Conjunto de dados global de Equivalente de Água no Neve em grade de 0,25 grau derivado por aprendizado de máquina a partir de medições in situ

Por que a neve global importa para a vida cotidiana

A neve é mais que um cenário de inverno; é um vasto reservatório natural que acumula água nos meses frios e a libera na primavera para alimentar rios, plantações, cidades e usinas hidrelétricas. Saber quanta água está retida na neve ao redor do mundo ajuda sociedades a se preparar para inundações, secas e mudanças no fornecimento de água em um clima que aquece. Ainda assim, a grandeza que nos diz isso, chamada equivalente de água na neve, tem sido surpreendentemente difícil de medir em escala global.

O desafio de “pesar” a neve do mundo

Cientistas podem medir neve em pontos específicos usando trilhas de neve, almofadas automáticas que medem o peso do pacote de neve e outras estações de campo. Redes na América do Norte, Europa e Rússia coletam esses dados há décadas. Satélites, modelos meteorológicos e instrumentos de radar também oferecem pistas sobre a neve. Mas cada fonte tem lacunas e limitações, especialmente em neve profunda, florestas e encostas íngremes. Como resultado, mapas globais existentes frequentemente discordam sobre a quantidade de neve presente, e muitas regiões, como os Andes ou partes da Ásia, continuam mal descritas.

Ensinando um computador a aprender com neve e clima

Para preencher essas lacunas, os autores construíram um novo conjunto de dados diário global de equivalente de água na neve chamado SWEML usando um método de aprendizado de máquina conhecido como florestas aleatórias (random forests). Reuniram séries longas de medições de neve em solo de vários países, junto com produtos baseados em satélite e uma reanálise meteorológica global moderna que fornece campos consistentes de temperatura, precipitação, radiação e vento. Foram adicionadas características do terreno, como elevação, inclinação e tipo de vegetação, porque influenciam fortemente como a neve se acumula e derrete. A equipe agrupou as células de grade nevadas do mundo em 14 regiões com clima e paisagens semelhantes e então treinou modelos de aprendizado de máquina separados para cada região, permitindo que o sistema aprendesse o comportamento local da neve com mais precisão.

De pontos dispersos a um mapa diário global da neve

Como diferentes agências medem a neve de maneiras distintas, os dados brutos das estações nem sempre se alinham. Os pesquisadores primeiro ajustaram os registros de cada estação para que sua média e variabilidade correspondessem a um produto meteorológico global amplamente utilizado, mantendo, porém, as variações dia a dia das observações originais. Esse passo tornou os dados de entrada mais consistentes sem apagar seu caráter local. Os modelos de florestas aleatórias então aprenderam as ligações entre esses valores de neve ajustados e o clima e terreno ao redor. Uma vez treinados, os modelos foram usados para estimar o equivalente de água na neve diário para cada célula de grade de 0,25 grau na Terra, exceto a Antártida, no período de 1980 a 2020, gerando um registro contínuo de 41 anos.

Verificando os mapas com outras fontes

A equipe testou rigorosamente o SWEML contra várias referências independentes. Essas incluíram levantamentos aerotransportados por gama sobre a América do Norte que inferem o equivalente de água na neve pela forma como a neve bloqueia a radiação natural, mapas de neve de alta resolução para os Andes construídos a partir de imagens de satélite e um conjunto de conjuntos de dados globais de neve e superfície terrestre amplamente usados. Em milhões de comparações com medições de campo não utilizadas no treinamento, o SWEML apresentou o menor erro típico e um pequeno viés geral, tendendo ligeiramente a subestimar a neve. Foi especialmente eficaz em altas montanhas, como as Rochosas e os Alpes, onde muitos outros produtos têm dificuldade, e reproduziu padrões sazonais — como o momento e a magnitude do pico de neve — com mais fidelidade que seus pares.

O que isso significa para o planejamento da água e do clima

Pela primeira vez, cientistas e gestores hídricos dispõem de um registro diário, contínuo e global com base em aprendizado de máquina sobre quanta água está armazenada na neve ao longo de quatro décadas. O SWEML não substituirá o trabalho de campo local e ainda enfrenta desafios em terrenos muito acidentados ou em regiões com poucos ou nenhum dado de treinamento. Mas fornece uma nova base poderosa para acompanhar os recursos de neve em mudança, melhorar avaliações de risco de enchentes e secas e alimentar modelos climáticos e hídricos que precisam de entradas consistentes de longo prazo. Em um mundo com invernos em transformação, esse tipo de visão ampla do reservatório de neve do planeta é um passo importante rumo a uma gestão mais inteligente da água.

Citação: 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

Palavras-chave: equivalente de água na neve, aprendizado de máquina, conjunto de dados global de neve, hidrologia, mudança climática