在边缘雪层中，随着雪层从积累阶段过渡到融化阶段，雪深的变化幅度会增加

《Arctic, Antarctic, and Alpine Research》：Snow depth variability increases in a marginal snowpack as it transitions from accumulation to melt

雪水当量评估中发现，砂溪山脉边际雪堆积在融化期空间变异显著增加，需62个深度点（1个/19㎡）和12条 transect（1条/100㎡）保证代表性。森林边界导致20-50m内雪深变异系数达0.6-0.8，较开放区高50%。建议采用5m加密网格测量，融合遥感数据提升SWE估算精度。

　　在西南部美国的山区中，积雪量常常缺乏足够的代表性数据，这限制了对水文预算的准确预测。为此，一项研究在新墨西哥州的桑迪亚山脉设立了1,200平方米的调查区域，以评估积雪深度的空间和时间变化，从而更好地理解积雪分布并估算积雪水当量（SWE）。2019年冬季，最大积雪深度出现在3月8日，为148厘米，而峰值SWE则在3月21日达到338毫米。而在2020年冬季，最大积雪深度和峰值SWE均出现在2月25日，分别为125厘米和254毫米。研究还发现，在积雪积累和融化阶段之间存在一个“成熟期”，在此期间积雪深度的空间变化逐渐增加，直到融化期出现最大值。

研究进一步发现，一个100平方米的调查区域中，每20平方米设置一个深度测量点，能够为两个季节提供具有代表性的深度观测。森林区域对积雪的持续性以及年度积雪深度的变化起到了重要作用，尤其是在森林边界处观察到最大的空间变化。在这些水资源紧张的地区，对积雪包分布的深入了解有助于提高径流预测和水资源管理决策。因此，这项研究的核心目标是探索在低纬度地区的边缘积雪包中，森林和开阔区域的积雪动态变化，特别是在积雪积累、成熟和融化阶段。

在2019年和2020年两个季节的调查中，研究团队记录了积雪深度的变化，并在森林和开阔区域分别进行了雪坑观测，以获取密度和温度等信息。研究结果表明，积雪深度的变异性在融化阶段显著增加，而雪坑温度的变异性则与积雪的物理特性变化相关。2019年的研究显示，积雪深度的变异系数（COV）在融化阶段达到了1.1，而在2020年则进一步增加至2.3。这种变异性增加可能与森林边界处的积雪分布不均有关，同时也受到积雪融化过程中物理环境变化的影响。

通过随机选择深度测量点和调查线路的方法，研究团队评估了不同季节中积雪测量的代表性。在积累和成熟阶段，2019年仅需3个测量点即可满足代表性要求，而在2020年则需要6个测量点。进入融化阶段后，所需的测量点数量显著增加，2019年需要47个点，2020年则需要62个点。这种变化表明，随着积雪逐渐融化，为了获得更准确的SWE估计，需要更密集的测量点分布。调查线路的分析也显示，随着融化季节的推进，所需的调查线路数量逐渐增加，2019年在融化阶段需要11条线路，而2020年则需要12条线路。

此外，研究还发现，积雪深度的变异性在森林区域比在开阔区域更大。这可能是由于森林植被对积雪的拦截作用，以及风动力学如积雪再分配和升华的影响。在融化阶段，森林边界处的积雪深度变化尤为显著，这提示了森林边界对积雪分布的重要影响。研究还提到，积雪的成熟期标志着积雪深度变异性开始增加，而这一阶段的积雪深度和温度变化可以作为判断积雪是否进入融化期的重要指标。

研究还指出，积雪深度和密度的变异性在融化阶段显著增加，尤其是在森林边界和一些先融化区域。这种变异性可能与森林结构和地形的复杂性有关，同时也可能受到气候条件的影响，如温度升高和降水模式的变化。在低纬度地区，积雪的变异性更加明显，因此在这些地区进行积雪调查时，需要更多的测量点和更密集的调查线路，以确保数据的代表性。

为了提高积雪水当量的估算精度，研究建议在积雪融化阶段增加测量点的密度和调查线路的数量。同时，结合遥感技术，如使用无人机进行摄影测量和激光雷达（LiDAR）获取积雪数据，可以提高积雪分布的空间覆盖范围。然而，即使有了这些先进技术，仍然需要对遥感数据进行地面验证，以确保其准确性。

总的来说，这项研究不仅揭示了边缘积雪包在积累、成熟和融化阶段的深度变异性，还为未来在类似环境中进行积雪调查提供了方法和数据支持。通过这些发现，研究团队希望提高对积雪包动态变化的理解，从而优化水资源管理策略，特别是在水资源紧张的西南部山区。研究结果还表明，随着气候的变化，积雪包的分布和变异性可能会发生改变，因此，持续的监测和研究对于准确预测春季径流和水资源供应至关重要。