本文档属于类型a，即报告了一项原创性研究。以下是基于文档内容的学术报告：
本研究由Adrià Fontrodona-Bach、Bettina Schaefli、Ross Woods、Adriaan J. Teuling和Joshua R. Larsen共同完成。主要作者Adrià Fontrodona-Bach来自英国伯明翰大学地理、地球与环境科学学院，其他作者分别来自瑞士伯尔尼大学、英国布里斯托大学、荷兰瓦赫宁根大学与研究中心。该研究于2023年6月23日发表在期刊《earth syst. sci. data》上，题为《nh-swe: northern hemisphere snow water equivalent dataset based on in situ snow depth time series》。
本研究的主要科学领域为水文气象学与气候变化研究。随着全球气候变暖，冰雪圈（cryosphere）的变化成为最显著的影响之一，尤其是积雪覆盖的变化对高纬度和高海拔地区的水文缓冲作用至关重要。积雪通过季节性储存和融雪释放水资源，对全球气候系统（如雪-反照率反馈）也有重要影响。然而，现有的地面观测积雪水当量（snow water equivalent, SWE）数据稀缺，遥感与气候再分析数据的空间分辨率不足以捕捉地面积雪的高空间变异性。因此，本研究旨在通过长期地面积雪深度观测结合模型，填补这一观测空白，提供一个新的北半球积雪水当量数据集（nh-swe）。
研究使用了北半球11,071个站点的积雪深度（snow depth, HS）时间序列数据，时间跨度为1950年至2022年。数据来源包括欧洲气候评估与数据集（ECA&D）、芬兰气象研究所（FMI）、俄罗斯水文气象信息研究所（RIHMI-WDC）等。研究将这些站点的积雪深度数据通过1snow模型（Winkler et al., 2021）转换为积雪水当量（SWE）。1snow模型能够基于积雪深度的时间演变，通过积雪层的积累、压实和融化过程，准确估算SWE。
研究首先使用美国西部积雪遥测网络（SNOTEL）的812个站点数据对1snow模型进行校准。通过拉丁超立方采样（Latin hypercube sampling）生成1,000组参数集，优化了模型中的两个关键参数：新雪密度（ρ0）和最大积雪密度（ρmax）。随后，研究使用气候变量（如冬季大气水汽压、最大积雪深度等）对这两个参数进行区域化，以提高模型在不同气候条件下的适用性。
研究使用加拿大（CANSWE）、瑞士（GCOS-CH）、俄罗斯（RIHMI-WDC）等地的独立数据集对区域化后的1snow模型进行了评估。评估指标包括每日SWE的均方根误差（RMSE）、峰值SWE的相对偏差、融雪开始时间偏差等。结果表明，区域化后的模型在捕捉SWE动态（如峰值SWE、总融雪量和融雪季节持续时间）方面表现出色，尤其是在北半球不同气候条件下的适用性。
最终生成的数据集（nh-swe）包含11,071个站点的每日SWE时间序列，时间跨度为1950年至2022年。数据集覆盖了北半球广泛的积雪气候类型，包括许多山区。该数据集可用于气候变化影响分析、水资源评估与管理、遥感积雪数据验证、水文模型构建以及气候模型中的数据同化。
区域化后的1snow模型在每日SWE和峰值SWE的估算中表现出色，均方根误差较低，相对偏差较小。例如，在SNOTEL数据集上，每日SWE的均方根误差为25.0毫米，峰值SWE的相对偏差为1.0%。在加拿大数据集（CANSWE）上，峰值SWE的相对偏差为-11.3%。此外，模型在融雪开始时间的估算中也表现良好，偏差仅为1.45天。
nh-swe数据集覆盖了北半球广泛的积雪气候类型，峰值SWE和积雪持续时间在不同站点间存在显著差异。例如，北美西部、欧洲阿尔卑斯山和斯堪的纳维亚地区的站点通常具有较深的积雪，而加拿大南部和德国等较温暖地区的积雪较浅。数据集中最长的时间序列达73年，最短为1年，中位数为15年。
本研究通过区域化的1snow模型，生成了一个基于地面观测的北半球积雪水当量数据集（nh-swe）。该数据集填补了现有SWE数据的空白，提供了高精度的SWE时间序列，适用于气候变化影响分析、水资源管理、遥感数据验证等多种应用。与基于遥感或气候再分析的数据集相比，nh-swe基于地面观测数据，具有更高的空间分辨率和准确性。
研究还提供了1snow模型的参数化代码，用户可以根据经纬度坐标和最大积雪深度估算模型参数，从而在任意站点上运行1snow模型。此外，数据集的质量控制标志（如填补数据、不合理的积雪密度等）也为用户提供了额外的数据可靠性信息。
通过本研究，研究人员不仅提供了一个高质量的SWE数据集，还为未来积雪研究和水资源管理提供了重要的工具和数据支持。