Глобальные 0,25-градусные сеточные данные об эквиваленте водяного содержания снега, полученные методом машинного обучения на основе полевых измерений

Почему глобальный снег важен для повседневной жизни

Снег — это не просто зимняя картина; это огромный природный резервуар, который накапливает воду в холодные месяцы и отдаёт её весной, подпитывая реки, фермы, города и гидроэнергетику. Знание того, сколько воды хранится в снеге по всему миру, помогает обществу подготовиться к наводнениям, засухам и сдвигам водных ресурсов в условиях потепления климата. Однако ключевая величина, которая показывает это — эквивалент водяного содержания снега — на глобальном уровне измеряется удивительно трудно.

Сложность «взвешивания» мирового снега

Учёные могут измерять снег в отдельных точках с помощью снеговых процедур, автоматических подушек, взвешивающих снежный покров, и других наземных станций. Сети в Северной Америке, Европе и России собирают такие данные на протяжении десятилетий. Спутники, погодные модели и радиолокационные приборы тоже дают подсказки о снеге. Но каждый источник имеет пробелы и ограничения, особенно в глубоком снеге, лесах и крутых горах. В результате существующие глобальные карты часто расходятся в оценках количества снега, и многие регионы, такие как Анды или части Азии, остаются плохо описанными.

Обучение компьютера на данных о снеге и погоде

Чтобы устранить эти пробелы, авторы создали новый ежедневный глобальный набор данных об эквиваленте водяного содержания снега под названием SWEML, используя метод машинного обучения, известный как случайный лес (random forests). Они собрали длительные ряды наземных измерений снега из разных стран, а также продукты спутниковых наблюдений и современный глобальный погодный реанализ, обеспечивающий согласованные поля температуры, осадков, радиации и ветра. Были добавлены характеристики рельефа, такие как высота, крутизна склонов и тип растительности, поскольку они сильно влияют на накопление и таяние снега. Команда разделила заснеженные ячейки сетки мира на 14 регионов с похожими климатическими и ландшафтными чертами и обучила отдельные модели машинного обучения для каждого региона, чтобы система могла точнее учесть локальные особенности поведения снега.

От разрозненных точек до глобальной ежедневной карты снега

Поскольку разные организации измеряют снег по-разному, исходные данные станций не всегда совпадают. Исследователи сначала скорректировали записи каждой станции так, чтобы их среднее и вариабельность соответствовали широко используемому глобальному погодному продукту, при этом сохранив внутридневные колебания из оригинальных наблюдений. Этот шаг сделал входные данные более согласованными, не стирая их местный характер. Модели случайного леса затем выучили связи между этими скорректированными значениями снега и окружающей погодой и рельефом. После обучения модели использовали для оценки ежедневного эквивалента водяного содержания снега для каждой ячейки сетки с шагом 0,25 градуса на Земле, за исключением Антарктиды, с 1980 по 2020 год, получив бесшовный 41-летний ряд данных.

Сопоставление карт с другими источниками

Команда тщательно протестировала SWEML по сравнению с несколькими независимыми эталонами. Сюда вошли авиагамма-обследования в Северной Америке, которые выводят данные об эквиваленте водяного содержания снега по степени поглощения естественного излучения, высокоразрешённые карты снега для Анд, созданные по спутниковым изображениям, и набор широко используемых глобальных данных о снеге и поверхности земли. В миллионах сравнений с нетронутыми наземными измерениями SWEML показал наименьшую типичную ошибку и небольшое общее смещение, с лёгкой тенденцией к недооценке снега. Он особенно хорошо проявил себя в высоких горах, таких как Скалистые горы и Альпы, где многие другие продукты испытывают трудности, и точнее воспроизводил сезонные закономерности, такие как время и величина пика снежного покрова, чем сопоставимые наборы данных.

Что это значит для планирования водных ресурсов и климата

Впервые учёные и менеджеры водных ресурсов получили основанный на машинном обучении, глобально непрерывный ежедневный ряд данных о количестве воды, запасённой в снеге за четыре десятилетия. SWEML не заменит локальные полевые исследования и по-прежнему сталкивается с трудностями в очень пересечённой местности или в регионах с мало или без тренировочных данных. Но он предоставляет мощную новую базу для отслеживания изменений в снежных ресурсах, улучшения оценок рисков наводнений и засух, а также для питания климатических и водных моделей, которым нужны согласованные долгосрочные входные данные. В мире с меняющимися зимами такой глобальный обзор снежного резервуара планеты — важный шаг к более разумному управлению водой.

Цитирование: 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

Ключевые слова: эквивалент водяного содержания снега, машинное обучение, глобальный набор данных о снеге, гидрология, изменение климата