Snowpack Modeling Forced by Numerical Weather Predictions and Manually Observed Snow Profiles

Abstract

Snøskred er en utbredt naturfare i bratt terreng og utgjør en alvorlig trussel for både mennesker og infrastruktur. Formålet med snøskredvarsling er å forhindre ulykker i forbindelse med snøskred, og blir i økende grad basert på detaljert numerisk modellering av snøens lagdeling.

Denne studien har undersøkt om numerisk snødekkemodellering basert på data fra numeriske værprognoser og observerte snøprofiler kan bistå i snøskredvarsling. For å besvare dette, undersøkes følgende tre forskningsspørsmål: 1) I hvilken grad gir meteorologiske data fra værmodellen AROME-Artic brukbare data for numerisk snødekkemodellering? 2) Hvor nøyaktig kan snødekkemodellen SNOWPACK med værprognoser fra AROME-Artic og manuelt observert snøprofil forutsi utviklingen av snødekke? 3) I hvilket omfang vil resultater fra SNOWPACK-modellen basert på input fra AROME-Artic og manuelt observert snøprofil være nyttig for snøskredvarsling?

De tre spørsmålene ble besvart ved først å evaluere data fra AROME-Artic i forskjellige rutenettpunkter ved Longyearbyen, Svalbard. Det rutenettpunktet med minst avvik i forhold til observerte værdata ble valgt til SNOWPACK-modellen. En modellkjede bestående av AROME-Artic og SNOWPACK ble deretter kjørt over fire modellperioder og sammenlignet mot manuelt observert snøprofiler. Kvaliteten på resultatene fra modellkjeden ble evaluert ved hjelp av en sammenligningsalgoritme. Algoritmen målte den simulerte snøprofilen mot en manuelt observert valideringsprofil.

Resultatene fra testperioden viser at AROME-Artic kan levere data av høy kvalitet for snødekkemodellering. Modellkjeden bestående av AROME-Artic og SNOWPACK kan nøyaktig forutsi utviklingen av snødekket, og gi verdifulle data for snøskredvarsling. I løpet av feltperioden på 14 dager beregnet modellkjeden de aktuelle skredproblemene, noe som igjen viser den operative nytten av modellkjeden.

Modellkjeden har svakheter som bør tas hensyn til. Konverteringen av rutenettdata fra AROME-Artic til punktdata bør utføres med stor nøyaktighet, da modellkjeden viste følsomhet overfor valg av rutenettpunktet i AROME-Artic. Videre, har kortbølgestråling signifikant innvirkning på simuleringen av snødekkets temperatur, og dermed den modellerte metamorfosen. Modellen har en manglende evne til å fange opp vinddrift og dermed flakdannelser i snøen, noe som igjen medfører praktiske implikasjoner for snøskredvarsling. Til tross for de påpekte svakhetene, er resultatene fra denne studien lovende og gir grunnlag for videre utforsking av modellkjeden til bruk i stedsspesifikk- og regional snøskredvarsling.

Den gjennomførte studien viser at numerisk snødekkemodellering basert på numeriske værprognoser og manuelt observerte snøprofiler effektivt kan bistå snøskredvarsling.

Snow avalanches are significant natural hazards in mountainous terrain and represent a severe problem for people and infrastructure. Snow avalanche forecasting aims to prevent avalanche accidents, and detailed numerical modeling of snowpack stratigraphy is increasingly relied upon.

The research presented in this thesis addresses the knowledge gap related to the potential of numerical snowpack modeling forced by numerical weather predictions and observed snow profiles to improve avalanche forecasting. This is achieved by answering the following research questions: 1) To what degree does weather prediction data from AROME-Arctic provide suitable input for numerical snowpack modeling? 2) How accurately does the SNOWPACK model forced by AROME-Arctic and a manually observed snow profile forecast the development of the snowpack? 3) To what extent is the performance of SNOWPACK forced by AROME-Arctic and a manually observed snow profile useful for avalanche forecasting?

This was answered by first evaluating the AROME-Arctic model data output from different grid points. The best-performing option was linked to the SNOWPACK model. Further, the AROME-Arctic and SNOWPACK model chains were run over four model periods, initiated by manually observed snow profiles. The performance of the model chain was qualitatively evaluated using an objective comparison algorithm, comparing the simulated snow profile with a manually observed snow profile.

The results indicate that AROME-Arctic can provide high-quality data for snowpack modeling. The model chain consisting of AROME-Arctic and SNOWPACK, can accurately forecast the development of the snowpack and deliver valuable results for avalanche forecasting. During the fourteen-day field period, the model chain correctly predicted the applicable avalanche problems, demonstrating its operational usefulness.

However, careful consideration should be given to translating the gridded AROME-Arctic output to point data, as the model chain showed sensitivity towards AROME-Arctic grid point selection. Particularly, shortwave radiation was found to significantly influence the snowpack's temperature and, thereby, the metamorphism of the snowpack. The model's inability to incorporate wind deposition and resulting wind slabs poses practical implications for avalanche forecasting. Nevertheless, the promising results from this validation study encourage further exploration of the model chain, both for site-specific avalanche forecasting and for including the developed model in regional forecasting.

The research suggests that numerical snowpack modeling, forced by numerical weather predictions and manually observed snow profiles, can effectively aid avalanche forecasting.