Données mondiales à maillage 0,25 degré d’équivalent en eau de la neige dérivées de l’apprentissage automatique à partir de mesures in situ

Pourquoi la neige mondiale compte pour la vie quotidienne

La neige n’est pas qu’un décor hivernal ; c’est un vaste réservoir naturel qui stocke l’eau pendant les mois froids et la restitue au printemps pour alimenter rivières, exploitations agricoles, villes et centrales hydroélectriques. Connaître la quantité d’eau contenue dans la neige à l’échelle mondiale aide les sociétés à se préparer aux crues, aux sécheresses et aux modifications des ressources en eau dans un climat qui se réchauffe. Pourtant, la grandeur clé qui renseigne sur cela, appelée équivalent en eau de la neige, a été étonnamment difficile à mesurer à l’échelle globale.

Le défi de peser la neige du monde

Les scientifiques peuvent mesurer la neige en des points précis à l’aide de transects de neige, de coussins automatisés qui pèsent le manteau neigeux et d’autres stations de terrain. Des réseaux en Amérique du Nord, en Europe et en Russie ont collecté de telles données pendant des décennies. Les satellites, les modèles météorologiques et les instruments radar fournissent aussi des indices sur la neige. Mais chaque source présente des lacunes et des faiblesses, en particulier dans les zones de neige profonde, sous couvert forestier et en montagne escarpée. En conséquence, les cartes globales existantes diffèrent souvent sur la quantité de neige présente, et de nombreuses régions, comme les Andes ou certaines parties de l’Asie, restent mal décrites.

Apprendre à un ordinateur à tirer parti de la neige et de la météo

Pour combler ces manques, les auteurs ont construit un nouveau jeu de données quotidien global d’équivalent en eau de la neige appelé SWEML en utilisant une méthode d’apprentissage automatique connue sous le nom de forêts aléatoires. Ils ont rassemblé de longues séries de mesures de neige au sol provenant de plusieurs pays, ainsi que des produits satellitaires et une réanalyse météorologique mondiale moderne qui fournit de manière cohérente température, précipitations, radiation et vent. Des caractéristiques du terrain comme l’altitude, la pente et le type de végétation ont été ajoutées parce qu’elles influencent fortement l’accumulation et la fonte de la neige. L’équipe a regroupé les cellules de grille enneigées du monde en 14 régions présentant des traits climatiques et paysagers similaires, puis a entraîné des modèles d’apprentissage automatique séparés pour chaque région afin que le système puisse apprendre plus précisément le comportement local de la neige.

Des points épars à une carte mondiale quotidienne de la neige

Puisque différentes agences mesurent la neige de manières variées, les données brutes des stations ne sont pas toujours cohérentes entre elles. Les chercheurs ont d’abord ajusté l’enregistrement de chaque station pour que sa moyenne et sa variabilité correspondent à un produit météorologique mondial largement utilisé, tout en conservant les fluctuations jour après jour des observations originales. Cette étape a rendu les données d’entrée plus cohérentes sans effacer leur caractère local. Les modèles de forêts aléatoires ont ensuite appris les liens entre ces valeurs de neige ajustées et la météo et le terrain environnants. Une fois entraînés, les modèles ont été utilisés pour estimer quotidiennement l’équivalent en eau de la neige pour chaque cellule de grille de 0,25 degré sur Terre, à l’exception de l’Antarctique, de 1980 à 2020, produisant un enregistrement continu de 41 ans.

Vérifier les cartes par rapport à d’autres sources

L’équipe a testé rigoureusement SWEML contre plusieurs références indépendantes. Celles-ci comprenaient des levés aéroportés au rayonnement gamma en Amérique du Nord qui déduisent l’eau de la neige d’après la manière dont la neige bloque le rayonnement naturel, des cartes de neige à haute résolution pour les Andes construites à partir d’images satellitaires, et un ensemble de jeux de données globaux largement utilisés sur la neige et la surface terrestre. Sur des millions de comparaisons avec des mesures au sol non utilisées pour l’entraînement, SWEML a montré l’erreur typique la plus faible et un faible biais global, tendant légèrement à sous-estimer la neige. Il a particulièrement bien performé en haute montagne comme dans les Rocheuses et les Alpes, où de nombreux autres produits peinent, et il a reproduit les cycles saisonniers — par exemple l’instant et l’ampleur du pic de manteau neigeux — plus fidèlement que ses homologues.

Ce que cela signifie pour la gestion de l’eau et la planification climatique

Pour la première fois, les scientifiques et les gestionnaires de l’eau disposent d’un enregistrement quotidien, continu et mondial basé sur l’apprentissage automatique de la quantité d’eau stockée dans la neige sur quatre décennies. SWEML ne remplacera pas le travail de terrain local, et il reste confronté à des défis dans des reliefs très accidentés ou dans des régions disposant de peu ou pas de données d’entraînement. Mais il fournit une nouvelle base puissante pour suivre l’évolution des ressources neigeuses, améliorer les évaluations des risques d’inondation et de sécheresse, et alimenter les modèles climatiques et hydriques qui ont besoin d’entrées cohérentes à long terme. Dans un monde aux hivers changeants, ce regard d’ensemble sur le réservoir de neige planétaire est une étape importante vers une gestion plus avisée de l’eau.

Citation: Seo, J., Panahi, M., Kim, J. et al. Global 0.25-degree gridded Snow water equivalent data derived from machine learning using in-situ measurements. Sci Data 13, 739 (2026). https://doi.org/10.1038/s41597-026-06895-z

Mots-clés: équivalent en eau de la neige, apprentissage automatique, jeu de données mondial sur la neige, hydrologie, changement climatique