Rutas hidrológicas : recordando a un colega por los senderos de la hidrología

R ECORDANDO A UN COLEGA POR LOS SENDEROS DE LA HIDROLOGÍA R UTAS H IDROLÓGICAS 80 distancia óptima del Índice de Posición Topográfica (IPT; Revuelto et al. , 2014), el mejor predictor de profundidad de nieve en dicho dominio. Por lo tanto, futuros estudios podrían incorporar esta información, así como la de otros predictores, en el desarrollo de modelos estadísticos para predecir la variabilidad espacial del manto nival en los Andes. Por otro lado, se podría explorar el potencial de combinar la información generada a partir de mediciones lidar con modelos de densidad de nieve (e.g., Raleigh and Small, 2017), lo que permitiría obtener estimaciones de equivalente en agua de nieve en los dominios de interés. Finalmente, una tarea pendiente es la realización de mediciones adicionales en los Andes con tecnología lidar para corroborar la consistencia temporal en los patrones de escalamiento de la nieve, y que ha sido reportada en otros dominios del mundo (Helfricht et al. , 2014; e.g., Clemenzi et al. , 2018; Mendoza et al. , 2020). C ONCLUSIONES En este artículo, se presentan y discuten resultados del análisis de dependencia altitudinal, distribución probabilística y análisis de variogramas para cuatro subdominios ubicados a lo largo de los Andes extratropicales en Chile. Los resultados revelan patrones altitudinales que ya han sido documentados para otras zonas montañosas del mundo, y confirman la superioridad de la distribución gamma para modelar la variabilidad espacial de la nieve en los dominios examinados, alertando sobre los riesgos que decisiones subjetivas podrían tener al utilizar modelos de macro- escala. Se reporta, además, la existencia de un ordenamiento fractal en la altura de nieve dentro de todos los sitios analizados, con hasta tres rangos de escala y dimensiones fractales diferentes, cada uno de los cuales está asociado a distintas combinaciones de procesos físicos. La comparación de resultados entre los distintos sitios de este estudio, así como de resultados obtenidos por otros autores/as, sugiere que las características fisiográficas son más influyentes que las características climáticas en los parámetros fractales. Finalmente, la presencia de dos quiebres de escala y tres zonas con comportamiento autosimilar no ha sido reportada con anterioridad en ninguna región del mundo, y tiene implicancias prácticas para el desarrollo futuro de modelos predictivos, ya sea dinámicos o estadísticos. Agradecimientos. El primer autor agradece las enseñanzas de la profesora Ximena Vargas, quien fue la primera persona en mostrarle las maravillas de la Hidrología (año 2005); el profesor Ricardo Mantilla, por mostrarle el concepto de fractal y su importancia en las Ciencias Hidrológicas (año 2011); y al profesor Balaji Rajagopalan, por el apoyo y motivación constante para mejorar como investigador y como persona. R EFERENCIAS Andreadis KM, Storck P, Lettenmaier DP. 2009. Modeling snow accumulation and ablation processes in forested environments. Water Resources Research 45 : W05429 DOI: 10.1029/2008WR007042 Arnold NS, Rees WG. 2003. Self-similarity in glacier surface characteristics. Journal of Glaciology 49 (167): 547–554 DOI: 10.3189/172756503781830368 Ayala A, McPhee J, Vargas X. 2014. Altitudinal gradients, midwinter melt, and wind effects on snow accumulation in semiarid midlatitude Andes under La Niña conditions. Water Resources Research 50 (4): 3589–3594 DOI: 10.1002/2013WR014960 Barnett TP, Adam JC, Lettenmaier DP. 2005. Potential impacts of a warming climate on water availability in snow-dominated regions. Nature 438 (7066): 303–9 DOI: 10.1038/nature04141 Clark MP, Hendrikx J, Slater AG, Kavetski D, Anderson B, Cullen NJ, Kerr T, Örn Hreinsson E, Woods RA. 2011. Representing spatial variability of snow water equivalent in hydrologic and land-surface models: A review. Water Resources Research 47 : W07539 DOI: 10.1029/2011WR010745 Clemenzi I, Pellicciotti F, Burlando P. 2018. Snow Depth Structure, Fractal Behavior, and Interannual Consistency Over Haut Glacier d’Arolla, Switzerland. Water Resources Research 54 (10): 7929–7945 DOI: 10.1029/2017WR021606 Cornwell E, Molotch NP, McPhee J. 2016. Spatio-temporal variability of snow water equivalent in the extra-tropical Andes Cordillera from distributed energy balance modeling and remotely sensed snow cover. Hydrology and Earth System Sciences 20 (1): 411– 430 DOI: 10.5194/hess-20-411-2016 Cortés G, Margulis S. 2017. Impacts of El Niño and La Niña on interannual snow accumulation in the Andes: Results from a high-resolution 31 year reanalysis. Geophysical Research Letters 44 (13): 6859–6867 DOI: 10.1002/2017GL073826 Cortés G, Girotto M, Margulis S. 2016. Snow process estimation over the extratropical Andes using a data assimilation framework integrating MERRA data and Landsat imagery. Water Resources Research 52 (4): 2582–2600 DOI: 10.1002/2015WR018376 Currier WR, Pflug J, Mazzotti G, Jonas T, Deems JS, Bormann KJ, Painter TH, Hiemstra CA, Gelvin A, Uhlmann Z, et al. 2019. Comparing Aerial Lidar Observations With Terrestrial Lidar and Snow-Probe Transects From NASA’s 2017 SnowEx Campaign. Water Resources Research 55 (7): 6285–6294 DOI: 10.1029/2018WR024533 Deems JS, Fassnacht SR, Elder KJ. 2006. Fractal Distribution of Snow Depth from Lidar Data. Journal of Hydrometeorology 7 (2): 285–297 DOI: 10.1175/JHM487.1 Deems JS, Fassnacht SR, Elder KJ. 2008. Interannual Consistency in Fractal Snow Depth Patterns at Two Colorado Mountain Sites. Journal of Hydrometeorology 9 (5): 977–988 DOI: 10.1175/2008JHM901.1 Deems JS, Painter TH, Finnegan DC. 2013. Lidar measurement of snow depth: A review. Journal of Glaciology 59 (215): 467– 479 DOI: 10.3189/2013JoG12J154 Escobar F, Anabalón R. 1991. Análisis de las rutas de nieve del país. Santiago de Chile, Chile. Fassnacht SR, Deems JS. 2006. Measurement sampling and scaling for deep montane snow depth data. Hydrological Processes 20 (4): 829–838 DOI: 10.1002/hyp.6119 Fischer M, Huss M, Kummert M, Hoelzle M. 2016. Application and validation of long-range terrestrial laser scanning to monitor the mass balance of very small glaciers in the Swiss Alps. Cryosphere 10 (3): 1279–1295 DOI: 10.5194/tc-10-1279-2016 Freudiger D, Kohn I, Seibert J, Stahl K, Weiler M. 2017. Snow redistribution for the hydrological modeling of alpine