Abstract. In 2009, the International Soil Moisture Network (ISMN) was initiated as a community effort, funded by the European Space Agency, to serve as a centralised data hosting facility for globally available in situ soil moisture measurements (Dorigo et al., 2011b, a). The ISMN brings together in situ soil moisture measurements collected and freely shared by a multitude of organisations, harmonises them in terms of units and sampling rates, applies advanced quality control, and stores them in a database. Users can freely retrieve the data from this database through an online web portal (https://ismn.earth/en/, last access: 28 October 2021). Meanwhile, the ISMN has evolved into the primary in situ soil moisture reference database worldwide, as evidenced by more than 3000 active users and over 1000 scientific publications referencing the data sets provided by the network. As of July 2021, the ISMN now contains the data of 71 networks and 2842 stations located all over the globe, with a time period spanning from 1952 to the present. The number of networks and stations covered by the ISMN is still growing, and approximately 70 % of the data sets contained in the database continue to be updated on a regular or irregular basis. The main scope of this paper is to inform readers about the evolution of the ISMN over the past decade, including a description of network and data set updates and quality control procedures. A comprehensive review of the existing literature making use of ISMN data is also provided in order to identify current limitations in functionality and data usage and to shape priorities for the next decade of operations of this unique community-based data repository.

Advances in L-band microwave satellite radiometry in the past decade, pioneered by ESA's SMOS and NASA's Aquarius and SMAP missions, have demonstrated an unprecedented capability to observe global sea surface salinity (SSS) from space. Measurements from these missions are the only means to probe the very-near surface salinity (top cm), providing a unique monitoring capability for the interfacial exchanges of water between the atmosphere and the upper-ocean, and delivering a wealth of information on various salinity processes in the ocean, linkages with the water cycle and climate, and constraints for ocean prediction models. The satellite SSS data are complimentary to the existing in situ systems such as Argo that provide accurate depiction of large-scale salinity variability in the open ocean but under-sample mesoscale variability, coastal oceans and marginal seas, and energetic regions such as boundary currents and fronts. In particular, salinity remote sensing has proven valuable to systematically monitor the open oceans as well as coastal regions up to approximately 40 km from the coasts . This is critical to addressing societally relevant topics, such as land-sea linkages, coastal-open ocean exchanges, research in the carbon cycle, near-surface mixing, and air-sea exchange of gas and mass. In this paper, we provide a community perspective on the major achievements of satellite SSS for the aforementioned topics, the unique capability of satellite salinity observing system and its complementarity with other platforms, uncertainty characteristics of satellite SSS, and measurement versus sampling errors in relation to in situ salinity measurements. We also discuss the need for technological innovations to improve the accuracy, resolution, and coverage of satellite SSS, and the way forward to both continue and enhance salinity remote sensing as part of the integrated Earth Observing System in order to address societal needs.

This study attempts to derive the uncertainty of the soil moisture estimation from passive microwave satellite mission at global scale. To do so, the approach is based on the sensitivity of the Soil Moisture and Ocean Salinity (SMOS) soil moisture retrieval quality to the land surface characteristics within its footprint (presence of forest, topography, open water bodies, sand, clay, bulk density and soil organic carbon content). First, we performed a global assessment of SMOS using in situ measurements from the International Soil Moisture Network (ISMN) as reference, with more than 1900 ISMN stations and 10 years of SMOS data. This assessment shows that the ubRMSD scores vary greatly between locations (with a mean of 0.074 m3m−3 and an interquartile range of 0.030 m3m−3). Second, the scores are analyzed for different surface conditions within the satellite footprint. The best agreement between the ground measurement and SMOS time series are obtained for low forest cover, low topographic complexity, and marginal presence of open water bodies within the SMOS footprint. Soil parameters also have an impact, with better scores for sandier soils with a high bulk-density and low soil organic carbon content. Finally, we propose to extrapolate the obtained relationships, using a multiple linear regression, in order to derive a global map of SMOS uncertainties based on surface conditions. This map of predicted uncertainties show a diverse range of ubRMSD values across the globe (with a mean of 0.076 m3m−3 and an interquartile range of 0.031 m3m−3) depending on the surface characteristics. At the ISMN site location, the predicted ubRMSD shows similar results than the comparison between SMOS and the in situ measurements. The map of predicted SMOS ubRMSD represents an upper bound estimate of the SMOS uncertainty, as it includes the uncertainties of the in situ sensor measurements and the scale mismatch. Further investigations will focus on the different components of this uncertainty budget to obtain a better assessment of the absolute uncertainties of SMOS soil moisture retrievals across the globe.

The Soil Moisture and Ocean Salinity (SMOS) satellite mission, operational since 2010, relies on an L-Band microwave interferometric radiometer to generate brightness temperature images along the swath, with global coverage every 3 days. These images are then used to derive sea surface salinity (SSS) with an effective resolution of less than 50 km. However, signal acquisition in some ocean regions is intermittently and significantly disrupted by radio-frequency interferences (RFI) from various terrestrial military or civilian sources worldwide. We develop a new methodology based on principal component and regression analyses to extract the RFI signatures in time and space, thereby enabling the construction of a corrected SSS estimate along the swath. This method successfully filters out many disruptive features characterized by long and wide branches occurring around the RFI sources, hence recovering SSS variability as demonstrated in comparison to in situ reference data. This correction methodology is an alternative to separate filtering procedures that were applied on brightness temperature at Level 1. Independent information indicating the probability of RFI occurrence on land areas or nearby is used to verify the timing of oceanic RFI contamination inferred by the correction process. The methodology performs particularly well in areas where the probability is close to 1 for a significant and contiguous portion of the entire period. Already applied with significant improvement in three selected regions, this correction method is a starting point for expanding and systematizing the methodology to treat as many RFI-polluted regions as possible and to recover SMOS SSS variability.