Sensibilidad climática del manto nival en centros de montaña de la Región Metropolitana y sus implicancias operacionales
Bibliographic record
Abstract
El presente trabajo corresponde al estudio de potenciales impactos del cambio climático sobre la profundidad (SD) y días esquiables (SD30, días con espesor sobre 30 cm) en los centros de montaña de El Colorado-Farellones, La Parva y Valle Nevado. Estos impactos fueron estimados mediante la aplicación de Canadian Hydrological Model (CHM), un modelo de nieve espacialmente distribuido y de base física. Usando datos de reanálisis para el pasado (1980-2009) y cinco modelos climáticos en el escenario SSP5 para el futuro (2030-2069), se llevaron a cabo simulaciones de CHM para caracterizar los impactos en las variables de interés. Se realizó además una validación, comparando el área cubierta por nieve (SCA) simulada y observada de imágenes satelitales para dos temporadas (2021 y 2024). Se obtuvieron métricas de KGE de 0.55 y 0.8, respectivamente. Destaca la buena correlación (r≥0.93) a pesar de la sobrestimación del SCA durante el derretimiento, más evidente en la temporada de sequía (2021). Las proyecciones indican una disminución significativa de las variables estudiadas bajo los 2800 m.s.n.m. hacia 2030–2049, con reducciones medianas de ~50% en SD y de hasta 45 días en SD30. Sobre los 2800 m, las pérdidas son menores, concentrándose las condiciones esquiables en julio y agosto. Para 2050–2069, la presencia de nieve bajo los 2800 m sería esporádica, mientras que sobre los 3000 m persistirían condiciones favorables en más del 50% de las temporadas. Los mayores cambios en SD30 se asocian a reducciones en los meses de inicio y cierre de la temporada (junio, septiembre y octubre). Complementariamente, un análisis de las proyecciones climáticas revela que el tiempo disponible para operar sistemas de nieve artificial caería cerca de 15 días por temporada en 2030-2049 y en 26 días para 2050-2069. A escala mensual, estos déficits son mayores al comienzo (mayo) y fin de la temporada (septiembre). Las elevaciones más bajas son también afectadas en mayor medida. En futuros trabajos, para obtener proyecciones más realistas, se deben incorporar al modelo las medidas de gestión de la nieve (compactación y nieve artificial) dentro del modelo. Adicionalmente, se deberían considerar escenarios SSP más optimistas para abarcar un mayor rango de proyecciones.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".