Globalne, 0,25-stopniowe siatkowe dane równoważnika wodnego śniegu uzyskane metodami uczenia maszynowego na podstawie pomiarów in situ

Dlaczego globalny śnieg ma znaczenie dla codziennego życia

Śnieg to coś więcej niż zimowy pejzaż; to rozległy naturalny zbiornik, który magazynuje wodę w chłodnych miesiącach i uwalnia ją wiosną, zasilając rzeki, pola uprawne, miasta oraz elektrownie wodne. Znajomość ilości wody zgromadzonej w śniegu na całym świecie pomaga przygotować się na powodzie, susze oraz zmiany dostępności wody w ocieplającym się klimacie. Jednak kluczowa wielkość informująca o tym, nazywana równoważnikiem wodnym śniegu, była zaskakująco trudna do zmierzenia na skalę globalną.

Wyzwanie ważenia światowego zasobu śniegu

Naukowcy mogą mierzyć śnieg w konkretnych punktach, korzystając z tras pomiarowych, automatycznych „poduszek” ważących pokrywę śnieżną i innych stacji naziemnych. Sieci w Ameryce Północnej, Europie i Rosji zbierają takie dane od dziesięcioleci. Satelity, modele pogodowe i instrumenty radarowe także dostarczają wskazówek o śniegu. Jednak każde z tych źródeł ma luki i ograniczenia, szczególnie w przypadku głębokiego śniegu, lasów i stromych gór. W efekcie istniejące mapy globalne często nie zgadzają się co do ilości śniegu, a wiele regionów, takich jak Andy czy części Azji, jest słabo opisanych.

Nauczanie komputera na podstawie śniegu i pogody

Aby zamknąć te luki, autorzy opracowali nowy, dzienny, globalny zbiór danych o równoważniku wodnym śniegu o nazwie SWEML, wykorzystując metodę uczenia maszynowego znaną jako random forests. Zgromadzili długie serie pomiarów śniegu z terenu z wielu krajów, a także produkty satelitarne i nowoczesną, globalną reanalizę pogodową dostarczającą spójnych pól temperatury, opadów, promieniowania i wiatru. Dodano cechy terenu, takie jak wysokość, nachylenie i typ roślinności, ponieważ w dużym stopniu kształtują one akumulację i topnienie śniegu. Zespół pogrupował zaśnieżone komórki siatki świata na 14 regionów o podobnych cechach klimatycznych i krajobrazowych, a następnie wytrenował oddzielne modele uczenia maszynowego dla każdego regionu, aby system mógł dokładniej poznać lokalne zachowanie śniegu.

Z rozproszonych punktów do globalnej, codziennej mapy śniegu

Ponieważ różne agencje mierzą śnieg w różny sposób, surowe dane ze stacji nie zawsze są zgodne. Badacze najpierw dostosowali zapis każdej stacji tak, aby jej średnia i zmienność odpowiadały szeroko używanemu globalnemu produktowi pogodowemu, zachowując jednocześnie dobowe wahania z oryginalnych obserwacji. Ten krok uczynił dane wejściowe bardziej spójnymi, nie zacierając ich lokalnego charakteru. Modele random forest nauczyły się następnie związków między tymi dostosowanymi wartościami śniegu a otaczającymi warunkami pogodowymi i cechami terenu. Po wytrenowaniu modele posłużyły do oszacowania dziennej ilości wody w śniegu dla każdej komórki siatki o rozdzielczości 0,25 stopnia na Ziemi, z wyjątkiem Antarktydy, w latach 1980–2020, tworząc spójny 41-letni zapis.

Porównanie map z innymi źródłami

Zespół rygorystycznie przetestował SWEML w porównaniu z kilkoma niezależnymi odniesieniami. Należały do nich lotnicze badania gamma nad Ameryką Północną, które wywnioskowują ilość wody w śniegu na podstawie tłumienia naturalnego promieniowania, wysokorozdzielcze mapy śniegu dla Andów oparte na obrazach satelitarnych oraz zestaw powszechnie używanych globalnych danych o śniegu i powierzchni lądu. W milionach porównań z nieużywanymi pomiarami naziemnymi SWEML wykazał najniższy typowy błąd i niewielkie przesunięcie ogólne, nieco skłaniając się ku niedoszacowaniu ilości śniegu. Szczególnie dobrze poradził sobie w wysokich górach, takich jak Góry Skaliste i Alpy, gdzie wiele innych produktów ma trudności, oraz wierniej odwzorował sezonowe wzorce, takie jak czas i wielkość maksymalnej pokrywy śnieżnej, niż jego odpowiedniki.

Co to oznacza dla planowania zasobów wodnych i klimatu

Po raz pierwszy naukowcy i zarządcy zasobów wodnych mają do dyspozycji oparty na uczeniu maszynowym, globalny i ciągły dzienny zapis ilości wody zgromadzonej w śniegu obejmujący cztery dekady. SWEML nie zastąpi lokalnych badań terenowych i nadal napotyka wyzwania w bardzo trudnym terenie lub w regionach z niewielką lub żadną ilością danych szkoleniowych. Jednak dostarcza potężnej nowej podstawy do śledzenia zmieniających się zasobów śnieżnych, ulepszania ocen ryzyka powodzi i suszy oraz zasilania modeli klimatu i gospodarki wodnej, które potrzebują spójnych, długoterminowych danych wejściowych. W świecie o zmieniających się zimach taki panoramiczny obraz planetarnego zbiornika śnieżnego jest ważnym krokiem ku mądrzejszemu gospodarowaniu wodą.

Cytowanie: 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

Słowa kluczowe: równoważnik wodny śniegu, uczenie maszynowe, globalny zbiór danych o śniegu, hydrologia, zmiany klimatu