3.2.1 Variables liées à la neige

La neige recouvre la surface terrestre de l’Arctique jusqu’à neuf mois par année et influence le bilan énergétique de surface, le régime thermique du sol et le bilan d’eau douce de l’Arctique. La neige interagit également avec la végétation, a un effet sur l’activité biogéochimique et influence la migration et l’accès à la nourriture pour la faune, ce qui a des répercussions sur les écosystèmes terrestres et aquatiques. Même après la saison de la couverture de neige, l’influence du moment de la fonte printanière des neiges persiste en raison des impacts sur le moment et l’ampleur du débit fluvial, les eaux de surface, l’humidité du sol et le risque d’incendie. La neige peut être caractérisée par de multiples variables. La présence de la neige (importante pour le bilan énergétique de surface) peut être caractérisée par la superficie couverte de neige (étendue de la couverture de neige – ECN) et la durée pendant laquelle la neige reste à la surface du sol (durée de la couverture de neige – DCN). La quantité de neige est plus importante pour déterminer les influences sur le régime thermique au sol, le bilan et le calendrier de l’eau douce. Il existe deux principales façons de mesurer la neige au sol : 1) mesurer l’épaisseur totale de la neige sur le sol (cela est déclaré comme l’épaisseur de la neige et comprend à la fois la neige neuve et la neige ancienne) ou 2) mesurer la teneur en eau liquide de la neige à l’aide d’un pluviomètre ou d’une carotte de sondage (cela est déclaré comme l’équivalent en eau de la neige - EEN). L’EEN d’un pluviomètre correspond à la nouvelle neige tombée en 24 heures. L’EEN d’une carotte représente la nouvelle et la vieille neige. L’EEN peut être considéré comme la profondeur de l’eau qui résulterait théoriquement d’une fonte instantanée de toute l’accumulation de neige. L’épaisseur de la neige et l’EEN peuvent également être estimés à partir de produits satellites, de réanalyses ou de modèles.

Dans cette section, nous présentons un inventaire des données sur l’épaisseur de la neige, l’EEN et la couverture de neige obtenues à l’aide des trois catégories suivantes :

  1. mesures sur place;
  2. produits dérivés de satellites;
  3. analyses, réanalyses et produits issus de réanalyses.

Dans le cadre de la sélection, nous utilisons des ensembles de données qui sont offerts gratuitement en ligne, qui représentent une source d’information importante, qui couvrent au moins une décennie de données et qui contiennent des documents à l’appui. Les ensembles de données qui ne fournissent que l’épaisseur de la neige sont résumés dans le premier tableau, ceux qui fournissent seulement l’EEN sont résumés dans le deuxième tableau, tandis que les ensembles de données qui fournissent à la fois l’épaisseur de neige et l’EEN sont présentés dans le troisième tableau. Le quatrième tableau porte sur les données concernant la couverture de neige.

Table: 3.10
table
profondeur de neige
Profondeur de neige
Table: 3.11
table
équivalent eau neige
EEN
Table: 3.12
table
épaisseur de neige/EEN
Épaisseur de neige/EEN
En général, la SWE et l'épaisseur de neige sont disponibles à partir de la sortie de la réanalyse, mais parfois une seule est fournie avec la densité de neige par laquelle l'autre peut être calculée.
Table: 3.13
table
fraction d'enneigement

Échelles des données sur la neige

Bien que de nombreux processus se combinent à diverses échelles pour influencer l’hétérogénéité spatiale de la neige, dans la description suivante nous divisons approximativement les ensembles de données sur l’épaisseur de neige et l’EEN en deux groupes en fonction d’une seule rupture d’échelle : L ~ 1 km

  1. Ensembles de données constitués à partir de données ponctuelles ou de données regroupées représentatives jusqu’à une échelle spatiale de plusieurs centaines de mètres.
  2. Ensembles de données représentatifs des échelles spatiales L >1 km.

Les données sur la neige caractérisées par des échelles spatiales inférieures à 1 km sont influencées par la redistribution due au vent et la topographie ou la végétation à l’échelle locale (p. ex., dérive de neige causée par le vent ou neige profonde par rapport à neige peu profonde dans un relief bas par rapport à un relief élevé; Brown et coll. 2010; Mott et coll. 2018). L’influence de ces processus commence à diminuer à des échelles de plusieurs kilomètres au fur et à mesure que la moyenne de ces effets est établie et que la principale source de variabilité spatiale devient la distribution d’événements à l’échelle synoptique (c.-à-d. où et quand les chutes de neige se produisent dans une année donnée, et où et quand la fonte des neiges se produit). L’influence relative de ces différents processus signifie que les comparaisons entre les données ponctuelles et les résultats sur grille ne sont souvent pas possibles, car ils échantillonnent une variabilité fondamentalement différente.

La séparation ci-dessus convient aux régions à topographie non complexe. Dans les régions montagneuses, le terrain présente une variabilité intrinsèquement plus complexe à des échelles plus petites (p. ex., variabilité à petite échelle de la pente et de l’exposition). De plus, les expositions à plus grande échelle des montagnes modifient également les régimes météorologiques locaux, p. ex., les précipitations se déposent de préférence sur les pentes au vent, tandis que les pentes sous le vent présentent des ombres pluviométriques; les pentes sous le vent connaissent également un réchauffement causé par le vent dû à des effets adiabatiques, tandis que les élévations plus élevées connaissent des températures beaucoup plus froides, ce qui, ensemble, mène à des schémas spatiaux complexes en phase de précipitation et de fonte. Parce que ces effets opèrent à une hiérarchie d’échelles spatiales, les régions montagneuses (c.-à-d. définies par une topographie complexe, une pente de terrain élevé, des élévations élevées, ou une combinaison de ces éléments) exigent intrinsèquement des données d’observation à haute résolution et ne sont pas bien représentées par la plupart des données sur grille actuellement disponibles.

Utilisation appropriée des données :

En nous fondant sur les renseignements ci-dessus, nous recommandons de considérer séparément les ensembles de données sur l’EEN et l’épaisseur de la neige à petite échelle (<1 km) par rapport à une grande échelle (>1 km). En général, les ensembles de données fondés sur des données ponctuelles ou des données spatiales à petite échelle sont discontinus sur les plans temporel et spatial. Les ensembles de données fondés sur des échelles spatiales > 1 km, même s’ils sont fondés sur des renseignements ponctuels, ont généralement été fusionnés dans des formats spatiaux ou temporels continus. Ce processus de fusion établit la moyenne d’une partie de la variabilité attribuable aux processus à petite échelle qui donnent des produits plus conformes aux ensembles de données sur grille à grande échelle. Les ensembles de données sur grille fondés sur des données satellitaires ou des réanalyses ou des données de sortie de modèle sont également entièrement ou presque entièrement continus, dans l’espace et dans le temps.

Utilisations des données ponctuelles : Pour les emplacements très précis que ces données représentent, elles devraient refléter des quantités exactes d’épaisseur de neige ou d’EEN (à l’exception des erreurs de mesure standard ou des erreurs d’enregistrement) et leur variabilité à l’échelle locale dans la mesure où elles sont échantillonnées dans le temps. Dans l’ensemble, les observations sont trop éparpillées dans l’espace et le temps dans le Nord canadien pour permettre d’évaluer correctement si un Jeu de données sur grille ou modélisées est meilleur ou pire qu’un autre pour cette région, en particulier pour l’EEN et l’épaisseur de la neige.

Utilisation des données sur grille : Selon leurs sources, ces données peuvent ou non refléter des quantités exactes de neige et représenter ou non la variabilité de la neige de la façon suivante :

    1. Fusion des observations ponctuelles/sur place à de plus grandes échelles (p. ex., épaisseur de neige ANUSPLIN) : doit refléter avec exactitude les quantités et la variabilité à plus grande échelle (bien que cela puisse dépendre de la quantité de mesures intégrées dans le processus de fusion à de plus grandes échelles).
    2. Les données d’EEN mixtes satellitaires/sur place (p. ex., toutes les versions de GlobSnow et toutes les versions de Snow CCI) doivent refléter les quantités exactes et la variabilité à plus grande échelle en fonction de la quantité locale de données sur place intégrées – ceci sont moins dans les régions plus au nord.
    3. La présence de neige est détectée de façon fiable par des satellites munis de capteurs optiques (par rapport aux capteurs à hyperfréquences passives utilisés pour estimer l’EEN ou l’épaisseur de la neige). Par conséquent, les observations satellitaires visibles de MODIS, IMS ou d’ensembles de données intégrées comme le Climate Data Record de la NOAA peuvent être utilisées pour valider la fraction de la couverture de neige et l’étendue de la neige dans le Nord canadien (p. ex., Wang et coll. 2005).
    4. Les modèles de réanalyse/forcés historiquement hors ligne ne refléteront pas nécessairement des quantités exactes (en raison de mauvaises contraintes sur le bilan massique de la neige), mais il a été démontré qu’ils reflètent avec exactitude la variabilité spatiale et temporelle (sauf les inhomogénéités temporelles dans certains ensembles de données; les inhomogénéités connues sont notées pour des ensembles de données particuliers). Les différents ensembles de données ont tendance à avoir des composantes d’erreur non corrélées, de sorte que la moyenne de plusieurs ensembles de données regroupés produira généralement des résultats plus précis, mais les biais systématiques présents dans tous les ensembles de données demeureront tout de même. Ce résultat (EMQ plus faible, meilleure corrélation) a été montré pour l’EEN de l’hémisphère Nord dans Mortimer et coll. (2020). Bien que les données de validation utilisées pour cette étude comprennent des emplacements dans la toundra et d’autres catégories de terres présentes en Europe du Nord/Sibérie et au Canada/Alaska, la majorité des stations sont situées dans des endroits plus au sud. Par conséquent, les conclusions sont vraies pour la perspective de l’hémisphère et pourraient s’appliquer au Nord canadien. Une méthode semblable peut être utilisée en mettant l’accent sur le Nord canadien et également pour d’autres variables (p. ex., l’épaisseur de la neige, la couverture de neige) pour confirmer les constatations pour cette région.
    5. Les données de sortie des modèles climatiques ne refléteront pas nécessairement des quantités exactes (encore une fois en raison de mauvaises contraintes sur le bilan des chutes de neige, de la fonte et de la sublimation); elles ne refléteront pas la variabilité spatiale ou temporelle historique en raison de la forte influence de la variabilité naturelle sur la distribution des événements à l’échelle synoptique (les modèles climatiques types ne sont pas configurés pour reproduire la variabilité naturelle historique). Les données de sortie doivent représenter le schéma spatial climatologique de la neige et peuvent représenter les tendances à long terme dans les régions et sur des périodes de temps pour lesquelles le forçage climatique domine le signal de tendance sur l’influence de la variabilité naturelle.

Références - Données sur la neige

Bromwich, D., Y.-H. Kuo, M. Serreze, J. Walsh, L.-S. Bai, M. Barlage, K. Hines, et A. Slater, 2010: « Arctic System Reanalysis: Call for Community Involvement. Eos Trans. », AGU, 91, 13, https://doi.org/10.1029/2010eo020001.

Brown, R.D., et R.O. Braaten, 1998: « Spatial and temporal variability of Canadian monthly snow depths, 1946–1995. Atmosphere-Ocean », 36, 37–54, https://doi.org/10.1080/07055900.1998.9649605.

Brown, R.D., B. Fang, et L. Mudryk, 2019: « Update of Canadian historical snow survey data and analysis of snow water equivalent trends, 1967–2016. Atmosphere-Ocean », 57, 149 156, https://doi.org/10.1080/07055900.2019.1598843.

Brown, R.D., C. Smith, C. Derksen, et L. Mudryk, 2021: « Canadian In Situ Snow Cover Trends for 1955–2017 Including an Assessment of the Impact of Automation. Atmosphere-Ocean », 1–16, https://doi.org/10.1080/07055900.2021.1911781.

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, https://doi.org/10.1029/2010jd013975.

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.

Estilow, T. W., A. H. Young, et D. A Robinson, 2015: « A long-term Northern Hemisphere snow cover extent data record for climate studies and monitoring, Earth Syst. Sci. Data. », 7, 137–142, https://doi.org/10.5194/essd-7-137-2015 .

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.

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.

Klehmet, K., B. Geyer, et B. Rockel, 2013: « A regional climate model hindcast for Siberia: analysis of snow water equivalent, The Cryosphere », 7, 1017–1034, https://doi.org/10.5194/tc-7-1017-2013.

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.

Liston, G.E., et C.A. Hiemstra, 2011: « The changing cryosphere: Pan-arctic snow trends (1979–2009) J. Clim. », 24 (21) (2011), pp. 5691-5712, 10.1175/JCLI-D-11-00081.1.

MacDonald, H., 2021: « Canadian snow depth spatial models, 1950-2017. Open Science Framework », https://doi.org/10.17605/OSF.IO/UZAC9.

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.

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.

Mott, R., V. Vionnet, et T. Grünewald, 2018: « The Seasonal Snow Cover Dynamics: Review on Wind-Driven Coupling Processes. Front. Earth Sci. », 6, https://doi.org/10.3389/feart.2018.00197.

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.

Orsolini, Y., M. Wegmann, E. Dutra, B. Liu, G. Balsamo, K. Yang, P. de Rosnay, C. Zhu, W. Wang, R. Senan, G. and Arduini, 2019: « Evaluation of snow depth and snow cover over the Tibetan Plateau in global reanalyses using in situ and satellite remote sensing observations, The Cryosphere », 13, 2221–2239, https://doi.org/10.5194/tc-13-2221-2019.

Pulliainen, J., K. Luojus, C. Derksen, L. Mudryk, J. Lemmetyinen, M. Salminen, J. Ikonen, M. Takala, J. Cohen, T. Smolander, et J. Norberg, 2020: « Patterns and trends of Northern Hemisphere snow mass from 1980 to 2018. Nature », 581, 294–298, https://doi.org/10.1038/s41586-020-2258-0.

Rodell, M., P.R. Houser, U. Jambor, J. Gottschalck, K. Mitchell, C.-J. Meng, K. Arsenault, B. Cosgrove, J. Radakovich, M. Bosilovich, J.K. Entin, J.P. Walker, D. Lohmann, et D. Toll, 2004: « The Global Land Data Assimilation System. Bull. Amer. Meteor. Soc. », 85, 381–394, https://doi.org/10.1175/bams-85-3-381.

Rui, H., et H. Beaudoing, 2014: « README document for theGlobal Land Data Assimilation System version 2 (GLDAS-2).», 22pp. [Disponible en ligne sur ftp://hydro1.sci.gsfc.nasa.gov/data/s4pa/GLDAS/README.GLDAS2.pdf] .

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.

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.

Slivinski, L.C., G.P. Compo, J.S. Whitaker, et coll., 2019: « Towards a more reliable historical reanalysis: Improvements for version 3 of the Twentieth Century Reanalysis system. Q J R Meteorol Soc. », 145: 2876– 2908.https://doi.org/10.1002/qj.3598.

Smith, A., N. Lott, et R. Vose, 2011: « The Integrated Surface Database: Recent Developments and Partnerships. Bulletin of the American Meteorological Society », 92, 704–708, https://doi.org/10.1175/2011bams3015.1.

Takala, M., K. Luojus, J. Pulliainen, C. Derksen, J. Lemmetyinen, J.-P. Kärnä, J. Koskinen, et B. Bojkov, 2011: « Estimating northern hemisphere snow water equivalent for climate research through assimilation of space-borne radiometer data and ground-based measurements. Remote Sensing of Environment », 115, 3517–3529, https://doi.org/10.1016/j.rse.2011.08.014.

Venäläinen, P., K. Luojus, J. Lemmetyinen, J. Pulliainen, M. Moisander, et M. Takala, 2021: « Impact of dynamic snow density on GlobSnow snow water equivalent retrieval accuracy. The Cryosphere », 15, 2969–2981, https://doi.org/10.5194/tc-15-2969-2021.

Vionnet, V., C. Mortimer, M. Brady, L. Arnal, et R. Brown, 2021: « Canadian historical Snow Water Equivalent dataset (CanSWE, 1928–2020). Earth Syst. Sci. Data », 13, 4603–4619, https://doi.org/10.5194/essd-13-4603-2021.

Wang, L., M. Sharp, R. Brown, C. Derksen, et B. Rivard, 2005: « Evaluation of spring snow covered area depletion in the Canadian Arctic from NOAA snow charts. Remote Sensing of Environment », 95, 453–463, https://doi.org/10.1016/j.rse.2005.01.006.

Xia, Y., K. Mitchell, M. Ek, J. Sheffield, B. Cosgrove, E. Wood, L. Luo, C. Alonge, H. Wei, J. Meng, B. Livneh, D. Lettenmaier, V. Koren, Q. Duan, K. Mo, Y. Fan, et D. Mocko, 2012: « Continental-scale water and energy flux analysis and validation for the North American Land Data Assimilation System project phase 2 (NLDAS-2): 1. Intercomparison and application of model products. J. Geophys. Res. », 117, n/a-n/a, https://doi.org/10.1029/2011jd016048.