Knowledge of land surface water, energy, and carbon conditions are of critical importance due to their impact on many real world applications such as agricultural production, water resource management, and flood, weather, and climate prediction. Land Information System (LIS) is a software framework that integrates the use of satellite and ground-based observational data along with advanced land surface models and computing tools to accurately characterize land surface states and fluxes. LIS employs the use of scalable, high performance computing and data management technologies to deal with the computational challenges of high resolution land surface modeling. To make the LIS products transparently available to the end users, LIS includes a number of highly interactive visualization components as well. The LIS components are designed using object-oriented principles, with flexible, adaptable interfaces and modular structures for rapid prototyping and development. In addition, the interoperable features in LIS enable the definition, intercomparison, and validation of land surface modeling standards and the reuse of a high quality land surface modeling and computing system.

Abstract Seasonal agricultural drought monitoring systems, which rely on satellite remote sensing and land surface models (LSMs), are important for disaster risk reduction and famine early warning. These systems require the best available weather inputs, as well as a long-term historical record to contextualize current observations. This article introduces the Famine Early Warning Systems Network (FEWS NET) Land Data Assimilation System (FLDAS), a custom instance of the NASA Land Information System (LIS) framework. The FLDAS is routinely used to produce multi-model and multi-forcing estimates of hydro-climate states and fluxes over semi-arid, food insecure regions of Africa. These modeled data and derived products, like soil moisture percentiles and water availability, were designed and are currently used to complement FEWS NET’s operational remotely sensed rainfall, evapotranspiration, and vegetation observations. The 30+ years of monthly outputs from the FLDAS simulations are publicly available from the NASA Goddard Earth Science Data and Information Services Center (GES DISC) and recommended for use in hydroclimate studies, early warning applications, and by agro-meteorological scientists in Eastern, Southern, and Western Africa.

Abstract. Data assimilation (DA) holds considerable potential for improving hydrologic predictions as demonstrated in numerous research studies. However, advances in hydrologic DA research have not been adequately or timely implemented in operational forecast systems to improve the skill of forecasts for better informed real-world decision making. This is due in part to a lack of mechanisms to properly quantify the uncertainty in observations and forecast models in real-time forecasting situations and to conduct the merging of data and models in a way that is adequately efficient and transparent to operational forecasters. The need for effective DA of useful hydrologic data into the forecast process has become increasingly recognized in recent years. This motivated a hydrologic DA workshop in Delft, the Netherlands in November 2010, which focused on advancing DA in operational hydrologic forecasting and water resources management. As an outcome of the workshop, this paper reviews, in relevant detail, the current status of DA applications in both hydrologic research and operational practices, and discusses the existing or potential hurdles and challenges in transitioning hydrologic DA research into cost-effective operational forecasting tools, as well as the potential pathways and newly emerging opportunities for overcoming these challenges. Several related aspects are discussed, including (1) theoretical or mathematical aspects in DA algorithms, (2) the estimation of different types of uncertainty, (3) new observations and their objective use in hydrologic DA, (4) the use of DA for real-time control of water resources systems, and (5) the development of community-based, generic DA tools for hydrologic applications. It is recommended that cost-effective transition of hydrologic DA from research to operations should be helped by developing community-based, generic modeling and DA tools or frameworks, and through fostering collaborative efforts among hydrologic modellers, DA developers, and operational forecasters.

Abstract The scarcity of groundwater storage change data at the global scale hinders our ability to monitor groundwater resources effectively. In this study, we assimilate a state‐of‐the‐art terrestrial water storage product derived from Gravity Recovery and Climate Experiment (GRACE) satellite observations into NASA's Catchment land surface model (CLSM) at the global scale, with the goal of generating groundwater storage time series that are useful for drought monitoring and other applications. Evaluation using in situ data from nearly 4,000 wells shows that GRACE data assimilation improves the simulation of groundwater, with estimation errors reduced by 36% and 10% and correlation improved by 16% and 22% at the regional and point scales, respectively. The biggest improvements are observed in regions with large interannual variability in precipitation, where simulated groundwater responds too strongly to changes in atmospheric forcing. The positive impacts of GRACE data assimilation are further demonstrated using observed low‐flow data. CLSM and GRACE data assimilation performance is also examined across different permeability categories. The evaluation reveals that GRACE data assimilation fails to compensate for the lack of a groundwater withdrawal scheme in CLSM when it comes to simulating realistic groundwater variations in regions with intensive groundwater abstraction. CLSM‐simulated groundwater correlates strongly with 12‐month precipitation anomalies in low‐latitude and midlatitude areas. A groundwater drought indicator based on GRACE data assimilation generally agrees with other regional‐scale drought indicators, with discrepancies mainly in their estimated drought severity.

Eight years (2002–2010) of Advanced Microwave Scanning Radiometer–EOS (AMSR‐E) snow water equivalent (SWE) retrievals and Moderate Resolution Imaging Spectroradiometer (MODIS) snow cover fraction (SCF) observations are assimilated separately or jointly into the Noah land surface model over a domain in Northern Colorado. A multiscale ensemble Kalman filter (EnKF) is used, supplemented with a rule‐based update. The satellite data are either left unscaled or are scaled for anomaly assimilation. The results are validated against in situ observations at 14 high‐elevation Snowpack Telemetry (SNOTEL) sites with typically deep snow and at 4 lower‐elevation Cooperative Observer Program (COOP) sites. Assimilation of coarse‐scale AMSR‐E SWE and fine‐scale MODIS SCF observations both result in realistic spatial SWE patterns. At COOP sites with shallow snowpacks, AMSR‐E SWE and MODIS SCF data assimilation are beneficial separately, and joint SWE and SCF assimilation yields significantly improved root‐mean‐square error and correlation values for scaled and unscaled data assimilation. In areas of deep snow where the SNOTEL sites are located, however, AMSR‐E retrievals are typically biased low and assimilation without prior scaling leads to degraded SWE estimates. Anomaly SWE assimilation could not improve the interannual SWE variations in the assimilation results because the AMSR‐E retrievals lack realistic interannual variability in deep snowpacks. SCF assimilation has only a marginal impact at the SNOTEL locations because these sites experience extended periods of near‐complete snow cover. Across all sites, SCF assimilation improves the timing of the onset of the snow season but without a net improvement of SWE amounts.

The accurate knowledge of soil moisture and snow conditions is important for the skillful characterization of agricultural and hydrologic droughts, which are defined as deficits of soil moisture and streamflow, respectively. This article examines the influence of remotely sensed soil moisture and snow depth retrievals toward improving estimates of drought through data assimilation. Soil moisture and snow depth retrievals from a variety of sensors (primarily passive microwave based) are assimilated separately into the Noah land surface model for the period of 1979–2011 over the continental United States, in the North American Land Data Assimilation System (NLDAS) configuration. Overall, the assimilation of soil moisture and snow datasets was found to provide marginal improvements over the open-loop configuration. Though the improvements in soil moisture fields through soil moisture data assimilation were barely at the statistically significant levels, these small improvements were found to translate into subsequent small improvements in simulated streamflow. The assimilation of snow depth datasets were found to generally improve the snow fields, but these improvements did not always translate to corresponding improvements in streamflow, including some notable degradations observed in the western United States. A quantitative examination of the percentage drought area from root-zone soil moisture and streamflow percentiles was conducted against the U.S. Drought Monitor data. The results suggest that soil moisture assimilation provides improvements at short time scales, both in the magnitude and representation of the spatial patterns of drought estimates, whereas the impact of snow data assimilation was marginal and often disadvantageous.

Abstract Assimilating remotely sensed surface soil moisture (SSM) into land surface models (LSM) is widely used to improve model representations of soil moisture (SM). However, the efficacy of SSM data assimilation (DA) has been found to be limited, particularly in resolving root‐zone soil moisture (RZSM). This study investigates how the representation of vegetation phenology, modulates the efficacy of SSM DA in enhancing the realism of RZSM simulations. To this end, two sets of climatological leaf area index (LAI) are implemented in Noah‐MP LSM over the state of Texas: (a) Noah‐MP default based on long‐term MODIS observations, (b) an alternative LAI adapted from AVHRR products. The former are found to exhibit conspicuous phase errors whereas the latter are more consistent with observed seasonal cycle. Two sets of DA experiments were performed accordingly, wherein SMAP L3 SSM is assimilated into Noah‐MP equipped with each LAI product from 2015 to 2019, Validation of the resulting products against in‐situ data reveals that (a) using the AVHRR‐based LAI, the Noah‐MP outperforms the baseline in reproducing the dynamics of RZSM, and the outperformance is particularly evident over the warm season and water‐stressed western Texas; (b) using the alternative LAI enhances the ability of DA to improve the accuracy of Noah‐MP RZSM, and to a lesser extent, SSM; and (c) gains in SM attained through improvement of LAI and application of DA is most pronounced over regions featuring tight vertical SM coupling. Additional model mechanistic limitations that need to be overcome to improve efficacy of DA are discussed.

Sea surface salinity ([Formula: see text]) is a key parameter in the thermohaline circulation of global oceans. Near the megadeltas, inland streamflow through large catchments plays a crucial role in mediating salinity. While some regional studies have investigated how [Formula: see text] is impacted through water cycle and climate components, a global scale quantification of inland streamflow contribution on [Formula: see text] variability is lacking. Here, we utilized remote sensing and observation-driven datasets to quantify the statistical associations between [Formula: see text] and streamflow ([Formula: see text]) at 48 megadeltas worldwide. This study uncovers a robust negative association between [Formula: see text] and [Formula: see text], with correlation coefficients [Formula: see text] less than [Formula: see text] for seasonal data found in 26 of the 48 megadeltas, and less than [Formula: see text] for deseasoned data in 21 megadeltas. The anticorrelation relationship is more pronounced in large deltas, particularly near tropical climates and in river-influenced deltas. The study also underscores the significant roles of climate, morphological, and anthropogenic stratification in impacting the natural influence of freshwater discharge on