>\n\t<meta name=\"twitter:data1\" content=\"dementievgeopard\" \/>\n\t<meta name=\"twitter:label2\" content=\"Ber\u00e4knad l\u00e4stid\" \/>\n\t<meta name=\"twitter:data2\" content=\"25 minuter\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/\"},\"author\":{\"name\":\"dementievgeopard\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\"},\"headline\":\"Evapotranspiration Monitoring Using Remote Sensing Methods and Models\",\"datePublished\":\"2026-06-23T22:29:41+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/\"},\"wordCount\":5448,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/06\\\/Evapotranspiration-Monitoring-Using-Remote-Sensing-Methods-and-Models.png?fit=1920%2C1080&ssl=1\",\"articleSection\":[\"Remote Sensing\"],\"inLanguage\":\"sv-SE\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/\",\"url\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/\",\"name\":\"Evapotranspiration Monitoring Using Remote Sensing Methods and Models - GeoPard Agriculture\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/06\\\/Evapotranspiration-Monitoring-Using-Remote-Sensing-Methods-and-Models.png?fit=1920%2C1080&ssl=1\",\"datePublished\":\"2026-06-23T22:29:41+00:00\",\"description\":\"Evapotranspiration monitoring with remote sensing represents one of the most consequential advances in agricultural water science.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/#breadcrumb\"},\"inLanguage\":\"sv-SE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"sv-SE\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/06\\\/Evapotranspiration-Monitoring-Using-Remote-Sensing-Methods-and-Models.png?fit=1920%2C1080&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/06\\\/Evapotranspiration-Monitoring-Using-Remote-Sensing-Methods-and-Models.png?fit=1920%2C1080&ssl=1\",\"width\":1920,\"height\":1080,\"caption\":\"Evapotranspiration Monitoring Using Remote Sensing Methods and Models\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/geopard.tech\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Evapotranspiration Monitoring Using Remote Sensing Methods and Models\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"name\":\"GeoPard - Precision agriculture software\",\"description\":\"Precision agriculture Mapping software\",\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"alternateName\":\"GeoPard\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geopard.tech\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"sv-SE\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"sv-SE\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2022\\\/03\\\/favicon.png?fit=200%2C200&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2022\\\/03\\\/favicon.png?fit=200%2C200&ssl=1\",\"width\":200,\"height\":200,\"caption\":\"GeoPard Agriculture\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/geopardAgriculture\\\/\",\"https:\\\/\\\/x.com\\\/geopardagri\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/geopard-agriculture\\\/\",\"https:\\\/\\\/www.instagram.com\\\/geopardagriculture\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\",\"name\":\"dementievgeopard\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"sv-SE\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"caption\":\"dementievgeopard\"},\"url\":\"#\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Evapotranspirations\u00f6vervakning med hj\u00e4lp av fj\u00e4rranalysmetoder och modeller - GeoPard Agriculture","description":"Evapotranspirations\u00f6vervakning med fj\u00e4rranalys representerar ett av de mest betydelsefulla framstegen inom jordbrukets vattenvetenskap.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geopard.tech\/swe\/blogg\/overvakning-av-evapotranspiration-med-hjalp-av-fjarranalysmetoder-och-modeller\/","og_locale":"sv_SE","og_type":"article","og_title":"Evapotranspiration Monitoring Using Remote Sensing Methods and Models - GeoPard Agriculture","og_description":"Evapotranspiration monitoring with remote sensing represents one of the most consequential advances in agricultural water science.","og_url":"https:\/\/geopard.tech\/swe\/blogg\/overvakning-av-evapotranspiration-med-hjalp-av-fjarranalysmetoder-och-modeller\/","og_site_name":"GeoPard - Precision agriculture Mapping software","article_publisher":"https:\/\/www.facebook.com\/geopardAgriculture\/","article_published_time":"2026-06-23T22:29:41+00:00","og_image":[{"width":1920,"height":1080,"url":"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/06\/Evapotranspiration-Monitoring-Using-Remote-Sensing-Methods-and-Models.png","type":"image\/png"}],"author":"dementievgeopard","twitter_card":"summary_large_image","twitter_creator":"@geopardagri","twitter_site":"@geopardagri","twitter_misc":{"Skriven av":"dementievgeopard","Ber\u00e4knad l\u00e4stid":"25 minuter"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/#article","isPartOf":{"@id":"https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/"},"author":{"name":"dementievgeopard","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a"},"headline":"Evapotranspiration Monitoring Using Remote Sensing Methods and Models","datePublished":"2026-06-23T22:29:41+00:00","mainEntityOfPage":{"@id":"https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/"},"wordCount":5448,"commentCount":0,"publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"image":{"@id":"https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Evapotranspiration-Monitoring-Using-Remote-Sensing-Methods-and-Models.png?fit=1920%2C1080&ssl=1","articleSection":["Remote Sensing"],"inLanguage":"sv-SE","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/","url":"https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/","name":"Evapotranspirations\u00f6vervakning med hj\u00e4lp av fj\u00e4rranalysmetoder och modeller - GeoPard Agriculture","isPartOf":{"@id":"https:\/\/geopard.tech\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/#primaryimage"},"image":{"@id":"https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Evapotranspiration-Monitoring-Using-Remote-Sensing-Methods-and-Models.png?fit=1920%2C1080&ssl=1","datePublished":"2026-06-23T22:29:41+00:00","description":"Evapotranspirations\u00f6vervakning med fj\u00e4rranalys representerar ett av de mest betydelsefulla framstegen inom jordbrukets vattenvetenskap.","breadcrumb":{"@id":"https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/#breadcrumb"},"inLanguage":"sv-SE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/"]}]},{"@type":"ImageObject","inLanguage":"sv-SE","@id":"https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/#primaryimage","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Evapotranspiration-Monitoring-Using-Remote-Sensing-Methods-and-Models.png?fit=1920%2C1080&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Evapotranspiration-Monitoring-Using-Remote-Sensing-Methods-and-Models.png?fit=1920%2C1080&ssl=1","width":1920,"height":1080,"caption":"Evapotranspiration Monitoring Using Remote Sensing Methods and Models"},{"@type":"BreadcrumbList","@id":"https:\/\/geopard.tech\/blog\/evapotranspiration-monitoring-using-remote-sensing-methods-and-models\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/geopard.tech\/"},{"@type":"ListItem","position":2,"name":"Evapotranspiration Monitoring Using Remote Sensing Methods and Models"}]},{"@type":"WebSite","@id":"https:\/\/geopard.tech\/#website","url":"https:\/\/geopard.tech\/","name":"GeoPard - Precisionsjordbruksmjukvara","description":"Precisionsjordbruk kartprogramvara","publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"alternateName":"GeoPard","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geopard.tech\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"sv-SE"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard Jordbruk","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"sv-SE","@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/03\/favicon.png?fit=200%2C200&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/03\/favicon.png?fit=200%2C200&ssl=1","width":200,"height":200,"caption":"GeoPard Agriculture"},"image":{"@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/geopardAgriculture\/","https:\/\/x.com\/geopardagri","https:\/\/www.linkedin.com\/company\/geopard-agriculture\/","https:\/\/www.instagram.com\/geopardagriculture\/"]},{"@type":"Person","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a","name":"Demens","image":{"@type":"ImageObject","inLanguage":"sv-SE","@id":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","caption":"dementievgeopard"},"url":"#"}]}},"jetpack_publicize_connections":[],"jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/pdiCPa-3AE","jetpack_featured_media_url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Evapotranspiration-Monitoring-Using-Remote-Sensing-Methods-and-Models.png?fit=1920%2C1080&ssl=1","_links":{"self":[{"href":"https:\/\/geopard.tech\/swe\/wp-json\/wp\/v2\/posts\/13804","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/swe\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/swe\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/swe\/wp-json\/wp\/v2\/users\/210157960"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/swe\/wp-json\/wp\/v2\/comments?post=13804"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/swe\/wp-json\/wp\/v2\/posts\/13804\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/swe\/wp-json\/wp\/v2\/media\/13807"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/swe\/wp-json\/wp\/v2\/media?parent=13804"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/swe\/wp-json\/wp\/v2\/categories?post=13804"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/swe\/wp-json\/wp\/v2\/tags?post=13804"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}