Produits de neige à micro-ondes passives autonomes de la NASA

Aperçu

Les températures de brillance des micro-ondes passives peuvent être utilisées pour estimer la profondeur équivalente de l'eau de la neige (EEN). Lorsque le rayonnement micro-ondes capté passivement traverse la neige, son signal s'atténue en raison de la diffusion hors de la ligne de visée. La quantité de diffusion est liée au volume des grains de neige, et donc à la profondeur du manteau neigeux, mais aussi à sa densité, à sa teneur en eau liquide, aux caractéristiques de sa microstructure (par exemple, la structure des grains de neige) et à sa stratigraphie. Les premiers algorithmes créés pour extraire l'épaisseur de la neige à partir de la température des micro-ondes passives (p. ex., Chang et coll., 1987) ont été conçus pour la neige sèche (sans eau liquide dans le manteau neigeux) de faible à moyenne épaisseur (< 150 mm) qui se trouve dans les régions à faible relief et à faible couverture forestière (~< 20 %). Dans ces conditions, une précision raisonnable est obtenue (par exemple, Vuyovich et coll., 2014). Des mises à jour de l'algorithme original (Kelly et coll., 2003 ; Tedesco et Jeyaratnam, 2016) ont fait appel à des données auxiliaires (p. ex. fraction forestière, champs de densité de neige climatologique) dans le but d'améliorer la récupération de l'épaisseur de la neige et de l'EEN sur une gamme plus étendue de conditions de neige. Néanmoins, les comparaisons de ces algorithmes mis à jour avec des données in situ et d'autres produits EEN su grille révèlent encore des problèmes de performance importants tout au long de la saison de neige (Mortimer et coll., 2020). En particulier, les modèles spatiaux de l'épaisseur de neige climatologique hémisphérique et de l'EEN, ainsi que les mesures intégrées sous-saisonnières (c'est-à-dire la masse de neige continentale quotidienne/mensuelle) ne sont pas réalistes.

Bien que des versions de ces produits soient fournies avec une couverture hémisphérique pour toute la saison de neige, elles ne sont pas recommandées pour une utilisation occasionnelle/non experte. Examinez attentivement comment les conditions d'enneigement limiteront l'applicabilité saisonnière et géographique.

Exemples de produits spécifiques :

AMSR-E/Aqua L3 Global Snow Water Equivalent EASE-Grids, Version 2, 2002-2011
- Sortie quotidienne, doi : 10.5067/AMSR-E/AE_DYSNO.002
- Sortie 5 jours, doi : 10.5067/AMSR-E/AE_5DSNO.002
- Sortie mensuelle, doi : 10.5067/AMSR-E/AE_MOSNO.002)
AMSR-E/AMSR2 Unified L3 Global 25 km EASE-Grid Snow Water Equivalent, Version 1, 2012-présent
- Sortie quotidienne, doi : 10.5067/8AE2ILXB5SM6
- Sortie 5 jours, doi : 10.5067/0PX911G6417E
- Sortie mensuelle, doi : 10.5067/43NH9LHM9YRK
Climatologie mensuelle globale de l'équivalent en eau de la neige du réseau EASE, version 1, de novembre 1978 à mai 2007, doi : 10.5067/KJVERY3MIBPS

Couverture et résolution spatiales :

Hémisphère Nord
Produits fournis sur la grille EASE2

Couverture et résolution temporelles

Dépendant du produit

Contraintes et atouts pour l’application dans le nord du Canada

Bien que de grandes portions de la couverture neigeuse du nord du Canada puissent être sèches et exemptes de couverture forestière, leur microstructure et leur stratigraphie peuvent produire des inexactitudes supplémentaires dans l'application des algorithmes discutés ci-dessus. La prudence est de mise.

Notez que les limitations discutées dans ce document concernent spécifiquement la détermination de l'épaisseur de la neige et/ou de l'EEN à partir de la température de brillance des micro-ondes passives. Les algorithmes déterminent avec précision la présence de neige sèche. Par conséquent, un seuil peut être appliqué aux champs EEN pour déterminer des estimations précises de la variabilité printanière de la couverture neigeuse (par exemple, Brown et coll., 2007, 2010). En outre, les changements brusques ou diurnes de la température de brillance PM (les données de base pour les récupérations EEN) peuvent être utilisés comme un indicateur du début de la fonte/de la neige humide (par exemple, Semmens et coll., 2013).

Références aux documents décrivant la méthodologie ou/et le jeu de données

Brown, R., C. Derksen, et L. Wang, 2007 : « Assessment of spring snow cover duration variability over northern Canada from satellite datasets, Remote Sensing of Environment », 111, 367:381, https://doi.org/10.1016/j.rse.2006.09.035.

Brown, R., C. Derksen, et L. Wang, 2010 : « A multi-data set analysis of variability and change in Arctic spring snow cover extent, 1967-2008, J. Geophys. Res. », 115, D16111, https://doi. org/10.1029/2010JD013975.

Chang, A.T.C., J.L. Foster et D.K. Hall, 1987 : « Nimbus-7 derived global snow cover parameters, Annals of Glaciology », 9, 39-44.

Kelly, Richard. E. J., A. T. C. Chang, L. Tsang, et J. L. Foster, 2003 : « A Prototype AMSR-E Global Snow Area and Snow Depth Algorithm. IEEE Transactions on Geoscience and Remote Sensing » 41(2) : 230-242.

Mortimer, C., L. Mudryk, C. Derksen, K. Luojus, R. Brown, R. Kelly, et M.Tedesco, 2020 : « Evaluation of long-term Northern Hemisphere snow water equivalent products, The Cryosphere », 14, 1579-1594, https://doi.org/10.5194/tc-14-1579-2020.

Tedesco, M. , et J. Jeyaratnam, 2016 : «A New Operational Snow Retrieval Algorithm Applied to Historical AMSR-E Brightness Temperatures (ATBD). Remote Sensing», 8(12) 1037.

Semmens, K.A., J. Ramage, A. Bartsch, et G.E Liston, 2013 : « Early snowmelt events: detection, distribution, and significance in a major subarctic watershed. Environ. Res. Lett. ». 8 014020, https://doi.org/10.1088/1748-9326/8/1/014020.

Vuyovich, C. M. , J. M. Jacobs, et S. F. Daly, 2014 : « Comparison of passive microwave and modelled estimates of total watershed SWE in the continental United States, Water Resour. Res. », 50, 9088- 9102, https://doi.org/10.1002/2013WR014734.