Resumen de Subgrid snow depth coefficient of variation spanning alpine to sub-alpine mountainous terrain

Graham A. Sexstone, Steven R. Fassnacht, Juan Ignacio López Moreno, Christopher A. Hiemstra

• español

  Dada la variabilidad de la nieve en áreas de montaña complejas, un reto importante de las aplicaciones de modelado a gran escala es representar con precisión la variabilidad de las propiedades de la capa de nieve a escala de subcuadrícula. El coeficiente de variación (CVds) del espesor de la nieve es una medida útil para caracterizar la distribución de la nieve en subcuadrículas, pero no ha sido bien definido mediante una parametrización para entornos montañosos. Este estudio utiliza datos de espesor de la nieve derivados de LIDAR en áreas montañosas alpinas y subalpinas de Colorado, EE. UU. La finalidad es evaluar la variabilidad de la distribución de la nieve a escala de subcuadrícula dentro de un tamaño de cuadrícula de una resolución de 1000 m habitual para modelos hidrológicos y de superficie del terreno. Los CVds de la subcuadrícula mostraron un amplio rango de variabilidad en el área de estudio de 321 km2 (0,15 a 2,74) y fueron significativamente mayores en las áreas alpinas en comparación con las áreas subalpinas. El espesor medio de la nieve fue el factor determinante de la variabilidad del CVds tanto en áreas alpinas como subalpinas, ya que el CVds disminuyó de forma no lineal con el incremento del espesor de la nieve. Esta correlación negativa se atribuye al tamaño estático de los elementos rugosos (topografía y dosel) que influyen fuertemente en la variabilidad estacional de la nieve. El CVds de la subcuadrícula también estuvo muy relacionado con la topografía y las variables forestales. Los controladores determinantes del CVds fueron la variabilidad a escala de subcuadrícula de la exposición del terreno al viento en áreas alpinas y la media y variabilidad de las métricas forestales en áreas subalpinas. Se desarrollaron dos modelos estadísticos (alpino y subalpino) para predecir el CVds a escala de subcuadrícula que muestran estadísticamente rendimientos razonables. La metodología presentada aquí puede ser utilizada para caracterizar la variabilidad de CVds en regiones montañosas dominadas por la nieve, y subraya la utilidad de usar conjuntos de datos de nieve derivados de LIDAR para mejorar las representaciones de modelos de procesos de nieve.

• English

  Given the substantial variability of snow in complex mountainous terrain, a considerable challenge of coarse scale modeling applications is accurately representing the subgrid variability of snowpack properties. The snow depth coefficient of variation (CVds) is a useful metric for characterizing subgrid snow distributions but has not been well defined by a parameterization for mountainous environments. This study utilizes lidar-derived snow depth datasets spanning alpine to sub-alpine mountainous terrain in Colorado, USA to evaluate the variability of subgrid snow distributions within a grid size comparable to a 1000 m resolution common for hydrologic and land surface models. The subgrid CVds exhibited a wide range of variability across the 321 km2 study area (0.15 to 2.74) and was significantly greater in alpine areas compared to subalpine areas. Mean snow depth was the dominant driver of CVds variability in both alpine and subalpine areas, as CVds decreased nonlinearly with increasing snow depths. This negative correlation is attributed to the static size of roughness elements (topography and canopy) that strongly influence seasonal snow variability. Subgrid CVds was also strongly related to topography and forest variables; important drivers of CVds included the subgrid variability of terrain exposure to wind in alpine areas and the mean and variability of forest metrics in subalpine areas. Two statistical models were developed (alpine and subalpine) for predicting subgrid CVds that show reasonable performance statistics. The methodology presented here can be used for characterizing the variability of CVds in snow-dominated mountainous regions, and highlights the utility of using lidar-derived snow datasets for improving model representations of snow processes.