3.1.3 Précipitations totales

Elles peuvent prendre différentes formes, comme la bruine, la pluie, le grésil, la glace ou la neige, et varient en intensité. Tout comme l’évapotranspiration et la condensation, les précipitations sont un processus clé dans le cycle mondial de l’eau. Les précipitations se produisent lorsque des gouttelettes se forment dans l’atmosphère à des températures inférieures au point de rosée et s’accumulent pour être trop lourdes pour rester en suspension dans l’air.

Les précipitations, comme la température, constitue l’une des variables météorologiques les plus souvent enregistrées, les données remontant à plusieurs siècles. Le plus long enregistrement continu de précipitations au Canada remonte à 1840, lorsque l’observatoire météorologique de Toronto a commencé à exploiter une station à Fort York.

Les précipitations sont physiquement décrites sous forme de profondeur linéaire, habituellement enregistrée en millimètres (volume/superficie), en kg m-2 (masse/superficie) (OMM, https://library.wmo.int/doc_num.php? Explnum_id=3152 [en anglais seulement]). Cependant, pour tenir compte de l’intensité des précipitations, on utilise la profondeur linéaire par rapport aux unités de temps pour décrire le flux, habituellement en millimètres par heure ou par jour (mm h-1, mm j-1, kg m-2 s-1). Une quantité équivalente de précipitations peut être indiquée en litres par mètre carré (L m-2). L’épaisseur de la neige est généralement mesurée en centimètres et peut se traduire en équivalent en eau de la neige (EEN) avec les mêmes unités que les précipitations liquides.

Les précipitations se développent en trois types principaux : les pluies convectives, stratiformes et orographiques, chacune comportant un mouvement vertical de l’air vers le haut. Cette ascendance déclenche le refroidissement de l’air, ce qui entraîne de la condensation et la formation de nuages puis éventuellement la chute de gouttelettes des nuages. Bien que les précipitations convectives et orographiques puissent être plutôt limitées spatialement, les précipitations stratiformes peuvent couvrir de très grandes zones s’étendant sur des centaines de kilomètres. La durée des événements de précipitation varie de minutes à jours; les événements convectifs peuvent être de courte durée et d’intensité élevée, tandis que les événements stratiformes et orographiques ont tendance à durer plus longtemps, ayant des intensités généralement plus faibles. L’orographie joue habituellement un rôle important dans la répartition saisonnière et spatiale des précipitations, les pentes au vent recevant des précipitations abondantes et les côtés opposées demeurant nettement plus secs. La grande variation des précipitations dans le temps et l’espace ainsi que les détails de leur mesure contribuent à des incertitudes et à des erreurs beaucoup plus importantes dans les estimations des précipitations comparativement à la température ou à d’autres variables climatiques.

La figure 3.2 illustre les moyennes climatologiques annuelles des précipitations au Canada. Les régions côtières, en particulier le long des cordillères pacifiques de l’Ouest, reçoivent constamment des quantités plus importantes de précipitations que les plaines centrales et les plans d’eau des Grands Lacs apportent des quantités de précipitations un peu plus élevées dans la région Est que dans les autres régions. Dans le Nord canadien, cependant, les précipitations le long des côtes sont beaucoup moins prononcée et un gradient vers le nord allant vers des conditions beaucoup plus sèches prévaut, avec moins de 250 mm par année au-dessus de l’archipel Arctique canadien. En général, la saison hivernale au Canada a tendance à produire des quantités de précipitations plus faibles que la saison estivale, à des degrés divers et à des amplitudes annuelles d’importance différente à travers le continent.

Figure 3.2 Précipitations climatologiques annuelles moyennes (1971 à 2000) au Canada. (Source : https://www150.statcan.gc.ca/n1/pub/16-201-x/2006000/4177438-fra.htm)

La distribution de l’eau par l’entremise des précipitations joue un rôle important pour la faune et la flore ainsi que pour les écosystèmes qui les soutiennent. L’homme dépend des précipitations pour ses cultures et son bétail et exploite les plans d’eau alimentés par les pluies et la fonte des neiges pour l’eau potable, l’industrie, le transport et les activités récréatives. La gestion de l'eau est un élément crucial de l'activité humaine et les précipitations, qui en sont le principal moteur, sont étroitement surveillées. Des précipitations excessives entraînent des inondations, tandis que des périodes persistantes sans précipitations peuvent provoquer des conditions critiques, voire des effets catastrophiques, les inondations et les sécheresses figurant parmi les catastrophes naturelles les plus coûteuses. Le tableau 3.4 présente certains des indices climatiques de précipitation les plus utilisés.

Tableau 3.4 Example des indices climatiques de précipitations les plus utilisés (Source : projet Climdex et DonneesClimatiques.ca) .

Le tableau 3.5 présente des renseignements généraux sur les ensembles de données historiques fondés sur l’observation retenus pour les précipitations totales. Pour chaque Jeu de données, un lien vers des résumés décrivant les métadonnées est fourni.

a) Données des stations : Les mesures des précipitations et des chutes de neige sont essentielles pour la planification des ressources en eau, l’agriculture, la production d’électricité, l’irrigation, le contrôle des inondations et les prévisions. Comparativement à la température, il est beaucoup plus difficile de mesurer les précipitations avec précision. Les pluviomètres sont des contenants d’une taille définie qui captent la pluie ou la neige qui tombe. La jauge est vidée et la quantité d’eau est mesurée à intervalles réguliers. Cependant, divers facteurs influent sur la quantité de précipitations enregistrées, le vent étant la principale source d’erreurs dans les observations. De petites quantités d’eau captée ne sont pas consignées lorsqu’elles mouillent la surface de l’instrument. Une partie de la pluie tombée s’évaporera avant qu’elle ne soit enregistrée, et une pluie abondante peut entraîner des éclaboussures de gouttelettes, ce qui donne également une mesure inférieure à la précipitation réelle. Les précipitations de faible intensité et de courte durée peuvent également être sous-échantillonnées avec des pluviomètres. Par contre, la condensation à l’intérieur de la jauge peut augmenter la quantité d’eau observée. Dans l’ensemble, les erreurs de mesure des précipitations peuvent atteindre de 4 à 6 % selon la vitesse du vent et l’intensité des précipitations (Devine et Mekis, 2008). Les mesures de la neige sont encore plus difficiles et les erreurs dans les vents forts peuvent dépasser 20%. (Goodison et coll., 1998). Les DCCAH d’ECCC (voir l’annexe 7.2.4 et Mekis et Vincent, 2011) incluent un ajustement distinct pour la pluie et la neige afin de compenser ces erreurs, en utilisant des facteurs de correction spatialement variables pour la neige en raison des densités de neige différentes selon les régions. Comme le montre la carte des stations à la figure 1.1, la densité des stations dans les régions nordiques du Canada est faible, des dizaines ou des centaines de kilomètres séparant les stations. Compte tenu de la faible étendue spatiale des précipitations provenant des cellules convectives, les données de précipitation des stations peuvent être trompeuses pour les régions avoisinantes (bien que les températures varieront peu dans les zones adjacentes à la station, les précipitations enregistrées peuvent n’avoir touché que la station, donc aucune quantité ou d’autres quantités peuvent être tombées à proximité).

b) Données sur grille : Les données climatologiques sont souvent requises sous la forme de valeurs réparties spatialement plutôt que de valeurs ponctuelles aux stations. Comme mentionné dans la section 2.1, pour décrire la couverture de grandes zones telles que les bassins versants ou les provinces, les données ponctuelles sont souvent interpolées pour établir un Jeu de données sur grille, c'est-à-dire des champs de valeurs 2D. La qualité et l’utilité des données sur grille dépendent en grande partie de la qualité et de la répartition des données d’entrée. Comme il a été mentionné précédemment, les précipitations sont très variables dans le temps et l’espace et, contrairement à la température, elles n’ont pas des valeures en continu. Cela pose des difficultés pour l’interpolation des données des stations sur une grille. Idéalement, chaque maille de la grille contiendrait une ou plusieurs stations, de sorte que l’information de la maille de la grille serait appuyée par des valeurs observées réelles. Cela peut être le cas dans les zones à forte densité de stations et pour les grilles avec des résolutions de quelques dizaines de kilomètres. Cependant, le réseau de stations du nord du Canada est très limité, de sorte que, en fonction de la résolution de la grille, de nombreuses mailles de grille ne seront pas appuyées par des données de stations réelles. Surtout les données avec une résolution temporelle haute doivent être utilisées avec prudence, car l’interpolation peut créer des informations trompeuses pour les précipitations avec un pas de temps fin. À des agrégations temporelles plus longues, le champ spatial des précipitations réelles devient plus lisse, car au cours d’un mois ou d’une saison, les statistiques de la répartition des précipitations seront lissées (à l’exception des précipitations orographiques qui sont fortement influencées par le terrain). Par conséquent, les données interpolées à plus basse résolution temporelle, comme les valeurs mensuelles, sont plus susceptibles de reproduire une représentation réelle des précipitations d’une zone.

c) Précipitations dans les réanalyses et les produits fondés sur les réanalyses : Dans les régions où la couverture des stations est clairsemée, comme dans le Nord canadien, les ensembles de données de ré-prévisions et de réanalyses constituent une précieuse alternative aux données des stations et aux ensembles de données sur grille qui en découlent (pour un aperçu complet des produits de réanalyse, voir la section 2.1.3). Bien que l’exhaustivité des ensembles de données de réanalyse soit un avantage évident, ces derniers doivent être utilisés avec prudence. Leur validation montre différents niveaux de fiabilité à la fois dans leur intercomparaison et au sein d’un Jeu de données en particulier. Ainsi, Rapaić et coll. (2015) signalent une variabilité spatiale, saisonnière et temporelle particulièrement importante pour les précipitations dans l’Arctique canadien, plus prononcée dans les régions montagneuses, les régions côtières et au-dessus de l’archipel Arctique canadien. Les biais varient dans le temps et l’espace et certaines réanalyses ont des biais humides plus importants (CFSR, 20CR, Rapaić et coll., 2015). Les résultats de l'évaluation semblent changer avec l’application. Par exemple, Sabarly et coll. (2016) recommande que les précipitations du NARR, validées favorablement pour le Nord canadien par Rapaić et coll. (2015) et Keller et Wahl (2021), soient prises avec prudence pour l’analyse du cycle de l’eau sur certaines parties du Québec. En général, la différence entre les précipitations des réanalyses (et d’autres données sur grille) augmente après environ 2003 en raison d’une diminution marquée des stations disponibles et d’un changement dans le type et la collecte des données assimilées dans les réanalyses (Rapaic et coll., 2015). Les auteurs recommandent une approche fondée sur un ensemble de multiples réanalyses pour compenser les différences entre les diverses produits.

d) Précipitations estimées par satellite : Les précipitations satellitaires sont habituellement une combinaison d’un ou de plusieurs ensembles de données de précipitations avec des estimations dérivées de l’imagerie satellitaire. La résolution temporelle et spatiale dépend de l’instrument utilisé dans leur production. À l’exception des satellites géostationnaires, la plupart des satellites assurent une couverture quasi mondiale avec un cycle répété. Par exemple, certains satellites peuvent échantillonner au moins une fois chaque maille de grille de 100 km tous les seize jours (CloudSat). Selon l’orbite, ils effectueront un échantillonnage plus fréquent à certaines latitudes que d’autres. Ici, nous considérons seulement les ensembles de données qui ont une couverture allant jusqu’à 60˚ N. Cependant, un seul satellite ne survole pas une région plus de deux fois par jour, et les écarts entre les passages peuvent manquer des précipitations de courte durée. C’est pourquoi les ensembles de données de précipitations fusionnés ou « hybrides » sont utiles, car ils peuvent combiner les observations de multiples plateformes satellitaires pour combler certaines des lacunes. En général, des instruments passifs à hyperfréquences ou à infrarouges sont utilisés pour estimer les précipitations. Des capteurs infrarouges estiment les températures au sommet d’un nuage, et un algorithme est utilisé pour associer la température mesurée à une estimation des précipitations. Les algorithmes fondés sur les hyperfréquences estiment les précipitations en utilisant la dispersion et de l’émission des hydrométéores et des gouttelettes de nuages. À noter que les émissions ne peuvent pas être utilisées pour estimer les précipitations sur le sol en raison de l’hétérogénéité de l’émissivité de la surface. Les précipitations de faible intensité et de courte durée peuvent également être sous-échantillonnées. Actuellement, il n'y a pas d'études qui évaluent ces ensembles de données pour le Nord canadien.

Références - Précipitations

Adler, R.F., M.R.P. Sapiano, G.J. Huffman, J.-J. Wang, G. Gu, D. Bolvin, L. Chiu, U. Schneider, A. Becker, E. Nelkin, P. Xie, R. Ferraro, et D.-B. Shin, 2018: « The Global Precipitation Climatology Project (GPCP) Monthly Analysis (New Version 2.3) and a Review of 2017 Global Precipitation. Atmosphere », 9, 138. https://doi.org/10.3390/atmos9040138.

Beck, H.E., E.F. Wood, M. Pan, C.K. Fisher, D.G. Miralles, A.I.J.M. van Dijk, T.R. McVicar, et R.F. Adler, 2019: « MSWEP V2 Global 3-Hourly 0.1° Precipitation: Methodology and Quantitative Assessment. Bulletin of the American Meteorological Society », 100 (3), 473-500, https://doi.org/10.1175/BAMS-D-17-0138.1.

Bromwich, D.H., A.B. Wilson, L. Bai, Z. Liu, M. Barlage, C.-F. Shih, S. Maldonado, K.M. Hines, S.-H. Wang, J. Woollen, B. Kuo, H.-C. Lin, T.-K. Wee, M.C. Serreze, et J.E. Walsh, 2018: « The Arctic System Reanalysis, Version 2. Bulletin of the American Meteorological Society », 99(4), 805-828, https://doi.org/10.1175/BAMS-D-16-0215.1.

Chen, M., W. Shi, P. Xie, V.B.S. Silva, V.E. Kousky, R.W. Higgins, et J. E. Janowiak, 2008: « Assessing objective techniques for gauge-based analyses of global daily precipitation. J. Geophys. Res. », 113, D04110, https://doi.org/10.1029/2007JD009132.

Compo, G.P., J.S. Whitaker, P.D. Sardeshmukh, N. Matsui, R.J. Allan, X. Yin, B.E. Gleason, R.S. Vose, G. Rutledge, P. Bessemoulin, S. Brönnimann, M. Brunet, R.I. Crouthamel, A.N. Grant, P.Y. Groisman, P.D. Jones, M. Kruk, A.C. Kruger, G.J. Marshall, M. Maugeri, H.Y. Mok, Ø. Nordli, T.F. Ross, R.M. Trigo, X.L. Wang, S.D. Woodruff, et S.J. Worley, 2011: « The Twentieth Century Reanalysis Project. Quarterly Journal of the Royal Meteorological Society », 137(654), 1-28, DOI: 10.1002/qj.776.

Devine, K.A., et É. Mekis, 2008: « Field accuracy of Canadian rain measurements, Atmosphere-Ocean », 46(2), 213-227, DOI: 10.3137/ao.460202.

Fick, S.E. et R.J. Hijmans, 2017: « WorldClim 2: new 1 km spatial resolution climate surfaces for global land areas. Int. J. Climatol », 37, 4302-4315, https ://doi.org/10.1002/joc.5086.

Gasset, N., V. Fortin, M. Dimitrijevic, M. Carrera, B. Bilodeau, R. Muncaster, É.,Gaborit, G. Roy, N. Pentcheva, M. Bulat, X. Wang, R. Pavlovic, F. Lespinas, et D. Khedhaouiria, 2021: « A 10 km North American Precipitation and Land Surface Reanalysis Based on the GEM Atmospheric Model. Hydrology and Earth System Sciences », 25(9), 4917-4945, https://doi.org/10.5194/hess-25-4917-2021.

Gelaro, R., W. McCarty, M.J. Suárez, R. Todling, A. Molod, L. Takacs, C.A. Randles, A. Darmenov, M.G. Bosilovich, R. Reichle, K. Wargan, L. Coy, R. Cullather, C. Draper, S. Akella, V. Buchard, A. Conaty, A.M. da Silva, W. Gu, G. Kim, R. Koster, R., Lucchesi, D. Merkova, J.E. Nielsen, G. Partyka, S. Pawson, W. Putman, M. Rienecker, S.D. Schubert, M. Sienkiewicz, et B. Zhao, 2017: « The Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2). Journal of Climate », 30(14), 5419-5454. doi: 10.1175/JCLI-D-16-0758.1.

Goodison B.E., P.Y.T. Louie, et D. Yang, 1998: « WMO Solid Precipitation Measurement Intercomparison », WMO/TD - No. 872, https://library.wmo.int/doc_num.php?explnum_id=9694.

Harris, I., T.J. Osborn, P. Jones, et D. Lister, 2020: « Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset. Scientific data », 7(1), 1-18 , https://doi.org/10.1038/s41597-020-0453-3.

Haynes, J.M., T.S. L'Ecuyer, G.L . Stephens, S.D. Miller, C. Mitrescu, N.B. Wood, et S. Tanelli, 2009: « Rainfall retrieval over the ocean with spaceborne W-band radar. J. Geophys. Res. », 114, D00A22, https://doi.org/10.1029/2008JD009973.

Hersbach, H., B. Bell, P. Berrisford, S. Hirahara, A. Horányi, J. Muñoz‐Sabater, J. Nicolas, C. Peubey, R. Radu, D. Schepers, A. Simmons, C. Soci, S. Abdalla, X. Abellan, G. Balsamo, P. Bechtold, G. Biavati, J. Bidlot, M. Bonavita, G. Chiara, P. Dahlgren, D. Dee, M. Diamantakis, R. Dragani, J. Flemming, R. Forbes, M. Fuentes, A. Geer, L. Haimberger, S. Healy, R.J. Hogan, E. Hólm, M. Janisková, S. Keeley, P. Laloyaux, P. Lopez, C. Lupu, G. Radnoti, P. Rosnay, I. Rozum, F. Vamborg, S. Villaume, et J.-N. Thépaut, 2020: « The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society », 146(730), 1999–2049. https://doi.org/10.1002/qj.3803.

Huffman, G.J. , R.F. Adler, M.M. Morrissey, D.T. Bolvin, S. Curtis, R. Joyce, B. McGavock, et J. Susskind, 2001: « Global Precipitation at One-Degree Daily Resolution from Multisatellite Observations. Journal of Hydrometeorology », 2(1), 36-50, https://doi.org/10.1175/1525-7541(2001)002<0036:GPAODD>2.0.CO;2.

Iizumi, T., H. Takikawa, Y. Hirabayashi, N. Hanasaki, et M. Nishimori, 2017: « Contributions of different bias-correction methods and reference meteorological forcing data sets to uncertainty in projected temperature and precipitation extremes. Journal of Geophysical Research, Atmospheres », 122(15), 7800-7819, doi: 10.1002/2017JD026613.

Keller, J.D., et S. Wahl, 2021: « Representation of Climate in Reanalyses: An Intercomparison for Europe and North America. Journal of Climate », 34(5), 1667-1684, https://doi.org/10.1175/JCLI-D-20-0609.1.

Kobayashi, S., Y. Ota, Y. Harada, A. Ebita, M. Moriya, H. Onoda, K. Onogi, H. Kamahori, C. Kobayashi, H. Endo, K. Miyaoka, et K. Takahashi, 2015: « The JRA-55 Reanalysis: General specifications and basic characteristics. Journal of the Meteorological Society of Japan », 93(1), 5-48, doi:10.2151/jmsj.2015-001.

MacDonald, H., D.W. McKenney, P. Papadopol, K. Lawrence, J. Pedlar, et M. F. Hutchinson, 2020: « North American historical monthly spatial climate dataset, 1901–2016. Scientific Data », 7(1), 1-11, https://doi.org/10.1038/s41597-020-00737-2.

Mekis, É., et L.A. Vincent, 2011: « An Overview of the Second Generation Adjusted Daily Precipitation Dataset for Trend Analysis in Canada, Atmosphere-Ocean », 49(2), 163-177, https://doi.org/10.1080/07055900.2011.583910.

Mesinger, F., G. DiMego, E. Kalnay, K. Mitchell, P. C. Shafran, W. Ebisuzaki, D. Jović, J. Woollen, E. Rogers, E.H. Berbery, M.B. Ek, Y. Fan, R. Grumbine, W. Higgins, H. Li, Y. Lin, G. Manikin, D. Parrish, et W. Shi, 2006: « North American Regional Reanalysis. Bulletin of the American Meteorological Society », 87(3), 343-360, doi:10.1175/BAMS-87-3-343.

Muñoz-Sabater, J., E. Dutra, A. Agustí-Panareda, C. Albergel, G. Arduini, G., Balsamo, S. Boussetta, M. Choulga, S. Harrigan, H. Hersbach, B. Martens, D. G. Miralles, M. Piles, N. J. Rodríguez-Fernández, E. Zsoter, C. Buontempo, et J.-N. Thépaut, 2021: « ERA5-Land: A state-of-the-art global reanalysis dataset for land applications. Earth System Science Data », 13(9), 4349-4383, https://doi.org/10.5194/essd-2021-82.

Rapaić, M., R. Brown, M. Markovic, et D. Chaumont, 2015: « An Evaluation of Temperature and Precipitation Surface-Based and Reanalysis Datasets for the Canadian Arctic, 1950–2010, Atmosphere-Ocean », 53(3), 283-303, https://doi.org/10.1080/07055900.2015.1045825.

Ruane, A.C., R. Goldberg, et J. Chryssanthacopoulos, 2015: « Climate forcing datasets for agricultural modelling: Merged products for gap-filling and historical climate series estimation. Agric. Forest Meteorol », 200, 233-248, https://doi.org/10.1016/j.agrformet.2014.09.016.

Sabarly, F., G. Essou, P. Lucas-Picher, A. Poulin, et F. Brissette, 2016: « Use of Four Reanalysis Datasets to Assess the Terrestrial Branch of the Water Cycle over Quebec, Canada. Journal of Hydrometeorology », 17(5), 1447-1466, https://doi.org/10.1175/JHM-D-15-0093.1.

Saha, S., S. Moorthi, X. Wu, J. Wang, S. Nadiga, P. Tripp, D. Behringer, Y. Hou, H. Chuang, M. Iredell, M.Ek, J. Meng, R. Yang, M.P. Mendez, H. van den Dool, Q. Zhang, W. Wang, M. Chen, et E. Becker, 2014: « The NCEP Climate Forecast System Version 2, Journal of Climate », 27(6), 2185-2208, doi:10.1175/JCLI-D-12-00823.1.Schneider, U., P. Finger, E. Rustemeier, M. Ziese, et A. Becker, 2021: « Global Precipitation Analysis Products of the GPCC, Global Precipitation Climatology Centre (GPCC), Deutscher Wetterdienst, Offenbach a. M. », Allemagne, https://opendata.dwd.de/climate_environment/ GPCC/PDF/GPCC_intro_products_lastversion.pdf.

Schneider, U., P. Finger, E. Rustemeier, M. Ziese, A. Becker, 2021: « Global Precipitation Analysis Products of the GPCC, Global Precipitation Climatology Centre (GPCC), Deutscher Wetterdienst », Offenbach a. M., Allemagne, https://opendata.dwd.de/climate_environment/ GPCC/PDF/GPCC_intro_products_lastversion.pdf.

Sheffield, J., G. Goteti, et E.F. Wood, 2006: « Development of a 50-Year High-Resolution Global Dataset of Meteorological Forcings for Land Surface Modeling. Journal of Climate », 19(13), 3088-3111, https://doi.org/10.1175/JCLI3790.1.

Tan, J., G.J. Huffman, D.T. Bolvin, et E.J. Nelkin, 2019: « IMERG V06: Changes to the Morphing Algorithm. Journal of Atmospheric and Oceanic Technology », 36(12), 2471-2482, https://doi.org/10.1175/JTECH-D-19-0114.1.

Tang, G., M.P. Clark, A.J. Newman, A.W. Wood, S.M. Papalexiou, V. Vionnet, et P.H. Whitfield, 2020: « SCDNA: a serially complete precipitation and temperature dataset for North America from 1979 to 2018. Earth Syst. Sci. Data », 12, 2381–2409, https://doi.org/10.5194/essd-12-2381-2020.

Vincent, L.A., M.M. Hartwell et X.L. Wang, 2020: « A Third Generation of Homogenized Temperature for Trend Analysis and Monitoring Changes in Canada’s Climate, Atmosphere-Ocean », 58(3), 173-191, https://doi.org/10.1080/07055900.2020.1765728.

Werner, A.T., M.A. Schnorbus, R.R. Shrestha, A.J. Cannon, F.W. Zwiers, G. Dayon, et F. Anslow, 2019: « A long-term, temporally consistent, gridded daily meteorological dataset for northwestern North America. Scientific Data », 6(1), 1-16., https://doi.org/10.1038/sdata.2018.299.

Xie P., P.A. Arkin, et J.E. Janowiak, 2007: « CMAP: The CPC Merged Analysis of Precipitation. In: Levizzani V., P. Bauer, et F.J. Turk (eds), Measuring Precipitation From Space. Advances In Global Change Research », (28). Springer, Dordrecht. https://doi.org/10.1007/978-1-4020-5835-6_25.

Zhang, Y., B. Qian, et G. Hong, 2020: « A Long-Term, 1 km Resolution Daily Meteorological