Historical gridded snow water equivalent over the Northern Hemisphere from remote sensing and land surface models

Datasets of daily snow water equivalent (SWE) over the Northern Hemisphere (excluding Greenland) were constructed using a multi-dataset approach for the time period 1981-2020.

The data are on a regular 0.5-degree grid, with a threshold maximum of 2000mm.

The general methodology for the creation of these datasets follows that of Mudryk et al. (2015).

Supplemental Information

Monthly snow cover fraction (SCF) and monthly snow water equivalent (SWE) are calculated using daily SWE data taken from the following four sources over the 35-year period from 1981 to 2016.

Four sources of daily SWE data:

1. The Modern-Era Retrospective Analysis for Research and Applications Version 2 (MERRA-2) (Global Modeling and Assimilation Office, 2016 [Ref 1]; Gelaro et al., 2017 [Ref 2] is a National Aeronautics and Space Administration (NASA) atmospheric reanalysis product generated with the Goddard Earth Observing System Model, Version 5.2.0 (GEOS-5), atmospheric general circulation model and atmospheric data assimilation system (ADAS).

2. The temperature index model described by Brown et al. (2003) [Ref 3] reconstructs daily SWE using 6-hourly temperature field and 12-hourly precipitation field inputs from ERA-Interim reanalysis. This simplified index model includes most of the temperature-dependent processes included in the snow component of numerical land surface schemes (e.g. partitioning of precipitation into solid and liquid fractions, melt from rain-on-snow events, specification of new snowfall density, snow aging, and snowmelt).

3. The physical snowpack model Crocus simulates daily SWE using meteorology from ERA-Interim (Brun et al., 2013) [Ref 4].

4. The European Space Agency GlobSnow product (Version 2; www.globsnow.info, last access: 20 September 2016) is a gridded product derived through a combination of satellite passive microwave data, forward snow emission model simulations, and climate station observations for non-alpine regions of the Northern Hemisphere (Takala et al., 2011) [Ref 5].

The GlobSnow product is partially masked over mountainous regions, defined as regions with a slope of 2 degrees or larger. SWE was replaced in grid cells which contain mountains with a blend of the GlobSnow SWE data (if any) and the mean value from the other three data sources. The weighting for the blend was determined by the fraction of the grid cell area which is mountainous. For grid cells with no mountainous terrain, unaltered GlobSnow data are used. As the fraction of mountainous terrain increases, the weight applied to the GlobSnow data is linearly reduced, reaching zero for grid cells containing only mountainous terrain.

For a given dataset of daily SWE, the data was interpolated to a regular 0.25 degree grid over Canada.

Monthly SCF is produced by applying a 4mm threshold to each of the four daily SWE fields to produce a daily binary snow cover field; this daily field is averaged over each month to produce a monthly snow cover fraction and the four data sets are averaged together.

Monthly SWE is produced by averaging the regridded daily SWE fields from each source over the given month.

Annual maximum SWE fields are calculated as the maximum value of daily SWE attained at each grid location over a given snow season.

Note: grid cell values for SCF, SWE and SWEmax have been weighted by the fraction of land surface within each grid cell (excluding ocean, lakes and glaciers/ice caps). For example, a grid cell containing 50% land and 50% ocean which is fully snow-covered for the month will have a listed SCF value of 50%.

Ref 1. Global Modeling and Assimilation Office: MERRA-2tavgM_2d_slv_Nx: 2d, Monthly mean, Time-Averaged, Single-Level, Assimilation, Single-Level Diagnostics V5.12.4, Greenbelt, MD, USA, Goddard Earth Sciences Data and Information Services Center (GESDISC), https://doi.org/10.5067/AP1B0BA5PD2K, last access: 11 April 2017b.

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

Ref 3. Brown, R., Brasnett, B., and Robinson, D.: Gridded North American monthly snow depth and snow water equivalent for GCM evaluation, Atmos.-Ocean, 41, 1–14, 2003.

Ref 4. Brun, E., Vionnet, V., Boone, A., Decharme, B., Peings, Y., Valette,R., Karbou, F., and Morin, S.: Simulation of Northern Eurasian local snow depth, mass, and density using a detailed snowpack model and meteorological reanalyses, J. Hydrometeorol., 14,203–219, https://doi.org/10.1175/JHM-D-12-012.1, 2013.

Ref 5. Takala, M., Luojus, K., Pulliainen, J., Derksen, C., Lemme-tyinen, J., Kärnä, J.-P., and Koskinen, J.: Estimating northern hemisphere snow water equivalent for climate research through assimilation of space-borne radiometer data and ground-based measurements, Proc. Spie., 115, 3517–3529,https://doi.org/10.1016/j.rse.2011.08.014, 2011.

Jeux de données disponibles au téléchargement

• Canadian Climate Data and Scenarios (CCDS) (EN)NetCDF
  À télécharger

  • Plus d'informations
  • Aller à la ressource
• Canadian Climate Data and Scenarios (CCDS) (FR)NetCDF
  À télécharger

  • Plus d'informations
  • Aller à la ressource

• Climate
• Models
• Nature and Environment
• Remote sensing
• SWE
• Snow
• snow water equivalent

Informations supplémentaires

• Niveau de maturité 1 (46%)
• Niveau de maturité 2 (38%)
• Niveau de maturité 3 (0%)
• Niveau de maturité 4 (0%)
• Niveau de maturité 5 (0%)
• Niveau de maturité 6 (0%)

Champ	Valeur
Dernière mise à jour	octobre 20, 2025, 03:00 (TU)
Créé	octobre 20, 2025, 03:00 (TU)
Domaine / Sujet Domaine ou sujet du jeu de données catalogué.
Titre Titre du jeu de données.	Historical gridded snow water equivalent over the Northern Hemisphere from remote sensing and land surface models
Description Une description du jeu de données.	Datasets of daily snow water equivalent (SWE) over the Northern Hemisphere (excluding Greenland) were constructed using a multi-dataset approach for the time period 1981-2020. The data are on a regular 0.5-degree grid, with a threshold maximum of 2000mm. The general methodology for the creation of these datasets follows that of Mudryk et al. (2015). Supplemental Information Monthly snow cover fraction (SCF) and monthly snow water equivalent (SWE) are calculated using daily SWE data taken from the following four sources over the 35-year period from 1981 to 2016. Four sources of daily SWE data: The Modern-Era Retrospective Analysis for Research and Applications Version 2 (MERRA-2) (Global Modeling and Assimilation Office, 2016 [Ref 1]; Gelaro et al., 2017 [Ref 2] is a National Aeronautics and Space Administration (NASA) atmospheric reanalysis product generated with the Goddard Earth Observing System Model, Version 5.2.0 (GEOS-5), atmospheric general circulation model and atmospheric data assimilation system (ADAS). The temperature index model described by Brown et al. (2003) [Ref 3] reconstructs daily SWE using 6-hourly temperature field and 12-hourly precipitation field inputs from ERA-Interim reanalysis. This simplified index model includes most of the temperature-dependent processes included in the snow component of numerical land surface schemes (e.g. partitioning of precipitation into solid and liquid fractions, melt from rain-on-snow events, specification of new snowfall density, snow aging, and snowmelt). The physical snowpack model Crocus simulates daily SWE using meteorology from ERA-Interim (Brun et al., 2013) [Ref 4]. The European Space Agency GlobSnow product (Version 2; www.globsnow.info, last access: 20 September 2016) is a gridded product derived through a combination of satellite passive microwave data, forward snow emission model simulations, and climate station observations for non-alpine regions of the Northern Hemisphere (Takala et al., 2011) [Ref 5]. The GlobSnow product is partially masked over mountainous regions, defined as regions with a slope of 2 degrees or larger. SWE was replaced in grid cells which contain mountains with a blend of the GlobSnow SWE data (if any) and the mean value from the other three data sources. The weighting for the blend was determined by the fraction of the grid cell area which is mountainous. For grid cells with no mountainous terrain, unaltered GlobSnow data are used. As the fraction of mountainous terrain increases, the weight applied to the GlobSnow data is linearly reduced, reaching zero for grid cells containing only mountainous terrain. For a given dataset of daily SWE, the data was interpolated to a regular 0.25 degree grid over Canada. Monthly SCF is produced by applying a 4mm threshold to each of the four daily SWE fields to produce a daily binary snow cover field; this daily field is averaged over each month to produce a monthly snow cover fraction and the four data sets are averaged together. Monthly SWE is produced by averaging the regridded daily SWE fields from each source over the given month. Annual maximum SWE fields are calculated as the maximum value of daily SWE attained at each grid location over a given snow season. Note: grid cell values for SCF, SWE and SWEmax have been weighted by the fraction of land surface within each grid cell (excluding ocean, lakes and glaciers/ice caps). For example, a grid cell containing 50% land and 50% ocean which is fully snow-covered for the month will have a listed SCF value of 50%. Ref 1. Global Modeling and Assimilation Office: MERRA-2tavgM_2d_slv_Nx: 2d, Monthly mean, Time-Averaged, Single-Level, Assimilation, Single-Level Diagnostics V5.12.4, Greenbelt, MD, USA, Goddard Earth Sciences Data and Information Services Center (GESDISC), https://doi.org/10.5067/AP1B0BA5PD2K, last access: 11 April 2017b. Ref 2. Gelaro, R., McCarty, W., Suárez, M. J., Todling, R., Molod, A.,Takacs, L., Randles, C. A., Darmenov, A., Bosilovich, M. G., Reichle, R., Wargan, K., Coy, L., Cullather, R., Draper, C., Akella,S., Buchard, V., Conaty, A., da Silva, A. M., Gu, W., Kim, G.,Koster, R., Lucchesi, R., Merkova, D., Nielsen, J. E., Partyka,G., Pawson, S., Putman, W., Rienecker, M., Schubert, S. D.,Sienkiewicz, M., and Zhao, B.: The Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2),J. Climate, 30, 5419–5454, https://doi.org/10.1175/JCLI-D-16-0758.1, 2017. Ref 3. Brown, R., Brasnett, B., and Robinson, D.: Gridded North American monthly snow depth and snow water equivalent for GCM evaluation, Atmos.-Ocean, 41, 1–14, 2003. Ref 4. Brun, E., Vionnet, V., Boone, A., Decharme, B., Peings, Y., Valette,R., Karbou, F., and Morin, S.: Simulation of Northern Eurasian local snow depth, mass, and density using a detailed snowpack model and meteorological reanalyses, J. Hydrometeorol., 14,203–219, https://doi.org/10.1175/JHM-D-12-012.1, 2013. Ref 5. Takala, M., Luojus, K., Pulliainen, J., Derksen, C., Lemme-tyinen, J., Kärnä, J.-P., and Koskinen, J.: Estimating northern hemisphere snow water equivalent for climate research through assimilation of space-borne radiometer data and ground-based measurements, Proc. Spie., 115, 3517–3529,https://doi.org/10.1016/j.rse.2011.08.014, 2011.
Étiquettes / Mots-clés Mots-clés/étiquettes catégorisant le jeu de données.	Climate Models Nature and Environment Remote sensing SWE Snow snow water equivalent
Format (CSV, XLS, TXT, PDF, etc.) Format de fichier du jeu de données.
Taille du jeu de données Taille du jeu de données en mégaoctets.
Identifiant des métadonnées Identifiant des métadonnées — peut être utilisé comme identifiant unique pour l’entrée du catalogue.
Date de publication Date de publication du jeu de données.	2024-08-26
Période temporelle des données (date de début) Date de début des données dans le jeu de données.
Période temporelle des données (date de fin) Date de fin des données temporelles du jeu de données.
Zone géospatiale couverte Région spatiale ou lieu nommé couvert par le jeu de données.

Champ	Valeur
Catégorie d’accès Type d’accès accordé pour le jeu de données (ouvert, restreint, service, etc.).
Licence Licence utilisée pour accéder au jeu de données.	Open Government Licence - Canada
Restrictions d’utilisation Restrictions d’utilisation des données.
Emplacement Emplacement du jeu de données.	https://open.canada.ca/data/en/dataset/70abca8a-80fe-49b8-8452-72164180a32a
Service de données Service de données pour accéder à un jeu de données.
Propriétaire Propriétaire du jeu de données.	Environment and Climate Change Canada | Environnement et Changement climatique Canada
Point de contact Qui contacter concernant l’accès ?	Government of Canada; Environment and Climate Change Canada; Science and Technology Branch (STB) / Atmospheric Science and Technology Directorate (ASTD) / Climate Research Division (CRD), [email protected]
Courriel du point de contact Courriel à utiliser pour l’accès ?
Éditeur Éditeur du jeu de données.
Courriel de l’éditeur Adresse courriel de l’éditeur.	[email protected]
Auteur Auteur du jeu de données.
Courriel de l'auteur Adresse courriel de l’auteur.
Date d’accès Date à laquelle les données et métadonnées ont été consultées.

Champ	Valeur
Identifiant Identifiant unique du jeu de données.
Langue Langue(s) du jeu de données
Lien vers la description du jeu de données Une URL vers un document externe décrivant le jeu de données.
Identifiant persistant Les données sont identifiées par un identifiant persistant.
Identifiant globalement unique Les données sont identifiées par un identifiant persistant et globalement unique.
Contient des données sur des individus Le jeu de données contient-il des données sur des individus ?
Contient des données identifiables sur des individus Le jeu de données contient-il des données identifiables sur des individus ?
Contient des données autochtones Le jeu de données contient-il des données sur des communautés autochtones ?
Type de portail Type de plateforme du portail source.

Champ	Valeur
Version Version du jeu de données	None
Source Source du jeu de données.	None
Notes de version Notes de version à propos du jeu de données.
Est une version d’un autre jeu de données Lien vers le jeu de données dont celui-ci est une version.
Autres versions Lien vers les jeux de données qui en sont des versions.
Texte de provenance Texte de provenance des données.
URL de provenance URL de provenance des données.
Résolution temporelle Décrit la granularité des données temporelles dans le jeu de données.
Résolution géospatiale en mètres Décrit la granularité (en mètres) des données géospatiales dans le jeu de données.
Résolution géospatiale (par régions) Décrit la granularité (par régions) des données géospatiales dans le jeu de données.

Champ	Valeur
Permission de la communauté autochtone Qui détient la permission de la communauté autochtone. Qui contacter pour l’accès à un jeu de données concernant des communautés autochtones.
Permission communautaire Permission communautaire (qui a accordé la permission).
Les communautés autochtones concernées par le jeu de données Communautés autochtones dont sont issues les données.

Champ	Valeur
Nombre de lignes de données Pour un jeu de données tabulaire, nombre total de lignes.
Nombre de colonnes de données Pour un jeu de données tabulaire, nombre total de colonnes uniques.
Nombre de cellules de données Pour un jeu de données tabulaire, nombre total de cellules contenant des données.
Nombre de relations de données Pour un jeu de données RDF, nombre total de triplets.
Nombre d’entités Pour un jeu de données RDF, nombre total d’entités.
Nombre de propriétés de données Pour un jeu de données RDF, nombre total de propriétés uniques utilisées par les triplets.
Qualité des données Décrit la qualité des données du jeu de données.
Métrique de qualité des données Une métrique utilisée pour mesurer la qualité des données, telle que les valeurs manquantes ou les formats invalides.

Please login or register to comment.