Ett klimatologiskt griddat datasett (SMHI Gridded Climatology - SMHIGridClim) hartagits fram för åren 1961 – 2018. Data täcker de nordiska länderna med en horisontellupplösning av 2,5 km. Variablerna som tagits fram är lufttemperatur och relativluftfuktighet vid 2m höjd med en upplösning av1,3 eller 6 timmar beroende av tidsperiod,samt dygnsupplöst min- och maxtemperatur, nederbörd och snödjup. Datasetet ärframtaget med optimal interpolation av stationsdata genom analysverktyget gridpp, somär en öppet tillgänglig programvara från Norska Meteorologiska Institutet.Observationer till analysen har erhållits från de svenska, norska och finskameteorologiska instituten, samt ECMWF. En ansats gjordes också att användaobservationer från datasetet ECA&D från KNMI, men på grund av svårigheter med atttidsstämplarna för data från olika länder inte överensstämde, uteslöts datasetet uranalysen. Kvalitetskontroll av observationerna gjordes med programvaran TITAN, somäven den finns tillgänglig från och utvecklats av Norska Meteorologiska Institutet.Som en första gissning till interpolationen användes statistiskt nerskalade prognosfält(från 11 km till 2,5 km upplösning) från UERRA-HARMONIE. Nerskalningen gjordesmot fält från den operationella numeriska väderprognosmodellen MEPS. Anpassningengjordes med nedskalningsparametrar som varierar över året och dygnet.Kvalitén hos ”SMHIGridClim med avseende på genomsnittligt RMSE är liknande densom tagits fram för griddade data för andra nordiska länderna med varierandeanalysmetoder; “seNorge” från Norge och “FMI_ClimGrid” från Finland.

Historiska observationer av temperatur, vegetationsperiodens längd, nederbörd, snö, globalstrålning och geostrofisk vind i Sverige har analyserats. Längden på de tillgängliga tidsserierna varierar mellan de olika variablerna. Det finns dagliga temperaturobservationer från Uppsala så långt tillbaka som 1722, medan startåret för de globalstrålningsmätningar från åtta svenska stationer som analyserats här är så sent som 1983. Klimatindikatorer som baseras på dessa observationer visar att:• Sveriges årsmedeltemperatur har ökat med 1,9 °C jämfört med perioden 1861–1890. • Sveriges årsnederbörd har ökat sedan 1930 från 600 mm/år till nästan 700 mm/år. • Antalet dagar med snötäcke har minskat sedan 1950. • Globalstrålningen har ökat med cirka 10 % sedan mitten av 1980-talet. • Någon förändring av den geostrofiska vinden kan inte fastslås från 1940.De ovan listade förändringarna syftar alla till årliga genomsnitt för hela Sverige. De är statistiskt signifikanta i de flesta fall. Bilden blir mer tvetydig då genomsnitt för olika landsdelar eller säsonger undersöks. Exempelvis är den ökade årsnederbörden mest ett resultat av ökad nederbörd under vinter och höst, medan det inte finns någon tydlig trend för sommar och vår. Det är också generellt sett svårare att fastslå förändringar i extremvärden. Exempelvis finns ingen signifikant trend vad gäller vinterns största snödjup, trots en tydlig minskning i antalet dagar med snötäcke.

Snow-induced photovoltaic (PV)-energy losses (snow losses) in snowy and cold locations vary up to 100% monthly and 34% annually, according to literature. Levels that illustrate the need for snow loss estimation using validated models. However, to our knowledge, all these models build on limited numbers of sites and winter seasons, and with limited climate diversity. To overcome this limitation in underlying statistics, we investigate the estimation of snow losses using a PV system's yield data together with freely available gridded weather datasets. To develop and illustrate this approach, 263 sites in northern Sweden are studied over multiple winters. Firstly, snow-free production is approximated by identifying snow-free days and using corresponding data to infer tilt and azimuth angles and a snow-free performance model incorporating shading effects, etc. This performance model approximates snow-free monthly yields with an average hourly standard deviation of 6.9%, indicating decent agreement. Secondly, snow losses are calculated as the difference between measured and modeled yield, showing annual snow losses up to 20% and means of 1.5-6.2% for winters with data for at least 89 sites. Thirdly, two existing snow loss estimation models are compared to our calculated snow losses, with the best match showing a correlation of 0.73 and less than 1% bias for annual snow losses. Based on these results, we argue that our approach enables studying snow losses for high numbers of PV systems and winter seasons using existing datasets.