https://doi.org/10.1038/s41586-023-06794-y
تاريخ الاستلام: 2 مارس 2023
تم القبول: 24 أكتوبر 2023
نُشر على الإنترنت: 10 يناير 2024
الوصول المفتوح

يُعتبر الثلج الموسمي نظامًا رائدًا لتغير المناخ. يمكن أن تفضل درجات حرارة الشتاء الدافئة الأمطار على الثلوج وتعزز ذوبان الثلوج، مما يقلل من تخزين مياه الثلوج ويشكل مخاطر هيدرولوجية على الناس والأنظمة البيئية. ومع ذلك، من المثير للدهشة أن الثلج لا يتصرف كحارس (الشكل 1): على الرغم من أن الملاحظات تظهر اتجاهات تدفئة متسقة على مقاييس نصف الكرة الأرضية والقارات وحوض الأنهار (الشكل 1)، إلا أنه لا يوجد نمط متسق لفقدان غطاء الثلج عبر منتجات البيانات الملاحظة (الشكل 1ب-هـ). وبالتالي، على الرغم من أن أحدث تقييم للهيئة الحكومية الدولية المعنية بتغير المناخ (IPCC) خلص بثقة عالية إلى أن مكافئ المياه الثلجية في الربيع في نصف الكرة الشمالي (SWE؛ وهو مقياس نموذجي لكتلة الثلج) قد “انخفض بشكل عام” منذ عام 1981، إلا أنه لا يزال غير واضح أين ومتى وبأي مقدار غير التغير المناخي الناتج عن الأنشطة البشرية غطاء الثلج حتى الآن، خاصة على المقاييس ذات الصلة بالقرارات. في غياب نسبة موثوقة للتغيرات في غطاء الثلج الناتجة عن الأنشطة البشرية، من الصعب تحديد المناطق الأكثر عرضة لفقدان الثلج، وبالتالي، تطوير استراتيجيات مناسبة لإدارة مخاطر الأمن المائي الحالية والمستقبلية الناتجة عن تغيرات الثلج.

تُعزى استجابة الثلوج غير المتسقة للاحترار الملحوظ إلى ثلاثة عوامل على الأقل. ومن بين هذه العوامل، تأتي الشكوك في الملاحظات المتعلقة بتقديرات محتوى الماء في الثلوج في المقدمة. على سبيل المثال، في ثلث فقط من أحواض الأنهار الكبرى في نصف الكرة الشمالي – وأقل من نصف عدد المناطق الأكثر كثافة سكانية – هناك توافق عبر المنتجات بشأن اتجاه التغير طويل الأمد في الثلوج (الشكل 1c). ثانياً، فإن غطاء الثلوج متغير للغاية عبر مجموعة من الأطر الزمنية، مما يعكس أنماط تباين المناخ ذات التردد المنخفض، مثل التغيرات العقدية في المحيط الهادئ.

تذبذب أو التغيرات المتعددة العقود الأطلسية لذا فإن فك ارتباط استجابة غلاف الثلج للقوى يتطلب أيضًا تقديرًا قويًا لاستجابات الثلج الإقليمية للتقلبات الداخلية، مثل تلك التي تأتي من مجموعات كبيرة من محاكاة المناخ ذات الظروف الأولية. قد تخلط دراسات النسبة التي تعتمد على عدد قليل من نماذج المناخ و/أو عدد قليل من تجسيدات النماذج (على سبيل المثال، المراجع 13-16) بين التباين الداخلي وعدم اليقين الهيكلي للنموذج. الأخيرة منها كبيرة جدًا بالنسبة لتراكم الثلوج ، مما يجعل النسبة صعبة. وأخيرًا، العلاقة بين القوة وغطاء الثلج ليست أحادية الاتجاه: يمكن أن يعزز الاحترار، على سبيل المثال، هطول الأمطار في فصل الشتاء البارد. وتطرفات تساقط الثلوج مما قد يعوض الخسائر الناتجة عن الاحترار، لا سيما في المناطق الباردة ذات العروض العالية أو الارتفاعات العالية لقد قامت دراسات النسبة الإقليمية (على سبيل المثال، المراجع 13، 14) بتطبيع SWE من خلال هطول الأمطار التراكمية في موسم البرد في جهد مشروع لتقليل الضوضاء الناتجة عن تقلبات الهطول والسماح بتحديد أوضح لإشارة درجة الحرارة، ولكن هذه الاستراتيجية تفشل في التقاط التأثير الكامل لتغير المناخ على الثلوج. يجب أن تتناول أي نسبة لانخفاض غطاء الثلج الناجم عن الإنسان هذه التعقيدات لتكون موثوقة ومفيدة.

نحن نتعامل مع هذه الشكوك من خلال دمج مجموعة قائمة على الملاحظات من بيانات الثلوج ودرجات الحرارة وهطول الأمطار ومخرجات الجريان السطحي مع نماذج تجريبية ومناخية لنسب تغييرات الثلوج إلى الاحترار الناتج عن الأنشطة البشرية على نطاق نصف الكرة الأرضية وحوض النهر. نستخدم هذه الرؤى لتقييم كيف أثرت التغيرات في درجات الحرارة وهطول الأمطار على تخزين مياه الثلوج ولتعميم كيف

يعتبر الثلج هو السائد، بالإضافة إلى كل قارة (الطرق). يتم الإشارة إلى مواقع الأحواض على الخريطة في (أ)، وفقًا للرقم في الأقواس. يتم الإشارة إلى درجة الحرارة (مثلثات حمراء) بالنسبة للقمة المحور وSWE (المربعات الزرقاء) مرجعه إلى الأسفل المحور. يتم الإشارة إلى عدد سكان الحوض لعام 2020 في الزاوية العليا اليمنى. تم إنشاء الخرائط باستخدام cartopy v0.18.0. تأتي حدود أحواض الأنهار من قاعدة بيانات مراكز بيانات الجريان العالمي لأحواض الأنهار الكبرى في العالم. .
ستستجيب طبقة الثلج ومياه الجريان الناتجة عنها للاحتباس الحراري الإضافي. معًا، توفر نتائجنا توثيقًا شاملاً للتأثيرات التاريخية والمستقبلية لتغير المناخ على تخزين مياه الثلوج.

على الرغم من عدم اليقين الكبير في التقديرات الموزعة مكانيًا لغطاء الثلج (الشكل 1 والشكل الإضافي 1)، إلا أن منتجات الثلج الموزعة على الشبكة تشترك مع ذلك في نمط مكاني مميز من الاتجاهات التاريخية التي تتفق جيدًا مع الملاحظات المباشرة (الشكل 2أ، ب). على مدى الأربعين عامًا الماضية، انخفضت كمية الثلج في شهر مارس بشكل حاد في جنوب غرب الولايات المتحدة ومعظم غرب ووسط وشمال أوروبا بنسبة تتراوح بين 10% إلى 20% في العقد. تمتد الانخفاضات القوية في الثلوج شرقًا عبر القارة الأوراسية إلى أجزاء من وسط آسيا، وفقًا للمنتجات الموزعة على الشبكة (الشكل 2ب والشكل الإضافي 1)، على الرغم من أن نقص نقاط المرجع المباشرة هناك يجعل من الصعب التحقق من صحة هذه الاتجاهات. في المقابل، شهدت المناطق الداخلية الباردة في وسط أمريكا الشمالية وشمال الأوراسيا زيادة.
تظهر حزم الثلوج في الربيع، مع ملاحظات في الموقع تشير إلى زيادة تزيد عن 20% في العقد في السهول الكبرى الشمالية وأجزاء من سيبيريا، في حين تشير المنتجات الموزعة إلى زيادات أكثر تواضعًا تتراوح بين 5% إلى 10% في العقد. المناطق التي تهيمن عليها الثلوج والتي تفتقر إلى ملاحظات في الموقع، مثل آسيا الجبلية العالية وهضبة التبت، تظهر اتجاهات ضعيفة في متوسط الملاحظات الموزعة (الشكل 2ب)، مما يتعارض مع الاتجاهات غير المتسقة في المنتجات البيانية الفردية (الشكل 1ب، هـ والشكل الممتد 1).

تلتقط محاكاة نماذج المناخ المترابطة المدفوعة بالضغط البشري والتاريخي والطبيعي بعض ميزات نمط التغير التاريخي المرصود للثلوج، وخاصة فقدان الثلوج الكبير في معظم أوروبا وزيادات متواضعة في شمال أوراسيا (الشكل 2c والشكل الإضافي 2). تلتقط تجارب نماذج المناخ التاريخية أجزاء من الهيكل المكاني لتغير الثلوج في أمريكا الشمالية، بما في ذلك الانخفاضات في الجنوب الغربي والشمال الشرقي، لكنها تظهر انخفاضات متواضعة في الداخل القاري حيث تشير الملاحظات إلى تعميق أكوام الثلوج (الشكل الإضافي 2). في هذه الأثناء، المحاكاة التي

الشكل 2 | تكشف تجارب نماذج المناخ أن الاحترار الناجم عن الإنسان قد أثر على اتجاهات أكوام الثلوج في نصف الكرة الشمالي. أ-د، الاتجاه في SWE لشهر مارس من 1981 إلى 2020 في الملاحظات المباشرة (أ)، المتوسط الجماعي لخمسة منتجات SWE طويلة الأجل (ب)، والمتوسط المتعدد النماذج لمحاكاة CMIP6 التاريخية مع (ج) وبدون (د) انبعاثات بشرية. هـ، ارتباط نمط الفضاء ( ) لاتجاهات SWE لشهر مارس من 1981-2020 بين المتوسط المتعدد النماذج CMIP6 HIST (الرموز الحمراء) وHIST-NAT (الرموز الزرقاء)
المحاكاة وكل منتج SWE ملاحظ (OBS) (انظر الأسطورة). يشير المدرج التكراري الرمادي إلى دالة كثافة الاحتمال التجريبية للارتباطات المكانية بين الاتجاهات من المحاكاة التاريخية وجميع الاتجاهات الممكنة لمدة 40 عامًا من المحاكاة غير المدفوعة (PIC) ( ). يشير الخط العمودي المتقطع الأحمر (البرتقالي) إلى النسبة المئوية 99 (95) من هذا التوزيع التجريبي. تم إنشاء الخرائط باستخدام cartopy v.0.18.0.
تستبعد الانبعاثات البشرية تفشل في التقاط نمط التغير المرصود للثلوج (الشكل 2d).

لكي نتمكن من الادعاء بأن التدخل البشري في نظام المناخ مسؤول عن نمط الاتجاهات المرصودة لأكوام الثلوج في نصف الكرة، نحسب الفرص التي قد يكون فيها نمط التغير المرصود للثلوج قد نشأ من التغير الطبيعي في المناخ وحده. نتبع نهج نسبة شائع الاستخدام ونولد توزيعًا لارتباطات الأنماط بين اتجاهات SWE لمدة 40 عامًا من المحاكاة المدفوعة (التاريخية أو HIST) وغير المدفوعة (التحكم ما قبل الصناعة أو PIC) لنماذج المناخ (الطرق). توفر هذه العملية توزيعًا صفريًا (المدرج التكراري الرمادي في الشكل 2e) يشير إلى مدى تشابه نمط مكاني من اتجاهات SWE الناشئة من التغير الطبيعي المحاكى فقط مع نمط يتماشى مع تلك التي تشمل الضغط البشري. ثم نقوم بربط النمط المكاني لـ SWE
الاتجاهات في كل مجموعة بيانات ملاحظات مع تلك من المتوسط الجماعي لتجربتين مناخيتين مختلفتين: محاكاة HIST (الرموز الحمراء في الشكل 2e)، التي تمثل الضغط البشري التاريخي ومحاكاة التاريخ الطبيعي، أو HIST-NAT، (الرموز الزرقاء في الشكل 2e)، التي تمثل مناخًا تاريخيًا بدون انبعاثات غازات دفيئة ناجمة عن الإنسان. أخيرًا، نقارن الارتباطات المرصودة بالتوزيع الصفري لحساب احتمال أن درجة التشابه بين الملاحظات ومحاكاة HIST وHIST-NAT قد نشأت من التغير الطبيعي.

نجد أنه، بلغة IPCC، من المؤكد تقريبًا (>99% احتمال) أن الانبعاثات البشرية قد ساهمت في نمط الاتجاهات المرصودة لأكوام الثلوج في ملاحظات in situ وفي متوسط المجموعة الموزعة، وكذلك في إعادة تحليل TerraClimate وإعادة تحليل اليابان لمدة 55 عامًا (JRA-55). نلاحظ أن القوة

لهذا الادعاء تعتمد على اختيار مجموعة البيانات، حيث تظهر إعادة تحليل ERA5-Land (97%) ومنتج Snow-CCI القائم على الاستشعار عن بعد عبر الأقمار الصناعية (97%) احتمالًا أقل قليلاً، ولكنه لا يزال ‘محتملًا للغاية’، ولا يوجد تأثير قابل للاكتشاف عند فحص إعادة تحليل MERRA-2 (78%). وبالتالي، على الرغم من عدم اليقين الكبير في الملاحظات بشأن الاتجاهات طويلة الأجل للثلوج بين منتجات البيانات، يبدو أن هناك هيكلًا مشتركًا في النمط المكاني للتغير المرصود يتماشى مع ذلك الناتج عن الضغط البشري. من الضروري أن يكون هذا التشابه غائبًا عندما تتم مقارنة هذه المنتجات مع المحاكاة التي تشمل فقط الضغط الشمسي والبركاني على نظام المناخ (HIST-NAT؛ الرموز الزرقاء في الشكل 2e)، حيث لا يمكن تمييز أي نمط عن التغير الطبيعي. وبالتالي، يمكننا تعزيز ادعاء IPCC الأخير حول اتجاهات الثلوج بشكل كبير ونقول بثقة عالية أن الانبعاثات البشرية قد ساهمت في نمط الاتجاهات المرصودة لأكوام الثلوج الربيعية عبر نصف الكرة الشمالي على مدى الأربعين عامًا الماضية.

تعد تجارب نماذج المناخ المترابطة مثل تلك المقدمة في الشكل 2 أداة قوية للكشف عن التأثير البشري ونسبته على الميزات العامة لنمط الاتجاهات SWE في نصف الكرة. ومع ذلك، فإن قدرة هذه النماذج على التقاط حجم وهيكل الاتجاهات المرصودة بالتفصيل محدودة (انظر نطاق المحور في الشكل 2e)، مما يضعف القدرة على تقييم تغير الثلوج المدفوع وعواقبه على المقاييس ذات الصلة بالتأثير. لتحقيق ذلك، نتبع نهج دمج البيانات والنماذج باستخدام خوارزمية تعلم الآلة من الغابات العشوائية التي تم تطبيقها في مجموعة واسعة من سياقات النسبة ، حيث نجمع نماذج SWE التجريبية مع محاكاة نماذج المناخ للسماح لنا بتقدير مرن لكيفية تأثير الانبعاثات البشرية على درجة الحرارة والهطول التي تحرك SWE على مقاييس أدق (الطرق). نجمع عددًا من مجموعات بيانات أكوام الثلوج ودرجات الحرارة والهطول (الجدول الإضافي 1) في محاولة لإنتاج مجموعة من إعادة بناء SWE التاريخية لشهر مارس على مستوى الحوض (الطرق) التي تعيد إنتاج الاتجاهات والاختلافات المرصودة في تلك المجموعات، مع ارتباطات النمط المكاني للاتجاهات المعاد بناؤها والمرصودة تتراوح من 0.9 إلى 0.97 (الشكل الإضافي 3) ومتوسط خطأ الجذر التربيعي (RMSE) عبر جميع المنتجات والأحواض أقل من 8% (الشكل الإضافي 4). علاوة على ذلك، فإن نماذج إعادة بناء أكوام الثلوج قادرة على التنبؤ بمهارة بالاتجاهات طويلة الأجل والاختلافات في بيانات الثلوج المباشرة خارج العينة، مع ارتباط نمط الاتجاهات عبر حوالي 3000 موقع يبلغ 0.72 ومتوسط RMSE يبلغ 22% (الشكل الإضافي 5).

استراتيجيتنا لإعادة بناء SWE على مستوى الحوض تجريبيًا عدة مرات باستخدام عدد كبير من تركيبات مجموعات البيانات لها ثلاثة أهداف. أولاً، نريد أن نكون قادرين على أخذ عينة فعالة من عدم اليقين في الملاحظات بشأن الثلوج والمناخ الذي أضعف نسب الثلوج حتى الآن (الشكل 1). ثانيًا، نحتاج إلى إعادة بناء أكوام الثلوج كدالة لدرجة الحرارة والهطول لعزل كيفية تشكيل التغيرات المدفوعة وغير المدفوعة في تلك الكميات للتغيرات المرصودة في أكوام الثلوج على مقاييس ذات صلة بالتأثير. تمنحنا مجموعتنا من إعادة بناء أكوام الثلوج التجريبية السيطرة التجريبية لتقييم محركات تغيرات الثلوج. أخيرًا، نريد أن نكون قادرين على تقييم ما إذا كانت إشارات تغيرات أكوام الثلوج المدفوعة تظهر فوق ضجيج التغيرات الداخلية والملاحظات وعدم اليقين في نماذج المناخ، وقياس تلك المصادر من عدم اليقين لتحسين قيود أكوام الثلوج (الشكل الإضافي 7). من خلال استخدام جميع التركيبات الممكنة من الملاحظات ونماذج المناخ، يمكننا وصف وتحديد هذه المصادر من عدم اليقين بشكل كامل وتحقيق تقدير أفضل للإشارة المدفوعة الحقيقية مما يمكن تحقيقه مع أي مجموعة بيانات واحدة .

تظهر مجموعتنا من إعادة بناء SWE لشهر مارس المستندة إلى الملاحظات (الشكل 3 والشكل الإضافي 4) أن أكوام الثلوج الربيعية قد انخفضت على مدى العقود الأربعة الماضية في العديد من الأحواض المتوسطة العرض، مع زيادات متواضعة في الأحواض الباردة وعالية العرض (الشكل 3أ). أكبر الانخفاضات بحوالي 10% في العقد تُرى في أحواض الأنهار في
جنوب غرب الولايات المتحدة وأوروبا، بما يتماشى مع الاتجاهات طويلة الأجل من قياسات SWE المباشرة هناك على الرغم من عدم اليقين الكبير في اتجاهات SWE لشهر مارس في المنتجات الملاحظة الموزعة على الشبكة نفسها (الشكل 1)، تظهر إعادة البناء التجريبية لدينا اتجاهات متسقة في حوالي نصف جميع أحواض الأنهار الكبرى (82 من أصل 169). في الوقت نفسه، هناك تركيزات كبيرة من الأحواض التي لا تظهر اتجاهات SWE لشهر مارس ذات دلالة إحصائية في منطقة جبال الهملايا العالية، وشمال أمريكا الشمالية، وسيبيريا (خارج الشرق الأقصى، حيث تتفق الزيادات بشكل مشابه مع الملاحظات في الموقع). مدفوعًا إلى حد كبير بالخلاف حول اتجاه الاتجاهات عبر مجموعة إعادة بناء SWE.

قيمة إعادة بناء SWE على نطاق الحوض لدينا هي أنها تتيح لنا عزل تأثير الاتجاهات الناتجة عن الأنشطة البشرية في درجة الحرارة وهطول الأمطار على اتجاهات الثلوج على مقاييس هيدرولوجية ذات صلة، مع أخذ جميع الشكوك المتعلقة بالملاحظات والبيانات التجريبية ونماذج المناخ في الاعتبار. نقوم بفرق تجارب مشروع مقارنة النماذج المتصلة المرحلة 6 (CMIP6) HIST وHIST-NAT لتقدير الاستجابة الناتجة عن درجة الحرارة وهطول الأمطار. ثم نقوم بإزالة ذلك من سلسلة زمنية لدرجات الحرارة وهطول الأمطار الملاحظة ونعيد تقدير إعادة بناء الثلوج لدينا، مما يمنحنا مجموعة من الثلوج الافتراضية التي لا تتأثر بتغير المناخ الناتج عن الأنشطة البشرية (الطرق). على الرغم من أن أقل من ربع جميع الأحواض (37 من 169) تظهر اتجاهات افتراضية ملحوظة (الشكل التكميلي 1)، إلا أن بعض الأحواض، مثل ريو غراندي (6.3% في العقد)، لا تزال تظهر انخفاضات متسقة على مدى الأربعين عامًا الماضية، حتى بدون تدخل بشري في المناخ. هذه الانخفاضات تتماشى مع الاتصالات الإقليمية بتغيرات المحيطات ذات التردد المنخفض، مثل التذبذب العقدي الهادئ. والتي يمكن أن تؤثر على الاتجاهات الهيدرولوجية المناخية على مدى عقود في هذه المناطق بشكل مستقل عن تلك الناتجة عن الاحترار الناتج عن الأنشطة البشرية.

نلاحظ أن نماذج CMIP6 تميل إلى المبالغة في تقدير اتجاه الاحترار التاريخي مقارنة بالملاحظات في بعض المناطق، وخاصة في وسط أمريكا الشمالية وشرق أوروبا (الشكل التوضيحي الممتد 6 والشكل التوضيحي التكميلي 2). في الوقت نفسه، ومع ذلك، فإن أقل من 1% من التحيزات الظاهرة في نصف الكرة الأرضية تقع خارج نطاق تباين النماذج الداخلي، مما يشير إلى أن النماذج تلتقط بمهارة اتجاهات درجات حرارة الأراضي في نصف الكرة الشمالي خلال فصل الشتاء. كما أن النماذج ت underestimate الجفاف المتعدد العقود في جنوب غرب الولايات المتحدة، الذي شهد انخفاضات تاريخية في هطول الأمطار نتيجة لكل من التغيرات الداخلية في المحيط والغلاف الجوي والقوى البشرية. وتقليل تقدير الترطيب الملحوظ فوق هضبة التبت (الشكل البياني الإضافي 6 والشكل التوضيحي 2). ومع ذلك، فإن أقل من 3% من انحيازات الهطول تقع خارج ما هو ممكن من التباين الداخلي المودل، مما يشير إلى أن هذه الانحيازات لا تضعف من نسبتنا.

نهجنا يقوم بفرز الضوضاء الناتجة عن الملاحظات والنماذج للكشف عن أن التغيرات الناتجة عن الإنسان في درجات الحرارة وهطول الأمطار قد غيرت اتجاهات الثلوج الربيعية في 31 حوضًا نهريًا رئيسيًا عبر نصف الكرة الشمالي (الشكل 3e). نمط الاتجاهات القسرية لمحتوى الثلج المائي (SWE) مشابه للاتجاهات التاريخية (قارن الشكل 3a و3e)، حيث أدى التغير المناخي الناتج عن الأنشطة البشرية إلى تقليل كميات الثلوج الربيعية في المناطق المعتدلة (الأحواض الواقعة جنوب) ) بواسطة لكل عقد (المتوسط س.د.) وعززوا ذلك في الأحواض الباردة ذات العرض العالي التي تصب في المحيط القطبي الشمالي من خلال لكل عقد (الشكل 3e). من المثير للاهتمام أننا قادرون على اكتشاف انخفاض قسري في SWE في أحواض رئيسية مثل كولومبيا (4.8% لكل عقد) حيث تشير الملاحظات التاريخية إلى زيادات متواضعة منذ عام 1981، أو سانت لورانس (6.9% لكل عقد)، حيث كانت الاتجاهات الملاحظة صغيرة وغير ذات دلالة إحصائية. تشير هذه الأمثلة إلى أن التباين الداخلي في نظام المناخ قد كان يخفي تخفيضات كبيرة في الثلوج في بعض المناطق. . وبالمثل، هناك أحواض مثل نهر ريو غراندي، التي عانت من انخفاضات كبيرة في تراكم الثلوج التاريخي بأكثر من 10% في العقد، ولكن لا يوجد اتفاق كبير على أن التغيرات في درجات الحرارة وهطول الأمطار هي التي تسببت في تلك الانخفاضات، مما يعزز الفكرة القائلة بأن التغيرات ذات التردد المنخفض يمكن أن تطغى على الإشارات الناتجة عن العوامل المؤثرة في الثلوج والمناخ المائي، حتى على مدى عقود متعددة. إن التباين الداخلي هو المصدر الرئيسي لعدم اليقين في الحجم

الشكل 3 | تكشف إعادة بناء غطاء الثلج التجريبية عن التأثيرات المتعارضة لدرجات الحرارة والاتجاهات الهطول الناتجة عن الأنشطة البشرية على التغيرات في الثلوج على مستوى الحوض. أ، متوسط الاتجاهات المرصودة لمحتوى الماء في الثلج لشهر مارس من 1981 إلى 2020 من 5 منتجات بيانات SWE طويلة الأجل في 169 حوض نهر رئيسي في نصف الكرة الشمالي. ب، كما في أ ولكن لإعادة البناء المعتمدة على الملاحظات. ج، تأثير التغيرات في درجات الحرارة الناتجة عن الأنشطة البشرية على اتجاهات SWE لشهر مارس، كما يتضح من الفرق المتوسط بين إعادة البناء التاريخية الإحصائية.
الاتجاه والاتجاه المعاد بناؤه مع إزالة التغييرات القسرية في درجة الحرارة. كما في لكن لتغيرات الترسيب القسري. كما في و لكن بسبب التغيرات القسرية في كل من درجة الحرارة وهطول الأمطار. يشير التظليل إلى الأحواض التي تحتوي على أقل من تتفق الملاحظات أو التقديرات المعاد بناؤها على اتجاه الاتجاه أو التأثير المفروض. تم إنشاء الخرائط باستخدام cartopy v.0.18.0. تأتي حدود أحواض الأنهار من قاعدة بيانات المراكز العالمية لتدفق المياه الكبرى في العالم. .
استجابة قسرية – حول الاختلافات الهيكلية لنموذج المناخ وعدم اليقين في الملاحظات في SWE ودرجة الحرارة وهطول الأمطار في حوالي واحد من كل ثمانية أحواض (الشكل البياني الموسع 7).

عزلنا تأثيرات التغيرات القسرية في درجة الحرارة (الشكل 3c) وهطول الأمطار (الشكل 3d) يظهر أن التغيرات في درجة الحرارة الناتجة عن الأنشطة البشرية قد قللت بشكل عام من SWE في مارس عبر نصف الكرة الأرضية، باستثناء الأحواض الأكثر برودة، على الرغم من أن عدم اليقين في الملاحظات الأساسية لـ SWE وفي استجابة درجة الحرارة الإقليمية لنماذج المناخ يحد من الاتفاق في معظم شمال أمريكا الشمالية وآسيا (الشكل 2c والشكل الإضافي 7). وقد عوضت الزيادات في هطول الأمطار الناتجة عن الأنشطة البشرية بعض الخسائر الناتجة عن الاحترار (الشكل 3d) بما يتماشى مع الزيادات الملحوظة في هطول الأمطار الشتوية الناجمة عن الإنسان في العديد من المناطق الباردة في نصف الكرة الشمالي. خارج المناطق الداخلية القارية الباردة ومع ذلك، فإن الزيادات القسرية في غطاء الثلج الناتجة عن الهطول تكون عادة غير مهمة، مما يعكس
كلا من عدم اليقين الأكبر في هطول الأمطار والمساهمة الأكبر للتقلبات الداخلية في عدم اليقين الهيدرولوجي .

فصل التغيرات الثلجية الناتجة عن العوامل القسرية عن تلك الناتجة عن العوامل غير القسرية (كما هو موضح في الشكل 3) أمر أساسي لإبلاغ القرارات المتعلقة بإدارة فقدان الثلوج الحالي والمستقبلي. توضح تحليلاتنا أن هناك بالفعل بصمة لاتجاهات SWE الناتجة عن الأنشطة البشرية عبر نصف الكرة الشمالي، وأنه في بعض المناطق، كانت التغيرات الطبيعية كافية لإخفاء أو عكس اتجاهات الثلوج. لكن مثل هذا التحليل ليس ذا قيمة فقط لما يقوله عن التغيرات الثلجية حتى الآن. إنه ذو قيمة لأنه يساعد في كشف الحساسية غير الخطية العالية للثلوج تجاه الاحترار (الشكل 4)، ومن خلال ذلك، يحل اللغز حول سبب عدم حدوث انخفاض متناسب في مياه الثلوج على الرغم من الاحترار.

السكان في صناديق درجة الحرارة، مع القيم التي تشير إلى مقدار كل توزيع يقع على كل جانب من نقطة التغيير. درجات الحرارة على المحور هي متوسط درجة الحرارة من نوفمبر إلى مارس خلال الفترة من 1981 إلى 2020 من كل موقع في الموقع أو خلية الشبكة. يتم استخدام خلايا الشبكة المغطاة بالثلوج مناخياً فقط لحساب متوسط درجة حرارة الحوض. ب، نسبة التغير في تدفق المياه الناتج عن الثلوج في مارس على مستوى الحوض في الفترة من 2070 إلى 2099 تحت سيناريو SSP2-4.5 مقارنة بالفترة من 1981 إلى 2020 (الطرق) مقابل عدد سكان الحوض. النقاط ملونة حسب نسبة التغير في الثلوج في مارس في الفترة من 2070 إلى 2099 مقارنة بالفترة من 1981 إلى 2020 وحجمها حسب متوسط تغير درجة الحرارة المتوقع في نهاية القرن من مجموعة CMIP6.
تحديد العلاقة بين درجات الحرارة المناخية وحساسية الثلوج (الشكل 4 أ).

أخيرًا، فإن حقيقة أن الثلج غير حساس نسبيًا للاحتباس الحراري تحت درجات حرارة الشتاء المناخية التي تبلغ حوالي تساعد في تفسير عدم وجود اتجاهات واضحة للثلوج على نطاق نصف الكرة الأرضية على الرغم من الاحترار الكبير حتى الآن: أكثر من من كتلة الثلوج في نصف الكرة الشمالي توجد في أماكن إلى يسار هذه النقطة الانعطافية (توزيع الإدخال العلوي، الشكل 4 أ). في تلك المناطق، للاحتباس الحراري تأثير ضئيل. ومن الجدير بالذكر أن الكثير من من كتلة الثلوج في نصف الكرة المتبقية تقع فقط إلى يمين نقطة الانعطاف، متعلقة بالقرب من جرف فقدان الثلوج، حيث تشير الزيادات الهامشية في درجة الحرارة إلى فقدان أكبر وأكبر للثلوج في المستقبل. ما هو واضح هو أنه في هذه المناطق، كانت الانخفاضات في الثلوج حتى الآن صغيرة نسبيًا مقارنة بالتغير الطبيعي. في الواقع، تبدأ احتمالية ملاحظة اتجاه ذو دلالة إحصائية في SWE في الزيادة حول هذه النقطة الانعطافية في درجة الحرارة المناخية (الشكل التكميلي 3). تشير هذه العلاقة إلى أن المزيد من الاحترار وبالتالي المزيد من الوقت الذي يقضى بعد هذه العتبة ستوحد اتجاهات الثلوج نحو انخفاضات أكثر اتساقًا، مما ينذر بفقدان واسع النطاق ومتسارع للثلوج للعديد من الأحواض على مدى العقود القادمة.

من الأهمية بمكان أن العلاقة غير الخطية للغاية بين حساسية الثلوج ودرجة الحرارة المناخية تشير إلى مخاطر أمن المياه التي تظهر بسرعة للناس. على الرغم من أن من كتلة الثلوج في نصف الكرة الشمالي توجد في أماكن باردة كانت تاريخيًا غير حساسة للاحتباس الحراري، إلا أن من سكان نصف الكرة الأرضية يقيمون في المناطق المعتمدة على الثلوج التي تتجاوز هذه النقطة الانعطافية (توزيع الإدخال السفلي، الشكل 4 أ). وبالتالي، من المحتمل أن يكون للاحتباس الحراري تأثيرات سريعة الظهور على موارد مياه الثلوج في الأحواض المتوسطة حيث يقيم الناس ويضعون مطالب متنافسة على المياه العذبة.

لتقييم ذلك، نعتبر تعرض السكان لكل من فقدان الثلوج المتوقع وتغير تدفق المياه الناتج عن ذوبان الثلوج في الربيع (الشكل 4 ب). تحت مسار التنمية الاجتماعية والاقتصادية المشترك (SSP) 2-4.5، وهو سيناريو انبعاثات ‘متوسط’، من المتوقع أن تشهد الأحواض الأكثر كثافة سكانية انخفاضات قوية في تدفق المياه في الربيع نتيجة لفقدان الثلوج غير الخطي، حتى في مواجهة الاحترار المعتدل نسبيًا المتوقع في تلك المناطق (الشكل 4 ب والشكل التكميلي 8).
التخزين عبر نصف الكرة الشمالي (على سبيل المثال، الشكل 1). كما يوضح لماذا يجب أن نتوقع تسارع فقدان الثلوج بسرعة، مع عواقب واسعة النطاق على أمن المياه (الشكل 4 ب).
فحص شكل العلاقة بين متوسط درجات حرارة الشتاء وحساسية الثلوج الهامشية لتغير درجة الحرارة يوضح لماذا كان اكتشاف الثلوج صعبًا حتى الآن ولماذا تشير حتى مستويات الاحترار المعتدلة إلى انخفاضات أكثر حدة في الثلوج في المستقبل (الشكل 4 أ). تعتمد استجابة الثلوج لـ من الاحترار على درجات حرارة الشتاء المناخية. تحت درجات الحرارة التاريخية التي تبلغ حوالي (المحددة من تحليل نقطة التغيير)، يتأثر غطاء الثلوج الربيعي قليلاً بالاحترار؛ ومع ذلك، فإن كل من الاحترار بعد تلك النقطة يؤدي إلى تسارع الفقدان.

هناك عدة ميزات ملحوظة في هذه المنحنيات. أولاً، هو مقياسها وثبات البيانات: موقع النقطة الانعطافية في حساسية درجة الحرارة متسق عندما يتم تقديره من قياسات النقاط، أو منتجات بيانات الشبكة، أو نماذج المناخ أو إعادة بناءاتنا على مستوى الحوض. تشير هذه الاتساق إلى أنه على الرغم من عدم اليقين الكبير في القياس والنمذجة، يمكن أن تفسر الديناميكا الحرارية البسيطة الكثير من استجابة الثلوج التاريخية والمستقبلية للاحتباس الحراري. مع ارتفاع درجة الحرارة المناخية لموقع ما نحو نقطة التجمد، تزداد احتمالية تجاوز درجات الحرارة الفرعية الموسمية العتبات حيث يتم تقسيم الهطول نحو المطر بدلاً من الثلج أو ذوبان الثلوج المتراكمة بشكل أسي. نلاحظ، مع ذلك، أن هذه العتبات نفسها ليست ثابتة في الفضاء، بسبب عوامل مثل التضاريس والمسافة من مصادر الرطوبة المحيطية ، والتي قد تفسر بعض عدم اليقين في حساسية الثلوج عند أي درجة حرارة مناخية واحدة (التظليل في الشكل 4 أ). ثانيًا، توفر حساسية الثلوج الهامشية لتغير درجة الحرارة بعض الفهم لنمط SWE المكاني الذي تشترك فيه الملاحظات ونماذج المناخ في الشكل 2: بشكل عام، تُرى أكبر انخفاضات في غطاء الثلوج في الأماكن الأكثر دفئًا مناخيًا، والتي تقع مباشرة بعد النقطة الانعطافية في المنحنى المعروض في الشكل 4 أ. هناك، أدت الزيادات الصغيرة في درجة الحرارة إلى انخفاضات كبيرة في غطاء الثلوج. في المقابل، ترى المناطق الباردة تغيرًا ضئيلًا أو في بعض الحالات، زيادة في SWE. تقع مثل هذه المواقع على الجزء المسطح وغير الحساس من المنحنى.

الولايات المتحدة الغربية، على سبيل المثال، على وشك رؤية انخفاضات حادة بشكل خاص في تدفق المياه في الربيع في نهر المسيسيبي العلوي (84 مليون شخص، 30.2% انخفاض في تدفق المياه في الربيع)، كولورادو (14 مليون، 42.2%)، كولومبيا (8.8 مليون، 32.7%) ونهر سان جوكين (6.8 مليون، 40.9%) (الشكل التكميلي 8). قد تواجه الأحواض الأكثر كثافة سكانية في أوروبا، مثل الدانوب (92 مليون، ), الفولغا (60 مليون، ), الراين (51 مليون، ) وبو (18 مليون، ) تحديات في توفر المياه بنفس الحجم. تظهر التغيرات المستقبلية في تدفق المياه الناتج عن الثلوج في آسيا، القارة التي تضم أكبر عدد من الأشخاص الذين يعيشون في الأحواض المتأثرة بالثلوج، توافقًا أقل بكثير (التظليل في الشكل التكميلي 8). من المحتمل أن يكون غطاء الثلوج في الأحواض الباردة ذات الكثافة السكانية المنخفضة مرنًا أمام مستويات عالية من الاحترار الشتوي التي تتجاوز ، مثل تلك الناتجة عن تعزيز القطب الشمالي ، وقد تشهد أبرد المناطق زيادة في غطاء الثلوج وزيادة تدفق المياه في الربيع إلى المحيط المتجمد الشمالي بأكثر من 10% في المتوسط (الشكل 4 ب والشكل التكميلي 8).

تحليلنا يستخدم ملاحظات غطاء الثلج، ونماذج المناخ، ومجموعة من إعادة بناء غطاء الثلج المعتمدة على الملاحظات لتحديد التغيرات في تخزين مياه الثلج في الربيع على نطاقات نصف الكرة الأرضية وحوض الأنهار. تفسر نتائجنا لماذا كان غطاء الثلج نظامًا رديئًا للكشف عن وتيرة وحجم الاحترار العالمي حتى الآن، ولكن لماذا، على الرغم من ذلك، يجب أن نتوقع انخفاضات غير مسبوقة في غطاء الثلج مع ارتفاع طفيف إضافي في درجات الحرارة. هناك حساسية غير خطية للغاية لدرجات الحرارة تجاه غطاء الثلج، مما ينذر بتقليصات ملحوظة في غطاء الثلج في الربيع وتدفقات المياه الناتجة عن الثلج في الأحواض ذات الكثافة السكانية العالية حيث يلعب ذوبان الثلج دورًا مهمًا في إمدادات المياه. يكشف تحليلنا أن العديد من الأحواض الأكثر كثافة سكانية في العالم تقترب من حافة انخفاضات سريعة في الثلج وأن مثل هذه الخسائر قد لا تُكتشف عبر جميع منتجات البيانات الملاحظة إلا بعد أن تتجلى آثار فقدان المياه بسبب الثلج. يتطلب التخطيط التكيفي المدروس وتخفيف المخاطر – خاصة حول البنية التحتية المكلفة والمثيرة للجدل لإدارة مخاطر الفيضانات الشتوية المرتبطة بتقليل تدفق المياه في الموسم الدافئ – تحذيرًا مسبقًا. توضح الحساسية الهامشية غير الخطية العالية تجاه الثلج التي نحددها لماذا كان مثل هذا التحذير في الملاحظات حتى الآن بعيد المنال، وأيضًا لماذا قد يكون الانتظار حتى تتجلى الآثار متأخرًا جدًا لإدارة مخاطرها بشكل فعال. نوضح أن مثل هذا التحذير، على الأرجح، سيأتي فقط من الملاحظات بمجرد أن يكون الاحترار كافيًا لدفع المناطق إلى هذا النظام غير الخطي العالي لفقدان الثلج.

نؤكد أننا يمكننا الإبلاغ عن هذه النتائج لتقديم تحذير ذي مغزى بسبب – بدلاً من رغم – عدم اليقين. قد لا تتفق مجموعات بيانات الثلوج مع بعضها البعض بشأن حجم غطاء الثلج أو تقلبه والاتجاهات طويلة الأجل عبر الزمن (الشكل 1 أ والشكل الإضافي 1). ومع ذلك، تظهر القياسات في الموقع وجميع منتجات البيانات الموزعة، باستثناء واحدة، هيكلًا مكانيًا يتماشى مع التأثيرات البشرية على نظام المناخ. يسمح التوافق عبر مجموعات البيانات المتنوعة بدرجة أعلى بكثير من الثقة في تحديد اتجاهات غطاء الثلج الناتجة عن التأثيرات البشرية مقارنةً بما يمكن تحقيقه باستخدام مجموعة بيانات ثلج واحدة فقط. علاوة على ذلك، فإن عدم المعرفة الدقيقة حول الحالة الحقيقية لغطاء الثلج على مر الزمن، ودرجات الحرارة وهطول الأمطار في فصل الشتاء، واستجابتها للانبعاثات البشرية، يتيح لنا الاستفادة من مصادر متعددة من عدم اليقين لإنتاج أكثر من 12,000 تقدير لتأثيرات تغير المناخ الناتج عن الأنشطة البشرية على غطاء الثلج في الربيع في كل من الأحواض النهرية الرئيسية في نصف الكرة الشمالي وتحديد تقدير ثابت إحصائيًا للإشارة الناتجة.

بالإضافة إلى ذلك، هناك قيمة في تحديد وقياس هذه المصادر من عدم اليقين في التغيرات القسرية في غطاء الثلج (الشكل البياني الممتد 7)، حيث يمكن أن توجه اتخاذ القرارات العلمية والتشغيلية المستقبلية. على سبيل المثال، فإن عدم اليقين في الاستجابة القسرية لدرجة الحرارة وهطول الأمطار الناجم عن الاختلافات الهيكلية بين نماذج المناخ هو المصدر الرئيسي لعدم اليقين في حجم اتجاهات SWE القسرية في شهر مارس في أكثر من نصف (95 من 169) من جميع الأحواض (ممتد

البيانات الشكل 7)، مما يشير إلى أن تحسين مهارة نماذج المناخ في التقاط المناخ الإقليمي سيساهم بشكل كبير في تقييد التغير التاريخي والمستقبلي للثلوج. عدم اليقين في منتجات بيانات SWE نفسها هو أيضًا عامل محدد في العديد من الأحواض حيث تكون الملاحظات في الموقع نادرة أو غير موجودة (البيانات الموسعة الشكل 7)، مما يشير إلى أن تقييد التقديرات الملاحظة لـ SWE سيكون ذا قيمة. أخيرًا، فإن تحديد مساهمة عدم اليقين غير القابل للتقليل في اتجاهات SWE من التباين الداخلي في نظام المناخ (البيانات الموسعة الشكل 7) أمر ضروري أيضًا، حيث يشير إلى نطاق المسارات الفيزيائية المتسقة للثلوج التي يجب أن يكون مدراء الموارد المائية وأصحاب المصلحة مستعدين لها. .

معًا، تشير نتائجنا إلى تحديات خطيرة في توفر المياه في الأحواض التي يشكل فيها ذوبان الثلوج مكونًا رئيسيًا من محفظة إمدادات المياه. إن تحسين فهمنا لمكان وكيفية تأثير تغير المناخ على موارد المياه الثلجية أمر حيوي لإبلاغ القرارات الصعبة المتعلقة بإدارة موارد المياه التي سيتطلبها مستقبل أقل ثلوجًا.

أي طرق، مراجع إضافية، ملخصات تقارير Nature Portfolio، بيانات المصدر، بيانات موسعة، معلومات إضافية، شكر وتقدير، معلومات مراجعة الأقران؛ تفاصيل مساهمات المؤلفين والمصالح المتنافسة؛ وبيانات توفر البيانات والرموز متاحة علىhttps://doi.org/10.1038/s41586-023-06794-y.

ملاحظة الناشر: تظل شركة سبرينغر ناتشر محايدة فيما يتعلق بالمطالبات القضائية في الخرائط المنشورة والانتماءات المؤسسية.

الوصول المفتوح هذه المقالة مرخصة بموجب رخصة المشاع الإبداعي النسب 4.0 الدولية، التي تسمح بالاستخدام والمشاركة والتكيف والتوزيع وإعادة الإنتاج بأي وسيلة أو صيغة، طالما أنك تعطي الائتمان المناسب للمؤلفين الأصليين والمصدر، وتوفر رابطًا لرخصة المشاع الإبداعي، وتوضح ما إذا تم إجراء تغييرات. الصور أو المواد الأخرى من طرف ثالث في هذه المقالة مشمولة في رخصة المشاع الإبداعي الخاصة بالمقالة، ما لم يُشار إلى خلاف ذلك في سطر الائتمان للمواد. إذا لم تكن المادة مشمولة في رخصة المشاع الإبداعي الخاصة بالمقالة وكان استخدامك المقصود غير مسموح به بموجب اللوائح القانونية أو يتجاوز الاستخدام المسموح به، فستحتاج إلى الحصول على إذن مباشرة من صاحب حقوق الطبع والنشر. لعرض نسخة من هذه الرخصة، قم بزيارةhttp://creativecommons.org/licenses/by/4.0/.
© المؤلف(ون) 2024

نستخدم نهجين لتقييم آثار التغير المناخي الناتج عن الأنشطة البشرية على غطاء الثلج في الربيع. أولاً، نتبع أسلوب النسبة الذي يستخدم العلاقة بين الاتجاهات التاريخية الملاحظة لغطاء الثلج من عدة منتجات بيانات SWE وتلك الناتجة عن محاكاة نماذج المناخ. ثانياً، نتبنى نهج دمج البيانات والنماذج حيث نقوم بإنشاء مجموعة كبيرة قائمة على الملاحظات من غطاء الثلج التاريخي ونقدر ما كان يمكن أن يكون عليه SWE في مارس في غياب التغيرات الناتجة عن الأنشطة البشرية في درجات حرارة الموسم البارد وهطول الأمطار. يشير الأول إلى التغيرات الناتجة عن الأنشطة البشرية في غطاء الثلج على مستوى نصف الكرة الأرضية، بينما يشير الثاني إلى التغيرات الناتجة عن الأنشطة البشرية في الثلوج على مقاييس ذات صلة هيدرولوجياً.

يتكون مجموعة ملاحظات SWE لدينا من خمسة مجموعات بيانات شبكية طويلة الأجل من إعادة تحليل ERA5-Land لمركز التنبؤات الجوية متوسطة المدى الأوروبي (ECMWF). ؛ إعادة تحليل JRA-55 من وكالة الأرصاد الجوية اليابانية تحليل ميرا-2 من ناسا ; وكالة الفضاء الأوروبية Snow-CCI، النسخة ; و TerraClimate يتم حساب متوسط المنتجات ذات الدقة الزمنية دون الشهر عبر جميع القيم المتاحة لشهر مارس. نحن نركز على مارس لأنه من الناحية المناخية هو الشهر الذي يصل فيه كتلة الثلوج إلى أقصى حد في نصف الكرة الشمالي. وهناك مجموعة واسعة من القياسات في الموقع التي تم أخذها خلال شهر مارس والتي يمكننا استخدامها كمعيار لمقارنة نتائجنا. نظرًا لأن منتج Snow-CCI القائم على الاستشعار عن بُعد عبر الأقمار الصناعية محجوب فوق التضاريس الجبلية، نتبع نهج المرجع 20 ونملأ قيم SWE في الخلايا الجبلية بالقيمة المتوسطة من المصادر الأربعة الأخرى. بالنسبة للخلايا الشبكية غير الجبلية، نستخدم بيانات Snow-CCI غير المعدلة. بالإضافة إلى ذلك، نستخدم بيانات SWE في الموقع من شبكة قياس الثلوج (SNOTEL) في غرب الولايات المتحدة. ; مجموعة بيانات مكافئ المياه الثلجية التاريخية الكندية (CanSWE) ; ومجموعة بيانات مكافئ مياه الثلج في نصف الكرة الشمالي (NH-SWE)، وهي مجموعة بيانات نصف كروية تقوم بتحويل ملاحظات عمق الثلج الأكثر وفرة إلى مكافئ مياه الثلج باستخدام نموذج موثوق به. تم الاحتفاظ فقط بالملاحظات في الموقع التي تحتوي على سجلات لمدة 35 عامًا على الأقل بين عامي 1981 و2020، مما أسفر عن مجموعة تضم 550 من SNOTEL، و341 من CanSWE، و2,119 من NH-SWE.

تأتي بيانات هطول الأمطار الموزعة من إعادة تحليل ERA5 التابعة لمركز التنبؤات الجوية الأوروبي (ECMWF). مركز المناخ لهطول الأمطار العالمي (GPCC) ; ميرا-2 ; مجموعة متعددة المصادر لوزن التجميع الهطولي (MSWEP)، النسخة ; و TerraClimate تأتي بيانات درجة الحرارة الموزعة من بيركلي إيرث (BEST) ; مركز التنبؤات المناخية التابع للإدارة الوطنية للمحيطات والغلاف الجوي (NOAA) – درجة الحرارة العالمية الموحدة ;ERA5 ; وMERRA- تأتي بيانات الجريان اليومي الموزعة من نظام الوعي بالفيضانات العالمي التابع لـ ECMWF (GloFAS) تفاصيل جميع مجموعات البيانات المستخدمة في التحليل موضحة في الجدول الإضافي 1.
لأغراض النسبة المستندة إلى نماذج المناخ وإعادة البناء المستندة إلى الملاحظات، نقوم بإعادة توزيع جميع البيانات إلى و الدقة الأفقية، على التوالي، باستخدام إعادة التوزيع المحافظة. بالنسبة لجميع البيانات باستثناء الجريان السطحي، يتم إخفاء خلايا الشبكة حيث يكون SWE في مارس صفرًا في أكثر من نصف سنوات المنتج، كما هو الحال مع غرينلاند.

نستخدم أيضًا مخرجات نماذج المناخ من 12 نموذجًا التي أرشفت بيانات SWE الشهرية (‘snw’) من التحكم ما قبل الصناعة (PIC) والتاريخية (HIST) والتاريخية الطبيعية (HIST-NAT) وتجارب SSP2-4.5 CMIP6، بالإضافة إلى بيانات درجة حرارة الهواء الشهرية (‘tas’) وهطول الأمطار (‘pr’) من تجارب HIST وHIST-NAT وSSP2-4.5. . يتم إعادة تشكيل جميع مخرجات النماذج وتغطيتها كما هو الحال مع بيانات المراقبة الموزعة على الشبكة. بما يتماشى مع بروتوكول مشروع المقارنة بين نماذج الكشف والنسبة (DAMIP)، يتم تمديد محاكاة HIST، التي تنتهي في عام 2014، إلى عام 2020 باستخدام سيناريو SSP2-4.5 لأغراض التبسيط، ستشير ‘التاريخية’ (HIST) دائمًا إلى هذه السلاسل الزمنية الممتدة. تفاصيل النموذج موضحة في الجدول البياني الممتد 2.

لتقديم تقديرات للكميات الهيدرولوجية على مقاييس ذات معنى في اتخاذ القرار، نقوم بتجميع البيانات من المقياس الشبكي إلى مقياس حوض النهر باستخدام حدود الأحواض من قاعدة بيانات مراكز بيانات الجريان العالمي للأحواض الكبرى في العالم. . جميع القيم المقدرة تجريبياً لخلايا الشبكة من SWE، والهطول، والجريان السطحي (بالمليمترات، أو ما يعادل ذلك ) يتم ضربها
منطقة خلية الشبكة (بالـ قبل جمع جميع خلايا الشبكة داخل الحوض لحساب الكتلة على مستوى الحوض (بالكيلوغرام). يتم إعطاء متوسط درجات الحرارة على مستوى الحوض ونصف الكرة الأرضية من خلال متوسط درجة الحرارة الموزون حسب المساحة لجميع خلايا الشبكة المغطاة بالثلوج.

تم حساب جميع تقديرات سكان الحوض باستخدام قيم عام 2020 من مجموعة بيانات الكثافة السكانية العالمية بدقة 15 دقيقة (GPWv4) من مركز بيانات وتطبيقات العلوم الاجتماعية التابع لناسا. .

نهجنا في النسبة النصف كروية يختبر ما إذا كانت التشابهات بين الاتجاهات المرصودة والاتجاهات المحاكاة بواسطة نماذج المناخ للقوة الثلجية المائية (SWE) تتجاوز ما يمكن أن يكون ممكنًا من تقلب المناخ الطبيعي فقط. لتقييم الفرضية الصفرية التي تفيد بأن نمط اتجاهات SWE في محاكاة HIST قد يكون نتيجة للتقلبات الطبيعية فقط، نقوم بحساب النمط المكاني للاتجاهات في SWE لشهر مارس من 1981 إلى 2020 في كل محاكاة HIST لكل نموذج، ولكل فترة فريدة مدتها 40 عامًا من محاكاة PIC غير المفروضة لنفس النماذج (على سبيل المثال، بالنسبة لمحاكاة PIC مدتها 500 عام، نقوم بإنشاء 461 خريطة لاتجاهات مدتها 40 عامًا). يتم حساب جميع الاتجاهات باستخدام مقدر Theil-Sen، وهو تقنية غير معلمية لتقدير الاتجاه الخطي تكون أكثر قوة للبيانات المنحرفة أو التي تحتوي على قيم شاذة مقارنة بالاتجاهات المحسوبة باستخدام الانحدار العادي لأقل المربعات. ثم نقوم بحساب معامل ارتباط سبيرمان (الرتبة) بين الخرائط المكانية لاتجاهات HIST وPIC لتحديد مدى تشابه النمط. التوزيع التجريبي الناتج عن 78,601 ارتباط (الهيستوجرام الخلفي في الشكل 2) يمثل احتمال أن النمط في المحاكاة التاريخية المفروضة قد نشأ من التقلبات الطبيعية فقط.

نحن نقوم بتحديد مدى التشابه بين النمط الملحوظ لاتجاهات SWE والاستجابة المقدرة من النموذج للقوى من خلال أخذ معامل الارتباط المكاني سبيرمان بين خريطة الاتجاهات من كل منتج ملاحظات وخريطة المتوسط المتعدد النماذج من محاكاة HIST (الرموز الحمراء في الشكل 2e). بالنسبة لهذا التحليل، يتم تجميع الملاحظات في الموقع إلى نفس الشبكة كملاحظات موزعة ونماذج مناخية من خلال أخذ الاتجاه المتوسط لجميع المحطات داخل كل خلية شبكية (الشكل 2a). إذا كانت الارتباطات بين الملاحظات ومحاكاة HIST أكبر من تقريبًا جميع الارتباطات بين محاكاة HIST وPIC، يمكننا رفض الفرضية الصفرية التي تفيد بأن النمط التاريخي الملاحظ كان يمكن أن ينشأ من التباين الطبيعي فقط وندعي أن هناك استجابة للضغط التاريخي موجودة في النمط الملاحظ. علاوة على ذلك، إذا لم نتمكن من رفض الفرضية الصفرية باستخدام الارتباطات بين الملاحظات ومحاكاة HIST-NAT مع وجود الضغط الشمسي والبركاني فقط، فمن غير المحتمل أن يكون النمط الملاحظ نتيجة للضغط الإشعاعي الطبيعي. مجتمعة، تشير هاتان السطران من الأدلة بقوة إلى أن الضغط البشري هو الذي يسبب الأنماط الملاحظة لاتجاهات SWE.

كوسيلة أخرى لنسب التغير التاريخي في SWE، ولتفهم أنماطه ومحركاته بشكل أفضل على مقاييس تتناسب أكثر مع آثار فقدان الثلوج، نقوم بإنشاء مجموعة كبيرة من الملاحظات التاريخية لـ SWE في مارس مع وبدون تأثيرات القوة البشرية. نقوم بذلك باستخدام خوارزمية التعلم الآلي الشائعة المعروفة بالغابة العشوائية، التي تناسب أشجار الانحدار العشوائية على عينات البيانات المعاد تشكيلها وتجمع توقعاتها معًا. إطار شجرة القرار مناسب بشكل خاص لالتقاط التفاعلات غير الخطية، مثل تلك بين درجة الحرارة والهطول في سياق الثلوج، بالإضافة إلى المتنبئين المرتبطين. تم تطبيق خوارزمية الغابة العشوائية لإعادة بناء مجموعة واسعة من المتغيرات البيوجيوفيزيائية التي تتشكل بواسطة درجة الحرارة والهطول وتفاعلهما، بما في ذلك الجريان السطحي التاريخي. محاصيل المحاصيل وتغيرات نطاق الأنواع الناتجة عن المناخ . في كل حالة، وُجد أن نموذج الغابة العشوائية يتفوق بشكل كبير على كل من خوارزميات التعلم الآلي الأخرى والأساليب التقليدية مثل الانحدار الخطي. بالإضافة إلى ذلك، بالنسبة لهذا التطبيق المحدد لإعادة بناء غطاء الثلج التاريخي، لا يفرض النموذج أي قيود مسبقة.
افتراضات حول عتبات درجة الحرارة لتقسيم الأمطار والثلوج أو ذوبان الثلوج، والتي يمكن أن تختلف بشكل كبير في المكان وتساهم هي نفسها في عدم اليقين في التقديرات النموذجية للثلج المائي. نحن نمثل SWE لشهر مارس كدالة لدرجة الحرارة الشهرية المتوسطة وهطول الأمطار التراكمي الشهري من نوفمبر السابق إلى مارس:

أين SWE هو متوسط SWE في مارس في سنة المياه (أكتوبر-سبتمبر) في خلية الشبكة هو نموذج الغابة العشوائية، هو متوسط درجة الحرارة في الشهر سنة المياه وخانة الشبكة ، و هو إجمالي هطول الأمطار في الشهر سنة المياه وخانة الشبكة نقوم بتناسب النموذج باستخدام اللوحة الزمانية المكانية الكاملة لـ بيانات الشبكة (أي، جميع سنوات خلايا الشبكة من 1981 إلى 2020)، ثم تجميع القيم المتوقعة للشبكة إلى مقياس حوض النهر. نجد أن تدريب نموذج واحد على مجموعة البيانات الكاملة يقدم ميزتين رئيسيتين مقارنة بتدريب نماذج متعددة على بيانات أكثر محلية (على سبيل المثال، نموذج لكل حوض نهر). الأولى هي أن مهارة التنبؤ خارج العينة للنموذج الكامل أعلى بشكل ملحوظ في العديد من الأحواض ذات الكثافة السكانية العالية في المناطق المتوسطة العرض في غرب الولايات المتحدة، وغرب أوروبا وآسيا الجبلية العالية؛ النماذج المحلية أكثر كفاءة في أقل من 20% من الأحواض، التي تتركز في الأحواض ذات الكثافة السكانية المنخفضة في المناطق العالية حيث تكون مهارة النموذج الكامل مرتفعة بالفعل (الشكل البياني الممتد 3). الثانية، أن تدريب نموذج واحد على بيانات من نصف الكرة الأرضية بأكمله يوفر استقرارًا إحصائيًا أكبر للتوقعات التي يتم إجراؤها مع اضطرابات كبيرة في المتغيرات المدخلة، مثل إضافة إشارة تغير المناخ في نهاية القرن (الشكل البياني الممتد 8)، والتي قد تتجاوز دعم الملاحظات التاريخية المحلية مع تزايد معدل السجلات. .

لأخذ عينة كافية وقياس عدم اليقين الملاحظ في غطاء الثلج، ودرجة الحرارة، وهطول الأمطار، وإنشاء مجموعة واسعة بما فيه الكفاية من القيم الممكنة لمحتوى الماء في الثلج (SWE)، نكرر هذه العملية لجميع تركيبات 6 من SWE (5 بيانات مصفوفة + بيانات في الموقع)، و4 من بيانات درجة الحرارة، و5 من بيانات هطول الأمطار (الجدول البياني الموسع 1)، مما يوفر 120 ( تقديرات SWE على نطاق الحوض لشهر مارس من 1981 إلى 2020. يستند نهجنا الجماعي إلى اعتبارين رئيسيين. أولاً، من الصعب تحديد ما يمثل ‘الثلج الحقيقي’ على المقاييس الهيدرولوجية ذات الصلة. جميع طرق تقدير الثلج الموزع مكانيًا (على سبيل المثال، الاستشعار عن بُعد أو إعادة التحليل) لها قيودها الجوهرية التي تؤدي إلى مستويات عالية من الاختلاف في كتلة الثلج، وتنوعها، والاتجاهات طويلة الأجل. , كما نوضح في الشكل 1. قد تمثل القياسات في الموقع الحقيقة في المواقع التي تم جمعها فيها، ولكن من الصعب تعميمها، خاصة في التضاريس المعقدة. ونتيجة لذلك، فإن استخدام هذه الملاحظات النقطية لتحديد أي من المنتجات الشبكية (التي تمثل قيمها متوسطات على مدى عشرات إلى عشرات الآلاف من الكيلومترات) هي الأقرب إلى ‘الحقيقة’ يمثل تحديًا. نظرًا لعدم القدرة على معرفة الحالة الحقيقية لغطاء الثلج أو استبعاد أي من تقديراتها الشبكية المختلفة بشكل صارم، نختار اعتبار هذه المنتجات الملاحظة تقديرات صحيحة للحقيقة يمكننا من خلالها محاولة تحديد الاستجابات المشتركة. ثانيًا، يسمح لنا النهج الجماعي بالتقاط عدم اليقين الهيكلي في كيفية استجابة SWE للتغيرات في درجة الحرارة والهطول، والتي تخضع بدورها لعدم اليقين في البيانات (الشكل التوضيحي 2). باستخدام جميع تركيبات مجموعة البيانات، يمكننا أخذ عينات وتوصيف عدم اليقين في SWE ودرجة الحرارة والهطول وتغايرها مع بعضها البعض. لقد تم استخدام مثل هذا النهج لتقدير التغيرات القسرية في مكونات نظام الأرض حيث تكون كل من المتغيرات المعتمدة والمستقلة المعنية غير مؤكدة أيضًا. .

نقارن السلاسل الزمنية المتوقعة من النموذج التي تم إنشاؤها من خلال هذه العملية مع منتج SWE الملاحظ الذي تم تدريب النموذج عليه، باستخدام المقاييس الشائعة مثل و RMSE (الشكل التوضيحي 4). بالإضافة إلى ذلك، نظرًا لأن التركيز في التحليل هو على الاتجاهات طويلة الأجل في SWE، نقارن الاتجاهات المعاد بناؤها مع الاتجاهات الملاحظة خلال فترة الدراسة ونجد أن نماذجنا تعيد إنتاج النمط المكاني وحجم الاتجاهات بشكل جيد جدًا، مع ارتباطات لجميع منتجات البيانات تتراوح بين 0.9 و 0.97 (الشكل التوضيحي 3).

علاوة على ذلك، فإن RMSE لتوقعات نموذج البناء قابلة للمقارنة عبر السنوات العشر الأكثر برودة، والعشر الأكثر دفئًا و 20 سنة ‘متوسطة’ في فترة 1981-2020، مما يشير إلى أن التقديرات المعاد بناؤها مستقرة حتى في السنوات المتطرفة (الشكل التوضيحي 4).

كاختبار إضافي لمهارة النموذج، نستخدم النموذج المدرب فقط على المنتجات الملاحظة الشبكية للتنبؤ بـ SWE في مارس خارج العينة في 2,961 موقعًا في الموقع من مجموعات بيانات SNOTEL و CanSWE و NH-SWE. تتمكن تقديراتنا المعاد بناؤها من التقاط التباين بين السنوات في SWE في الموقع بشكل جيد جدًا، مع وسيلة عبر المحطات تبلغ 0.59 و RMSE حوالي 22% (الشكل التوضيحي 5). كما أن توقعات نموذج البناء قادرة على التقاط الاتجاهات طويلة الأجل في SWE في المواقع بشكل ماهر، مع ارتباط نمطي يبلغ 0.72 (الشكل التوضيحي 5). وأخيرًا، وبشكل حاسم، نؤكد أنه لا توجد اتجاهات منهجية في الوقت من انحياز تقديراتنا المعاد بناؤها مقابل الملاحظات في الموقع (الشكل التوضيحي 5)، مما يشير إلى أن نماذج البناء تلتقط معدل التغير الحقيقي لغطاء الثلج بدقة عالية.

لتحديد أين وكيف غير التغير المناخي الناتج عن الأنشطة البشرية غطاء الثلج في الربيع على مقاييس ذات صلة بالتأثير، نجمع بين إعادة البناء المعتمدة على الملاحظات، التي تتمتع بمهارة عالية في التقاط الاتجاهات التاريخية لـ SWE على مقاييس ذات صلة بالتأثير، مع محاكاة نماذج المناخ التي تسمح لنا بتقدير التغيرات القسرية في درجة الحرارة والهطول. لقد تم استخدام مثل هذا النهج لدمج البيانات والنماذج لإسناد التغيرات الناتجة عن الأنشطة البشرية إلى مجموعة واسعة من الأنظمة، سواء كانت مادية (على سبيل المثال، رطوبة التربة , حرائق الغابات وتخزين مياه البحيرات ) أو اجتماعية واقتصادية (على سبيل المثال، تعويضات المحاصيل وأضرار المناخ ).

نحسب استجابة درجة الحرارة للتغير الناتج عن الأنشطة البشرية كفرق بين متوسط درجة الحرارة المتداول لمدة 30 عامًا لكل شهر في تشغيل HIST و HIST-NAT. بالنسبة للهطول، نحسب الاستجابة القسرية كنسبة الفرق بين متوسط الهطول الشهري المتداول لمدة 30 عامًا في HIST مقابل HIST-NAT. من خلال إجراء تجارب من نفس النموذج، نأمل في تقليل تأثير انحيازات النموذج في درجة الحرارة والهطول المناخي، حيث يتم تقييم كل نموذج وفقًا لمناخه الخاص. ومع ذلك، فإن الانحيازات المنهجية في الاتجاهات المحاكية للنموذج (على سبيل المثال، الاحترار السريع جدًا أو الترطيب)، قد تؤدي إلى تقدير زائد أو ناقص للاستجابة القسرية. لمعالجة هذه الإمكانية، نقيم انحيازات النموذج في الاتجاهات من 1981-2020 في درجة الحرارة والهطول الشتوي مقابل الاتجاهات الملاحظة من خلال أخذ الفرق بين متوسط مجموعة CMIP6 HIST والانحيازات الملاحظة لكل كمية (الشكل التوضيحي 6). لاختبار ما إذا كانت الاتجاهات الملاحظة والمحاكية متسقة، نسأل ما إذا كان الاتجاه الملاحظ يقع ضمن نطاق معقول من القوة بالإضافة إلى التباين الداخلي، المعطى كنطاق النسبة المئوية 2.5-97.5 من اتجاهات CMIP6 HIST. فقط 1% (3%) من خلايا الشبكة تقع خارج هذا النطاق لدرجة الحرارة (الهطول)، مما يشير إلى أن نماذج المناخ تلتقط الاتجاهات المناخية التاريخية الواقعية.

بعد تقدير التغيرات الناتجة عن الأنشطة البشرية في درجة الحرارة والهطول الشبكي، نقوم بإنشاء سلاسل زمنية افتراضية لدرجة الحرارة والهطول عن طريق تقليل مخرجات النموذج إلى دقة مجموعة الملاحظات باستخدام إعادة تجميع محافظة وإزالة الاستجابة القسرية من كل تحقيق للنموذج من كل مجموعة بيانات درجة الحرارة والهطول الشبكية. يتم تعديل درجة الحرارة عن طريق طرح التغير القسري من الملاحظات ويتم تعديل الهطول بواسطة النسبة المئوية للتغير القسري. ثم، نستخدم نماذج البناء المدربة على البيانات التاريخية (المعادلة (1)) للتنبؤ بـ SWE في مارس باستخدام بيانات درجة الحرارة والهطول الافتراضية، مما يعطي تقديرًا لما كان سيكون عليه SWE في غياب التغير المناخي الناتج عن الأنشطة البشرية. بالإضافة إلى ذلك، نفصل آثار التغيرات القسرية في درجة الحرارة والهطول بشكل فردي عن طريق إزالة الاستجابة القسرية لأحد الكميتين فقط من الملاحظات، مع ترك الأخرى عند قيمها الملاحظة
التاريخية. ثم يتم تجميع هذه الإعادات الافتراضية بشكل مشابه إلى مستوى الحوض ويتم حساب الاتجاهات الخطية في SWE لهذه السيناريوهات الافتراضية باستخدام مقدر Theil-Sen. يتم حساب تأثير التغيرات القسرية في درجة الحرارة والهطول بشكل فردي (الشكل 3c، d) ومجتمعة (الشكل 3e) كفرق بين كل اتجاه تاريخي والاتجاهات الافتراضية بناءً على نفس مجموعة بيانات SWE-درجة الحرارة-الهطول. لكل من 120 عضوًا في مجموعة إعادة البناء، لدينا 101 تقدير للتأثير الناتج عن الأنشطة البشرية (واحد من كل تحقيق لنموذج المناخ؛ الجدول التوضيحي 2)، بإجمالي 12,120 تقدير لكل حوض. باستخدام فقط أول تحقيق من كل نموذج مناخ، بدلاً من جميع الجولات المتاحة، ينتج نتائج متطابقة تقريبًا (الشكل التوضيحي 6).
لاختبار صحة هذا النهج بشكل أكبر باستخدام التغيرات القسرية في درجة الحرارة والهطول لتقدير SWE الافتراضي، نكرر هذا البروتوكول باستخدام مخرجات نموذج المناخ فقط في إطار ‘نموذج مثالي’. لكل نموذج، نقوم بتناسب النموذج التجريبي الموصوف في المعادلة (1) باستخدام بيانات SWE ودرجة الحرارة والهطول من محاكاة CMIP6 HIST على مدى فترة 1981-2020، بدلاً من الملاحظات. ثم، نستخدم الغابة العشوائية المدربة على هذه البيانات HIST للتنبؤ بـ SWE الافتراضي باستخدام درجة الحرارة والهطول من محاكاة HIST-NAT. أخيرًا، نقارن الاتجاهات القسرية (HIST ناقص HIST-NAT) المحسوبة من نهج إعادة البناء مع الاتجاهات القسرية ‘الحقيقية’ المحسوبة باستخدام المخرجات المباشرة لـ SWE من تجارب نموذج المناخ HIST و HIST-NAT (الشكل التوضيحي 9 والشكل التوضيحي 7). تشير الشبه القوي في أنماط الاستجابات القسرية ‘الحقيقية’ والمعاد بناؤها إلى أن استخدام الملاحظات مع إزالة التغيرات القسرية في درجة الحرارة والهطول ينتج تقديرات معقولة لتغير SWE القسري.

تنتج الطرق الموضحة أعلاه 12,120 تقديرًا لتأثير تغير المناخ على اتجاهات الثلوج في شهر مارس في كل من 169 حوضًا نهريًا رئيسيًا. تساهم أربعة مصادر رئيسية من عدم اليقين في انتشار هذه التقديرات: (1) عدم اليقين في بيانات منتجات SWE التي تستند إليها إعادة البناء؛ (2) عدم اليقين في بيانات درجة الحرارة وهطول الأمطار وعلاقتها بـ SWE؛ (3) الاختلافات في الاستجابة المفروضة لدرجة الحرارة وهطول الأمطار بسبب الاختلافات الهيكلية بين نماذج المناخ؛ و(4) عدم اليقين بسبب التغيرات الداخلية في المناخ في درجة الحرارة وهطول الأمطار.
لقياس حجم عدم اليقين الذي تسببه كل مصدر، نقوم بحساب الانحراف المعياري لاتجاهات SWE المفروضة عبر بعد واحد، مع الاحتفاظ بجميع الأبعاد الأخرى عند متوسطها. على سبيل المثال، يتم إعطاء عدم اليقين الناتج عن الاختلافات في هيكل النموذج من خلال الانحراف المعياري لاتجاهات SWE المفروضة عبر 12 نموذج مناخي (مع الأخذ في الاعتبار فقط التجربة الأولى من كل منها)، مع أخذ المتوسط عبر جميع مجموعات بيانات SWE-درجة الحرارة-الهطول.
لعزل عدم اليقين عن التباين الداخلي في درجة الحرارة وهطول الأمطار، نستخدم 50 زوجًا من محاكاة HIST وHIST-NAT من نموذج MIROC6. التي تختلف فقط في ظروفها الأولية. نحن نأخذ الانحراف المعياري لاتجاهات SWE المفروضة لجميع الـ 50 تحقيقًا، مع أخذ المتوسط عبر جميع مجموعات بيانات SWE ودرجة الحرارة وهطول الأمطار.
متسق مع الأعمال السابقة في تقسيم عدم اليقين نعتبر عدم اليقين الكلي في الاتجاه القسري لسوائل التوازن في الحوض أن تكون مجموع جميع المصادر الأربعة:

أين هو عدم اليقين من ملاحظات SWE، TP هو عدم اليقين من ملاحظات درجة الحرارة والهطول، هو عدم اليقين الناتج عن هيكل النموذج، و / هو عدم اليقين الناتج عن التباين الداخلي. لتقييم أي المصادر هي أكبر مساهم في عدم اليقين
في كل حوض، نأخذ في الاعتبار عدم اليقين النسبي لكل واحد (على سبيل المثال، يعطي نسبة عدم اليقين في الحوض نسبة عدم اليقين في SWE الملاحظات). يتم الإبلاغ عن هذه النسبة المئوية من عدم اليقين في الشكل التكميلية 12. لكل مصدر، نقوم بتظليل الأحواض حيث تكون شدة عدم اليقين غير كافية لتغيير إشارة تقدير المتوسط الجماعي لاتجاه SWE المفروض (أي، نسبة الإشارة إلى الضوضاء هي ).

لفهم أفضل للعوامل التي تؤثر على الاستجابة المكانية المتنوعة للثلوج المتراكمة في مارس والتغيرات المحتملة المستقبلية مع ارتفاع درجات الحرارة، نقوم بتقييم حساسية درجة الحرارة للثلوج المتراكمة في مارس عبر تدرج من درجات حرارة الشتاء المناخية في الملاحظات المباشرة، والملاحظات الموزعة على الشبكة، وإعادة بناء مقاييس الحوض لدينا ونماذج المناخ. التأثير الهامشي لدرجة إضافية من الاحترار، أو يتم حسابه كمعامل الانحدار لثلوج مارس على درجة حرارة موسم البرد (نوفمبر-مارس):

أين SWE مارس هو SWE في الوحدة (محطة في الموقع، خلية شبكية أو حوض نهر) في سنة المياه و هو متوسط درجة حرارة موسم البرد بنفس الوحدة. نقوم بتشغيل هذا الانحدار في كل موقع في الموقع، لجميع 20 مجموعة من منتجات SWE ودرجات الحرارة الموزعة، ولجميع 12 نموذج مناخي (باستخدام محاكاة HIST)، ولجميع 120 إعادة بناء على مستوى الحوض. ثم نحسب المتوسط والانحراف المعياري لجميع المعاملات لنوع معين من البيانات (في الموقع، الملاحظات الموزعة، نماذج المناخ وإعادة البناء على مستوى الحوض) في عملية متكررة نافذة درجة الحرارة لإنتاج المنحنيات في الشكل 4أ. وبالتالي، فإن تقدير عدم اليقين يشمل كل من عدم اليقين البارامتري وعدم اليقين في البيانات.

لتقييم الآثار المختلفة على الأمن المائي الناتجة عن الانخفاضات في غطاء الثلج الناجمة عن الإنسان، نقوم بت quantifying التغير في جريان الربيع (أبريل-يوليو) بسبب التغيرات المفروضة في SWE لشهر مارس. نستخدم مرة أخرى خوارزمية الغابة العشوائية، حيث نقوم بنمذجة جريان أبريل-يوليو كدالة لـ SWE لشهر مارس ودرجات الحرارة وهطول الأمطار الشهرية من نوفمبر السابق حتى يوليو:

أين هو إجمالي تصريف المياه من أبريل إلى يوليو في السنة المائية (أكتوبر-سبتمبر) في الحوض هو متوسط مارس SWE في سنة المياه في الحوض -على عكس إعادة بناء SWE، التي تم ضبطها على مستوى خلايا الشبكة وتم تجميعها على مستوى الحوض، يتم ضبط نموذج الجريان باستخدام بيانات على مستوى الحوض- هو متوسط درجة الحرارة في الحوض موزون حسب المساحة في الشهر سنة المياه ، و هو إجمالي هطول الأمطار على مستوى الحوض في الشهر سنة المياه نقوم بتطبيق هذا النموذج باستخدام جميع مجموعات بيانات SWE-درجة الحرارة-هطول الأمطار البالغ عددها 120 وبيانات جريان GloFAS (الجدول البياني الموسع 1). نقيم مهارة النموذج باستخدام نفس الطرق التي استخدمت للتحقق من صحة إعادة بناء SWE لدينا (الشكل البياني الموسع 10).

مماثل للاعتماد على قياس SWE في حوض مارس الموضح أعلاه، يتم تحديد تغيير جريان الربيع الناتج عن التغيرات المفروضة على غطاء الثلج من خلال الفرق بين الجريان المقدر باستخدام SWE التاريخي والجريان المقدر مع إزالة تأثيرات التغيرات المفروضة في درجة الحرارة وهطول الأمطار على SWE.

لفهم أفضل لتداعيات توافر المياه المختلفة الناتجة عن التغيرات في SWE المدفوعة بالاحترار المستقبلي، نقوم بدمج نماذجنا الإحصائية وتوقعات التغيرات المستقبلية في درجات الحرارة وهطول الأمطار لإنتاج تقديرات لغطاء الثلج في نهاية القرن (2070-2099) تحت سيناريو الضغط SSP2-4.5. على وجه التحديد، نستخدم طريقة ‘دلتا’ حيث نقوم بتعديل المناخ المرصود لكل شهر بواسطة
الفرق بين مناخ نهاية القرن والمناخ التاريخي (1981-2020) من نماذج المناخ. نقوم بتعديل درجة الحرارة بشكل إضافي ونعدل هطول الأمطار بناءً على النسبة المئوية للتغير بين المناخ التاريخي والمناخ المستقبلي. ثم نقوم بعمل توقعات لغطاء الثلوج المناخي المستقبلي باستخدام البيانات المعدلة والنموذج الموصوف في المعادلة (1) المدرب على البيانات التاريخية.

تُحسب التغيرات المستقبلية في جريان المياه بسبب التغيرات في SWE باستخدام المعادلة (4)، ولكن مع استبدال تقديرات المناخ المستقبلي لـ SWE بالتاريخي، مع الحفاظ على درجة الحرارة وهطول الأمطار عند قيمها المناخية التاريخية الملاحظة.

لتحديد مسبقًا أحواض الأنهار التي تعتبر مهيمنة على الثلوج في الشكل 1، نستخدم النسبة مجموع تساقط الثلوج إلى جريان المياه لسنة المياه (أكتوبر-سبتمبر) محسوب من ERA5-Land . الأحواض حيث المتوسط أكبر من 0.5 تعتبر مهيمنة على ذوبان الثلوج.

جميع البيانات التي تدعم هذه الدراسة متاحة للجمهور في المواقع التالية: مخرجات نموذج CMIP6،https://esgf-node.IInl.gov/;SNOTEL, https://wcc.sc.egov.usda.gov/nwcc/tabget;CanSWE،https://zenodo. org/records/5889352; NH-SWE، https://zenodo.org/records/7565252;ثلج-CCI،https://climate.esa.int/ar/projects/snow/Snow_data/;ERA5ERA5-Land و GloFAS،https://cds.climate.copernicus.eu/.JRA-55, https://rda.ucar.edu/datasets/ds628.0/;MERRA-2,https://gmao.gsfc. nasa.gov/reanalysis/MERRA-2/؛تيرا كلمايتhttps://www.climatologylab.org/terraclimate.html;جي بي سي سيhttps://psl.noaa.gov/data/gridded/data.gpcc.html;MSWEPv280،http://www.gloh2o.org/mswep/؛بيركلي إيرثhttps://berkeleyearth.org/data/;مركز توقعات المناخ (CPC)https://www.cpc.ncep.noaa.gov/;مُعَدلسكان العالم (GPW)https://sedac.ciesin.columbia.edu/data/collection/gpw-v4; مركز بيانات الجريان العالمي أحواض الأنهار الرئيسية،https://www. bafg.de/GRDC/تم توفير بيانات المصدر مع هذه الورقة.

جميع الشيفرات التي تدعم هذه الدراسة متاحة علىhttps://doi.org/10.5281/زينودو. 10035276.
45. مونييز-ساباتر، ج. وآخرون. ERA5-Land: مجموعة بيانات إعادة تحليل عالمية متطورة لتطبيقات الأراضي. بيانات علوم الأرض 13، 4349-4383 (2021).
46. كوباياشي، س. وآخرون. إعادة تحليل JRA-55: المواصفات العامة والخصائص الأساسية. مجلة جمعية الأرصاد الجوية اليابانية السلسلة الثانية 93، 5-48 (2015).
47. جيلارو، ر. وآخرون. التحليل الرجعي لعصر الحديث للأبحاث والتطبيقات، النسخة 2 (MERRA-2). مجلة المناخ 30، 5419-5454 (2017).
48. لوجوس، ك. وآخرون. مبادرة تغير المناخ الثلجي ESA (Snow_cci): حزمة بيانات البحث المناخي العالمية اليومية لمستوى 3 من مكافئ المياه الثلجية (SWE) (1979-2020)، الإصدار 2.0. مركز تحليل بيانات البيئة NERC EDS.https://doi.org/10.5285/4647cc9a d3c044439d6c643208d3c494 (2022).
49. أباتزوجلو، ج. ت.، دوبروفسكي، س. ز.، باركس، س. أ. وهيغويش، ك. س. تيرا كلمايت، مجموعة بيانات عالمية عالية الدقة عن المناخ الشهري وتوازن المياه المناخي من 1958-2015. بيانات علمية 5، 170191 (2018).
50. شبكة قياس الثلوج (SNOTEL) (خدمة الحفاظ على الموارد الطبيعية التابعة لوزارة الزراعة الأمريكية، 2022).
51. فيونيت، ف.، مورتيمر، س.، برادي، م.، أرنال، ل. وبراون، ر. مجموعة بيانات مكافئ المياه الثلجية التاريخية الكندية (CanSWE، 1928-2020). بيانات علوم الأرض 13، 4603-4619 (2021).
52. فونترودونا-باخ، أ.، شيفلي، ب.، وودز، ر.، تويلينغ، أ. ج. ولارسون، ج. ر. NH-SWE: مجموعة بيانات مكافئ مياه الثلج في نصف الكرة الشمالي استنادًا إلى سلسلة زمنية لعمق الثلج في الموقع. بيانات علوم الأرض 15، 2577-2599 (2023).
53. هيرسباخ، هـ. وآخرون. إعادة التحليل العالمية ERA5. مجلة الجمعية الملكية للأرصاد الجوية 146، 1999-2049 (2020).
54. شنايدر، يو. وآخرون. إعادة تحليل بيانات GPCC الكاملة النسخة 6.0 في : هطول الأمطار على سطح الأرض شهريًا من أجهزة قياس الأمطار المبنية على بيانات نظام النقل العالمي والبيانات التاريخية. مركز مناخ هطول الأمطار العالميhttps://doi.org/10.5676/DWD_GPCC/FD_M_V7_050 (2011).
55. بيك، هـ. إ. وآخرون. MSWEP V2 العالمية كل 3 ساعات الهطول: المنهجية والتقييم الكمي. نشرة الجمعية الأمريكية للأرصاد الجوية 100، 473-500 (2019).
56. روهدي، ر. أ. وهاوسفاذر، ز. سجل درجات حرارة الأرض/المحيط في بيركلي. بيانات علوم الأرض 12، 3469-3479 (2020).
57. درجة الحرارة الموحدة العالمية من CPC. مركز التنبؤ بالمناخ NOAA (2023).
58. هاريغان، س. وآخرون. إعادة تحليل تصريف الأنهار العالمية التشغيلية GloFAS-ERA5 من 1979 حتى الآن. بيانات علوم الأرض 12، 2043-2060 (2020).
59. جيلت، ن. ب. وآخرون. مشروع المقارنة بين نماذج الكشف والنسب (DAMIP v1.0) كإسهام في CMIP6. تطوير نماذج علوم الأرض 9، 3685-3697 (2016).
60. الكثافة السكانية الموزعة للعالم، الإصدار 4 (GPWv4): عدد السكان (مركز بيانات وتطبيقات العلوم الاجتماعية التابع لناسا، 2016);https://doi.org/10.7927/H4X63JVC.
61. غيغي، ج.، همفري، ف.، سيني فيراتني، س. إ. وغودموندسون، ل. GRUN: مجموعة بيانات تصريف عالمية مبنية على الملاحظات من 1902 إلى 2014. بيانات علوم الأرض 11، 1655-1674 (2019).
62. فوجل، إ. وآخرون. آثار الظروف المناخية المتطرفة على غلات الزراعة العالمية. رسائل البحث البيئي 14، 054010 (2019).
63. لويلر، ج. ج.، وايت، د.، نيلسون، ر. ب. وبلستين، أ. ر. التنبؤ بالتحولات في النطاق الناتجة عن المناخ: اختلافات النماذج وموثوقية النماذج. التغير العالمي في البيولوجيا 12، 1568-1584 (2006).
64. كيم، ر. س. وآخرون. مشروع عدم اليقين في تجميع الثلوج (SEUP): قياس عدم اليقين في مكافئ مياه الثلوج عبر أمريكا الشمالية من خلال نمذجة سطح الأرض الجماعية. كريوسفير 15، 771-791 (2021).
65. كومي، د.، روبنسون، أ. ورامشتورف، س. زيادة عالمية في درجات الحرارة الشهرية القياسية. تغير المناخ 118، 771-782 (2013).
66. رحمتسورف، س. وكومو، د. زيادة الأحداث المتطرفة في عالم دافئ. وقائع الأكاديمية الوطنية للعلوم في الولايات المتحدة الأمريكية 108، 17905-17909 (2011).
67. زوموالد، م. وآخرون. فهم وتقييم عدم اليقين في مجموعات بيانات المناخ الملاحظة لتقييم النماذج باستخدام التجميعات. وايلي إنتر ديسبلين. ريف. مناخ. تغيير 11، e654 (2020).
68. تاتيب، هـ. وآخرون. وصف وتقييم أساسي للحالة المتوسطة المحاكية، والتنوع الداخلي، وحساسية المناخ في MIROC6. تطوير نماذج علوم الأرض 12، 2727-2765 (2019).
69. هوكينز، إ. وسوتون، ر. الإمكانية لتقليل عدم اليقين في توقعات المناخ الإقليمي. نشرة الجمعية الأمريكية للأرصاد الجوية 90، 1095-1108 (2009).

الشكر والتقدير نشكر قسم الحوسبة البحثية في جامعة دارتموث ومجموعة الاكتشاف على الموارد الحاسوبية؛ وبرنامج أبحاث المناخ العالمي، الذي قام، من خلال مجموعة العمل المعنية بالنمذجة المترابطة، بتنسيق وتعزيز CMIP6؛ وجميع مجموعات نمذجة المناخ على إنتاج وتوفير مخرجات نماذجهم. نعترف بتمويل هذا البحث من NOAA MAPP NA2OOAR4310425 (J.S.M.) وDOE DESC0022302 (J.S.M. وA.R.G.).

مساهمات المؤلفين صمم المؤلفان التحليل. قام A.R.G. بإجراء التحليل. قام المؤلفان بتفسير النتائج وكتابة الورقة. قام J.S.M. بتمويل البحث.

المصالح المتنافسة يعلن المؤلفون عدم وجود مصالح متنافسة.

معلومات إضافية النسخة الإلكترونية تحتوي على مواد إضافية متاحة فيhttps://doi.org/10.1038/s41586-023-06794-y.
يجب توجيه المراسلات والطلبات للحصول على المواد إلى ألكسندر ر. غوتليب. تشكر مجلة نيتشر جونى بوليائين، وريان ويب، والمراجعين الآخرين المجهولين على مساهمتهم في مراجعة الأقران لهذا العمل. تقارير مراجعي الأقران متاحة.
معلومات إعادة الطبع والتصاريح متاحة علىhttp://www.nature.com/reprints.

الشكل البياني الممتد 1 | الاتجاهات الطويلة الأمد غير المتجانسة في SWE الملاحظ في مارس تجعل الادعاءات حول استجابة الثلوج للاحتباس الحراري تحديًا. أ-هـ، الاتجاه في SWE في مارس من 1981 إلى 2020 من منتجات بيانات SWE الموزعة بشكل فردي.
متوسط الاتجاه عبر جميع المنتجات الخمسة. تم تظليل خلايا الشبكة حيث تتفق أقل من 4 منتجات على اتجاه العلامة. تم إنشاء الخرائط باستخدام cartopy v0.18.0.

الشكل البياني الموسع 2|تظهر الاتجاهات التاريخية في SWE لشهر مارس من نماذج CMIP6 عدم اليقين خارج غرب الولايات المتحدة وأوروبا و
شمال أوراسيا. أ-ك، الاتجاه في مارس SWE من 1981 إلى 2020 من محاكاة نماذج المناخ التاريخية. يمكن العثور على تفاصيل النماذج في البيانات الموسعة.

الجدول 2.1، اتجاه المتوسط الجماعي. خلايا الشبكة حيث أقل من تم تفقيس النماذج التي تتفق على اتجاه الاتجاه. تم إنشاء الخرائط باستخدام cartopy v0.18.0.

النقطة تمثل حوض نهر. الخط المتقطع يدل على إعادة البناء المثالية. يتم عرض معامل ارتباط بيرسون في الزاوية السفلى اليمنى. تم إنشاء الخرائط باستخدام cartopy v0.18.0. تأتي حدود أحواض الأنهار من قاعدة بيانات مراكز بيانات الجريان العالمي للأحواض الكبرى في العالم. .

مقياس الحوض (أ-هـ) وخطأ الجذر التربيعي المتوسط (RMSE؛ ) لخمسة منتجات بيانات SWE الموزعة على شبكة خلال الفترة من 1981 إلى 2020. كل مقياس يظهر مهارة متوسط جميع إعادة البناء لمنتج SWE واحد مقابل الملاحظات

القيم المستمدة من ذلك المنتج. تُظهر الإضافات توزيع المهارات عبر الأحواض، مع وجود الخط الأحمر والقيمة التي تشير إلى الوسيط. تم إنشاء الخرائط باستخدام cartopy v0.18.0. تأتي حدود أحواض الأنهار من قاعدة بيانات المراكز العالمية لتدفق المياه حول الأنهار الكبرى في العالم. .

الشكل 5 من البيانات الموسعة | يعيد بناء المجموعة استنادًا إلى نموذج الغابة العشوائية بمهارة، ويتنبأ بتغيرات واتجاهات بيانات الثلوج في الموقع خارج العينة. و RMSE (ب) لتوقعات نموذج الغابة العشوائية لمقياس الثلج في مارس في 2,961 موقعًا خلال الفترة من 1981 إلى 2020. تُظهر الإضافات توزيع المهارة عبر المواقع، مع الخط الأحمر والقيمة التي تشير إلى الوسيط. الاتجاهات المرصودة (ج) والمعاد بناؤها (د) لمقياس الثلج في مارس من 1981 إلى 2020.
رسم بياني متفرق للاتجاهات المعاد بناؤها مقابل الاتجاهات المرصودة، حيث يمثل كل نقطة موقعًا في الموقع. يتم تلوين النقاط حسب كثافتها. الخط المنقط يدل على التوافق التام بين الاتجاهات المعاد بناؤها والاتجاهات المرصودة. يتم عرض معامل ارتباط بيرسون في الزاوية السفلى اليمنى. تم إنشاء الخرائط باستخدام cartopy v0.18.0.

الاستجابة القسرية لدرجة الحرارة وهطول الأمطار عبر نماذج المناخ المختلفة، و(هـ) عدم اليقين في الاستجابة القسرية لدرجة الحرارة وهطول الأمطار الناشئة عن التباين الداخلي (الطرق). يشير التظليل إلى الأحواض التي يكون فيها عدم اليقين الناتج عن مصدر معين غير كافٍ لتغيير إشارة تقدير متوسط المجموعة لاتجاه SWE القسري. تم إنشاء الخرائط باستخدام cartopy v0.18.0. تأتي حدود أحواض الأنهار من قاعدة بيانات مراكز بيانات الجريان العالمي للأحواض الكبرى في العالم. .

الشكل 9 من البيانات الموسعة | تظهر منهجية إعادة بناء غلاف الثلج باستخدام الغابة العشوائية مهارة عالية استنادًا إلى إطار نموذج مثالي.
اتجاهات متوسط مجموعة CMIP6 المفروضة (HIST ناقص HIST-NAT) في SWE لشهر مارس من 1981-2020 بناءً على (أ) مخرجات نموذج المناخ لـ SWE و (ب) SWE المقدرة باستخدام درجة حرارة وهطول الأمطار من نموذج المناخ ونموذج الغابة العشوائية.
c، مخطط تشتت للاتجاهات المعاد بناؤها مقابل الاتجاهات الأصلية، حيث يمثل كل نقطة خلية شبكية. يتم تلوين النقاط حسب كثافتها. الخط المنقط يدل على التوافق التام بين الاتجاهات المعاد بناؤها والاتجاهات الأصلية. يتم عرض الارتباط المكاني في الزاوية السفلى اليمنى.

الشكل 10 من البيانات الموسعة | تم توسيع نموذج الغابة العشوائية للتنبؤ بتدفق المياه الناتج عن ذوبان الثلوج بدقة. (أ) و RMSE (ب) لتوقعات نموذج الغابة العشوائية لتدفق المياه على مستوى الحوض من أبريل إلى يوليو من 1981 إلى 2020. تظهر الإضافات توزيع المهارة عبر المواقع، مع الخط الأحمر والقيمة التي تشير إلى الوسيط. الاتجاهات الملاحظة (ج) والمتوسط المعاد بناؤه (د) لتدفق المياه من أبريل إلى يوليو 1981-2020. هـ، مخطط انتشار للقيم المعاد بناؤها مقابل الملاحظة
الاتجاهات، حيث يمثل كل نقطة حوضًا. الخط المتقطع يدل على التوافق التام بين الاتجاهات المعاد بناؤها والملاحظة. يتم عرض الارتباط المكاني في الجهة اليسرى الوسطى. تم إنشاء الخرائط باستخدام cartopy v0.18.0. تأتي حدود أحواض الأنهار من قاعدة بيانات المراكز العالمية لتدفق المياه حول العالم. .

https://doi.org/10.1038/s41586-023-06794-y
Received: 2 March 2023
Accepted: 24 October 2023
Published online: 10 January 2024
Open access

Seasonal snow is regarded as a sentinel system for climate change. Warm winter temperatures can favour rain over snow and enhance snowmelt, reducing snow water storage and posing hydrologic risks to people and ecosystems . Yet, puzzlingly, snow is not behaving as a sentinel (Fig.1): although observations show consistent warming trends at the hemispheric, continental and river-basin scales (Fig.1), there is no consistent pattern of snowpack loss across observational data products (Fig. 1b-e). As such, although the latest Intergovernmental Panel on Climate Change (IPCC) assessment concluded with high confidence that Northern Hemisphere springtime snow water equivalent (SWE; a typical measure of snow mass) has “generally declined” since 1981, it remains unclear where, when and by how much anthropogenic climate change has actually altered snowpack so far, especially at decision-relevant scales. Absent a robust attribution of human-forced snowpack changes, it is difficult to identify the regions most vulnerable to snow loss and, by extension, to develop appropriate strategies to manage present and future water security risks from snow changes.

At least three factors account for the inconsistent response of snowpacks to observed warming. Chief among them are the aforementioned observational uncertainties in estimates of SWE . For example, in only one-third of the Northern Hemisphere’s major river basins-and fewer than half of the dozen most populated-is there agreement across products on the direction of long-term snow change (Fig.1c). Second, snowpack is highly variable across a range of timescales, reflecting low-frequency modes of climate variability, such as the Pacific Decadal

Oscillation or Atlantic Multidecadal Variability . Disentangling the snowpack response to forcing thus also requires a robust estimate of regional snow responses to internal variability, such as those that come from initial condition large ensembles of climate simulations . Attribution studies that rely on a small number of climate models and/or few model realizations (for example, refs. 13-16) may conflate internal variability and model structural uncertainties , the latter of which are quite large for snowpack , making attribution difficult. Lastly, the relationship between forcing and snowpack is not unidirectional: warming, for example, can enhance cold-season precipitation and snowfall extremes , potentially offsetting warming-driven losses, particularly in cold, high-latitude or high-elevation regions . Regional attribution studies (for example, refs. 13,14) have normalized SWE by cumulative cold-season precipitation in a rightful effort to reduce noise from precipitation variability and allow for a clearer identification of a temperature signal, but this strategy fails to capture the full effect of climate change on snow. Any attribution of human-caused snowpack declines must address these complications to be trustworthy and informative.

We address these uncertainties by combining an observations-based ensemble of snowpack, temperature, precipitation and runoff data products with empirical and climate models to attribute snowpack changes to anthropogenic warming at the hemispheric and river-basin scales. We use these insights to assess how changes to temperature and precipitation have affected snow water storage and to generalize how

considered snow dominated, as well as each continent (Methods). The locations of the basins are indicated on the map in a, corresponding to the number in parentheses. Temperature (red triangles) is referenced to the top axis and SWE (blue squares) is referenced to the bottom axis. The 2020 basin population is indicated in the top-right corner. Maps were generated using cartopy v0.18.0. River basin boundaries come from the Global Runoff Data Centre’s Major River Basins of the World database .
snowpack and the runoff it generates will respond to additional warming. Together, our results provide a thorough documentation of the historical and future effects of climate change on snow water storage.

Despite the substantial uncertainty in spatially distributed estimates of snowpack (Fig. 1 and Extended Data Fig. 1), gridded snow products nevertheless share a distinct spatial pattern of historical trends that agrees well with in situ observations (Fig. 2a,b). Over the past 40 years, March SWE has sharply declined in the southwestern USA and much of western, central and northern Europe by 10% to 20% per decade. Strong snow decreases extend eastwards across the Eurasian continent into parts of central Asia, per the gridded products (Fig. 2b and Extended Data Fig.1), although a lack of in situ reference points there makes it difficult to validate these trends. In contrast, the cold continental interiors of central North America and northern Eurasia have seen increasing
spring snowpacks, with in situ observations indicating a deepening of over 20% per decade in the Northern Great Plains and parts of Siberia, whereas gridded products indicate more modest increases of 5% to 10% per decade. Snow-dominated regions that lack in situ observations, such High Mountain Asia and the Tibetan Plateau, show weak trends in the gridded observational ensemble mean (Fig. 2b), which belie directionally inconsistent trends in individual data products (Fig.1b,e and Extended Data Fig. 1).

Coupled climate model simulations forced with historical human and natural forcing capture some features of the observed historical spatial pattern of snow change, particularly the large snow loss over most of Europe and modest gains over Northern Eurasia (Fig. 2c and Extended Data Fig. 2). The historical climate model experiments capture parts of the spatial structure of snow change over North America, including declines in the southwest and northeast, but show modest declines in the continental interior where observations report deepening snowpacks (Extended Data Fig. 2). Meanwhile, simulations that

Fig. 2 | Climate model experiments reveal that human-caused warming has influenced Northern Hemisphere snowpack trends. a-d, Trend in March SWE from 1981 to 2020 in in situ observations (a), the ensemble mean of five long-term gridded SWE products (b), and the multimodel mean of CMIP6 historical simulations with (c) and without (d) anthropogenic emissions. e, Spatial pattern correlation ( ) of 1981-2020 March SWE trends between the CMIP6 multimodel mean HIST (red symbols) and HIST-NAT (blue symbols)
simulations and each observational (OBS) SWE product (see legend). The grey histogram indicates the empirical probability density function of spatial correlations between trends from the historical simulations and all possible 40-year trends from unforced pre-industrial control (PIC) simulations ( ). The red (orange) vertical dashed line indicates the 99th (95th) percentile of this empirical distribution. Maps were generated using cartopy v.0.18.0.
exclude anthropogenic emissions fail to capture the observed pattern of snow change (Fig. 2d).

To be able to claim that human interference in the climate system is responsible for the observed hemispheric pattern of snowpack trends, we calculate the chances that the observed pattern of snow change could have arisen from natural climate variability alone. We follow a widely used attribution approach and generate a distribution of pattern correlations between 40-year SWE trends from forced (historical or HIST) and unforced (pre-industrial control or PIC) climate model simulations (Methods). This exercise provides a null distribution (the grey background histogram in Fig. 2e) indicating how much a spatial pattern of SWE trends arising from model-simulated natural variability alone could resemble a pattern consistent with those that include anthropogenic forcing. We then correlate the spatial pattern of SWE
trends in each observational dataset with those from the ensemble mean of two different climate experiments: the HIST simulations (red symbols in Fig. 2e), representing historical anthropogenic forcing and the historical-nat, or HIST-NAT, simulations (blue symbols in Fig. 2e), representing a historical climate without human-caused greenhouse gas emissions. Finally, we compare the observed correlations to the null distribution to calculate the probability that the degree of similarity between the observations and HIST and HIST-NAT simulations could have arisen from natural variability.

We find that, in the language of the IPCC, it is virtually certain (>99% probability) that human emissions have contributed to the observed pattern of March snowpack trends in in situ observations and in the average of the gridded ensemble, as well as in the TerraClimate reanalysis and the Japanese 55-year Reanalysis (JRA-55). We note that the strength

of this claim is subject to the choice of dataset, as the ERA5-Land reanalysis (97%) and the satellite remote sensing-based Snow-CCI product (97%) show a slightly lower, but still an ‘extremely likely’ probability, and there is no detectable influence when examining the MERRA-2 reanalysis (78%). Thus, despite the substantial observational uncertainty in long-term snow trends among data products, there seems to be a shared structure in the spatial pattern of observed change that is consistent with that from anthropogenic forcing. Crucially, this similarity is absent when these products are compared with simulations that include only solar and volcanic forcing on the climate system (HIST-NAT;blue symbols in Fig. 2e), as not a single pattern is distinguishable from natural variability. As such, we can considerably strengthen the recent IPCC claim about snow trends and say with a high degree of confidence that human emissions have contributed to the observed pattern of spring snowpack trends across the Northern Hemisphere over the past 40 years.

The coupled climate model experiments such as those presented in Fig. 2 are a powerful tool for detecting and attributing human influence on the broad features of the hemispheric pattern of SWE trends. Yet the ability of these models to capture the magnitude and detailed spatial structure of observed trends is limited (see the range of the axis in Fig. 2e), undermining the ability to assess forced snow change and its consequences at impact-relevant scales. To that end, we pursue a data-model fusion approach using a random forest machine-learning algorithm that has been applied in a wide variety of attribution contexts , where we combine empirical models of SWE with climate model simulations to allow us to flexibly estimate how anthropogenic emissions have affected the temperature and precipitation that drive SWE at finer scales (Methods). We combine a number of gridded snowpack, temperature and precipitation datasets (Extended Data Table 1) in an effort to produce an ensemble of empirical reconstructions of historical March SWE at the basin scale (Methods) that skillfully reproduce observed trends and variability in those datasets, with the spatial pattern correlations of reconstructed and observed trends ranging from 0.9 to 0.97 (Extended Data Fig. 3) and a median root-mean-square error (RMSE) across all products and basins of under 8% (Extended Data Fig.4). Furthermore, the snowpack reconstruction models are able to skillfully hindcast long-term trends and variability in out-of-sample in situ snow data, with a trend pattern correlation across roughly 3,000 sites of 0.72 and a median RMSE of 22% (Extended Data Fig. 5).

Our strategy to empirically reconstruct basin-scale SWE many times using a large number of dataset combinations has three goals. First, we want to be able to effectively sample the observational uncertainty in snow and climate that has undermined snow attributions so far (Fig.1). Second, we need to reconstruct snowpack as a function of temperature and precipitation to isolate how forced and unforced changes in those quantities have shaped observed snowpack changes at impact-relevant scales. Our ensemble of empirical snowpack reconstructions give us the experimental control to assess the drivers of snow changes. Lastly, we want to be able to assess whether signals of forced snowpack changes emerge above the noise of observational, internal variability and climate model uncertainties, and to quantify those sources of uncertainties to improve snowpack constraints (Extended Data Fig. 7). By using all factorial combinations of observations and climate models, we can fully characterize and quantify these sources of uncertainty and achieve a better estimate of the true forced signal than could be achieved with any single dataset .

Our ensemble of observations-based reconstructions of March SWE (Fig. 3 and Extended Data Fig. 4) shows that spring snowpack has declined over the past four decades in many mid-latitude basins, with modest increases in cold, high-latitude basins (Fig. 3a). The largest decreases of around 10% per decade are seen in the river basins of
the southwestern USA and Europe, in agreement with the long-term trends from in situ SWE measurements there . Despite the substantial uncertainty in March SWE trends in the gridded observational products themselves (Fig. 1), our empirical reconstructions show a consistent direction of trends in about half of all major river basins (82 out of 169). At the same time, however, there are large concentrations of basins with insignificant March SWE trends in High Mountain Asia, northern North America and Siberia (outside of the Far East, where increases similarly agree with in situ observations ) driven largely by disagreement on the direction of trends across the ensemble of SWE reconstructions.

The value of our basin-scale SWE reconstructions is that they allow us to isolate the influence of anthropogenically forced trends in temperature and precipitation on snowpack trends at hydrologically relevant scales while fully sampling observational, empirical and climate model uncertainties. We difference the Coupled Model Intercomparison Project Phase 6 (CMIP6) HIST and HIST-NAT experiments to estimate the forced response of temperature and precipitation. We then remove that from the observed temperature and precipitation time series and re-estimate our snowpack reconstructions, giving us an ensemble of counterfactual no-anthropogenic-climate-change snowpack (Methods). Although fewer than a quarter of all basins (37 out of 169) show significant counterfactual trends (Supplementary Fig. 1), some basins, such as the Rio Grande (6.3% per decade), still show consistent declines over the past 40 years, even without human interference with the climate. Such declines are consistent with regional teleconnections to low-frequency oceanic variability, such as the Pacific Decadal Oscillation , which can drive decadal-scale hydroclimate trends in these regions independent of those from anthropogenic warming.

We note that the CMIP6 models tend to over-estimate the historical warming trend compared with observations in some regions, particularly over central North America and eastern Europe (Extended Data Fig. 6 and Supplementary Fig. 2). At the same time, however, fewer than 1% of apparent biases over the hemisphere fall outside the range of model internal variability, suggesting that models are skillfully capturing Northern Hemisphere winter land-temperature trends . The models also underestimate the multidecadal drying in the southwestern USA, which has seen historical precipitation declines driven by both internal ocean-atmosphere variability and anthropogenic forcing , and underestimate observed wetting over the Tibetan Plateau (Extended Data Fig. 6 and Supplementary Fig. 2). Once again, however, fewer than 3% of precipitation biases lie outside that possible from modelled internal variability, suggesting these biases do not undermine our attribution.

Our approach sifts through the observational and model noise to reveal that human-forced changes to temperature and precipitation have altered spring snowpack trends in 31 major river basins across the Northern Hemisphere (Fig. 3e). The spatial pattern of forced SWE trends is similar to the historical trends (compare Fig. 3a and 3e), with anthropogenic climate change having reduced spring snowpacks in the mid-latitudes (basins south of ) by per decade (mean s.d.) and enhanced them in the cold, high-latitude basins that drain into the Arctic Ocean by per decade (Fig. 3e). Interestingly, we are able to detect a forced SWE decline in major basins such as the Columbia (4.8% per decade) where historical observations indicate modest increases since 1981 or the Saint Lawrence (6.9% per decade), where observed trends have been small and statistically insignificant. These examples suggest that internal variability in the climate system has been masking large forced snowpack reductions in some regions . Likewise, there are basins like the Rio Grande, which have suffered large historical snowpack declines of over 10% per decade, but for which there is little agreement that forced temperature and precipitation changes have caused those declines, reinforcing the notion that low-frequency variability can overwhelm forced signals in snow and hydroclimate, even on multidecadal timescales . Indeed, internal variability is the dominant source of uncertainty in the magnitude

Fig. 3 | Empirical snowpack reconstructions reveal the countervailing effects of human-forced temperature and precipitation trends on basinscale snow changes. a, Average observed 1981-2020 March SWE trends from 5 long-term SWE data products in 169 major Northern Hemisphere river basins. b, As in a but for our observation-based reconstructions. c, Effect of anthropogenically forced temperature changes on March SWE trends, given by the ensemble mean difference between the statistically reconstructed historical
trend and the reconstructed trend with forced changes to temperature removed. , As in but for forced precipitation changes. , As in and but for forced changes to both temperature and precipitation. The hatching indicates basins where fewer than of observations or reconstructed estimates agree on the sign of the trend or forced effect. Maps were generated using cartopy v.0.18.0. River basin boundaries come from the Global Runoff Data Centre’s Major River Basins of the World database .
of forced response-over climate model structural differences and observational uncertainty in SWE, temperature and precipitationin roughly one in eight basins (Extended Data Fig. 7).

Our isolation of the effects of forced changes in temperature (Fig. 3c) and precipitation (Fig. 3d) show that anthropogenic temperature changes have generally reduced March SWE across the hemisphere, except in the coldest basins, although uncertainty in the underlying SWE observations and in the regional temperature response of the climate models limits agreement over much of northern North America and Asia (Fig. 2c and Extended Data Fig. 7). Anthropogenically forced precipitation increases have offset some warming-driven losses (Fig. 3d) consistent with observed human-caused increases in winter precipitation in many of the Northern Hemisphere’s cold regions . Outside of cold continental interiors , however, forced snowpack increases from precipitation are generally insignificant, reflecting
both the greater model uncertainty in precipitation and the larger contribution of internal variability to hydroclimate uncertainty .

Disentangling forced from unforced snow changes (as presented in Fig. 3) is essential to inform decisions to manage present and future snow loss. Our analysis makes clear that there is indeed a fingerprint of anthropogenically forced SWE trends across the Northern Hemisphere and that for some regions, natural variability has been sufficient to mask or reverse snow trends. But such an analysis is not just valuable for what it says about snow changes so far. It is valuable because it helps reveal the highly nonlinear sensitivity of snowpack to warming (Fig. 4), and in doing so, resolve the conundrum of why it is that-despite warming-there has not been a commensurate decline in snow water

population in temperature bins, with the values indicating how much of each distribution falls on each side of the change point. Temperatures on the axis are the average November-March temperature over the 1981-2020 period from each in situ location or grid cell. Only climatologically snow-covered grid cells are used to calculate the basin-average temperature.b, Percentage change in basin-scale March SWE-driven April-June runoff in 2070-2099 under SSP2-4.5 relative to 1981-2020 (Methods) versus basin population. The dots are coloured by the percentage change in March SWE in 2070-2099 relative to 1981-2020 and sized by the CMIP6 ensemble mean projected end-of-century temperature change.
defining the relationshipbetween climatological temperatures and snow sensitivity (Fig. 4a).

Lastly, the fact that snow is relatively insensitive to warming below climatological winter temperatures of about helps explain the lack of clear snow trends at the hemispheric scale despite substantial warming so far: over of the March snow mass in the Northern Hemisphere is found in places to the left of this inflection point (upper inset distribution, Fig. 4a). In those regions, warming has little effect. Notably, much of the of hemispheric snow mass remaining resides just to the right of the inflection point, hovering near a snow-loss cliff, where marginal increases in temperature imply larger and larger snow losses to come. What is clear is that in these regions, snow declines so far have been relatively small compared with natural variability. Indeed, the likelihood of observing a statistically significant trend in SWE begins increasing around this inflection point in climatological temperature (Supplementary Fig. 3). Such a relationship suggests that further warming and thus additional time spent beyond this threshold will homogenize snow trends towards more consistent declines, portending widespread and accelerating snow losses for many basins over the coming decades.

Crucially, the highly nonlinear relationship between snow sensitivity and climatological temperature implies rapidly emerging water security risks to people. Although of the Northern Hemisphere’s snow mass is found in cold places that have historically been insensitive to warming, of the hemisphere’s inhabitants reside in the snow-dependent regions beyond this inflection point (lower inset distribution, Fig. 4a). As such, further warming is likely to have rapidly emerging impacts on snow water resources in the mid-latitude basins where people reside and place competing demands on fresh water.

To assess this, we consider the population exposure to both projected snow loss and attendant spring snowmelt driven runoff change (Fig. 4b). Under Shared Socioeconomic Pathway (SSP) 2-4.5, a ‘middle-of-the-road’ emissions scenario, the most highly populated basins are expected to see strong declines in spring runoff as a result of nonlinear snow loss, even in the face of relatively modest warming projected in those regions (Fig. 4b and Extended Data Fig. 8).
storage across the Northern Hemisphere (for example, Fig. 1). It also makes clear why we should expect snow losses to rapidly accelerate, with widespread water security consequences (Fig. 4b).
Examining the shape of the relationship between average winter temperatures and the marginal sensitivity of snow change to temperature change clarifies why snow detection has been elusive so far and why even modest levels of warming suggest much sharper snow declines to come (Fig. 4a). The responsiveness of snow to of warming depends on climatological winter temperatures. Below historical temperatures of about (determined from change-point analysis), spring snowpack is little affected by warming; however, each additional of warming beyond that point results in accelerating losses.

There are several notable features in these curves. First, is their scale and data invariance: the location of the inflection point in temperature sensitivity is consistent when it is estimated from point measurements, gridded data products, climate models or our basin-scale reconstructions. This consistency suggests that despite substantial measurement and modelling uncertainties, simple thermodynamics can explain much of snow’s historical and future response to warming. As the climatological temperature of a location warms towards the freezing point, the likelihood of subseasonal temperatures exceeding thresholds where precipitation is partitioned towards rain over snow or accumulated snowpack will melt increases exponentially. We note, however, that these thresholds themselves are not constant in space, owing to factors such as topography and distance from oceanic moisture sources , which may account for some of the uncertainty in snow sensitivities at any one climatological temperature (shading in Fig. 4a). Second, the marginal sensitivity of snow to temperature change provides some intuition for the spatial pattern of SWE trends shared by the observations and climate models in Fig. 2: in general, the largest snowpack declines are seen in the climatologically warmest places, which sit just beyond the inflection point in the curve presented in Fig. 4a. There, small increases in temperature have led to large declines in snowpack. In contrast, cold regions see little change or in some cases, increased SWE. Such locations sit on the flat, insensitive part on the curve

The western USA, for example, is poised to see particularly sharp spring runoff declines in the upper Mississippi (84 million people, 30.2% spring runoff decline), Colorado (14 million, 42.2%), Columbia (8.8 million, 32.7%) and San Joaquin ( 6.8 million, 40.9%) river basins (Extended Data Fig. 8). The most populous basins in Europe, such as the Danube ( 92 mil lion, ), Volga ( 60 million, ), Rhine ( 51 million, ) and Po ( 18 million, ) could face water-availability challenges of a similar magnitude. Future changes to SWE-driven spring runoff in Asia, the continent with the greatest number of people living in snow-influenced basins, show substantially less agreement (hatching in Extended Data Fig. 8). Snowpack in cold and sparsely populated basins, meanwhile, is likely to be resilient to high levels of winter warming exceeding , such as that arising from Arctic amplification , and the coldest may see increased snowpacks and enhanced spring runoff into the Arctic Ocean of over 10% on average (Fig. 4b and Extended Data Fig. 8).

Our analysis uses snowpack observations, climate models and an observations-based ensemble of snowpack reconstructions to attribute changes in spring snow water storage at the hemispheric and river-basin scales. Our results explain why snowpack has been a poor sentinel system to assess the pace and magnitude of global warming so far, but why despite that, we should expect unprecedented snowpack declines with only modest additional warming. There is a highly nonlinear temperature sensitivity of snowpack, foreshadowing marked reductions in spring snowpack and associated snow-driven runoff in highly populated basins where snowmelt has an important role in water supply. Our analysis reveals that many of the world’s most populous basins are hovering on the precipice of rapid snow declines and that such losses may only be detected across all observational data products once the water security impacts of snow loss have already manifested. Thoughtful adaptive planning and risk mitigation-particularly around capital-intensive and contentious infrastructure to manage winter flood risks coupled with reduced warm-season streamflow-requires advance warning. The highly nonlinear marginal sensitivity to snow we identify clarifies why such warning in the observations so far has been elusive, and also why waiting until the impacts manifest could be too late to effectively manage their risks. Such warning, we show, will probably only come from the observations once warming is sufficient to push regions into this highly nonlinear snow-loss regime.

We emphasize that we can report these findings to provide meaningful warning because of-rather than despite-uncertainty. Snow datasets may not agree with one another on the magnitude of snowpack or its variability and long-term trends through time (Fig. 1a and Extended Data Fig. 1). Yet in situ measurements and all gridded data products, apart from one, show a spatial structure consistent with anthropogenic forcing of the climate system. The consistency across diverse datasets allows for a much higher degree of confidence in the identification of forced snowpack trends than could be achieved using a single snow dataset alone. Furthermore, the lack of precise knowledge about the true state of snowpack over time, cold-season temperature and precipitation, and their response to anthropogenic emissions allows us to leverage multiple sources of uncertainty to produce over 12,000 estimates of the effects of anthropogenic climate change on spring snowpack in each of the major river basins of the Northern Hemisphere and identify a statistically stable estimate of the forced signal.

In addition, there is value in identifying and quantifying these sources of uncertainty in forced snowpack changes (Extended Data Fig. 7), as it can guide future scientific and operational decision-making . For instance, uncertainty in the forced response of temperature and precipitation arising from structural differences between climate models is the dominant source of uncertainty in the magnitude of forced March SWE trends in over half (95 out of 169) of all basins (Extended

Data Fig. 7), suggesting that improving the skill of climate models in capturing regional climate would go a long way towards constraining historical and future snow change. Uncertainty in SWE data products themselves is also a limiting factor in many basins where in situ observations are sparse or non-existent (Extended Data Fig. 7), suggesting that constraining observational estimates of SWE would be valuable. Finally, identifying the contribution of irreducible uncertainty in SWE trends from internal variability in the climate system (Extended Data Fig. 7) is also essential, as it indicates the range of physically consistent snowpack trajectories for which water resource managers and stakeholders must be prepared .

Together, our findings portend serious water-availability challenges in basins where snowmelt runoff constitutes a major component of the water supply portfolio. Improving our understanding of where and how climate change has and will affect snow water resources is vital to informing the difficult water resource management decisions that a less snowy future will require.

Any methods, additional references, Nature Portfolio reporting summaries, source data, extended data, supplementary information, acknowledgements, peer review information; details of author contributions and competing interests; and statements of data and code availability are available at https://doi.org/10.1038/s41586-023-06794-y.

Publisher’s note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/licenses/by/4.0/.
© The Author(s) 2024

We use two approaches to evaluate the effects of anthropogenic climate change on spring snowpack. First, we follow an attribution that uses the correlation between observed historical snowpack trends from several SWE data products and those from climate model simulations. Second, we take a data-model fusion approach in which we generate a large observation-based ensemble of historical snowpack and estimate what March SWE would have been in the absence of anthropogenically forced changes to cold-season temperature and precipitation. The former indicates forced changes to hemispheric snowpack and the latter indicates forced snow changes at hydrologically relevant scales.

Our ensemble of SWE observations consists of five long-term gridded datasets from the European Center for Medium-Range Weather Forecasting’s (ECMWF) ERA5-Land reanalysis ; the Japan Meteorological Agency’sJRA-55 reanalysis ; NASA’s MERRA-2 reanalysis ; the European Space Agency’s Snow-CCI, Version ; and TerraClimate . Products with a submonthly temporal resolution are averaged across all available March values. We focus on March because it is climatologically the month of maximum snow mass in the Northern Hemisphere and there is an extensive collection of in situ measurements taken during March against which we can benchmark our results. Because the satellite remote-sensing-based Snow-CCI product is masked over mountainous terrain, we follow the approach of ref. 20 and fill SWE values in mountainous cells with the mean value from the other four data sources. For non-mountainous grid cells, we use the unaltered Snow-CCI data. In addition, we use in situ SWE data from the Snowpack Telemetry Network (SNOTEL) network in the western USA ; the Canadian historical Snow Water Equivalent dataset (CanSWE) ; and the Northern Hemisphere Snow Water Equivalent (NH-SWE) dataset, a hemispheric dataset that converts far more abundant snow depth observations to SWE using a well validated model . Only in situ observations with records for at least 35 years between 1981 and 2020 are retained, resulting in a set of 550 from SNOTEL, 341 from CanSWE and 2,119 from NH-SWE.

Gridded precipitation data come from the ECMWF’s ERA5 reanalysis ; the Global Precipitation Climatology Centre (GPCC) ; MERRA-2 ; MultiSource Weighted-Ensemble Precipitation (MSWEP), Version ; and TerraClimate . Gridded temperature data come from Berkeley Earth (BEST) ; NOAA’s Climate Prediction Center (CPC) Global Unified Temperature ;ERA5 ; and MERRA- . Daily gridded runoff data come from the ECMWF’s Global Flood Awareness System (GloFAS) . Details of all datasets used in the analysis are given in Extended Data Table 1.
For the climate-model-based attribution and observation-based reconstructions, we regrid all data to and horizontal resolution, respectively, using conservative regridding. For all data except runoff, grid cells where March SWE is zero in more than half of all product years are masked out, as is Greenland.

We also use climate model output from 12 models that archived monthly SWE (‘snw’) data from the pre-industrial control (PIC), historical (HIST), historical-nat (HIST-NAT) and SSP2-4.5 CMIP6 experiments, as well as monthly air temperature (‘tas’) and precipitation (‘pr’) data from the HIST, HIST-NAT and SSP2-4.5 experiments . All model output are regridded and masked as with the gridded observational data. Consistent with the Detection and Attribution Model Intercomparison Project (DAMIP) protocol, the HIST simulations, which end in 2014, are extended to 2020 using the SSP2-4.5 scenario . For simplicity, ‘historical’ (HIST) will always refer to these extended time series. Model details are given in Extended Data Table 2.

To provide estimates of hydrologic quantities at decision-meaningful scales, we aggregate from the gridded to the river-basin scale using basin extents from the Global Runoff Data Center’s Major River Basins of the World database . All empirically estimated grid-cell values of SWE, precipitation and runoff (in mm , or equivalently ) are multiplied
by the grid cell area (in ) before summing all grid cells within a basin to calculate basin-scale mass (in kg). Basin- and hemisphere-average temperatures are given by the area-weighted mean temperature of all snow-covered grid cells.

All estimates of basin population are calculated using the 2020 values from the 15 arcmin Gridded Population of the World, Version 4 (GPWv4) dataset from NASA’s Socioeconomic Data and Applications Center .

Our hemispheric attribution approach tests whether the similarity between observed and climate-model-simulated forced SWE trends exceeds what could be possible from natural climate variability alone . To evaluate the null hypothesis that the pattern of SWE trends in the HIST simulations could be the result of natural variability alone, we calculate the spatial pattern of trends in March SWE from 1981 to 2020 in each model’s HIST simulation and for every unique 40-year period from those same models’ unforced PIC simulations (for example, for a 500-year PIC simulation, we generate 461 maps of 40 -year trends). All trends are calculated using the Theil-Sen estimator, a non-parametric technique for estimating a linear trend that is more robust to data that is skewed or contains outliers than trends calculated using ordinary least squares regression. Then, we calculate the Spearman (rank) correlation coefficient between the spatial maps of HIST and PIC trends to quantify the pattern similarity. The resulting empirical distribution of 78,601 correlations (background histogram on Fig. 2) represents the likelihood that the pattern in the forced historical simulations could have arisen from natural variability alone.

We quantify the similarity between the observed pattern of SWE trends and the model-estimated response to forcing by taking the Spearman spatial correlation between the map of trends from each observational product and the multimodel mean map from the HIST simulations (red symbols in Fig. 2e). For this analysis, the in situ observations are aggregated to the same grid as the gridded observations and climate models by taking the mean trend of all stations within each grid cell (Fig. 2a). If the correlations between the observations and HIST simulations are greater than almost all of the correlations between the HIST and PIC simulations, we can reject the null hypothesis that the observed historical pattern could have arisen from natural variability alone and claim that a response to historical forcing is present in the observed pattern. Furthermore, if we cannot reject the null hypothesis using the correlations between the observations and HIST-NAT simulations with only solar and volcanic forcing, then it is unlikely that the observed pattern is the result of natural radiative forcing. Combined, these two lines of evidence strongly indicate that anthropogenic forcing is causing the observed patterns of SWE trends.

As another means of attributing historical SWE change, and to better understand its patterns and drivers at scales more commensurate with the impacts of snow loss, we generate a large observation-based ensemble of historical March SWE with and without the effects of anthropogenic forcing. We do so by using the common random forest machine-learning algorithm, which fits randomized regression trees on bootstrapped samples of the data and averages their predictions together. The decision tree framework is particularly well suited to pick up nonlinear interactions, such as that between temperature and precipitation in the context of snow, as well as correlated predictors. The random forest algorithm has been applied to reconstruct a wide variety of biogeophysical variables that are shaped by temperature, precipitation and their interaction, including historical runoff , crop yields and climate-induced species range shifts . In each instance, the random forest model was found to significantly outperform both other machine-learning algorithms and more traditional approaches such as linear regression. In addition, for this particular application of reconstructing historical snowpack, the model imposes no prior
assumptions about temperature thresholds for rain-snow partitioning or snowmelt, which can vary substantially in space and are themselves a contributor to uncertainty in modelled estimates of SWE . We model March SWE as a function of average monthly temperature and cumulative monthly precipitation from the previous November to March:

where SWE is average March SWE in water year (October-September) at grid cell is the random forest model, is the average temperature in month of water year and grid cell , and is the total precipitation in month of water year and grid cell . We fit the model using the full spatiotemporal panel of gridded data (that is, all grid-cell years from 1981 to 2020), then aggregate the predicted gridded values to the river-basin scale. We find that training a single model on the full panel of data offers two main advantages over training multiple models on more local data (for example, a model for each river basin). First is that the out-of-sample prediction skill of the full panel model is significantly higher in many highly populated mid-latitude basins of the western USA, western Europe and High Mountain Asia; local models are more skilful in fewer than 20% of basins, concentrated in sparsely populated high-latitude basins where the skill of the full panel model is already high (Extended Data Fig. 3). Second, training a single model on data from the entire hemisphere provides greater statistical stability of projections made with large perturbations to the input variables, such as adding an end-of-century climate change signal (Extended Data Fig. 8), which could exceed the support of local historical observations as records fall at an increasing rate .

To adequately sample and quantify the observational uncertainty in snowpack, temperature and precipitation and create a sufficiently wide ensemble of possible SWE values, we repeat this procedure for all combinations of 6 SWE ( 5 gridded + in situ), 4 temperature and 5 precipitation datasets (Extended Data Table1), providing120 ( ) estimates of basin-scale March SWE from 1981 to 2020. Our ensemble approach is motivated by two main considerations. First, it is difficult to determine what represents ‘true’ snowpack at hydrologically relevant scales. All methods of estimating spatially distributed snowpack (for example, remote sensing or reanalysis) have their intrinsic limitations that result in high levels of disagreement on snow mass, its variability and long-term trends , as we show in Fig.1. In situ measurements may represent truth at the locations at which they are collected, but are difficult to generalize, especially in complex terrain. As a result, using these point observations to adjudicate which gridded products (whose values represent averages over tens to tens of thousands of kilometres) lie closest to ‘truth’ is challenging. Given the inability to know the true state of snowpack or rigorously rule out any of its various gridded estimates, we choose to consider these observational products as equally valid estimates of truth in which we can attempt to identify shared responses. Second, the ensemble approach allows us to capture the structural uncertainty in how SWE responds to changes in temperature and precipitation, which are themselves subject to data uncertainties (Supplementary Fig. 2). Using all dataset combinations, we can sample and characterize uncertainty in SWE, temperature and precipitation and their covariance with one another. Such an approach has been used to estimate forced changes in components of the Earth system in which both the dependent and independent variables of interest are themselves uncertain .

We compare the model-predicted time series generated through this process with the observational SWE product on which the model is trained, using the common and RMSE metrics (Extended Data Fig.4). In addition, as the emphasis of the analysis is on long-term trends in SWE, we compare the reconstructed trends with the observed trends over the study period and find that our models faithfully reproduce the spatial pattern and magnitude of the trends quite well, with correlations for all data products falling between 0.9 and 0.97 (Extended Data Fig.3).

Furthermore, the RMSE of the construction model predictions is comparable across the 10 coldest, 10 warmest and 20 ‘average’ years in the 1981-2020 period, indicating that the reconstructions are stable even in extreme years (Supplementary Fig. 4).

As an additional test of model skill, we use the model trained on only the gridded observational products to predict fully out-of-sample March SWE at 2,961 in situ sites from the SNOTEL, CanSWE and NH-SWE datasets. Our reconstructions are able to capture the interannual variability in in situ SWE quite well, with a median across stations of 0.59 and an RMSE of around 22% (Extended Data Fig. 5). The reconstruction model predictions are similarly able to capture skillfully the long-term SWE trends at the in situ sites, with a pattern correlation of 0.72 (Extended Data Fig.5). Finally and crucially, we confirm that there are no systematic trends in time of the bias of our reconstructions against the in situ observations (Supplementary Fig. 5), indicating that the reconstruction models are capturing the real-world rate of change of snowpack with high fidelity.

To identify where and how anthropogenic climate change has altered spring snowpack at impact-relevant scales, we combine our observation-based reconstructions, which are highly skilful at capturing historical SWE trends at impact-relevant scales, with climate model simulations that allow us to estimate forced changes to temperature and precipitation. Such a data-model fusion approach has been used to attribute anthropogenically forced changes to a wide variety of systems, both physical (for example, soil moisture , wildfire and lake water storage ) and socioeconomic (for example, crop indemnities and climate damages ).

We calculate the temperature response to anthropogenic forcing as the difference between the 30-year rolling mean average temperature for each month in the HIST and HIST-NAT runs. For precipitation, we calculate the forced response as the percentage difference between 30-year rolling mean monthly precipitation in HIST versus HIST-NAT. By differencing experiments from the same model, we hope to limit the influence of model biases in climatological temperature and precipitation, as each model is benchmarked to its own climatology. Systematic biases in the model-simulated trends (for example, too rapid warming or wetting), however, could potentially lead to over- or under-estimating the forced response. To address this possibility, we evaluate model biases in the 1981-2020 trends in winter temperature and precipitation against observed trends by taking the difference between the CMIP6 HIST ensemble mean and the mean of the observational products for each quantity (Extended Data Fig. 6). To test whether the observed and modelled trends are consistent, we ask whether the observed trend falls within a plausible range of forcing plus internal variability, given as the 2.5-97.5th percentile range of the CMIP6 HIST trends. Only 1% (3%) of grid cells fall outside this range for temperature (precipitation), indicating that the climate models capture realistic historical climate trends.

Having estimated anthropogenically forced changes in gridded temperature and precipitation, we create counterfactual time series of temperature and precipitation by downscaling the output to the resolution of the observational ensemble using conservative regridding and removing the forced response from each model realization from each gridded temperature and precipitation dataset. Temperature is adjusted by subtracting the forced change from the observations and precipitation is adjusted by the forced percentage change. Then, we use the reconstruction models trained on historical data (equation (1)) to predict March SWE using the counterfactual temperature and precipitation data, giving an estimate of what SWE would have been absent human-caused climate change. In addition, we isolate the effects of forced changes to temperature and precipitation individually by removing the forced response of only one or the other quantity from the observations, while leaving the other at its observed
historical values. These gridded counterfactual reconstructions are then similarly aggregated to the basin scale and linear trends in SWE for these counterfactual scenarios are calculated using the Theil-Sen estimator. The effect of forced changes to temperature and precipitation individually (Fig. 3c,d) and in combination (Fig. 3e) is calculated as the difference between each historical trend and the counterfactual trends based on the same SWE-temperature-precipitation dataset combination. For each of the 120 reconstruction ensemble members, we have 101 estimates of the anthropogenic effect (one from each climate model realization; Extended Data Table 2), for a total of 12,120 estimates for each basin. Using only the first realization from each climate model, rather than all available runs, produces nearly identical results (Supplementary Fig. 6).
To further test the validity of this approach of using forced changes in temperature and precipitation to estimate counterfactual SWE, we repeat this protocol using exclusively climate model output in a ‘perfect model’ framework. For each model, we fit the empirical model described in equation (1) using SWE, temperature and precipitation data from the CMIP6 HIST simulations over the 1981-2020 period, rather than observations. Then, we use the random forest trained on these HIST data to predict counterfactual SWE using temperature and precipitation from the HIST-NAT simulations. Finally, we compare the forced (HIST minus HIST-NAT) trends calculated from the reconstruction approach to the ‘true’ forced trends calculated by using the direct SWE output from the HIST and HIST-NAT climate model experiments (Extended Data Fig. 9 and Supplementary Fig. 7). The strong similarity in the patterns of the ‘true’ and reconstructed forced responses indicates that using observations with forced changes in temperature and precipitation removed produces reasonable estimates of a forced SWE change.

The methods detailed above yield 12,120 estimates of the effect of climate change on March snowpack trends in each of 169 major river basins. Contributing to the spread of these estimates are four main sources of uncertainty: (1) uncertainty in the SWE data products on which the reconstructions are based; (2) uncertainty in the temperature and precipitation data products and their relationship with SWE; (3) differences in the forced response of temperature and precipitation due to structural differences between climate models; and (4) uncertainty due to internal climate variability in temperature and precipitation.
To quantify the magnitude of uncertainty introduced by each source, we calculate the standard deviation of forced SWE trends across a single dimension, holding all others at their mean. For instance, the uncertainty due to differences in model structure is given by the standard deviation of forced SWE trends across the 12 climate models (considering only the first realization from each), taking the mean across all SWE-temperature-precipitation dataset combinations.
To isolate the uncertainty from internal variability in temperature and precipitation, we use 50 pairs of HIST and HIST-NAT simulations from the MIROC6 model , which differ in only their initial conditions. We take the standard deviation of forced SWE trends for all 50 realizations, taking the mean across all SWE, temperature and precipitation data product combinations.
Consistent with previous work in uncertainty partitioning , we consider total uncertainty in the forced SWE trend in basin to be the sum of all four sources:

where is the uncertainty from SWE observations, TP is the uncertainty from temperature and precipitation observations, is the uncertainty from model structure, and / is the uncertainty from internal variability. To assess which sources are the largest contributor to uncertainty
in each basin, we consider the fractional uncertainty of each (for example, gives the proportion of uncertainty in basin attribution to SWE observational uncertainty). This fractional uncertainty is reported in Supplementary Fig. 12. For each source, we hatch out basins where the magnitude of uncertainty is insufficient to change the sign of the ensemble mean estimate of the forced SWE trend (that is, the signal-to-noise ratio is ).

To better understand the drivers of the heterogeneous spatial response of SWE and its potential future changes with further warming, we evaluate the temperature sensitivity of March SWE across a gradient of climatological winter temperatures in in situ observations, gridded observations, our basin-scale reconstructions and climate models. The marginal effect of an additional degree of warming, or , is calculated as the regression coefficient of March SWE on cold-season (November-March) temperature:

where SWE is March SWE in unit (in situ station, grid cell or river basin) in water year and is average cold-season temperature in that same unit. We run this regression at each in situ location, for all 20 combinations of gridded SWE and temperature products, for all 12 climate models (using the HIST simulations), and for all 120 basin-scale reconstructions. We then calculate the average and standard deviation of all of the coefficients for a given type of data (in situ, gridded observations, climate models and basin-scale reconstructions) in a rolling temperature window to produce the curves in Fig. 4a. As such, the uncertainty estimate includes both parametric and data uncertainty.

To evaluate the differential water security implications of the human-caused snowpack declines, we quantify the spring (April-July) runoff change due to forced March SWE changes. We once again use the random forest algorithm, modelling April-July run-off as a function of March SWE and monthly temperature and precipitation from the previous November to July:

where is April-July total runoff in water year (October-September) in basin is average March SWE in water year in basin -unlike the SWE reconstructions, which were fit at the grid-cell level and aggregated to the basin scale, the runoff model is fit using basinscale data- is the area-weighted basin-average temperature in month of water year , and is the total basin-scale precipitation in month of water year . We fit this model using all 120 SWE-temperature-precipitation dataset combinations and the GloFAS runoff data (Extended Data Table 1). We evaluate model skill using the same methods as those used to validate our SWE reconstructions (Extended Data Fig. 10).

Analogous to the basin-scale March SWE attribution described above, the spring runoff change due to forced changes to snowpack is given by the difference between runoff estimated with historical SWE and runoff estimated with the effects of forced temperature and precipitation changes on SWE removed.

To better understand the differential water-availability implications of future warming-driven SWE changes, we combine our statistical models and projections of future temperature and precipitation change to produce estimates of end-of-century (2070-2099) snowpack under the SSP2-4.5 forcing scenario. Specifically, we use a ‘delta’ method in which we adjust the observed climatology for each month by the
difference between the end-of-century and historical (1981-2020) climate from the climate models. We additively adjust temperature and adjust precipitation by the percentage change between historical and future climate. We then make predictions of future climatological snowpack using the adjusted data and the model described in equation (1) trained on historical data.

Future runoff changes due to changes in SWE are calculated using equation (4), but substituting estimates of future SWE climatology for the historical, while keeping temperature and precipitation at their observed historical climatological values.

To identify a priori the river basins considered to be snow dominant in Fig. 1, we use the ratio of water year (October-September) cumulative snowfall to runoff , calculated from ERA5-Land . Basins where the average is greater than 0.5 are considered to be snowmelt dominant.

All data that support this study are publicly available at the following locations: CMIP6 model outputs, https://esgf-node.IInl.gov/;SNOTEL, https://wcc.sc.egov.usda.gov/nwcc/tabget; CanSWE, https://zenodo. org/records/5889352; NH-SWE, https://zenodo.org/records/7565252; Snow-CCI, https://climate.esa.int/en/projects/snow/Snow_data/;ERA5, ERA5-Land and GloFAS, https://cds.climate.copernicus.eu/.JRA-55, https://rda.ucar.edu/datasets/ds628.0/;MERRA-2,https://gmao.gsfc. nasa.gov/reanalysis/MERRA-2/; TerraClimate, https://www.climatologylab.org/terraclimate.html; GPCC, https://psl.noaa.gov/data/gridded/data.gpcc.html; MSWEPv280, http://www.gloh2o.org/mswep/; Berkeley Earth, https://berkeleyearth.org/data/; Climate Prediction Center (CPC), https://www.cpc.ncep.noaa.gov/;Gridded Population of the World (GPW), https://sedac.ciesin.columbia.edu/data/collection/ gpw-v4; Global Runoff Data Center Major River Basins, https://www. bafg.de/GRDC/. Source data are provided with this paper.

All code that supports this study is available at https://doi.org/10.5281/ zenodo. 10035276.
45. Muñoz-Sabater, J. et al. ERA5-Land: a state-of-the-art global reanalysis dataset for land applications. Earth Syst. Sci. Data 13, 4349-4383 (2021).
46. Kobayashi, S. et al. The JRA-55 reanalysis: general specifications and basic characteristics. J. Meteorol. Soc. Jpn Ser. II 93, 5-48 (2015).
47. Gelaro, R. et al. The Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2). J. Clim. 30, 5419-5454 (2017).
48. Luojus, K. et al. ESA Snow Climate Change Initiative (Snow_cci): snow water equivalent (SWE) level 3 C daily global climate research data package (CRDP)(1979-2020), version 2.0. NERC EDS Centre for Environmental Data Analysis. https://doi.org/10.5285/4647cc9a d3c044439d6c643208d3c494 (2022).
49. Abatzoglou, J. T., Dobrowski, S. Z., Parks, S. A. & Hegewisch, K. C. TerraClimate, a highresolution global dataset of monthly climate and climatic water balance from 1958-2015. Sci. Data 5, 170191 (2018).
50. Snowpack Telemetry Network (SNOTEL) (USDA Natural Resources Conservation Service, 2022).
51. Vionnet, V., Mortimer, C., Brady, M., Arnal, L. & Brown, R. Canadian historical Snow Water Equivalent dataset (CanSWE, 1928-2020). Earth Syst. Sci. Data 13, 4603-4619 (2021).
52. Fontrodona-Bach, A., Schaefli, B., Woods, R., Teuling, A. J. & Larsen, J. R. NH-SWE: Northern Hemisphere Snow Water Equivalent dataset based on in situ snow depth time series. Earth Syst. Sci. Data 15, 2577-2599 (2023).
53. Hersbach, H. et al. The ERA5 global reanalysis. Q. J. R. Meteorol. Soc. 146, 1999-2049 (2020).
54. Schneider, U. et al. GPCC full data reanalysis version 6.0 at : monthly land-surface precipitation from rain-gauges built on GTS-based and historic data. Global Precipitation Climatology Centre https://doi.org/10.5676/DWD_GPCC/FD_M_V7_050 (2011).
55. Beck, H. E. et al. MSWEP V2 global 3-hourly precipitation: methodology and quantitative assessment. Bull. Am. Meteorol. Soc. 100, 473-500 (2019).
56. Rohde, R. A. & Hausfather, Z. The Berkeley Earth land/ocean temperature record. Earth Syst. Sci. Data 12, 3469-3479 (2020).
57. CPC Global Unified Temperature. NOAA Climate Prediction Center (2023).
58. Harrigan, S. et al. GloFAS-ERA5 operational global river discharge reanalysis 1979-present. Earth Syst. Sci. Data 12, 2043-2060 (2020).
59. Gillett, N. P. et al. The Detection and Attribution Model Intercomparison Project (DAMIP v1.0) contribution to CMIP6. Geosci. Model Dev. 9, 3685-3697 (2016).
60. Gridded Population of the World, Version 4 (GPWv4): Population Count (NASA Socioeconomic Data and Applications Center, 2016); https://doi.org/10.7927/H4X63JVC.
61. Ghiggi, G., Humphrey, V., Seneviratne, S. I. & Gudmundsson, L. GRUN: an observationbased global gridded runoff dataset from 1902 to 2014. Earth Syst. Sci. Data 11, 1655-1674 (2019).
62. Vogel, E. et al. The effects of climate extremes on global agricultural yields. Environ. Res. Lett. 14, 054010 (2019).
63. Lawler, J. J., White, D., Neilson, R. P. & Blaustein, A. R. Predicting climate-induced range shifts: model differences and model reliability. Glob. Change Biol. 12, 1568-1584 (2006).
64. Kim, R. S. et al. Snow Ensemble Uncertainty Project (SEUP): quantification of snow water equivalent uncertainty across North America via ensemble land surface modeling. Cryosphere 15, 771-791 (2021).
65. Coumou, D., Robinson, A. & Rahmstorf, S. Global increase in record-breaking monthlymean temperatures. Climatic Change 118, 771-782 (2013).
66. Rahmstorf, S. & Coumou, D. Increase of extreme events in a warming world. Proc. Natl Acad. Sci. USA 108, 17905-17909 (2011).
67. Zumwald, M. et al. Understanding and assessing uncertainty of observational climate datasets for model evaluation using ensembles. Wiley Interdiscip. Rev. Clim. Change 11, e654 (2020).
68. Tatebe, H. et al. Description and basic evaluation of simulated mean state, internal variability, and climate sensitivity in MIROC6. Geosci. Model Dev. 12, 2727-2765 (2019).
69. Hawkins, E. & Sutton, R. The potential to narrow uncertainty in regional climate predictions. Bull. Am. Meteorol. Soc. 90, 1095-1108 (2009).

Acknowledgements We thank Dartmouth’s Research Computing and the Discovery Cluster for computing resources; the World Climate Research Programme, which, through its Working Group on Coupled Modeling, coordinated and promoted CMIP6; and all climate modelling groups for producing and making available their model output. We acknowledge funding for this research from NOAA MAPP NA2OOAR4310425 (J.S.M.) and DOE DESC0022302 (J.S.M. and A.R.G.).

Author contributions Both authors designed the analysis. A.R.G. performed the analysis. Both authors interpreted the results and wrote the paper. J.S.M. funded the research.

Competing interests The authors declare no competing interests.

Supplementary information The online version contains supplementary material available at https://doi.org/10.1038/s41586-023-06794-y.
Correspondence and requests for materials should be addressed to Alexander R. Gottlieb. Peer review information Nature thanks Jouni Pulliainen, Ryan Webb and the other, anonymous, reviewer(s) for their contribution to the peer review of this work. Peer reviewer reports are available.
Reprints and permissions information is available at http://www.nature.com/reprints.

Extended Data Fig. 1 | Heterogenous long-term trends in observed March SWE make claims about snow responses to warming a challenge. a-e, Trend in March SWE from 1981 to 2020 from individual gridded SWE data products.
f, Average trend across all 5 products. Grid cells where fewer than 4 products agree on the sign of the trend are hatched. Maps were generated using cartopy v0.18.0.

Extended Data Fig. 2|Historical trends in March SWE from CMIP6 models exhibit uncertainty outside of the Western United States, Europe, and
Northern Eurasia. a-k, Trend in March SWE from 1981 to 2020 from historical climate model simulations. Details of models can be found in Extended Data

Table2.1, Ensemble mean trend. Grid cells where fewer than of models agree on the sign of the trend are hatched. Maps were generated using cartopy v0.18.0.

dot represents a river basin. Dashed line denotes perfect reconstruction. Pearson’s correlation is shown in bottom right corner. Maps were generated using cartopy v0.18.0. River basin boundaries come from the Global Runoff Data Centre’s Major River Basins of the World database .

Basin-scale (a-e) and root-mean-square error (RMSE; ) for 5 gridded SWE data products over the period 1981-2020. Each metric shows the skill of the mean of all reconstructions for a single SWE product versus the observed

values from that product. Insets show the distribution of skill across basins, with the red line and value indicating the median. Maps were generated using cartopy v0.18.0. River basin boundaries come from the Global Runoff Data Centre’s Major River Basins of the World database .

Extended Data Fig. 5| The ensemble reconstruction based on the Random Forest model skillfully predicts the variability and trends in out-of-sample in situ snowpack data. and RMSE (b) of Random Forest model predictions of in situ March SWE at 2,961 locations over the period1981-2020. Insets show the distribution of skill across sites, with the red line and value indicating the median. Observed (c) and reconstructed (d) 1981-2020 March SWE trends.
c, Scatterplot of reconstructed versus observed trends, where each dot represents an in situ location. Points are colored by their density. Dashed line denotes perfect agreement between reconstructed and observed trends. Pearson’s correlation is shown in bottom right corner. Maps were generated using cartopy v0.18.0.

the forced response of temperature and precipitation across different climate models, and (e) uncertainty in the forced response of temperature and precipitation arising from internal variability (Methods). Hatching indicates basins where the uncertainty attributable to a given source is insufficient to change the sign of the ensemble mean estimate of the forced SWE trend. Maps were generated using cartopy v0.18.0. River basin boundaries come from the Global Runoff Data Centre’s Major River Basins of the World database .

Extended Data Fig. 9| The Random Forest snowpack reconstruction methodology exhibits high skill based on a perfect model framework.
CMIP6 ensemble mean forced (HIST minus HIST-NAT) trends in March SWE from 1981-2020 based on (a) climate model SWE output and (b) SWE estimated using climate model temperature and precipitation and Random Forest model.
c, Scatterplot of reconstructed versus original trends, where each dot represents a grid cell. Points are colored by their density. Dashed line denotes perfect agreement between reconstructed and original trends. Spatial correlation is shown in the bottom right corner.

Extended Data Fig. 10|The Random Forest model is extended to predict runoff from snowmelt skillfully. (a) and RMSE (b) of Random Forest model predictions of April-July basin-scale runoff from 1981 to 2020. Insets show the distribution of skill across sites, with the red line and value indicating the median. Observed (c) and reconstructed ensemble mean (d) 1981-2020 April-July runoff trends. e, Scatterplot of reconstructed versus observed
trends, where each dot represents a basin. Dashed line denotes perfect agreement between reconstructed and observed trends. Spatial correlation is shown in center left. Maps were generated using cartopy v0.18.0. River basin boundaries come from the Global Runoff Data Centre’s Major River Basins of the World database .