DOI: https://doi.org/10.5194/tc-20-3345-2026
تاريخ النشر: 2026-06-10
المؤلف: Haorui Sun وآخرون
الموضوع الرئيسي: دراسات وملاحظات الكريوسفير
نظرة عامة
تتناول هذه الدراسة الشكوك الكبيرة في مجموعات بيانات الثلوج العالمية المعتمدة على النماذج، وخاصة في ما يتعلق بمعادل المياه الثلجية (SWE)، مما يعيق فهمنا لتخزين الثلوج واستجابتها لتغيرات المناخ. تقيم الأبحاث تأثيرات ثلاث مجموعات بيانات للضغط الجوي – ERA5 وMERRA-2 وNLDAS-2 – على تقديرات SWE الجماعية ضمن إطار نمذجة احتمالية عبر ثلاثة أحواض جبلية مهيمنة على الثلوج في غرب الولايات المتحدة. تكشف النتائج عن تباين كبير بين المجموعات في تقديرات SWE السابقة (الدائرة المفتوحة)، والتي تُعزى أساسًا إلى الاختلافات في تساقط الثلوج التراكمي، حيث تقود الأخطاء بشكل كبير إلى التحيز. ومن الجدير بالذكر أنه لا توجد مجموعة ضغط واحدة تتفوق باستمرار على الأخرى عبر جميع المجالات أو الارتفاعات.
لتحسين دقة SWE، قام المؤلفون بإنشاء مجموعة متعددة من الضغوط باستخدام وزن قائم على المربعات الصغرى مستند إلى الأداء السابق. تقلل هذه الطريقة الجماعية عمومًا من الأخطاء مقارنة بالمجموعات الفردية وتحسن تقديرات SWE عبر مناطق الدراسة. كما أن دمج عمق الثلج المستمد من الليدار بالقرب من ذروة التساقط يصحح أيضًا الأخطاء السابقة في SWE، مما يقلل من التحيزات المتراكمة خلال موسم تساقط الثلوج وينقل المصدر الرئيسي للخطأ اللاحق إلى الخطأ العشوائي. على الرغم من أن عملية الدمج تضيق الفجوات في الأداء بين المجموعات، إلا أن المجموعة متعددة الضغوط تحتفظ بميزة طفيفة في الدقة العامة وتوصيف عدم اليقين. تختتم الدراسة بأن دمج ضغوط جوية متنوعة ضمن إطار دمج البيانات يمكن أن يعزز بشكل كبير تقديرات SWE عندما لا يمكن تحديد مجموعة الضغط المثلى بسهولة وتختلف مكانيًا وزمنيًا.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للثلوج الموسمية في المناطق الجبلية كعنصر حيوي في دورة الطاقة والمياه العالمية، حيث تعمل كمخزن للمياه يدعم النظم البيئية والسكان البشريين في الأسفل. يعتمد حوالي 2 مليار شخص، أو 22% من سكان العالم، على هذه “أبراج المياه”، التي تتعرض بشكل متزايد للتهديدات الناتجة عن التغيرات المناخية والاجتماعية الاقتصادية. تشير الدراسات الحديثة إلى انخفاضات كبيرة في الثلوج عبر غرب الولايات المتحدة (WUS)، حيث تظهر أكثر من 90% من مواقع المراقبة اتجاهات تناقص في معادل المياه الثلجية (SWE) بحلول 1 أبريل، مما يمثل انخفاضًا بنسبة 15%-30% منذ منتصف القرن العشرين. تشير التوقعات إلى فقدان إضافي بنسبة 34±8% في تساقط الثلوج الحجمية بحلول نهاية القرن تحت سيناريوهات الانبعاثات العالية. بالإضافة إلى ذلك، ظهرت ظاهرة هطول الأمطار على الثلوج (ROS) كمساهم كبير في الفيضانات في أمريكا الشمالية، مما يبرز الحاجة إلى رؤية الثلوج ليس فقط كمصدر للمياه ولكن أيضًا كخطر هيدرولوجي محتمل.
تركز الدراسة على ثلاثة أحواض جبلية تمثيلية في WUS: حوض نهر ميرسيد، وأسبن-قلعة مارون، وغونيسون-شرق، التي تم اختيارها لأهميتها في توفير موارد المياه من خلال ذوبان الثلوج في الربيع وتوافر بيانات عمق الثلج المستندة إلى الليدار للتحليل. يمثل عام المياه (WY) 2019، الذي يتميز بتراكم ثلوج فوق المتوسط، فترة دراسة الحالة، حيث بلغ ذروة تراكم الثلوج في كاليفورنيا 175% من المتوسط التاريخي. تظهر أحواض نهر ميرسيد وأسبن وغونيسون-شرق أنواع تغطية أرضية متنوعة تؤثر على عمليات تراكم الثلوج وذوبانها، مع تداعيات على النمذجة الهيدرولوجية وإدارة موارد المياه. تعترف الدراسة بحدود تحليل عام مياه واحد وتقترح أن توسيع التحليل عبر أنظمة ثلجية متعددة من شأنه تعزيز الفهم، بشرط توفر ملاحظات متسقة.
الطرق
في هذا القسم، يوضح المؤلفون الإعداد التجريبي المصمم لتقييم تأثير الضغوط الجوية على تقديرات معادل المياه الثلجية (SWE). قاموا بإجراء نوعين من التجارب: تجارب ضغط فردي (1a و2a) وتجارب ضغط متعددة (1b و2b)، كما هو موضح في الجدول 1. تستند المنهجية إلى إطار نمذجة جماعية ودمج البيانات (DA)، حيث يمثل كل عضو في المجموعة تجسيدًا معقولًا لسلسلة زمنية من الضغوط.
عادةً ما يتم توليد أعضاء المجموعة عن طريق تغيير مجموعة ضغط معيارية واحدة. ومع ذلك، تقدم هذه الدراسة نهجًا مبتكرًا من خلال استخدام مجموعات ضغط مختلفة للمساهمة في تجسيدات المجموعة. تهدف هذه الطريقة إلى تعزيز قوة تقديرات SWE من خلال دمج مجموعة أوسع من الظروف الجوية.
النتائج
يقدم قسم النتائج النتائج المستخلصة من الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد البحث، مما يوحي بأن العلاقات المفترضة صحيحة ضمن المعلمات المختبرة. تعزز التحليلات الإحصائية، بما في ذلك قيم p وفترات الثقة، قوة هذه النتائج.
علاوة على ذلك، تتناول المناقشة تداعيات هذه النتائج، موضحةً إياها ضمن الأدبيات الموجودة. يؤكد المؤلفون على أهمية نتائجهم في تعزيز الفهم للموضوع المقصود ويقترحون طرقًا محتملة للبحث المستقبلي. بشكل عام، تسهم النتائج في تقديم رؤى قيمة قد تفيد كل من الأطر النظرية والتطبيقات العملية في هذا المجال.
المناقشة
في قسم المناقشة من الورقة التي كتبها H. Sun وS. A. Margulis، يبرز المؤلفون الشكوك الكبيرة في علم المناخ لمعادل المياه الثلجية الموسمية (SWE) عبر مجموعات بيانات عالمية مختلفة، مثل ERA5 وMERRA2 وNLDAS2. أشارت الدراسات السابقة إلى أن هذه المجموعات قد تقلل من تقديرات تخزين المياه الثلجية بمقادير كبيرة، حيث تختلف التقديرات بشكل واسع اعتمادًا على المجموعة والدقة. على سبيل المثال، قام Liu et al. (2022) وFang et al. (2023) بتحديد عدم اليقين في تخزين الثلوج الذروية، كاشفين عن تناقضات يمكن أن تؤثر على النمذجة الهيدرولوجية وفهمنا للأنظمة المدفوعة بالذوبان الثلجي. يؤكد المؤلفون أن الغالبية العظمى من مجموعات بيانات SWE الشبكية مستمدة من النماذج وحساسة للمدخلات الجوية، التي تحكم كل من تراكم الثلوج وعمليات الذوبان. تتفاقم هذه الحساسية في المناطق الجبلية المعقدة حيث تكون البيانات الملاحظة محدودة.
يقترح المؤلفون إطار دمج بيانات قائم على المجموعة يدمج مجموعات بيانات جوية متعددة لتحسين تقديرات SWE. يجادلون بأن الاعتماد على مجموعة واحدة يمكن أن يحجب فهم انتشار عدم اليقين في تقديرات SWE. من خلال استخدام إطار إعادة تحليل الثلوج بايزي، تهدف الدراسة إلى تقييم كيفية تأثير الاختلافات بين مجموعات البيانات الجوية على تقديرات SWE المستندة إلى النموذج (السابقة) والمستندة إلى البيانات (اللاحقة). تركز أسئلة البحث على دقة مجموعات الضغط المختلفة، وفوائد استخدام مجموعات بيانات متعددة، وفعالية دمج البيانات في تقليل الأخطاء المرتبطة بالضغط الجوي. من المتوقع أن تسهم النتائج في فهم أكثر دقة لديناميات SWE وتحسين التنبؤات الهيدرولوجية في المناطق الجبلية.
DOI: https://doi.org/10.5194/tc-20-3345-2026
Publication Date: 2026-06-10
Author(s): Haorui Sun et al.
Primary Topic: Cryospheric studies and observations
Overview
This study addresses the significant uncertainties in global model-based snow datasets, particularly in snow water equivalent (SWE), which hinder our understanding of snow storage and its climate change responses. The research evaluates the effects of three meteorological forcing datasets—ERA5, MERRA-2, and NLDAS-2—on ensemble SWE estimates within a probabilistic modeling framework across three snow-dominated mountainous watersheds in the western United States. The findings reveal substantial inter-dataset variability in prior (open-loop) SWE estimates, primarily attributed to differences in cumulative snowfall, with errors largely driven by bias. Notably, no single forcing dataset consistently outperforms the others across all domains or elevations.
To enhance SWE accuracy, the authors constructed a multi-forcing ensemble using least-square-based weighting informed by prior performance. This ensemble approach generally reduces errors compared to individual datasets and improves SWE estimates across the study regions. The assimilation of near-peak lidar-derived snow depth further corrects prior SWE errors, mitigating the biases accumulated during the snowfall season and shifting the dominant source of posterior error to random error. Although the assimilation process narrows performance differences among datasets, the multi-forcing ensemble maintains a slight edge in overall accuracy and uncertainty characterization. The study concludes that integrating diverse meteorological forcings within a data assimilation framework can significantly enhance SWE estimates when the optimal forcing dataset is not readily identifiable and varies spatially and temporally.
Introduction
The introduction highlights the critical role of seasonal snowpack in mountainous regions as a vital component of the global energy and water cycle, serving as a water reservoir that supports downstream ecosystems and human populations. Approximately 2 billion people, or 22% of the global population, depend on these “water towers,” which are increasingly threatened by climatic and socio-economic changes. Recent studies indicate significant declines in snowpack across the western United States (WUS), with over 90% of monitoring sites showing decreasing trends in snow water equivalent (SWE) by April 1, amounting to a 15%-30% reduction since the mid-20th century. Projections suggest a further 34±8% loss in volumetric snowfall by the century’s end under high-emission scenarios. Additionally, the phenomenon of rain-on-snow (ROS) events has emerged as a significant contributor to flooding in North America, underscoring the need to view snowpack not only as a water supply but also as a potential hydrologic hazard.
The study focuses on three representative mountainous watersheds in the WUS: the Merced River Basin, Aspen-Castle Maroon, and Gunnison-East, selected for their importance in providing water resources through spring snowmelt and the availability of lidar-based snow depth data for analysis. The water year (WY) 2019, characterized by above-average snow accumulation, serves as the case study period, with peak statewide snowpack in California reaching 175% of the historical average. The Merced River Basin, Aspen, and Gunnison-East watersheds exhibit diverse land cover types that influence snow accumulation and melt processes, with implications for hydrological modeling and water resource management. The study acknowledges the limitations of analyzing a single water year and suggests that extending the analysis across multiple snow regimes would enhance understanding, contingent on the availability of consistent observations.
Methods
In this section, the authors outline the experimental setup designed to evaluate the influence of meteorological forcings on snow water equivalent (SWE) estimates. They conducted two types of experiments: single-forcing experiments (1a and 2a) and multi-forcing experiments (1b and 2b), as detailed in Table 1. The methodology is based on an ensemble modeling and data assimilation (DA) framework, where each ensemble member represents a plausible realization of the forcing time series.
Typically, ensemble members are generated by perturbing a single nominal forcing dataset. However, this study introduces an innovative approach by utilizing different forcing datasets to contribute to the ensemble realizations. This method aims to enhance the robustness of the SWE estimates by incorporating a broader range of meteorological conditions.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, suggesting that the hypothesized relationships hold true within the tested parameters. Statistical analyses, including p-values and confidence intervals, reinforce the robustness of these findings.
Furthermore, the discussion elaborates on the implications of these results, contextualizing them within the existing body of literature. The authors emphasize the relevance of their findings in advancing understanding of the subject matter and suggest potential avenues for future research. Overall, the results contribute valuable insights that may inform both theoretical frameworks and practical applications in the field.
Discussion
In the discussion section of the paper by H. Sun and S. A. Margulis, the authors highlight significant uncertainties in the climatology of seasonal snow water equivalent (SWE) across various global datasets, such as ERA5, MERRA2, and NLDAS2. Previous studies have indicated that these datasets may underestimate snow water storage by substantial amounts, with estimates varying widely depending on the dataset and resolution. For instance, Liu et al. (2022) and Fang et al. (2023) quantified peak snow storage uncertainties, revealing discrepancies that can affect hydrological modeling and our understanding of snowmelt-driven systems. The authors emphasize that the majority of gridded SWE datasets are model-derived and sensitive to meteorological inputs, which govern both snowfall accumulation and snowmelt processes. This sensitivity is exacerbated in complex mountainous regions where observational data is limited.
The authors propose an ensemble-based data assimilation framework that integrates multiple meteorological datasets to improve SWE estimates. They argue that relying on a single dataset can obscure the understanding of uncertainty propagation in SWE estimates. By employing a Bayesian snow reanalysis framework, the study aims to assess how differences among meteorological datasets influence both model-based (prior) and data-assimilated (posterior) SWE estimates. The research questions focus on the accuracy of different forcing datasets, the benefits of using multiple datasets, and the effectiveness of data assimilation in reducing errors associated with meteorological forcing. The findings are expected to contribute to a more nuanced understanding of SWE dynamics and improve hydrological predictions in mountainous regions.