Evaluating the Impact of Assimilating Soil Moisture Variability Data on Latent Heat Flux Estimation in a Land Surface Model

Abstract

Abstract Accurate specification of the soil moisture in land-surface models has the potential to improve the evapotranspiration estimates from these models. However, soil moisture is highly variable in space and time due to variability in climatic, topographic, vegetative, and soil properties. It is anticipated that including information on soil moisture variability into a land-surface model will improve model estimates of evapotranspiration. In this experiment, the spatial variability of soil moisture was measured over an agricultural field in southern Ontario over a 70 m × 70 m area ten times during the growing season. These data were used to update the Canadian Land Surface Scheme (CLASS) using three assimilation techniques. The techniques evaluated included two versions of ensemble Kalman filter (EnKF), and direct insertion of soil moisture data into the model. The results showed that assimilating observed soil moisture variability into CLASS improves model latent heat flux estimates by up to 14%. The amount of improvement depends on the method and timing of assimilation. The effect was largest at the beginning of the growing season, while it was smallest at peak growth. Application of EnKF, considering both instrumental error and field variability, resulted in greater improvement in latent heat flux estimates compared to the other two methods. This study showed that assimilation of soil moisture variability into CLASS can result in greater improvement in modelled ET comparing to assimilating of the mean of the sampling area. La spécification précise de l'humidité du sol dans les modèles de surface terrestre peut améliorer les estimations de l'évapotranspiration tirée de ces modèles. Cependant, l'humidité du sol varie grandement dans l'espace et le temps en raison de la variabilité des propriétés du sol et des propriétés climatiques, topographiques et végétatives. Selon nos prévisions, le fait d'inclure des données sur la variabilité de l'humidité du sol dans un modèle de surface terrestre améliorera les estimations d'évapotranspiration de ce modèle. Pour cette expérience, la variabilité spatiale de l'humidité du sol a été mesurée pour un champ agricole du sud de l'Ontario sur une surface de 70 m × 70 m, et ce, dix fois pendant la saison de croissance. Ces données ont servi à mettre à jour le schéma canadien de paramétrisation de la surface terrestre (CLASS - Canadian Land Surface Scheme) à l'aide de trois techniques d'assimilation. Les techniques évaluées comprenaient deux versions du filtre Kalman d'ensemble (EnKF) et l'insertion directe des données sur l'humidité du sol dans le modèle. Les résultats ont révélé que l'assimilation de la variabilité de l'humidité du sol observée au schéma CLASS améliore les estimations du flux de chaleur latente du modèle dans une mesure allant jusqu'à 14 %. L'ampleur de l'amélioration est fonction de la méthode et de la séquence de l'assimilation. L'effet a été le plus notable au début de la saison de croissance et le plus faible au niveau de croissance maximum. L'application de l'EnKF, en tenant compte de l'erreur instrumentale et de la variabilité du champ, a donné lieu à une amélioration encore plus grande des estimations du flux de chaleur latente, comparativement aux deux autres méthodes. Cette étude a révélé que l'assimilation de la variabilité de l'humidité du sol au schéma CLASS peut se traduire par une amélioration plus poussée de l'évapotranspiration modélisée comparativement à l'assimilation de la moyenne du secteur-échantillon.