Accuracy assessment of precipitation and evapotranspiration estimates from open satellite missions in Piemonte (NW Italy): an analysis of temporal and spatial biases.

Accurate estimation of evapotranspiration and precipitation is crucial for hydrological modeling, agricultural planning, and water resource management. This study evaluated the MOD16A2GF and MOD16A2_adj datasets for reference evapotranspiration (ET₀) estimation, and the ERA5_L and CHIRPS datasets, along with their corrected versions (ERA5_L_adj and CHIRPS_adj), for precipitation estimation in the Piedmont region during the period 2010–2022. The adjusted datasets were generated through a linear regression process based on observational data collected from meteorological stations. MOD16A2_adj was created by aligning evapotranspiration estimates from MOD16A2GF with ET₀ values calculated directly from station data. Similarly, ERA5_L_adj and CHIRPS_adj were produced by aligning precipitation estimates from their respective datasets with measurements recorded by weather stations. In the first part of the analysis, MOD16A2_adj showed significant improvements compared to the unadjusted version, leading to a substantial reduction in the Mean Absolute Error (MAE) from 9.62 mm to 2.55 mm. These improvements were particularly evident during the summer months when the original dataset tended to overestimate ET₀. The uniform reduction in MAE across the entire Piedmont region confirms the effectiveness of the adjustment, suggesting that MOD16A2_adj could be reliably used even in areas lacking adequately equipped weather stations for ET₀ calculation. The second part of the study evaluated precipitation datasets, highlighting key differences between ERA5_L and CHIRPS. ERA5_L demonstrated superior performance in capturing temporal and spatial variability, with higher correlation coefficients (ranging between 0.6 and 0.8) and a systematic overestimation consistently correlated across all areas. This makes ERA5_L particularly valuable for monitoring seasonal trends and anomalies. However, its higher relative bias compared to CHIRPS limits its direct usability for irrigation planning without further corrections. CHIRPS, while exhibiting lower correlations, generally tends to overestimate precipitation less on average, proving more accurate in central areas of Piedmont. Its reliability, however, significantly diminishes in peripheral regions, particularly in the mountainous areas to the north and west, where it struggles to capture local variations. Although CHIRPS_adj reduces overestimation, it introduces underestimations during critical periods such as the summer season, potentially compromising irrigation planning. Overall, CHIRPS appears to perform better in its original version than in its adjusted form. In conclusion, for precipitation estimation, ERA5_L_adj emerges as the most reliable dataset due to its ability to accurately capture spatial and temporal variability. However, the systematic overestimation of precipitation in ERA5_L products limits their direct applicability for irrigation planning without additional adjustments. CHIRPS remains a preferable choice for central Piedmont areas, despite the aforementioned limitations. Regarding ET₀ estimation, MOD16A2_adj has proven to deliver highly accurate estimates, reinforcing its value for hydrological and agricultural applications. These findings underscore the effectiveness of linear regression corrections and highlight the importance of further research to improve data adjustments based on local conditions such as altitude, latitude, longitude, and exposure. This approach could enable the use of MOD16A2_adj even in areas without meteorological stations, thus broadening its potential applications.

La stima accurata dell’evapotraspirazione e delle precipitazioni è cruciale per la modellazione idrologica, la pianificazione agricola e la gestione delle risorse idriche. In questo studio sono stati valutati i dataset MOD16A2GF e MOD16A2_adj per la stima dell’evapotraspirazione di riferimento (ET₀), e i dataset ERA5_L e CHIRPS, insieme alle loro versioni corrette (ERA5_L_adj e CHIRPS_adj), per la stima delle precipitazioni, nella regione del Piemonte nel periodo 2010-2022. I dataset adjusted sono stati generati attraverso un processo di regressione lineare basato su dati osservativi raccolti dalle stazioni meteorologiche. MOD16A2_adj è stato ottenuto allineando le stime di evapotraspirazione del dataset MOD16A2GF ai valori di ET₀ calcolati direttamente dai dati delle stazioni. Analogamente, ERA5_L_adj e CHIRPS_adj sono stati creati allineando le stime di precipitazione dei rispettivi dataset alle misurazioni registrate dalle stazioni meteo. Nella prima parte dell’analisi, MOD16A2_adj ha mostrato miglioramenti significativi rispetto alla versione non corretta portando a una riduzione altamente significativa dell’errore assoluto medio (MAE) da 9.62mm a 2.55mm. Tali miglioramenti risultano particolarmente evidenti durante i mesi estivi, quando il dataset originale tendeva a sovrastimare l’ET₀. L’omogeneità della riduzione del MAE su tutta l’area piemontese conferma la bontà dell’aggiustamento, suggerendo la possibilità di utilizzare MOD16A2_adj anche in aree prive di stazioni meteorologiche adeguatamente equipaggiate per il calcolo di ET₀. La seconda parte dello studio ha valutato i dataset relativi alle precipitazioni, evidenziando differenze chiave tra ERA5_L e CHIRPS. ERA5_L ha dimostrato prestazioni superiori nella capacità di catturare la variabilità temporale e spaziale, con coefficienti di correlazione più elevati (tra 0.6 e 0.8) e una sovrastima sistematica ben correlata in tutte le aree. Questa caratteristica rende ERA5_L particolarmente utile per il monitoraggio delle tendenze e delle anomalie stagionali. Tuttavia, i suoi valori di bias relativi, più elevati rispetto a quelli di CHIRPS, ne limitano l’utilizzabilità diretta per la pianificazione irrigua senza ulteriori correzioni. CHIRPS, pur mostrando correlazioni più basse, in media tende a sovrastimare meno le precipitazioni, risultando più accurato nelle aree centrali del Piemonte. La sua affidabilità diminuisce significativamente nelle aree periferiche, in particolare in quelle montuose a nord e ovest, dove fatica a catturare le variazioni locali. CHIRPS_adj, pur riducendo la sovrastima, introduce sottostime durante periodi critici come la stagione estiva, potenzialmente compromettendo la pianificazione irrigua. Complessivamente, CHIRPS sembra performare meglio nella sua versione originale rispetto a quella aggiustata. In conclusione, per la stima delle precipitazioni, ERA5_L_adj emerge come il dataset più affidabile per la capacità di catturare con precisione la variabilità spaziale e temporale. Tuttavia, a causa della sovrastima delle precipitazioni, i prodotti ERA5_L non sono direttamente utilizzabili per la pianificazione irrigua senza ulteriori correzioni. CHIRPS rappresenta una scelta preferibile per le aree centrali del Piemonte, pur con le limitazioni sopra evidenziate. Per quanto riguarda la stima dell’ET₀, MOD16A2_adj ha dimostrato di fornire stime estremamente accurate, consolidando la sua utilità per applicazioni idrologiche e agricole. Questi risultati evidenziano l’efficacia delle correzioni tramite regressione lineare e sottolineano l'importanza di ulteriori studi per migliorare l’aggiustamento dei dati in base alle condizioni locali, come altitudine, latitudine, longitudine ed esposizione. Questo approccio potrebbe consentire l’utilizzo di MOD16A2_adj anche in aree prive di stazioni meteorologiche, ampliando così le sue potenziali applicazioni.