Globalt 0,25-gradigt rutnät med snövattensmotsvarande data härledda med maskininlärning från fältmätningar

Varför global snö är viktig för vardagen

Snö är mer än en vinterscen; det är ett omfattande naturligt magasin som lagrar vatten under kalla månader och frigör det på våren för att föda floder, jordbruk, städer och vattenkraft. Att veta hur mycket vatten som är bundet i snön runt om i världen hjälper samhällen att förbereda sig för översvämningar, torka och skiftande vattentillgångar i ett varmare klimat. Ändå har den nyckelstorhet som berättar detta, kallad snövattensmotsvarande, visat sig vara märkbart svår att mäta globalt.

Utmaningen att väga världens snö

Forskare kan mäta snö på specifika platser med snöprofiler, automatiska kuddar som väger snötäcket och andra markstationer. Nätverk i Nordamerika, Europa och Ryssland har samlat sådan data i årtionden. Satelliter, vädermodeller och radarinstrument ger också ledtrådar om snö. Men varje källa har luckor och svagheter, särskilt i djup snö, skogar och branta berg. Som en följd överensstämmer ofta inte befintliga globala kartor om hur mycket snö som finns, och många regioner, såsom Anderna eller delar av Asien, är fortfarande dåligt beskriva.

Att lära en dator av snö och väder

För att täppa igen dessa luckor byggde författarna ett nytt dagligt globalt dataset för snövattensmotsvarande kallat SWEML med en maskininlärningsmetod känd som random forests. De samlade långa tidsserier av snömätningar från marken från flera länder, tillsammans med satellitbaserade produkter och en modern global väderreanalys som ger konsekventa fält för temperatur, nederbörd, strålning och vind. Terrängfaktorer som höjd, lutning och vegetationstyp lades till eftersom de starkt påverkar hur snö ackumuleras och smälter. Teamet grupperade världens snöiga rutceller i 14 regioner med liknande klimat- och landskapsegenskaper, och tränade sedan separata maskininlärningsmodeller för varje region så att systemet bättre kunde lära sig lokala snömönster.

Från spridda punkter till en global daglig snökarta

Eftersom olika myndigheter mäter snö på olika sätt stämmer inte råstationsdata alltid överens. Forskarna justerade först varje stations serie så att dess medelvärde och variabilitet matchade en allmänt använd global väderprodukt, samtidigt som dags-till-dags‑variationerna från de ursprungliga observationerna bevarades. Detta steg gjorde indata mer konsekventa utan att sudda ut deras lokala karaktär. Random forest‑modellerna lärde sig sedan sambanden mellan dessa justerade snövärden och den omgivande väder‑ och terrängen. När modellerna var tränade användes de för att uppskatta dagligt snövatten för varje 0,25 graders rutcell på jorden, med undantag för Antarktis, från 1980 till 2020, vilket gav en sömlös 41‑årssekvens.

Kontroll mot andra källor

Teamet testade noggrant SWEML mot flera oberoende referenser. Dessa inkluderade flygburna gammastrålningsundersökningar över Nordamerika som härleder snövatten utifrån hur snö blockerar naturlig strålning, högupplösta snökartor för Anderna framställda från satellitbilder, samt en uppsättning vida använda globala snö‑ och markytedataset. I miljontals jämförelser med opåverkade markmätningar visade SWEML den lägsta typiska felet och en liten total bias, med en viss tendens att underskatta snömängden. Den presterade särskilt väl i höga bergsområden som Klippiga bergen och Alperna, där många andra produkter har svårt, och den återgav säsongsmönster som tidpunkt och storlek på peak‑snötäcket mer troget än sina konkurrenter.

Vad detta betyder för vatten- och klimatplanering

För första gången har forskare och vattenförvaltare ett maskininlärningsbaserat, globalt kontinuerligt dagligt register över hur mycket vatten som lagras i snö över fyra decennier. SWEML kommer inte att ersätta lokala fältstudier, och det står fortfarande inför utmaningar i mycket kuperad terräng eller i regioner med lite eller ingen träningsdata. Men det ger en kraftfull ny grund för att spåra förändrade snöresurser, förbättra bedömningar av översvämnings‑ och torkrisker och mata klimat‑ och vattenmodeller som behöver konsekventa långsiktiga indata. I en värld med skiftande vintrar är denna storskaliga vy över planetens snömage ett viktigt steg mot smartare förvaltning av vatten.

Citering: 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

Nyckelord: snövattensmotsvarande, maskininlärning, globalt snödataset, hydrologi, klimatförändring