Abstract:
The present study aimed to apply and assess an exponential filter that calculates the root-zone soil moisture using surface data from the soil moisture and ocean salinity (SMOS) satellite, as well as to assess soil moisture simulated in land-surface models from global databases. The soil water index (obtained after application of the exponential filter) and soil moisture simulated using land surface models (GLDAS-CLSM, GLDAS-Noah, and ERA5-Land) from global databases were compared with in situ data to evaluate their efficiency in estimating soil water content at different depths. Surface measurements from the SMOS satellite allowed the estimation of soil moisture at depths of 20 and 40 cm by applying the exponential filter. At both depths, the application of the exponential filter significantly improved the estimation of soil moisture measured by the SMOS satellite. The GLDAS-Noah model had the best root mean square error values, whilst the GLDAS-CLSM and ERA5-Land models overestimated the soil moisture. Nevertheless, the seasonal variation was well represented by all land surface models. O presente estudo teve como objetivo aplicar e avaliar um filtro exponencial que calcula a umidade do solo na zona da raiz usando dados de superfície do satélite soil moisture and ocean salinity (SMOS), assim como avaliar a umidade do solo simulada em modelos de superfície de bases de dados globais. O índice de água do solo (obtido após a aplicação do filtro exponencial) e a umidade do solo simulada com modelos de superfície terrestre (GLDAS-CLSM, GLDAS-Noah e ERA5-Land) de bancos de dados globais foram comparados com dados in situ para avaliar sua eficiência na estimativa do teor de água do solo em diferentes profundidades. As medições de superfície do satélite SMOS permitiram estimar a umidade do solo nas profundidades de 20 e 40 cm por meio da aplicação do filtro exponencial. Em ambas as profundidades, a aplicação do filtro exponencial melhorou significativamente a estimativa da umidade do solo medida pelo satélite SMOS. O modelo GLDAS-Noah apresentou os melhores valores de erro quadrático médio, enquanto os modelos GLDAS-CLSM e ERA5-Land superestimaram a umidade do solo. No entanto, a variação sazonal foi bem representada por todos os modelos de superfície.
