Статья 'Открытая база данных снегомерных наблюдений на юге Западной Сибири (2011–2021) и ее сравнение с данными стационарных метеонаблюдений и спутникового мониторинга' - журнал 'Арктика и Антарктика' - NotaBene.ru
по
Меню журнала
> Архив номеров > Рубрики > О журнале > Авторы > О журнале > Требования к статьям > Порядок рецензирования статей > Ретракция статей > Этические принципы > Политика открытого доступа > Оплата за публикации в открытом доступе > Online First Pre-Publication > Политика авторских прав и лицензий > Политика цифрового хранения публикации > Политика идентификации статей > Политика проверки на плагиат > Редакционный совет > Редакция
Журналы индексируются
Реквизиты журнала
Публикация за 72 часа - теперь это реальность!
При необходимости издательство предоставляет авторам услугу сверхсрочной полноценной публикации. Уже через 72 часа статья появляется в числе опубликованных на сайте издательства с DOI и номерами страниц.
По первому требованию предоставляем все подтверждающие публикацию документы!
ГЛАВНАЯ > Вернуться к содержанию
Арктика и Антарктика
Правильная ссылка на статью:

Открытая база данных снегомерных наблюдений на юге Западной Сибири (2011–2021) и ее сравнение с данными стационарных метеонаблюдений и спутникового мониторинга

Першин Дмитрий Константинович

кандидат географических наук

младший научный сотрудник, МГУ им. М.В. Ломоносова

119991, Россия, Москва, г. Москва, ул. Ленинские Горы, ГСП-1

Pershin Dmitry Konstantinovich

PhD in Geography

Junior Scientific Associate, M. V. Lomonosov Moscow State University

119991, Russia, Moskva, g. Moscow, ul. Leninskie Gory, GSP-1

dmitrypersh@gmail.com
Лубенец Лилия Федоровна

кандидат географических наук

научный сотрудник, ИВЭП СО РАН

656038, Россия, Алтайский край, г. Барнаул, ул. Молодежная, 1

Lubenets Liliya Fedorovna

PhD in Geography

Scientific Associate, Institute for Water and Environmental Problems of Siberian Branch of the Russian Academy of Sciences

656038, Russia, Altaiskii krai, g. Barnaul, ul. Molodezhnaya, 1

lilia_lubenets@mail.ru
Черных Дмитрий Владимирович

доктор географических наук

главный научный сотрудник, ИВЭП СО РАН

656038, Россия, Алтайский край, г. Барнаул, ул. Молодежная, 1

Chernykh Dmitry Vladimirovich

Doctor of Geography

Chief Scientific Associate, Institute for Water and Environmental Problems of Siberian Branch of the Russian Academy of Sciences

656038, Russia, Altaiskii krai, g. Barnaul, ul. Molodezhnaya, 1

chernykhd@mail.ru
Бирюков Роман Юрьевич

младший научный сотрудник, ИВЭП СО РАН

656038, Россия, Алтайский край, г. Барнаул, ул. Молодежная, 1

Biryukov Roman Yur'evich

Junior Scientific Associate, Institute for Water and Environmental Problems of Siberian Branch of the Russian Academy of Sciences

656038, Russia, Altaiskii krai, g. Barnaul, ul. Molodezhnaya, 1

rubiryukov@mail.ru
Золотов Дмитрий Владимирович

кандидат биологических наук

старший научный сотрудник, ИВЭП СО РАН

656038, Россия, Алтайский край, г. Барнаул, ул. Молодежная, 1

Zolotov Dmitrii Vladimirovich

PhD in Biology

Senior Scientific Associate, Institute for Water and Environmental Problems of Siberian Branch of the Russian Academy of Sciences

656038, Russia, Altaiskii krai, g. Barnaul, ul. Molodezhnaya, 1

dao-poetry@ya.ru

DOI:

10.7256/2453-8922.2021.3.36262

Дата направления статьи в редакцию:

10-08-2021


Дата публикации:

21-08-2021


Аннотация: В работе представлена база данных локальных снегомерных наблюдений по трем речным бассейнам на юге Западной Сибири, рассматриваются методические особенности проведения измерений и производится сравнение полученных данных с наблюдениями на метеостанциях и доступными спутниковыми данными (CGLS SWE). Наблюдения проводились в несколько этапов в течение десяти лет (2011–2021) в небольших речных бассейнах рек Кучук, Касмала и Майма, отражающих переход от Западно-Сибирской равнины к низкогорьям Алтая. Суммарно за все годы было произведено более двадцати пяти тысяч измерений параметров снежного покрова (толщины снега и снегозапасов). База данных снегомерных наблюдений была размещена в открытом доступе. Сравнение со станционными и спутниковыми данными показало как значительные отклонения, так и довольно хорошую согласованность в некоторых водосборных бассейнах. Общая для всех бассейнов среднеквадратическая ошибка снегозапасов по спутниковым данным составила 42,9 мм, что несколько выше заявленной разработчиками продукта (37,4 мм). Ограниченные по временному охвату данные наблюдений на постоянных маршрутах метеостанций показали среднеквадратичную ошибку снегозапасов в среднем 43,5 мм. В течение зимнего периода среднеквадратическая ошибка спутниковых данных постепенно увеличивалась к периоду максимума аккумуляции снега во всех водосборных бассейнах. Кроме этого, ошибки спутниковых данных не зависели от снежности зимнего периода и скорее всего связаны с параметрами микроструктуры снежной толщи в отдельные сезоны.


Ключевые слова: снегозапасы, толщина снежного покрова, снегомерные съемки, плотность снега, база данных, Алтай, Касмала, Майма, Кучук, речной бассейн

Снегомерные наблюдения до 2019 г. и их обработка выполнялись в рамках государственного задания Института водных и экологических проблем СО РАН (№ 1021032422891-7). Формирование базы данных и проведение наблюдений после 2020 г. было проведено при финансовой поддержке Российского фонда фундаментальных исследований (проект № 19-35-60006).

Abstract: This article provides a database of the local snow-measuring observations for three river basins in the south of Western Siberia, reviews the methodological peculiarities of the conduct of measurements, and compares the acquired data with the observations at weather stations and available satellite data (CGLS SWE). Observations were carried out in several stages over the period of ten years (2011-2021) in small river basins of Kuchuk, Kasmala, and Mayma Rivers, and reflect the transition from the West Siberian Plain to the Altai lowlands. Total of 25,000 measurements of the parameters of snow deposits (snow mass and snow storage) were made over the years. The database of snow measuring observations is accessible to public. The comparison with station and satellite data indicated significant variances, but also fairly good coherence in some reservoir basins. According to satellite data, the common to basins mean squared error of snow storages was 42.9 mm, which is slightly higher than the claimed by the product engineers (37.4 mm). The time-limited observation data on the permanent routes of weather stations demonstrated the mean squared error of snow storages of 43.5 mm. In winter period, the mean squared error of satellite data gradually increased to the period of maximum accumulation of snow in reservoir basins. Moreover, the errors of satellite data did not depend on the snowiness of the winter period; and most likely, are associated with the parameters of microstructure of the snow mass in separate seasons.



Keywords:

Kasmala, Altai, database, snow density, snow surveys, snow depth, snow water equivalent, Mayma, Kuchuck, river basin

Введение

Сезонный снежный покров играет ключевую роль в формировании речного стока в умеренных и арктических широтах, а также горных областях [1]. Режим залегания снежного покрова непосредственно влияет на множество климатических и экологических процессов. Кроме этого, со снежным покровом напрямую связаны такие опасные природные явления как наводнения в период снеготаяния и лавины [2-5]. Однако, получение надежных данных о характеристиках снежного покрова остается весьма сложной задачей. Все существующие методы получения информации о параметрах снежного покрова (наземные, дистанционные и модельные) содержат в себе ряд ограничений и неточностей.

Во многом ограниченность каждого из методов обусловлена изменчивостью характеристик снежного покрова во множестве пространственных и временных масштабов [6].

Различные типы наземных наблюдений за снежным покровом остаются основным источником информации о его физических характеристиках, которые в дальнейшем используются при оценках точности данных моделирования и дистанционного зондирования [8-7]. Несмотря на чрезвычайно быстрое развитие методов лазерного сканирования [9-10] для получения первичной информации (т.н. ground truth), наземные in situ наблюдения все еще обладают преимуществом во временном разрешении (возможности суточного мониторинга), относительной доступности и возможности непосредственного измерения снегозапасов (водного эквивалента снежного покрова, SWE).

Наблюдения за снежным покровом на метеостанциях России являются важнейшим и, фактически, единственным источником информации о снежном покрове и его основных характеристиках [11]. Методика наблюдений и расположение постоянной снегомерной рейки и постоянного снегомерного маршрута регулируется методическими Наставлениями [12]. В общем виде расположение как рейки, так и маршрута должно быть характерным для окрестностей станции и в случае с постоянной рейкой защищено от ветра. Однако выбор репрезентативных участков – это дискуссионный вопрос. Наблюдения в определенной точке могут существенно отличаться от средних значений даже в небольших бассейнах, а участки, на которых значения близки к среднему расположены весьма случайным образом и трудноопределимы априори [13-14]. Таким образом наблюдения за снежным покровом на метеостанциях в определенной степени представляют собой точечную оценку, которая репрезентативна лишь в некотором пространственном масштабе, который в большинстве случаев не известен.

Данные локальных снегомерных наблюдений часто не имеют такой продолжительности и полноты как стационарные наблюдения. Однако они могли бы служить альтернативным источником информации при оценке точности конкретных маршрутов, региональной верификации модельных данных, данных дистанционного зондирования и других задач. Это особенно актуально с учетом быстрого развития методов ассимиляции данных в исследованиях снежного покрова [15]. Данные локальных снегомерных наблюдений собираются отдельными научными коллективами, региональными службами экологического мониторинга и сотрудниками особо охраняемых природных территорий (например, [16]). К сожалению, в большинстве случаев такие данные недоступны широкому кругу исследователей. Для территории России есть всего несколько примеров баз данных локальных снегомерных наблюдений, размещенных в открытом доступе [17-21].

В рамках данной работы мы представляем базу данных локальных снегомерных наблюдений по трем речным бассейнам на юге Западной Сибири, рассматриваем методические особенности проведения измерений и анализируем взаимосвязь полученных данных с наблюдениями на метеостанциях и доступными спутниковыми данными (CGLS SWE). Работы по формированию базы данных проводились в два этапа в течение десяти лет (2011–2021). База данных размещена в открытом доступе [22].

Территория исследования

Наблюдения проводились в трех речных бассейнах – Касмала, Майма и Кучук. Территориально расположение бассейнов отражает переход от Кулундинской равнины через Приобское плато к низкогорьям Алтая (рис. 1). Территория исследования охватывает диапазон абсолютных высот от 97 до 1471,4 м и размах годовых сумм атмосферных осадков в среднем от 337 до 729 мм.

Рис. 1. Карта-схема расположения исследуемых бассейнов на юге Западной Сибири (Топооснова: Bing Maps, OSM)

Бассейн р. Кучук (рис. 2а), относящемуся к бессточной области Обь-Иртышского междуречья. Территория бассейна охватывает Кулундинскую равнину и частично пологие северные склоны Приобского плато. Бассейн расположен в подзонах засушливой и сухой степи или сухой субгумидной зоне [23-24]. Бассейн р. Касмала (в работе используется часть бассейна, ограниченная гидропостом Касмала–Рогозиха, рис. 2б) расположен в подзоне южной лесостепи [23] и относится к субгумидной зоне [24]. Бассейн является репрезентативным для территории Приобского плато, на котором долины рек зачастую наследуют ложбины древнего стока [25]. Бассейн р. Майма (рис. 2в) расположен в пределах низкогорий северного Алтая и включает в себя участки лесостепных, подтаежных и таежных ландшафтов [26].

Рис. 2. Схема расположения снегомерных маршрутов, площадок и метеостанций в исследуемых бассейнах. а) бассейн р. Кучук; б) бассейн р. Касмала; в) бассейн р. Майма; 1 – населенные пункты; 2 – реки; 3 – снегомерные маршруты и площадки; 4 – метеорологические станции; 5 – границы речных бассейнов; 6 – леса; 7 – озера, 8 – покрытие пикселей CGLS SWE. (Топооснова: OSM)

В работе были использованы данные метеостанций Ребриха (бассейн Касмалы), Родино (бассейн Кучука) и Кызыл-Озек (бассейн Маймы). Содержание и доступность данных снегомерных наблюдений были весьма неоднородны. Архив данных маршрутных снегомерных съёмок по метеостанции Ребриха доступен в базе данных [27], однако после 2014 г. съёмки на станции были прекращены. На метеостанции Кызыл-Озек маршрутные снегомерные съёмки проводятся, но данные не представлены в открытом доступе. Только по метеостанции Родино данные снегомерных съёмок в полной мере представлены в базе ВНИИГМИ-МЦД и это массив обновляется.

Методы исследования

Первый блок наблюдений проводился в бассейне Касмалы в 2011–2014 гг. и 2017–2019 гг., а в бассейне Маймы в 2015–2019 гг. Исследования проводились в период максимальной аккумуляции снега (конец февраля – середина марта). Наблюдения в бассейне Маймы производились раньше ввиду более раннего начала снеготаяния на южных склонах.

В рамках первого блока наблюдений исследования проводились по снегомерным маршрутам и снегомерным площадкам. Расположения маршрутов и площадок выбиралось исходя из представленности основных элементов ландшафтной структуры территории (в том числе антропогенных модификаций) и транспортной доступности для проведения наблюдений в течение 4–5 дней. При формировании методики измерений мы опирались на Наставления метеорологическим станциям и постам [12] и Руководство по снегомерным работам в горах [28]. Расстояние между точками измерений толщины снежного покрова на маршрутах составляло 20 метров. Плотность измерялась через каждые 100/200 метров весовым снегомером ВС-43. Снегомерная площадка представляла собой два перпендикулярных трансекта по 10 измерений толщины снежного покрова по каждой стороне через 5, реже 2 метра (на крутых слонах, и других сложных для измерений участках). Плотность снежного покрова определялась в пяти точках. В бассейне Касмалы было заложено 9 постоянных маршрутов. В бассейне Маймы максимально было обследовано 9 маршрутов и около 40 снегомерных площадок. В различные годы количество маршрутов и площадок в бассейне Маймы отличалось, в основном ввиду внешних факторов (вырубки, строительные работы, транспортная недоступность). Точное количество произведенных измерений по годам представлено в таблице 1.

Таблица 1. Количество измерений по годам наблюдений и метеорологические характеристики зимних периодов (составлено с использованием данных [27])

Период наблюдений

Кол-во маршрутов/площадок

Кол-во измерений толщины/плотности снега

Сумма осадков ноябрь–март, мм

Средняя температура воздуха ноябрь–март, оC

Касмала

2011

7/-

629/19

107,4

-13,5

2012

9/-

698/77

49,7

-15,2

2013

9/-

565/78

135,0

-13,5

2014

9/-

565/78

108,0

-9,5

2017

9/-

606/78

–**

–**

2018

9/-

610/84

75,2

-12,8

2019

9/-

605/83

66,2

-12,5

2019/2020

-/31*

2867/613

108,0

-8,2

2020/2021

-/31*

2867/613

–**

–**

Майма

2015

9/-

337/77

156,0

-8,7

2016

7/29

844/198

128,0

-6,9

2017

5/29

734/170

180,0

-9,3

2018

5/40

992/229

171,0

-10,0

2019

5/52

1151/297

101,0

-10,3

2019/2020

-/30*

3294/702

222,0

-6,8

2020/2021

-/30*

3294/702

–**

–**

Кучук

2019/2020

-/31*

2620/558

79,0

-7,6

2020/2021

-/31*

2620/558

–**

–**

* схема проведения наблюдений в зимний период 2019–2020 и 2020–2021 гг. была изменена, в связи с этим количество площадок уменьшилось; ** данные недоступны или отсутствуют

Для проведения второго блока исследований начиная с зимнего периода 2019–2020 мы изменили методику наблюдений. Ввиду того, что основная цель работ заключалась в выявлении влияния факторов ландшафтной структуры разных уровней на параметры снегонакопления, нам было необходимо получение достоверных средних значений параметров снежного покрова для конкретных природных комплексов. Каждое отдельное измерение на маршруте слабо репрезентативно для окружающей территории ввиду влияния локальных факторов [29], соответственно маршрутный метод мало подходил для указанной цели. Ранее было показано [14], что вклад случайных факторов в изменчивость параметров снежного покрова может быть очень существенным на участках менее 100 м и, например превышать вклад растительности. В работе [14] было рекомендовано проводить от 54 измерений для каждого интересующего участка. Кроме этого, толщина снежного покрова очень часто пространственно автокоррелирована, что также может оказывать влияние на оценку средних значений. Увеличение расстояний между измерениями (более 1 метра) может помочь снизить ошибку измерений при высоких значениях пространственной автокорреляции [30]. Учитывая данные факторы, мы проводили все измерения на снегомерных площадках, представляющих собой два перпендикулярных трансекта длиной 60 метров, с интервалом измерений 2 метра. Суммарно одна площадка включала 61 измерение толщины и 13 измерений плотности снега. Данная схема была предложена в работе [31].

Расположение точек наблюдений выбиралось исходя из представленности основных элементов ландшафтной структуры, а также стратификации бассейнов по уклонам и экспозициям склонов, типам растительности и высотным уровням (рис. 3). Всего в бассейне Касмалы была выбрана 31 точка, в бассейне Маймы 30 точек и в бассейне Кучука 31 точка. Отметим, что в бассейне Кучука не все точки непосредственно относятся к водосборному бассейну (см. рис. 2в). Для этой территории характерно наличие множества локальных бессточных понижений, ложбин стока, которые непосредственно не связаны с бассейном, однако весьма типичны и заслуживают изучения.

Рис. 3. Распределение точек наблюдений (2011–2021) по абсолютным высотам и экспозициям склонов в бассейнах Касмалы, Кучука и Маймы

Исследования второго этапа по трем бассейнам проводились в течение всего зимнего периода 2019–2020 и 2020–2021 гг., такой же режим наблюдений сохранится до 2022 г. С ноября по середину февраля раз в месяц обследовались три точки в бассейне Кучука, четыре точки в бассейне Касмалы и шесть точек в бассейне Маймы. Данные участки представляют собой доминирующие типы природных комплексов для каждого из бассейнов, а также различные высотные и геоморфологические уровни. Начиная с 25 февраля по 14 марта в период максимального снегонакопления были обследованы все участки в пределах трех бассейнов.

За период проведения наблюдений условия увлажнения существенно менялись год от года (см. табл. 1). Наблюдениями был охвачен большой диапазон условий от многоснежных до малоснежных зимних периодов.

Данные наблюдений в речных бассейнах сравнивались с данными измерений по постоянным снегомерным маршрутам метеостанций и данными открытого сервиса CGLS SWE [32] от европейской программы The Copernicus Global Land Service (CGLS). Алгоритм получения снегозапасов (snow water equivalent, SWE) включает в себя комбинацию спутниковой информации с микроволнового радиометра (SSMIS), оптического спектрометра и данных наземных измерений толщины снега на метеостанциях. Данные предоставляются с суточным разрешением для Северного полушария. В продукте CGLS SWE применяется методология получения данных, разработанная [33], уточненная и подробно описанная в работе [34]. База данных охватывает все участки поверхности суши между широтами 35ºN-85ºN, за исключением высокогорных районов и Гренландии.

Основными параметрами снежного покрова для сравнения были снегозапасы. Были рассчитаны значения среднеквадратичной ошибки (root mean square error, RMSE) между данными наблюдений авторов, наблюдениями на метеостанциях и данными продукта CGLS SWE. Были использованы значения снегозапасов непосредственно в день проведения наблюдений, либо было использовано среднее значение за период проведения снегомерных работ в каждом бассейне. Для каждой из точек наблюдений использовалось значение пиксела CGLS SWE в который эта точка попадает. Обработка данных и формирование базы данных производилось в среде R (https://www.r-project.org/).

Результаты и обсуждение

Доступ к данным. Данные размещены на репозитории Mendeley data: http://dx.doi.org/10.17632/8f4ky92by9.2 [22]

Данные содержат три файла в формате csv с данными по бассейну Касмалы (Kasmala_database_2011_2019.csv), Маймы (Mayma_database_2015_2019.csv) и наблюдениями в бассейнах Кучука, Касмалы и Маймы в 2019/2020 гг. (3S_database_2019_2021.csv). Также размещен набор shp-файлов с расположением точек наблюдений за каждый год. В рамках второго блока работ точки наблюдений будут постоянны до 2022 г.

Практически каждая точка наблюдений имеет GPS координаты (колонки Latitude, Longitude) и отметку высоты над уровнем моря (Elevation), полученную из цифровой модели рельефа SRTM. Исключения составляют отдельные точки в бассейне Маймы, которые не имеют координат из-за технических ошибок GPS. Однако такие маршруты как правило представлены начальной и конечной точкой с координатами.

В процессе работы каждой точке при фиксации местоположения по GPS задавался индекс (Point_index). Индексация точек отличается год от года, также как и количество точек не полностью эквивалентно. Для агрегирования (расчетов средних и медианных значений) мы советуем использовать номера маршрутов и площадок (Snow_course). В бассейне Касмалы маршруты нумеруются от 1 до 9. В бассейне Маймы маршруты имеют номера от 1 до 10, площадки от 110 до 154. В данных 2019/2020 гг. площадки имеют индекс (Point_name), состоящий из номера и индекса бассейна (например K-9). Бассейн Кучука имеет индекс KH, Касмалы – K, Майма – M.

Поле даты (Date) указывает на дату проведения измерений. В данных по бассейну Маймы поле даты заменено на поле Год (Year) ввиду того, что из-за ошибок GPS не всегда верно была зафиксирована дата и данные были унифицированы только по году наблюдений.

Толщина снега (Depth) измерялась в сантиметрах. Плотность снежного покрова (Density) приводится в кг/м3 согласно Международной классификации сезонного снежного покрова [35]. Снегозапас или водный эквивалент снежного покрова (SWE) рассчитывался в мм слоя воды. Для данных 2019/2020 гг. снегозапасы рассчитаны для каждого измерения толщины снега с учетом средней плотности по снегомерной площадке.

Сравнение с данными спутниковых и стационарных наблюдений. Межгодовые различия между данными наблюдений авторов и наблюдениями на маршрутах метеостанций во многом зависят от расположения постоянного маршрута метеостанции. Так в бассейне Касмалы измерения на постоянном маршруте (доступны до 2014 г.) стабильно занижали значения снегозапасов относительно медианных значений по данным наблюдений авторов (рис. 4а). В бассейне Кучука в 2020 г. согласованность была данных существенно выше (рис. 4б). Различия между наблюдениями авторов и спутниковыми данными во всех трех бассейнах были существенно более неоднородны. Уровень значений снегозапасов по данным CGLS SWE мог быть как выше, так и ниже медианных значений снегозапасов по данным локальных наблюдений в бассейнах. При этом отклонения практически не завесили от снежности года. Например, в относительно схожих по увлажнению 2016 и 2018 гг. в бассейне Маймы (рис. 4в) различия в значениях снегозапасов по спутниковым данным были около 50 мм. В целом изменчивость снегозапасов по спутниковым данным была ниже фактической межгодовой изменчивости по всем бассейнам. По всей видимости, неоднородности во многом зависят от микроструктуры снежной толщи в конкретный зимний период.

Рис. 4. Распределение значений снегозапасов в бассейнах Касмалы (а), Кучука (б) и Маймы (в) по данным наблюдений в период максимума снегонакопления (февраль–март). 1–снегозапасы на постоянном снегомерном маршруте метеостанции; 2 –значения снегозапасов по данным CGLS SWE; 3 – нижний и верхний края «ящика» обозначают первый и третий квартили соответственно, центральная линия обозначает медиану, «усы» соответствуют полутора межквартильным размахам, измерения, выходящие за данный интервал отмечены как выбросы (черные точки).

Среднеквадратичная ошибка снегозапасов по спутниковым данным составила 42,9 мм за все годы по трем бассейнам. Это несколько выше, чем заявлено авторами продукта (37,4 мм), однако вполне сравнимо с ошибкой относительно маршрутов метеостанций (43,5 мм). Заметим, что мы все же не можем делать полноценного сравнения из-за частичной недоступности данных стационарных метеонаблюдений.

Межгодовая изменчивость среднеквадратичных ошибок снегозапасов была достаточно высокой (табл. 2). В среднем по бассейну Кучука ошибка снегозапасов по спутниковым данным составила 52,4 мм, по бассейну Касмалы 41,8 мм и по бассейну Маймы 41,2 мм. Безусловно наиболее низкие значения ошибок были отмечены в малоснежные годы, когда общий диапазон изменчивости снегозапасов в бассейнах был ниже. Таким примером может служить 2012 г. в бассейне Касмалы (среднеквадратичная ошибка как по метеостанции, так и по спутниковым данным около 20 мм). Кроме этого, более высокая изменчивость снегозапасов в бассейне Кучука обуславливала и более высокие значения среднеквадратичных ошибок.

Таблица 2. Среднеквадратичная ошибка снегозапасов (мм) по спутниковым данным CGLS SWE и наблюдениям на постоянном снегомерном маршруте метеостанций относительно данных локальных наблюдений в бассейнах Касмалы, Маймы и Кучука в период максимума снегонакопления (февраль–март)

Год наблюдений

Среднеквадратичная ошибка, мм

Спутниковые данные CGLS SWE

Маршрут метеостанции

Касмала

2011

36,1

42,4

2012

20,8

22,6

2013

75,3

53,5

2014

32,9

31,0

2017

2018

38,6

2019

40,4

2020

45,9

2021

44,0

Майма

2015

45,3

2016

55,3

2017

2018

28,8

2019

25,5

2020

31,6

2021

60,7

Кучук

2020

69,6

68,0

2021

35,3

* прочерк означает, что наблюдения недоступны, либо не проводились

Изменчивость снегозапасов по природным комплексам внутри изучаемых бассейнов характеризуется значительной неоднородностью (рис. 5). В равнинных бассейнах Касмалы и Кучука наибольшая изменчивость снегозапасов характерна для лиственных лесов (колочные и балочные березовые и осиновые леса), что вносит свой вклад в общую изменчивость снегозапасов в бассейнах. В бассейне Касмалы средние значения снегозапасов по данным CGLS были значительно ниже медианных значений по всем природным комплексам за исключением речных долин (рис. 5 а,б). В бассейне Кучука, напротив, данные CGLS завышают значения снегозапасов относительно медианных уровней по всем природным комплексам, кроме лиственных лесов (рис. 5 в,г). Характер распределения значений снегозапасов по природным комплексам в бассейне Маймы был более стабильным – практически отсутствуют выбросы и экстремальные отклонения (рис 5 д,е). Несмотря на эту стабильность, снегозапасы по спутниковым данным CGLS были как близки к медианным по большинству природных комплексов в 2020 г., так и могли существенно отличаться, как в 2021 г. Подобный разброс значений снегозапасов по данным CGLS скорее всего также зависит от особенностей микроструктуры снежной толщи.

Рис. 5. Распределение значений снегозапасов по природным комплексам в бассейнах Касмалы (а,б), Кучука (в,г) и Маймы (д,е) по данным наблюдений в период максимума снегонакопления (февраль–март 2020, 2021). 1 – открытые луга, степи и с/х угодья; 2 – хвойные леса; 3 – лиственные леса; 4 – долинные сообщества; 5 – среднее значение снегозапасов по данным CGLS SWE. Нижний и верхний края «ящиков» обозначают первый и третий квартили соответственно, центральная линия обозначает медиану, «усы» соответствуют полутора межквартильным размахам, измерения, выходящие за данный интервал отмечены как выбросы (черные точки).

Внутри зимнего периода изменчивость среднеквадратичных ошибок снегозапасов также была достаточно высокой. В целом, в начале зимнего периода (ноябре–декабре) значения снегозапасов по данным CGLS SWE превышали фактические во всех бассейнах (рис. 6). По мере накопления снежного покрова и увеличения дифференциации происходил рост среднеквадратичной ошибки.

Рис. 6 Средние значения и размах варьирования снегозапасов по данным наблюдений в бассейнах Касмалы, Кучука и Маймы в течение зимних периодов 2019–2020 (а) и 2020–2021 (б), а также среднеквадратичные ошибки оценки снегозапасов по спутниковым данным (СКО CGLS SWE). 1 – средний уровень значений по данным локальных наблюдений (центральная точка обозначают среднее значение, размах показан через плюс/минус одно стандартное отклонение); 2 – среднее значение снегозапасов по данным CGLS SWE

В целом даже на примере трех бассейнов сложно выявить определенные закономерности в соотношениях между различными источниками данных о снежном покрове. Ввиду этого априорный выбор репрезентативного местоположения одного конкретного маршрута или станции весьма сложен [13]. Хотя определенная корректировка на основе многолетних рядов наблюдений и на достаточно больших территориях возможна [36].

Выводы

Рассмотренная в статье база данных снегомерных наблюдений в бассейнах рек Касмалы, Маймы и Кучука это первый этап проекта по детальному изучению факторов пространственной дифференциации сезонного снежного покрова на юге Западной Сибири. Мы полагаем что эти данные позволят несколько расширить представление о характеристиках снежного покрова региона и послужить дополнительным источником информации при верификации модельных и дистанционных данных о снежном покрове, а также гидрологическом моделировании. В работе было показано, что данные локальных наблюдений могут быть полезным инструментом при выявлении различий либо согласованности между доступными данными о характеристиках снежного покрова. При сравнении с данными метеостанций и спутниковыми данными (CGLS SWE) выявлены как существенные различия при характеристике пространственной изменчивости, так и в целом неплохая согласованность в отдельные годы. Общая для всех бассейнов среднеквадратическая ошибка снегозапасов по спутниковым данным составила 42,9 мм, что несколько выше заявленной разработчиками продукта (37,4 мм). Ограниченные по временному охвату данные наблюдений на постоянных маршрутах метеостанций показали среднеквадратичную ошибку снегозапасов в среднем 43,5 мм. В течение зимнего периода среднеквадратическая ошибка спутниковых данных постепенно увеличивалась к периоду максимума аккумуляции во всех водосборных бассейнах. Кроме этого, ошибки спутниковых данных не зависели от снежности зимнего периода и скорее всего связаны с параметрами микроструктуры снежной толщи в отдельные сезоны. Мы полагаем, что в условиях чрезвычайной неустойчивости климатических тенденций, открытость данных может способствовать качественному росту исследований в области изучения снежного покрова. На сегодняшний день ограниченность систем мониторинга, недоступность оперативных данных существенно сдерживают исследования снежного покрова, которые являются чрезвычайно важной сферой исследований для территории России.

Библиография
1.
Strum M., Goldstein M. A., Parr C. Water and Life from Snow: A Trillion Dollar Science Question // Water Resources Research. 2017. Vol. 53. P. 3534–3544. doi: 10.1002/2017WR020840.
2.
Sui J., Koehler G. Rain-on-snow induced flood events in southern Germany // J. Hydrol. 2001. Vol. 252. P. 205–220. doi: 10.1016/S0022-1694(01)00460-7
3.
Viviroli D., Archer D.R., Buytaert W., Fowler H.J., Greenwood G.B., Hamlet A. F., Huang Y., Koboltschnig G., Litaor M.I., López-Moreno J.I., Lorentz S., Schädler B., Schreier H., Schwaiger K., Vuille M., Woods R. Climate change and mountain water resources: overview and recommendations for research, management and policy // Hydrol. Earth Syst. Sci. 2011. Vol. 15. P. 471–504. doi: 10.5194/hess-15-471-2011.
4.
Finger D., Heinrich G., Gobiet A., Bauder A. Projections of future water resources and their uncertainty in a glacierized catchment in the Swiss Alps and the subsequent effects on hydropower production during the 21st century // Water Resour. Res. 2012. Vol. 48:W02521. doi: 10.1029/2011WR010733
5.
Freudiger D., Kohn I., Stahl K., Weiler M. Large-scale analysis of changing frequencies of rain-on-snow events with flood-generation potential // Hydrol. Earth Syst. Sci. 2014. Vol. 18. P. 2695–2709. doi: 10.5194/hess-18-2695-2014
6.
Атлас снежно-ледовых ресурсов мира / гл. ред. В.М. Котляков. т. II кн. 1. М. Институт географии РАН, 1997. 264 с.
7.
Vionnet V., Brun E., Morin S., Boone A., Faroux S., Le Moigne P., Martin E., Willemet J.-M. The detailed snowpack scheme Crocus and its implementation in SURFEX v7.2 // Geosci. Model Dev. 2012. Vol. 5. P 773–791. doi: 10.5194/gmd-5-773-2012.
8.
Krinner G., Derksen C., Essery R., Flanner M., Hagemann S., Clark M., et al. ESM-snowmip: assessing snow models and quantifying snow-related climate feedbacks // Geosci. Model Dev. 2018. Vol. 11. P. 5027–5049. doi: 10.5194/gmd-11-5027-2018
9.
Бойко Е.С., Погорелов А.В. Применение лазерного сканирования в исследованиях рельефа и снежного покрова. Морфометрический аспект. Новосибирск: Академическое изд-во «Гео», 2012 147 с.
10.
Deems J. S., Painter T.H., Finnegan D.C. Lidar measurement of snow depth: a review // J. Glaciol. 2013. Vol. 59. P. 467–479. doi: 10.3189/2013JoG12J154.
11.
Булыгина О.Н., Коршунова Н.Н., Разуваев В.Н. Мониторинг снежного покрова на территории Российской Федерации // Труды Гидрометцентра России. 2017. Вып. 366. С. 87–96.
12.
Наставление гидрометеорологическим станциям и постам. Л.: Гидрометеоиздат, 1985. Вып. 3. Ч. 1. 300 с.
13.
Grünewald T., Lehning M. Are flat‐field snow depth measurements representative? A comparison of selected index sites with areal snow depth measurements at the small catchment scale // Hydrol. Process. 2015. Vol. 29. P. 1717–1728. doi: 10.1002/hyp.10295.
14.
Watson F.G.R., Anderson T.N., Newman W.B., Alexander S.E., Garrott R.A. Optimal Sampling Schemes for Estimating Mean Snow Water Equivalents in Stratified Heterogeneous Landscapes // Journal of Hydrology. 2006. Vol. 328. Iss. 3–4. P. 432–452. doi: 10.1016/j.jhydrol.2005.12.032.
15.
Largeron C., Dumont M., Morin S., Boone A., Lafaysse M., Metref S., Cosme E., Jonas T., Winstral A., Margulis S.A. Toward Snow Cover Estimation in Mountainous Areas Using Modern Data Assimilation Methods: A Review // Frontiers in Earth Science. 2020. Vol. 8. doi:10.3389/feart.2020.00325.
16.
Китаев Л.М., Желтухин А.С., Коробов Е.Д., Аблеева В.А. Снежный покров: особенности локального распределения в лесных массивах как возможный источник погрешностей спутниковых данных // Известия РАН. Серия географическая. 2020. Т. 84, № 6. С. 855–863. doi: 10.31857/S2587556620060072.
17.
Cable W.L, Tautz F., Schreiber P., Martin J., Lange S., Boike J. Lena Delta 2019 Magnetic Snow Depth Probe data // PANGAEA. 2020. doi: 10.1594/PANGAEA.920716.
18.
Boike J., Kattenstroth B., Abramova K., Bornemann N., Chetverova A., Fedorova I., Fröb K., Grigoriev M.N., Grüber M., Kutzbach L., Langer M., Minke M., Muster S., Piel K., Pfeiffer E.-M. Stoof G., Westermann S., Wischnewski K., Wille C., Hubberten H.-W. Baseline characteristics of climate, permafrost, and land cover from Samoylov Island, Lena River Delta, Siberia // PANGAEA. 2013. doi: 10.1594/PANGAEA.806233.
19.
Makarieva O., Nesterova N., Lebedeva, L., Sushansky S. Snow survey time series at different sites within Kolyma Water-Balance Station (KWBS), 1950-1997 // PANGAEA. 2017. doi: 10.1594/PANGAEA.881786.
20.
Makarieva O., Nesterova N., Lebedeva, L., Sushansky S. Snow survey line characteristics within Kolyma Water-Balance Station (KWBS), 1959-1997 // PANGAEA. 2017. doi: 10.1594/PANGAEA.881791.
21.
Makarieva O., Nesterova N., Lebedeva, L., Sushansky S. Thaw depth and snow height time series at different sites within Kolyma Water-Balance Station (KWBS), 1954-1997 // PANGAEA. 2017. doi: 10.1594/PANGAEA.881754.
22.
Pershin D., Chernykh D., Lubenets L., Biryukov R., Zolotov D. Snow surveys in the south of the Western Siberia (Russia) // Mendeley Data. 2020. v2. doi: /10.17632/8f4ky92by9.2.
23.
Алтайский край. Атлас. М.-Барнаул, 1978. Т.1. 222 с.
24.
Золотокрылин А.Н., Черенкова Е.А., Титкова Т.Б. Биоклиматическая субгумидная зона на равнинах России: засухи, опустынивание/деградация // Аридные экосистемы. 2018. Т. 24. № 1 (74). С. 13–20.
25.
Золотов Д.В., Черных Д.В. Репрезентативность модельного бассейна р. Касмалы для сравнительных ландшафтно-гидрологических исследований на Приобском плато // Изв. АлтГУ. Сер. биол. науки, науки о Земле, химия. 2014. № 3/1 (83). С. 133–138.
26.
Лубенец Л.Ф., Черных Д.В. Ландшафтное картографирование бассейна р. Майма (Русский Алтай) // Геодезия и картография. 2018. Т. 79. № 11. С. 15–24. doi: 10.22389/0016-7126-2018-941-11-15-24.
27.
Электронный ресурс: Всерос. НИИ гидрометеорологической информации / Официальный сайт Всерос. НИИ гидрометеорологической информации. http://www.meteo.ru
28.
Руководство по снегомерным работам в горах. Л.: Гидрометеоиздат, 1958. 148 c.
29.
Beaton A.D., Metcalfe R.A., Buttle J.M., Franklin S.E. Investigating Snowpack across Scale in the Northern Great Lakes–St. Lawrence Forest Region of Central Ontario, Canada // Hydrological Processes. 2019. Vol. 33, Iss. 26. P. 3310–3329. doi: 10.1002/hyp.13558.
30.
López-Moreno J.I., Fassnacht S.R., Beguería S., Latron J.B.P. Variability of Snow Depth at the Plot Scale: Implications for Mean Depth Estimation and Sampling Strategies // Cryosphere. 2011. V. 5. № 3. P. 617–29. doi: 10.5194/tc-5-617-2011.
31.
Jost G., Weiler M., Gluns D.R., Younes A. The Influence of Forest and Topography on Snow Accumulation and Melt at the Watershed-Scale // Journal of Hydrology. 2007. V. 347. № 1-2. P. 101–15. doi: 10.1016/j.jhydrol.2007.09.006.
32.
Электронный ресурс: European Union, Copernicus Land Monitoring Service 2021, European Environment Agency (EEA). Snow Water Equivalent (SWE). https://land.copernicus.eu/global/products/swe
33.
Pulliainen J. Mapping of snow water equivalent and snow depth in boreal and sub-arctic zones by assimilating space-borne microwave radiometer data and ground-based observations // Remote Sensing of Environment. 2006. Vol. 101. P. 257-269. doi: 10.1016/j.rse.2006.01.002.
34.
Takala M., Luojus K., Pulliainen J., Derksen C., Lemmetyinen J., Kärnä J.-P, Koskinen J., Bojkov B. Estimating northern hemisphere snow water equivalent for climate research through assimilation of space-borne radiometer data and ground-based measurements // Remote Sensing of Environment. 2011. Vol. 115. Iss.12. P. 3517-3529. doi: 10.1016/j.rse.2011.08.014.
35.
Fierz C., Armstrong R.L., Durand Y., Etchevers P., Greene E., McClung D.M., Nishimura K., Satyawali P.K., Sokratov S.A. The International Classification for Seasonal Snow on the Ground. IHP-VII Technical Documents in Hydrology N°83, IACS Contribution N°1. UNESCO/Division of Water Sciences Paris, 2009. 91 p.
36.
Борщ С.В., Леонтьева Е.А., Симонов Ю.А., Христофоров А.В., Чупин И.В. Оптимизация сети снегомерных маршрутов в бассейне Верхней Волги // Гидрометеорологические исследования и прогнозы. 2018. № 3 (369). С. 62–73.
References (transliterated)
1.
Strum M., Goldstein M. A., Parr C. Water and Life from Snow: A Trillion Dollar Science Question // Water Resources Research. 2017. Vol. 53. P. 3534–3544. doi: 10.1002/2017WR020840.
2.
Sui J., Koehler G. Rain-on-snow induced flood events in southern Germany // J. Hydrol. 2001. Vol. 252. P. 205–220. doi: 10.1016/S0022-1694(01)00460-7
3.
Viviroli D., Archer D.R., Buytaert W., Fowler H.J., Greenwood G.B., Hamlet A. F., Huang Y., Koboltschnig G., Litaor M.I., López-Moreno J.I., Lorentz S., Schädler B., Schreier H., Schwaiger K., Vuille M., Woods R. Climate change and mountain water resources: overview and recommendations for research, management and policy // Hydrol. Earth Syst. Sci. 2011. Vol. 15. P. 471–504. doi: 10.5194/hess-15-471-2011.
4.
Finger D., Heinrich G., Gobiet A., Bauder A. Projections of future water resources and their uncertainty in a glacierized catchment in the Swiss Alps and the subsequent effects on hydropower production during the 21st century // Water Resour. Res. 2012. Vol. 48:W02521. doi: 10.1029/2011WR010733
5.
Freudiger D., Kohn I., Stahl K., Weiler M. Large-scale analysis of changing frequencies of rain-on-snow events with flood-generation potential // Hydrol. Earth Syst. Sci. 2014. Vol. 18. P. 2695–2709. doi: 10.5194/hess-18-2695-2014
6.
Atlas snezhno-ledovykh resursov mira / gl. red. V.M. Kotlyakov. t. II kn. 1. M. Institut geografii RAN, 1997. 264 s.
7.
Vionnet V., Brun E., Morin S., Boone A., Faroux S., Le Moigne P., Martin E., Willemet J.-M. The detailed snowpack scheme Crocus and its implementation in SURFEX v7.2 // Geosci. Model Dev. 2012. Vol. 5. P 773–791. doi: 10.5194/gmd-5-773-2012.
8.
Krinner G., Derksen C., Essery R., Flanner M., Hagemann S., Clark M., et al. ESM-snowmip: assessing snow models and quantifying snow-related climate feedbacks // Geosci. Model Dev. 2018. Vol. 11. P. 5027–5049. doi: 10.5194/gmd-11-5027-2018
9.
Boiko E.S., Pogorelov A.V. Primenenie lazernogo skanirovaniya v issledovaniyakh rel'efa i snezhnogo pokrova. Morfometricheskii aspekt. Novosibirsk: Akademicheskoe izd-vo «Geo», 2012 147 s.
10.
Deems J. S., Painter T.H., Finnegan D.C. Lidar measurement of snow depth: a review // J. Glaciol. 2013. Vol. 59. P. 467–479. doi: 10.3189/2013JoG12J154.
11.
Bulygina O.N., Korshunova N.N., Razuvaev V.N. Monitoring snezhnogo pokrova na territorii Rossiiskoi Federatsii // Trudy Gidromettsentra Rossii. 2017. Vyp. 366. S. 87–96.
12.
Nastavlenie gidrometeorologicheskim stantsiyam i postam. L.: Gidrometeoizdat, 1985. Vyp. 3. Ch. 1. 300 s.
13.
Grünewald T., Lehning M. Are flat‐field snow depth measurements representative? A comparison of selected index sites with areal snow depth measurements at the small catchment scale // Hydrol. Process. 2015. Vol. 29. P. 1717–1728. doi: 10.1002/hyp.10295.
14.
Watson F.G.R., Anderson T.N., Newman W.B., Alexander S.E., Garrott R.A. Optimal Sampling Schemes for Estimating Mean Snow Water Equivalents in Stratified Heterogeneous Landscapes // Journal of Hydrology. 2006. Vol. 328. Iss. 3–4. P. 432–452. doi: 10.1016/j.jhydrol.2005.12.032.
15.
Largeron C., Dumont M., Morin S., Boone A., Lafaysse M., Metref S., Cosme E., Jonas T., Winstral A., Margulis S.A. Toward Snow Cover Estimation in Mountainous Areas Using Modern Data Assimilation Methods: A Review // Frontiers in Earth Science. 2020. Vol. 8. doi:10.3389/feart.2020.00325.
16.
Kitaev L.M., Zheltukhin A.S., Korobov E.D., Ableeva V.A. Snezhnyi pokrov: osobennosti lokal'nogo raspredeleniya v lesnykh massivakh kak vozmozhnyi istochnik pogreshnostei sputnikovykh dannykh // Izvestiya RAN. Seriya geograficheskaya. 2020. T. 84, № 6. S. 855–863. doi: 10.31857/S2587556620060072.
17.
Cable W.L, Tautz F., Schreiber P., Martin J., Lange S., Boike J. Lena Delta 2019 Magnetic Snow Depth Probe data // PANGAEA. 2020. doi: 10.1594/PANGAEA.920716.
18.
Boike J., Kattenstroth B., Abramova K., Bornemann N., Chetverova A., Fedorova I., Fröb K., Grigoriev M.N., Grüber M., Kutzbach L., Langer M., Minke M., Muster S., Piel K., Pfeiffer E.-M. Stoof G., Westermann S., Wischnewski K., Wille C., Hubberten H.-W. Baseline characteristics of climate, permafrost, and land cover from Samoylov Island, Lena River Delta, Siberia // PANGAEA. 2013. doi: 10.1594/PANGAEA.806233.
19.
Makarieva O., Nesterova N., Lebedeva, L., Sushansky S. Snow survey time series at different sites within Kolyma Water-Balance Station (KWBS), 1950-1997 // PANGAEA. 2017. doi: 10.1594/PANGAEA.881786.
20.
Makarieva O., Nesterova N., Lebedeva, L., Sushansky S. Snow survey line characteristics within Kolyma Water-Balance Station (KWBS), 1959-1997 // PANGAEA. 2017. doi: 10.1594/PANGAEA.881791.
21.
Makarieva O., Nesterova N., Lebedeva, L., Sushansky S. Thaw depth and snow height time series at different sites within Kolyma Water-Balance Station (KWBS), 1954-1997 // PANGAEA. 2017. doi: 10.1594/PANGAEA.881754.
22.
Pershin D., Chernykh D., Lubenets L., Biryukov R., Zolotov D. Snow surveys in the south of the Western Siberia (Russia) // Mendeley Data. 2020. v2. doi: /10.17632/8f4ky92by9.2.
23.
Altaiskii krai. Atlas. M.-Barnaul, 1978. T.1. 222 s.
24.
Zolotokrylin A.N., Cherenkova E.A., Titkova T.B. Bioklimaticheskaya subgumidnaya zona na ravninakh Rossii: zasukhi, opustynivanie/degradatsiya // Aridnye ekosistemy. 2018. T. 24. № 1 (74). S. 13–20.
25.
Zolotov D.V., Chernykh D.V. Reprezentativnost' model'nogo basseina r. Kasmaly dlya sravnitel'nykh landshaftno-gidrologicheskikh issledovanii na Priobskom plato // Izv. AltGU. Ser. biol. nauki, nauki o Zemle, khimiya. 2014. № 3/1 (83). S. 133–138.
26.
Lubenets L.F., Chernykh D.V. Landshaftnoe kartografirovanie basseina r. Maima (Russkii Altai) // Geodeziya i kartografiya. 2018. T. 79. № 11. S. 15–24. doi: 10.22389/0016-7126-2018-941-11-15-24.
27.
Elektronnyi resurs: Vseros. NII gidrometeorologicheskoi informatsii / Ofitsial'nyi sait Vseros. NII gidrometeorologicheskoi informatsii. http://www.meteo.ru
28.
Rukovodstvo po snegomernym rabotam v gorakh. L.: Gidrometeoizdat, 1958. 148 c.
29.
Beaton A.D., Metcalfe R.A., Buttle J.M., Franklin S.E. Investigating Snowpack across Scale in the Northern Great Lakes–St. Lawrence Forest Region of Central Ontario, Canada // Hydrological Processes. 2019. Vol. 33, Iss. 26. P. 3310–3329. doi: 10.1002/hyp.13558.
30.
López-Moreno J.I., Fassnacht S.R., Beguería S., Latron J.B.P. Variability of Snow Depth at the Plot Scale: Implications for Mean Depth Estimation and Sampling Strategies // Cryosphere. 2011. V. 5. № 3. P. 617–29. doi: 10.5194/tc-5-617-2011.
31.
Jost G., Weiler M., Gluns D.R., Younes A. The Influence of Forest and Topography on Snow Accumulation and Melt at the Watershed-Scale // Journal of Hydrology. 2007. V. 347. № 1-2. P. 101–15. doi: 10.1016/j.jhydrol.2007.09.006.
32.
Elektronnyi resurs: European Union, Copernicus Land Monitoring Service 2021, European Environment Agency (EEA). Snow Water Equivalent (SWE). https://land.copernicus.eu/global/products/swe
33.
Pulliainen J. Mapping of snow water equivalent and snow depth in boreal and sub-arctic zones by assimilating space-borne microwave radiometer data and ground-based observations // Remote Sensing of Environment. 2006. Vol. 101. P. 257-269. doi: 10.1016/j.rse.2006.01.002.
34.
Takala M., Luojus K., Pulliainen J., Derksen C., Lemmetyinen J., Kärnä J.-P, Koskinen J., Bojkov B. Estimating northern hemisphere snow water equivalent for climate research through assimilation of space-borne radiometer data and ground-based measurements // Remote Sensing of Environment. 2011. Vol. 115. Iss.12. P. 3517-3529. doi: 10.1016/j.rse.2011.08.014.
35.
Fierz C., Armstrong R.L., Durand Y., Etchevers P., Greene E., McClung D.M., Nishimura K., Satyawali P.K., Sokratov S.A. The International Classification for Seasonal Snow on the Ground. IHP-VII Technical Documents in Hydrology N°83, IACS Contribution N°1. UNESCO/Division of Water Sciences Paris, 2009. 91 p.
36.
Borshch S.V., Leont'eva E.A., Simonov Yu.A., Khristoforov A.V., Chupin I.V. Optimizatsiya seti snegomernykh marshrutov v basseine Verkhnei Volgi // Gidrometeorologicheskie issledovaniya i prognozy. 2018. № 3 (369). S. 62–73.

Результаты процедуры рецензирования статьи

В связи с политикой двойного слепого рецензирования личность рецензента не раскрывается.
Со списком рецензентов издательства можно ознакомиться здесь.

Рецензируемая статья посвящена описанию открытой базы данных, выложенной на Менделее. Как статья "про данные", в целом, текст заслуживает публикации в журнале "Арктика и Антарктика". Хотя хотелось бы большей конкретики по географическим особенностям и более существенных выводов.

Методология исследования ясна и вопросов не вызывает. Актуальность и научная новизна этой базы данных также неоспорима. Статья написана хорошим языком, легко читается. Структура логичная. Выводы соответствуют проведенной работе, но полностью повторяют тот материал, который имеется по тексту.

Данная статья будет интересна исследователям, занимающимся югом Западной Сибири, а также может быть востребована для верификации существующих моделей расчета снегозапасов и мощности снежного покрова. К тексту статьи имеется ряд стилистических замечаний:


На интервале "2019–2020. мы" лишняя точка.

В разделе "Каждое отдельное измерение на маршруте слабо репрезентативно для окружающей территории ввиду влияния локальных факторов, соответственно маршрутный метод мало подходил для указанной цели. Ранее было показано, что вклад случайных факторов в изменчивость параметров снежного покрова может быть очень существенным на участках менее" не хватает литературных ссылок либо подтверждения фактами (иллюстрациями), если это авторский материал. Фраза не закончена.

Фраза "Расположение точек наблюдений выбиралось исходя из представленности основных элементов ландшафтной структуры, а также стратификации бассейнов по уклонам и экспозициям склонов, типам растительности и высотным уровням" не подкреплена никакими фактическими данными о реальной приуроченности точек к основным элементам ландшафтной структуры (а также уклонов, экспозиций, типам растительности и высотным уровням) или данных с описательной статистикой, где представлены сходства и различия характеристик снегового покрова разных локаций.

Фраза "параметрами для сравнения снегозапасы (водный эквивалент снежного покрова). Были рассчитаны" не согласована. В скобках представлена повторяющаяся информация. Можно ее вычеркнуть.

На рис. 3 следует написать, что усы - это полтора межквартильных размаха (интервала). В актуальной редакции фраза вводит в заблуждение.

Рисунки 3 - 5 следует соединить в один и сделать в одном масштабе для возможности адекватного сравнения информации.

Следует скорректировать фразу "примером, например".

Таблица 2. Следует указать единицы измерения величины.

Рисунок 6 не очень представителен для отражения среднеквадратичной ошибки. Среднеквадратичная ошибка имеет размерность, поэтому лучше использовать для оценки разброса значений относительно среднего коэффициент вариации.

Опечатки во фразах "данных о сежном покрове"; "локального распределения в лесных массивах как возможный источник погрешностей спутниковых данных //".

Возможно, авторы забыли указать источник финансирования этих работ.

Замечания главного редактора от 21.08.2021: « Автор в полной мере учел замечания рецензентов и исправил статью. Доработанная статья рекомендуется к публикации».
Ссылка на эту статью

Просто выделите и скопируйте ссылку на эту статью в буфер обмена. Вы можете также попробовать найти похожие статьи


Другие сайты издательства:
Официальный сайт издательства NotaBene / Aurora Group s.r.o.
Сайт исторического журнала "History Illustrated"