Resumo: A melhoria das estimativas de evapotranspiração (ET) usando produtos de sensoriamento remoto (SR) baseados em sensores multiespectrais e térmicos tem sido um avanço na pesquisa hidrológica. Em aplicações de larga escala, os métodos que usam a abordagem de modelos de balanço de energia de superfície (SEB) baseados em RS geralmente dependem de simplificações excessivas. O uso desses modelos para Florestas Tropicais Sazonalmente Secas (FTSS) tem sido desafiador devido a incompatibilidades entre os pressupostos subjacentes a esses modelos e as especificidades desse ambiente, como as fases fenológicas altamente contrastantes ou o TE sendo controlado principalmente pela disponibilidade de água no solo. Desenvolvemos um modelo SEB baseado em RS a partir de uma equação de transferência em massa de uma fonte, chamada Seasonal Tropical Ecosystem Energy Partitioning (STEEP). Nosso modelo utiliza o índice de área vegetal para representar a estrutura lenhosa das plantas no cálculo do comprimento da rugosidade momentânea. Foi incluído o parâmetro kB−1 e sua correção utilizando a umidade do solo RS no cálculo da resistência aerodinâmica para transferência de calor. Além disso, o λET causado pela disponibilidade de água remanescente nos pixels finais foi quantificado usando a equação de Priestley-Taylor. Implementamos o algoritmo no Google Earth Engine, usando dados disponíveis gratuitamente. Para avaliar nosso modelo, usamos dados de covariância de turbilhões de quatro locais na Caatinga, a maior FTSD da América do Sul, no semiárido brasileiro. Nossos resultados mostram que STEEP aumentou a precisão das estimativas de ET sem a necessidade de qualquer informação climatológica adicional. Essa melhora é mais pronunciada durante a estação seca, que, em geral, o ET para esses FTSS é superestimado pelos modelos tradicionais de SEB, como o Surface Energy Balance Algorithms for Land (SEBAL). O modelo STEEP apresentou comportamento e estatísticas de desempenho semelhantes ou superiores em relação aos produtos globais de ET (MOD16 e PMLv2). Este trabalho contribui para uma melhor compreensão dos direcionadores e moduladores dos balanços energético e hídrico em escala local e regional em SDTF.
