Abstract. The Global Land Evaporation Amsterdam Model (GLEAM) is a set of algorithms dedicated to the estimation of terrestrial evaporation and root-zone soil moisture from satellite data. Ever since its development in 2011, the model has been regularly revised, aiming at the optimal incorporation of new satellite-observed geophysical variables, and improving the representation of physical processes. In this study, the next version of this model (v3) is presented. Key changes relative to the previous version include (1) a revised formulation of the evaporative stress, (2) an optimized drainage algorithm, and (3) a new soil moisture data assimilation system. GLEAM v3 is used to produce three new data sets of terrestrial evaporation and root-zone soil moisture, including a 36-year data set spanning 1980–2015, referred to as v3a (based on satellite-observed soil moisture, vegetation optical depth and snow-water equivalent, reanalysis air temperature and radiation, and a multi-source precipitation product), and two satellite-based data sets. The latter share most of their forcing, except for the vegetation optical depth and soil moisture, which are based on observations from different passive and active C- and L-band microwave sensors (European Space Agency Climate Change Initiative, ESA CCI) for the v3b data set (spanning 2003–2015) and observations from the Soil Moisture and Ocean Salinity (SMOS) satellite in the v3c data set (spanning 2011–2015). Here, these three data sets are described in detail, compared against analogous data sets generated using the previous version of GLEAM (v2), and validated against measurements from 91 eddy-covariance towers and 2325 soil moisture sensors across a broad range of ecosystems. Results indicate that the quality of the v3 soil moisture is consistently better than the one from v2: average correlations against in situ surface soil moisture measurements increase from 0.61 to 0.64 in the case of the v3a data set and the representation of soil moisture in the second layer improves as well, with correlations increasing from 0.47 to 0.53. Similar improvements are observed for the v3b and c data sets. Despite regional differences, the quality of the evaporation fluxes remains overall similar to the one obtained using the previous version of GLEAM, with average correlations against eddy-covariance measurements ranging between 0.78 and 0.81 for the different data sets. These global data sets of terrestrial evaporation and root-zone soil moisture are now openly available at www.GLEAM.eu and may be used for large-scale hydrological applications, climate studies, or research on land–atmosphere feedbacks.

Accurate snow depth observations are critical to assess water resources. More than a billion people rely on water from snow, most of which originates in the Northern Hemisphere mountain ranges. Yet, remote sensing observations of mountain snow depth are still lacking at the large scale. Here, we show the ability of Sentinel-1 to map snow depth in the Northern Hemisphere mountains at 1 km² resolution using an empirical change detection approach. An evaluation with measurements from ~4000 sites and reanalysis data demonstrates that the Sentinel-1 retrievals capture the spatial variability between and within mountain ranges, as well as their inter-annual differences. This is showcased with the contrasting snow depths between 2017 and 2018 in the US Sierra Nevada and European Alps. With Sentinel-1 continuity ensured until 2030 and likely beyond, these findings lay a foundation for quantifying the long-term vulnerability of mountain snow-water resources to climate change.

Abstract. To better understand the interactions between C-band radar waves and snow, a tower-based experiment was set up in the Idaho Rocky Mountains for the period of 2021–2023. The experiment objective was to improve understanding of the sensitivity of Sentinel-1 C-band backscatter radar signals to snow. The data were collected in the time domain to measure the backscatter profile from the various snowpack and ground surface layers. The data show that scattering is present throughout the snow volume, although it is limited for low snow densities. Contrasting layer interfaces, ice features and metamorphic snow can have considerable impact on the backscatter signal. During snowmelt periods, wet snow absorbs the signal, and the soil backscatter becomes negligible. A comparison of the vertically integrated tower radar data with Sentinel-1 data shows that both systems have similar temporal behavior, and both feature an increase in backscatter during the dry-snow period in 2021–2022, even during weeks of nearly constant snow depth, likely due to morphological changes in the snowpack. The results demonstrate that C-band radar is sensitive to the dominant seasonal patterns in snow accumulation but that changes in microstructure, stratigraphy, melt–freeze cycles and snow wetness may complicate satellite-based snow depth retrievals.

Abstract Seasonal snow is an important water source and contributor to river discharge in mountainous regions. Therefore the amount of snow and its distribution are necessary inputs for hydrological modeling. Recent research has shown the potential of the Sentinel‐1 radar satellite to map snow depth (SD) at sub‐kilometer resolution in mountainous regions. In this study we assimilate these new SD retrievals into the Noah‐Multiparameterization land surface model using an ensemble Kalman filter for the western European Alps. The land surface model was coupled to the Hydrological Modeling and Analysis Platform (HyMAP), a global flow routing scheme that provides simulations of routed river discharge. The performance with different precipitation forcing inputs, namely MERRA‐2 (with and without gauge based correction) and ERA5, was compared based on in situ precipitation and SD stations, with ERA5 leading to the best SD performance. The Sentinel‐1 based data assimilation (DA) results show small but systematic improvements for SD estimates, with the mean absolute error reducing from 36.4 cm for the open loop (OL) to 35.6 cm for the DA across all stations and timesteps, improving 318 out of 516 in situ sites. The DA updates in SD also result in enhanced snow water equivalent and discharge simulations. The median temporal correlation between discharge simulations and measurements increases from 0.73 to 0.78 for the DA. This study demonstrates the utility of the Sentinel‐1 SD retrievals to improve not only the representation of snow in mountain ranges, but also the snow melt contribution to river discharge, and hydrological modeling in general.