Adaptive Monitoring of Snowpack Development using a Dynamic Linear Model.

Abstract

Snøskred er en av de vanligste naturfarene i Norge, med stor trussel mot menneskeliv og infrastruktur, siden snøskred er en av de vanligste årsakene for blokkering av veier. Varsom er et overvåkings- og varslingssystem utviklet for å forutsi snørasfare, basert på værdata, manuelle stabilitetstester og tidligere skredaktivitet i et område. Denne avhandlingen utvikler en statistisk modell som forutsier stabiliteten til det svakeste laget i snødekke, basert på numeriske snødekkesimuleringer, værdata og dronemålinger. De numeriske dataene er kalkulert med programmet SNOWPACK, og inkluderer to mål på stabilitet av hvert lag i et simulert snødekke, SK38 og SSI. SSI blir brukt til å lokalisere svake lag i snødekke, mens SK38 indikerer stabiliteten til et svakt lag.

En adaptiv dynamisk lineær modell er utviklet til å sekvensielt modellere snø- egenskaper over tid og forutsi stabiliteten SK38 av det svake laget, med dets usikkerhet. Snø-egenskapene som modelleres er det svake lagets tykkelse, tetthet, kornstørrelse og bindingsstørrelse, og nysnøens tykkelse og tetthet. Værdataen som blir brukt som input er temperatur, nedbør og vindhastighet. Modellparameterne er dynamiske, og avhenger av værregimet på en bestemt dag. Modellens formulering tilrettelegger for eksperimentell design og planlegging. Spesielt setter modellen i gang dronemålinger når det er nødvendig, og oppdaterer fordelingsfunksjonen til modellen basert på de nye målingene. To strategier for dronedata-innsamling er utviklet og sammenlignet med en modell som ikke er avhengig av nye drone-målinger. Den første er en adaptiv overvåkingsstrategi, som starter dronemålinger når det er mindre enn 90 % sannsynlighet for at den forventede stabiliteten til det svake laget er over en terskel. Den andre strategien er en Informasjonsverdi-strategi, som setter i gang dronemålinger når den forventede verdien av å samle inn en dronemåling er høyere enn en terskel.

Stabilitetsforutsigelsene til de to adaptive modellene hadde mindre usikkerhet enn den adaptive modellen, spesielt direkte etter en dronemåling. Den ikke-adaptive modellen var generelt pessimistisk med sine forutsigelser. De to adaptive strategiene resulterte i et tilsvarende antall dronehendelser, når stabilitetsterskelen var konstant. En økning i stabilitetsterskelen førte til en økning i antall dronehendelser for den adaptive overvåkingsstrategien. En økning i kostnadene knyttet til å holde en vei åpen når den forventede stabiliteten var lavere enn en terskel, førte til et større antall dronehendelser med Informasjonsverdi-strategien.

Snow avalanches are among the most frequent natural hazard events in Norway, posing a significant threat to human life and a major problem for infrastructure, as avalanches are among the most common causes of roadblocks. Varsom1 is a monitoring/warning system developed to predict avalanche danger, relying on weather data, manual stability tests, and earlier avalanche activity in an area. This thesis develops a statistical model that predicts the stability of the weakest layer in a snowpack based on numerical snow cover simulations, weather data, and drone measurements. The numerical data are calculated with the program SNOWPACK and includes two stability measures of each layer in a simulated snowpack, SK38 and SSI. SSI is used to locate weak layers in a snowpack, while SK38 indicates the stability of a weak layer.

An adaptive dynamic linear model is developed to model snow properties over time sequentially and predict the stability measure SK38 of the weak layer, with its uncertainty. The snow properties modeled are the weak layer thickness, density, grain size, and bond size, and new snow thickness and density. The weather input data are temperature, precipitation, and wind speed. The model parameters are dynamic, depending on the weather regime on a particular day. The formulation of the model facilitates experimental design and planning. In particular, the model initiates drone measurements when necessary and updates the model distribution with the new measurements. Two strategies for drone data gathering are developed and compared with a model that does not rely on new drone measurements. The first is an Adaptive Monitoring strategy, which initiates drones when there is less than 90 % probability that the predicted stability of a weak layer is above a threshold. The second strategy is a Value of Information strategy, which initiates drones when the expected value of a drone measurement is higher than a threshold.

The stability predictions of the adaptive models had less uncertainty than for the non-adaptive model, especially directly after a drone measurement. The non-adaptive model was generally pessimistic with its predictions. The two adaptive strategies resulted in a similar number of drone events, with a fixed stability threshold. An increase in the stability threshold leads to an increase in drone events for the Adaptive Monitoring strategy. An increase in the cost associated with keeping a road open when the predicted stability was lower than a threshold leads to more drone events for the Value of Information strategy.