DOI: https://doi.org/10.3389/feart.2024.1381323
تاريخ النشر: 2024-05-10
المؤلف: Simon Gascoin وآخرون
الموضوع الرئيسي: دراسات وملاحظات الكريوسفير
نظرة عامة
تظهر طبقة الثلج الموسمية في المناطق الجبلية تباينًا مكانيًا وزمنيًا كبيرًا، مما يمثل فجوة معرفية حاسمة للتطبيقات في علوم المناخ، والبيئة، وإدارة الموارد المائية. تحدد هذه الدراسة ثلاثة مجالات رئيسية حيث يمكن أن تعزز التقدم في استشعار الثلوج عن بُعد ودمج البيانات بشكل كبير من فهم ومراقبة ديناميات طبقة الثلج: (1) قياس مكافئ الماء الثلجي، (2) رسم خرائط المناطق المغطاة بالثلوج بدقة عالية، و(3) المراقبة طويلة الأمد لتغطية الثلج، بما في ذلك خصائص الانعكاس. يؤكد المؤلفون أن معالجة هذه المواضيع ممكنة بدعم مؤسسي مناسب، مما يمكن أن يسهل التقدم الكبير في هذا المجال.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لتغطية الثلج الموسمية، التي تغطي ما يصل إلى 40% من سطح الأرض و45% من المناطق الجبلية العالمية، في دفع العمليات البيئية، والغلاف الجوي، والهيدرولوجية. ذوبان الثلج من هذه المناطق أمر حيوي لتدفق الأنهار وإعادة شحن المياه الجوفية، مما يؤثر على مليارات الأشخاص. يتم التأكيد على الحاجة إلى ملاحظات متسقة لخصائص تغطية الثلج لفهم بيئي أفضل وإدارة موارد المياه التشغيلية. تزداد أهمية الملاحظات الساتلية بسبب التباين العالي في تغطية الثلج في التضاريس الجبلية، مما يكمل القياسات في الموقع ومحاكاة النماذج. ومع ذلك، لا تزال هناك فجوات معرفية كبيرة، خاصة فيما يتعلق بالتباينات المكانية والزمنية لتغطية الثلج، كما أشار إليها الفريق الحكومي الدولي المعني بتغير المناخ (2022).
تحدد النصوص ثلاثة تحديات رئيسية في مراقبة الثلج الحالية: نقص الطرق الساتلية التشغيلية لاسترجاع مكافئ الماء الثلجي (SWE) في المناطق الجبلية، عدم كفاية الدقة المكانية لبيانات تغطية الثلج الحالية، والحاجة إلى ملاحظات طويلة الأمد لتقييم آثار تغير المناخ. بينما توجد منتجات استشعار عن بُعد متنوعة، بما في ذلك تلك من MODIS وأنظمة الأقمار الصناعية الأخرى، فإنها غالبًا ما تفشل في التقاط التباين الدقيق في تغطية الثلج الضروري للدراسات البيئية والتنبؤات الهيدرولوجية. تختتم المقدمة بتحديد الجهود المستمرة لتكييف الخوارزميات الحالية وتطوير منهجيات جديدة لتعزيز قدرات مراقبة الثلج، مع التركيز على التوصيات من ورشة عمل حديثة تهدف إلى معالجة هذه التحديات.
طرق
في السنوات الأخيرة، تم تطوير طرق متنوعة لاسترجاع عمق الثلج من بيانات الأقمار الصناعية، مما يعزز دقة وقابلية تطبيق مراقبة الثلج. تتضمن إحدى الطرق البارزة استخدام نماذج الارتفاع الرقمية من صور Pléiades المجسمة، التي حققت خطأ عشوائيًا قدره 0.6 م عند دقة 2 م، وتحسنت إلى 0.3 م عند دقة 100 م عند التحقق منها مقابل قياسات الليدار الجوية (Deschamps-Berger et al., 2020). بينما تحد هذه الطريقة من عرض المسار للقمر الصناعي، إلا أنها تعتبر بديلاً قابلاً للتطبيق للحملات الجوية (Eberhard et al., 2021). بالإضافة إلى ذلك، أظهرت طريقة مفاهيمية تستخدم ملاحظات الانعكاس القطبي من Sentinel-1 خطأ مطلقًا متوسطًا يبلغ حوالي 0.3 م عند دقة 1 كم، على الرغم من أن فعاليتها تتناقص خلال موسم الذوبان وفي المناطق ذات الغطاء النباتي الكثيف (Lievens et al., 2022).
تشمل التقدمات الأخيرة أيضًا استخدام ICESat-2 لاسترجاع عمق الثلج في Sierra Nevada، على الرغم من أن قابليتها العالمية مقيدة بالحاجة إلى نموذج تضاريس رقمي دقيق بدون ثلج (Deschamps-Berger et al., 2023). ساهمت تقنيات التعلم الآلي أيضًا في تقدير عمق الثلج، مستفيدة من البيانات من مصادر الأقمار الصناعية المختلفة، بما في ذلك AMSR-E وSentinel-1/2، مع تطبيقات ناجحة في جبال الألب (Santi et al., 2014; Daudt et al., 2023). غالبًا ما تعتمد هذه الطرق على بيانات في الموقع للتدريب، مما يحد من قابليتها للتعميم. أظهرت دمج التعلم الآلي مع نماذج كثافة الثلج التجريبية وعدًا في تقدير مكافئ الماء الثلجي (SWE) على مقاييس حوضية، على الرغم من أن تقنيات دمج البيانات موصى بها للحصول على مجموعات بيانات أكثر شمولية وتناسقًا. من المتوقع أن يسهل نظام دمج بيانات الثلج المتعدد (MuSA) إنشاء مجموعات بيانات الثلج من خلال دمج ملاحظات استشعار عن بُعد متنوعة، مما يحسن من موثوقية تقييمات خصائص تغطية الثلج (Alonso-González et al., 2022b).
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم الكبير في مراقبة الثلج من خلال الاستفادة من برنامج مراقبة الأرض كوبرنيكوس، خاصة من خلال الاستفادة من مجموعات بيانات Sentinel-1 وSentinel-2. توفر هذه الأقمار الصناعية ملاحظات عالية الدقة على نطاق عالمي تعزز من اكتشاف الثلج الرطب ورسم خرائط المناطق المغطاة بالثلوج، بناءً على المنهجيات السابقة التي تم تطويرها للبعثات الساتلية السابقة. يسمح دمج هذه المجموعات بتحسين تقدير مدة تغطية الثلج ومساحته بدقة ديسيمترية، مما يسهل تطوير جيل جديد من منتجات الثلج عبر أوروبا. علاوة على ذلك، تعد التعديلات الأخيرة على طرق تفكيك الطيف لأجهزة الاستشعار الساتلية الحديثة بوعد بتحسين استرجاع تغطية الثلج الجزئية والخصائص ذات الصلة.
على الرغم من هذه التقدمات، تحدد الورقة عدة تحديات في الاستخدام الفعال لكميات البيانات الساتلية الهائلة المتاحة. تعيق قضايا مثل إمكانية الوصول إلى البيانات، وتعقيدات المعالجة، والحاجة إلى تقنيات دمج بيانات قوية التقدم في علم الثلج. تعتبر ندرة برامج دمج البيانات الخاصة بالثلج والصعوبات في قياس بيانات الاستشعار عن بُعد بدقة تحت ظروف متغيرة من الحواجز الملحوظة. بالإضافة إلى ذلك، يؤثر الغطاء السحابي بشكل كبير على القدرة على ملاحظة متغيرات الثلج، خاصة في المناطق الحرجة، بينما لا يزال الخلط بين السحب والثلج في الصور البصرية يمثل تحديًا مستمرًا. يوصي المؤلفون بسلسلة من الاستراتيجيات لمعالجة هذه التحديات، بما في ذلك تطوير مجموعات بيانات مرجعية، واستخدام طرق دمج بيانات جماعية، ودمج البعثات الساتلية القادمة لتعزيز قدرات مراقبة الثلج. تهدف هذه الجهود إلى تحسين فهم ديناميات الثلج وتسهيل الاستجابة الأفضل لتأثيرات تغير المناخ على موارد الثلج.
DOI: https://doi.org/10.3389/feart.2024.1381323
Publication Date: 2024-05-10
Author(s): Simon Gascoin et al.
Primary Topic: Cryospheric studies and observations
Overview
The seasonal snowpack in mountain regions exhibits significant spatial and temporal variability, which presents a critical knowledge gap for applications in climate science, ecology, and water resource management. This research identifies three key areas where advancements in snow remote sensing and data assimilation could substantially enhance understanding and monitoring of snowpack dynamics: (1) the measurement of snow water equivalent, (2) the mapping of high-resolution snow-covered areas, and (3) the long-term observation of snow cover, including its albedo properties. The authors emphasize that addressing these topics is feasible with appropriate institutional backing, which could facilitate significant progress in the field.
Introduction
The introduction highlights the critical role of seasonal snow cover, which blankets up to 40% of the Earth’s land surface and 45% of global mountain areas, in driving ecological, atmospheric, and hydrological processes. Snowmelt from these regions is vital for river flow and groundwater recharge, impacting billions of people. The need for consistent observations of snow cover properties is emphasized for both ecological understanding and operational water resource management. Satellite observations are increasingly essential due to the high variability of snow cover in mountainous terrains, complementing in situ measurements and model simulations. However, significant knowledge gaps remain, particularly regarding the spatial and temporal variations of snow cover, as noted by the Intergovernmental Panel on Climate Change (2022).
The text identifies three main challenges in current snow monitoring: the lack of operational satellite methods for retrieving snow water equivalent (SWE) in mountainous areas, insufficient spatial resolution of existing snow cover data, and the need for long-term observations to assess climate change impacts. While various remote sensing products exist, including those from MODIS and other satellite systems, they often fall short in capturing the fine-scale variability of snow cover essential for ecological studies and hydrological predictions. The introduction concludes by outlining the ongoing efforts to adapt existing algorithms and develop new methodologies to enhance snow monitoring capabilities, with a focus on recommendations from a recent workshop aimed at addressing these challenges.
Methods
In recent years, various methods have been developed to retrieve snow depth from satellite data, enhancing the accuracy and applicability of snow monitoring. A notable approach involves using digital elevation models from Pléiades stereoscopic imagery, which achieved a random error of 0.6 m at a 2 m resolution, improving to 0.3 m at a 100 m resolution when validated against airborne lidar measurements (Deschamps-Berger et al., 2020). While this method is limited by the swath width of the satellite, it serves as a viable alternative to airborne campaigns (Eberhard et al., 2021). Additionally, a conceptual method utilizing Sentinel-1 polarimetric backscatter observations demonstrated a mean absolute error of approximately 0.3 m at a 1 km resolution, although its effectiveness diminishes during the melt season and in regions with dense vegetation (Lievens et al., 2022).
Recent advancements also include the use of ICESat-2 for snow depth retrieval in the Sierra Nevada, although its global applicability is constrained by the need for an accurate snow-off digital terrain model (Deschamps-Berger et al., 2023). Machine learning techniques have further contributed to snow depth estimation, leveraging data from various satellite sources, including AMSR-E and Sentinel-1/2, with successful applications in the Alps (Santi et al., 2014; Daudt et al., 2023). These methods often rely on in situ data for training, limiting their generalizability. The integration of machine learning with empirical snow density models has shown promise in estimating snow water equivalent (SWE) at catchment scales, although data assimilation techniques are recommended for more comprehensive and consistent datasets. The Multiple Snow data Assimilation System (MuSA) is expected to facilitate the generation of snow datasets by merging diverse remote sensing observations, thereby improving the reliability of snow cover property assessments (Alonso-González et al., 2022b).
Discussion
The discussion section of the research paper highlights significant advancements in snow monitoring through the utilization of the Copernicus Earth Observation programme, particularly leveraging Sentinel-1 and Sentinel-2 datasets. These satellites provide high-resolution, global-scale observations that enhance the detection of wet snow and the mapping of snow-covered areas, building on earlier methodologies developed for previous satellite missions. The integration of these datasets allows for improved estimation of snow cover duration and area at decametric resolution, facilitating the development of a new generation of snow products across Europe. Furthermore, recent adaptations of spectral unmixing methods for modern satellite sensors promise to enhance the retrieval of fractional snow cover and related properties.
Despite these advancements, the paper identifies several challenges in effectively utilizing the vast amounts of satellite data available. Issues such as data accessibility, processing complexities, and the need for robust data assimilation techniques hinder progress in snow science. The scarcity of snow-specific data assimilation software and the difficulties in accurately quantifying remote sensing data under varying conditions are notable barriers. Additionally, cloud cover significantly impacts the ability to observe snow variables, particularly in critical regions, while the confusion between clouds and snow in optical imagery remains a persistent challenge. The authors recommend a series of strategies to address these challenges, including the development of benchmarking datasets, the use of ensemble data assimilation methods, and the integration of upcoming satellite missions to enhance snow monitoring capabilities. These efforts aim to improve the understanding of snow dynamics and facilitate better responses to climate change impacts on snow resources.