Predicting persistent weak layers in maritime regions in Norway using meteorological parameters

Abstract

Skredvarslingen bruker ulike skredproblem for å skille mellom hva som kan forårsake et snøskred på en gitt dag. Et av de fem skredproblemene kalles vedvarende svake lag (PWL), et horisontalt lag inne i snødekket som er svakere enn dets omkringliggende snø. Disse snøkornene kan være kantkorn, begerkrystaller, eller overflaterim. Dette laget dannes vanligvis av en høy temperaturgradient inne i snødekket. Denne oppgaven prøver å predikere om en gitt dag vil ha PWL eller ikke ved å bruke datasamlede meteorologiske parametere for to maritime regioner, Romsdal og Sunnmøre. Variabler som lufttemperatur og snødybde, på ulike høydeintervall, brukes som en indirekte tilnærming til denne temperaturgradienten. Denne oppgaven omfatter tre modeller. Disse skiller seg fra hverandre ved antall variabler, og om de tar tid med i betraktning eller ikke. Alle modellene bruker maskinlæringsmetoder som beslutningstrær, bagging, random forests, og boosting. For å utdype analysen av den tidsavhengige modellen, implementerte vi et nevralt nettverk som bruker det samme datasettet. Resultatene viser at å inkludere tidsavhengighet var en god idé. Boosted klassifiseringstrær trent på de siste fire sesongene og testet på den første sesongen markerte seg som den beste metoden. Den hadde en nøyaktighet på 0.8927, spesifisitet på 0.9462, og sensitivitet på 0.8333. Til tross for disse lovende resultatene, er metodene veldig sensitive for hvilke sesonger som er brukt som treningsdata, derfor er metodene ikke-robuste. Når dette er sagt, så kan man bruke metodene fra denne oppgaven når mer data blir samlet, noe som vil skje når årene passerer. Denne oppgaven hadde bare fem vintersesonger med data til både trening og testing. Det nevrale nettverket gjorde det eksepsjonelt bra med det tilfeldige treningssettet (75% av dataen valgt tilfeldig), hvor testsettet var de resterende 25%. Disse høye prediksjonstallene kommer fra det vi har valgt å kalle sesongavhengigheter, og fører til overtilpasning. Selv om det er en sammenheng mellom temperaturgradienten i snødekket, snødybden og lufttemperaturen, så viser resultatene i denne oppgaven at denne tilnærmingen oversimplifiserer problemet. Det ga rimelig mening å bruke disse variablene til å predikere kantkorn og begerkrystaller. Imidlertid hadde datasettet sine begrensninger i å predikere overflaterim, den siste kornformen av PWLs. Fra våre resultater konkluderer vi med at denne tilnærmingen er for upålitelig til å erstatte den eksisterende arbeidsflyten til skredvarselet. Til tross for dette har vi presentert metoder som potensielt kan bistå varslingen i prediksjon av skredproblemet PWL i Sunnmøre og Romsdal.

Avalanche forecasts use different avalanche problems to distinguish what might cause an avalanche on a given day. One of the five avalanche problems is called persistent weak layer (PWL), a horizontal layer within the snowpack weaker than its surrounding snow. The grains of this layer can be faceted grains, depth hoar, or surface hoar. This layer is usually created by a high temperature gradient within the snowpack. This thesis aims to predict whether a given day will have a PWL or not by using computer-gathered meteorological parameters for two maritime regions, Romsdal and Sunnmøre. Features such as air temperature and snow depth, at different elevation intervals, are used as an indirect approach to this temperature gradient. This thesis considers three models. These differ in the number of features, and whether they take time into consideration or not. All models use statistical and machine learning methods such as classification trees, bagging, random forests, and boosting. To extend the analysis of the time-dependent model, we implemented a neural network that uses the same dataset. The results show that including time dependency was a good idea. Boosted classification trees trained on the last four seasons and tested on the first season stood out as the best method. It had an accuracy of 0.8927, specificity of 0.9462, and sensitivity of 0.8333. Despite these promising results, the methods were remarkably sensitive to what seasons are used as training data, hence the methods are non-robust. When this is said, one could use the methodology in this thesis when more data is collected, which will happen as the years pass. This thesis only had five winter seasons worth of data for both its training and testing. The neural network performed exceptionally well on the random training set (75% of the data chosen at random), where its test set was the remaining 25%. These high predictive measurements arise from what we have called seasonal dependencies, and this leads to overfitting. Although there is a connection between the temperature gradient within the snowpack, the snow depth and the air temperature, the findings of this thesis imply that this approach oversimplifies the problem at hand. It made reasonable sense to use these features to predict faceted grains and depth hoar. However, the dataset had its limitations when trying to predict surface hoar, the last grain form of PWLs. From our results, we conclude that this approach is too unreliable to replace the existing workflow of the avalanche forecast. Nevertheless, we have presented methods that could potentially aid the forecast in predicting the avalanche problem PWL in Sunnmøre and Romsdal.