A Global Land Data Assimilation System (GLDAS) has been developed. Its purpose is to ingest satellite- and ground-based observational data products, using advanced land surface modeling and data assimilation techniques, in order to generate optimal fields of land surface states and fluxes. GLDAS is unique in that it is an uncoupled land surface modeling system that drives multiple models, integrates a huge quantity of observation-based data, runs globally at high resolution (0.25°), and produces results in near–real time (typically within 48 h of the present). GLDAS is also a test bed for innovative modeling and assimilation capabilities. A vegetation-based “tiling” approach is used to simulate subgrid-scale variability, with a 1-km global vegetation dataset as its basis. Soil and elevation parameters are based on high-resolution global datasets. Observation-based precipitation and downward radiation and output fields from the best available global coupled atmospheric data assimilation systems are employed as forcing data. The high-quality, global land surface fields provided by GLDAS will be used to initialize weather and climate prediction models and will promote various hydrometeorological studies and applications. The ongoing GLDAS archive (started in 2001) of modeled and observed, global, surface meteorological data, parameter maps, and output is publicly available.

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 Climate change is expected to accelerate the hydrologic cycle, increase the fraction of precipitation that is rain, and enhance snowpack melting. The enhanced hydrological cycle is also expected to increase snowfall amounts due to increased moisture availability. These processes are examined in this paper in the Colorado Headwaters region through the use of a coupled high-resolution climate–runoff model. Four high-resolution simulations of annual snowfall over Colorado are conducted. The simulations are verified using Snowpack Telemetry (SNOTEL) data. Results are then presented regarding the grid spacing needed for appropriate simulation of snowfall. Finally, climate sensitivity is explored using a pseudo–global warming approach. The results show that the proper spatial and temporal depiction of snowfall adequate for water resource and climate change purposes can be achieved with the appropriate choice of model grid spacing and parameterizations. The pseudo–global warming simulations indicate enhanced snowfall on the order of 10%–25% over the Colorado Headwaters region, with the enhancement being less in the core headwaters region due to the topographic reduction of precipitation upstream of the region (rain-shadow effect). The main climate change impacts are in the enhanced melting at the lower-elevation bound of the snowpack and the increased snowfall at higher elevations. The changes in peak snow mass are generally near zero due to these two compensating effects, and simulated wintertime total runoff is above current levels. The 1 April snow water equivalent (SWE) is reduced by 25% in the warmer climate, and the date of maximum SWE occurs 2–17 days prior to current climate results, consistent with previous studies.

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.