Modelling avalanche danger and understanding snow depth variability

Schirmer, Michael; Schneider, Christoph

doi:30955

Modelling avalanche danger and understanding snow depth variability = Modellieren der Lawinengefahr und Verstehen der Schneehöhenvariabilität

Schirmer, Michael (Author)

2010 & 2011

Verantwortlichkeitsangabevorgelegt von Michael Schirmer

ImpressumAachen : Publikationsserver der RWTH Aachen University 2010

UmfangIV, 105 S. : Ill., graph. Darst., Kt.

Aachen, Techn. Hochsch., Diss., 2010

Prüfungsjahr: 2010. - Publikationsjahr: 2011

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Schneider, Christoph (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2010-07-12

Online
URN: urn:nbn:de:hbz:82-opus-36352
URL: https://publications.rwth-aachen.de/record/64658/files/3635.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
Lawine (Genormte SW) ; Davos / Eidgenössisches Institut für Schnee- und Lawinenforschung (Genormte SW) ; Variabilität (Genormte SW) ; Schnee (Genormte SW) ; Lidar (Genormte SW) ; Modellierung (Genormte SW) ; Statistik (Genormte SW) ; Fraktal (Genormte SW) ; Geowissenschaften (frei) ; numerische Modellierung (frei) ; Lawinenvorhersage (frei) ; Schneedeckenstabilität (frei) ; terrestrisches Laser-Scannen (frei) ; numerical modelling (frei) ; avalanche forecasting (frei) ; snow stability (frei) ; terrestrial laser scanning (frei)

Thematische Einordnung (Klassifikation)
DDC: 550

Kurzfassung
Diese Doktorarbeit befasst sich mit dem Thema „Regionale Lawinengefahr”. In den ersten beiden Kapiteln wurde untersucht, ob modellierte Schneedeckeneigenschaften [1] vorhergesagte Lawinengefahr oder [2] beobachtete Schneedeckenstabilität erklären können. Die räumliche Variabilität von Schneedeckeneigenschaften in einer Region hat Einfluss auf die Lawinengefahr. Die Schneehöhe ist zurzeit die einzige Schneedeckeneigenschaft, die mit einer hohen räumlichen Auflösung gemessen werden kann. In dieser Studie wurde sich daher auf diesen Parameter beschränkt, indem die Schneehöhenverteilung und deren Veränderung nach einzelnen Stürmen untersucht wurden [3]. Die räumliche Struktur der Schneehöhe wurde genauer mit dem Konzept der fraktalen Geometrie analysiert. Die Ergebnisse ergaben Hinweise auf unterschiedliche Ablagerungs- und Verfrachtungsprozesse [4]. Im Folgenden werden die vier Punkte [1]-[4] genauer beschrieben:[1] Bisher konnten statistische Modelle nur unzureichende Ergebnisse für die Vorhersage der Lawinengefahr erzielen. Ein Grund hierfür war, dass diese Modelle meist auf meteorologischen Eingangsparametern basierten und die Informationen aus der Schneedecke fehlten. Diese wichtigen Informationen erhält man durch Beobachtungen im Feld und sind daher nicht immer verfügbar. Durch die Entwicklung von Schneedeckenmodellen konnte dem Problem von fehlenden Schneedeckeninformationen begegnet werden. Für diese Arbeit wurden die Ergebnisse des Schneedeckemodells SNOWPACK sowie meteorologische Messdaten zur Vorhersage der regionalen Lawinengefahr genutzt. Die Schneedecke wurde mit den Messungen einer Wetterstation in der Region Davos (Schweiz) simuliert. Der erhaltene Datensatz umfasst einen Zeitraum von neun Wintern. Wegen der unterschiedlichen Ursachen, die zu Nassschneelawinen führen, wurde der Zeitraum auf Situationen mit trockenem Schnee eingeschränkt. Eine Reihe von Algorithmen kam zum Einsatz, welche aus einer großen Anzahl modellierter Schneeeigenschaften die Wichtigsten bestimmen sollten. Diese Auswahl wurde als Input für statistische Modelle wie Klassifikationsbäume, künstliche neuronale Netze, Support Vector Maschinen, Hidden Markov Modelle und Nächste-Nachbarn-Klassifikation benutzt. Trainiert wurden diese Modelle mit der vorhergesagten Lawinengefahrenstufe der entsprechenden Region. Die besten Ergebnisse wurden mit der Nächsten-Nachbarn-Klassifikation erzielt, die die Lawinengefahr des Vortages als zusätzliche Information erhielt. Eine kreuz-validierte Genauigkeit (hit rate) von 73% wurde erreicht. Die erzielten Ergebnisse legen nahe, dass modellierte Schneedeckeneigenschaften die numerische Lawinenvorhersage verbessern.[2] Die Schneedeckenstabilität ist definiert als die Wahrscheinlichkeit einer Lawinenauslösung und ist eine der wichtigsten Größen zur Bestimmung der Lawinengefahr. Die meisten Einschätzungen der Schneedeckenstabilität basieren auf zeitaufwendigen und manchmal gefährlichen Feldmessungen. Aktuelle Informationen stehen daher nur selten zur Verfügung. Um diese Lücke zu schließen, wurden Schneedeckenmodelle entwickelt. In der vorliegenden Studie wurden modellierte Schneeeigenschaften genutzt, um eine Einschätzungen über die Stabilität zu erhalten. Hierfür wurden 775 Schneeprofile und Rutschblock-Tests in der Nähe von fünf Wetterstationen genutzt. Diese Beobachtungen wurden drei Stabilitätsklassen zugeteilt. SNOWPACK lieferte mit den Daten dieser Wetterstationen die zugehörigen modellierten Schneeeigenschaften. Dabei konnte erstens festgestellt werden, dass für eine regionale Stabilitätseinschätzung eine bereits in SNOWPACK implementierte Interpretation geeignet war; zweitens konnte gezeigt werden, dass wichtige Variablen zur Einschätzung der Stabilität im Feld keine entsprechende Erklärung im Modell bieten; jedoch konnten drittens andere modellierte Variablen gefunden werden, die gut zwischen den Stabilitätskategorien unterscheiden können. Darunter befinden sich einige, die im Feld nicht messbar sind. Zuletzt konnten mit einem objektiven Auswahlverfahren die wichtigsten Variablen bestimmt werden. Diese wurden als Eingangsparameter für Klassifikationsbäume benutzt, um einen optimalen Bezug zwischen modellierter Schneedecke und beobachteter Schneedeckenstabilität zu erzielen. Zwei Modelle, eines zur Bestimmung von „eher stabilen” und eines zur Bestimmung von „eher instabilen” Verhältnissen, erreichten Werte bei der so genannten True Skill Statistik von 0.5 bzw. 0.4. Diese Modelle können in weiterentwickelter Form als Hilfsmittel für die Lawinenwarnung verwendet werden.[3] Terrestrisches und Airborne Laser Scanning (TLS and ALS) erlauben eine flächendeckende Vermessung der Schneehöhenverteilung. In dieser Studie präsentieren wir mit einer Reihe von TLS Messungen, wie sich die Schneehöhenverteilung im Verlauf eines Winters entwickelt. Ebenso wurde die Veränderung der Schneehöhe durch einzelne Schneefallereignisse untersucht. Es zeigte sich, dass am Ende der Akkumulationsphase zweier Winter eine große Ähnlichkeit bestand (Korrelation bis zu r = 0.97). Auch einzelne Stürme mit vorherrschender Windrichtung Nordwest wiesen über den ganzen Winter starke Ähnlichkeiten auf. Diese Stürme prägten die Struktur der Schneehöhe am Ende der Akkumulationsphase maßgebend. Allerdings ist die Ähnlichkeit am Ende von zwei verschiedenen Akkumulationsphasen deutlich ausgeprägter, als die Ähnlichkeit zweier einzelner Stürme. Im zeitlichen Verlauf ging die Varianz der Schneehöhenveränderungen zurück, während die Varianz der Schneehöhe zunahm. Da eine starke Abhängigkeit zwischen Ablagerungsmustern und Terrain beobachtet wurde, zeigt diese Studie die Möglichkeiten und Grenzen eines Modells zur Beschreibung der Schneehöhenverteilung basierend auf einer einfachen Geländeinterpretation auf. Diese Interpretation, die in dieser Form von Winstral entwickelt wurde, beschreibt ein Maß wie stark ein Geländepunkt in Bezug auf eine vorherrschende Windrichtung ausgesetzt oder geschützt ist. Mit diesem Modellansatz konnten Muster der Schneeverteilung gut reproduziert werden, nicht so allerdings die gemessene Varianz. Außerdem wurde gezeigt, wie sensibel dieses Modell auf die Wahl der vorherrschenden Windrichtung reagiert. Die präsentierten Ergebnisse zeigen, dass dieser Modellansatz für Anwendungen in der Hydrologie, Glaziologie und für die Einschätzung der Lawinengefahr nützlich ist.[4] Die in [3] vorgestellten Schneehöhen-Messungen mit TLS wurden in drei Gebieten – einem Luv- und einem Leehang, sowie einem Hang, der in Bezug zur Hauptwindrichtung seitlich umströmt wird – mit omni-direktionalen und direktionalen Variogrammen analysiert. In allen Gebieten wurde ein Skalenbruch festgestellt. Dieser kann als die Rauhigkeitslänge interpretiert werden, bis zu der das Sommergelände von der Schneebedeckung stark verändert wird. Der windgeschützte Leehang unterschied sich von den beiden windexponierten Gebieten durch einen Skalenbruch bei einer kürzeren Distanz, einem größeren y-Achsenabschnitt und einer größeren Fraktalen Dimension D vor dem Skalenbruch. Im zeitlichen Verlauf konnte während der Akkumulationsphase festgestellt werden, dass die Struktur der Schneedecke vermehrt die Eigenschaften von dominanten NW Stürmen annahm, was unter anderem eine Zunahme an Distanz, bei welcher der Skalenbruch festgestellt wurde, bedeutet. Dies spricht für eine Glättung des Sommergeländes durch Schnee auf zunehmenden Rauhigkeitslängen. Die Struktur der Schneehöhe zeigte sehr ähnliche Eigenschaften am Ende der Akkumulationsphase von zwei unterschiedlichen Wintern. Die Beobachtung, dass diese Struktur stark von dominanten NW Stürmen verändert werden kann, spricht allerdings dafür, dass diese Ähnlichkeit zwischen zwei Wintern stark von der Häufigkeit solcher NW Stürme abhängig ist. Die Analyse mit direktionalen Variogrammen zeigt, dass beobachtete Anisotropien der Schneehöhenstruktur mit der Anordnung von Geländeformen zur dominanten Windrichtung erklärt werden können.

This thesis addresses the causes of avalanche danger at a regional scale. Modelled snow stratigraphy variables were linked to [1] forecasted avalanche danger and [2] observed snowpack stability. Spatial variability of snowpack parameters in a region is an additional important factor that influences the avalanche danger. Snow depth and its change during individual snow fall periods are snowpack parameters which can be measured at a high spatial resolution. Hence, the spatial distribution of snow depth and snow depth change due to individual snow storms were observed [3]. Furthermore, this spatial dataset was characterised with a fractal analysis and results were related to deposition processes [4]. In the following, each subject is described in more detail: [1] In the past, numerical prediction of regional avalanche danger using statistical methods with meteorological input variables has shown insufficiently accurate results, possibly due to the lack of snow stratigraphy data. Detailed snow-cover data were rarely used because they were not readily available (manual observations). With the development and increasing use of snow-cover models this deficiency can now be rectified and model output can be used as input for forecasting models. We used the output of the physically based snow cover model SNOWPACK combined with meteorological variables to investigate and establish a link to regional avalanche danger. Snow stratigraphy was simulated for the location of an automatic weather station near Davos (Switzerland) over nine winters. Only dry-snow situations were considered. A variety of selection algorithms was used to identify the most important simulated snow variables. Data mining and statistical methods, including classification trees, artificial neural networks, support vector machines, hidden Markov Models and nearest-neighbour methods were trained on the forecasted regional avalanche danger (European avalanche danger scale). The best results were achieved with a nearest neighbour method which used the avalanche danger level of the previous day as additional input. A cross-validated accuracy (hit rate) of 73% was obtained. This study suggests that modelled snow-stratigraphy variables, as provided by SNOWPACK, are able to improve numerical avalanche forecasting.[2] Snow stability, or the probability of avalanche release, is one of the key factors defining avalanche danger. Most snow stability evaluations are based on field observations, which are time-consuming and sometimes dangerous. Through numerical modelling of the snow cover stratigraphy, the problem of having sparsely measured regional stability information can be overcome. In this study we compared numerical model output with observed stability. Overall, 775 snow profiles combined with Rutschblock scores and release types for the area surrounding five weather stations were rated into three stability classes. Snow stratigraphy data were then produced for the locations of these five weather stations using the snow cover model SNOWPACK. We observed that (i) an existing physically based stability interpretation implemented in SNOWPACK was applicable for regional stability evaluation; (ii) modelled variables equivalent to those manually observed variables found to be significantly discriminatory with regard to stability, did not demonstrated equal strength of classification; (iii) additional modelled variables that cannot be measured in the field discriminated well between stability categories. Finally, with objective feature selection, a set of variables was chosen to establish an optimal link between the modelled snow stratigraphy data and the stability rating through the use of classification trees. Cross-validation was then used to assess the quality of the classification trees. A true skill statistic of 0.5 and 0.4 was achieved by two models that detected "rather stable" or "rather unstable" conditions, respectively. The interpretation derived could be further developed into a support tool for avalanche warning services for the prediction of regional avalanche danger.[3] Terrestrial and Airborne Laser Scanning (TLS and ALS) techniques have only recently developed to the point where they allow wide-area measurements of snow distribution in varying terrain. Multiple TLS measurements are presented showing the snow depth development for a series of precipitation events. We observe that the pattern of maximum accumulation is similar for the two years presented here (correlation up to r=0.97). Storms arriving from the Northwest show persistent snow depth distributions and contribute most to the final accumulation pattern. Snow depth patterns of maximum accumulation for the two years is more similar than the distribution created by any two pairs of individual storms. A decrease in variance of snow depth change with time was observed, while variance of snow depth was increasing. Based on the strong link between accumulation patterns and terrain, we investigated the ability of a model based on terrain and wind direction to predict accumulation patterns. This approach of Winstral, which describes wind exposure and shelter, was able to predict the general accumulation pattern over scales of slopes but failed to match observed variance. Furthermore, a high sensitivity to the local wind direction was demonstrated. We suggest that Winstral's model could form a useful tool for application from hydrology and avalanche risk assessment to glaciology.[4] We present analysis of high resolution laser scanning data of snow depths in the Wannengrat catchment (introduced in [3]) using omni-directional and directional variograms for three specific terrain features; cross-loaded slopes, lee slopes and windward slopes. A break in scaling behavior was observed in all sub-areas, which can be seen as the roughness scale of summer terrain which is modified by the snow cover. In the wind-protected lee slope a different scaling behavior was observed, compared to the two wind-exposed areas. The wind-exposed areas have a smaller ordinal intercept, a smaller short range fractal dimension D and a larger scale break distance L than the wind-protected lee slope. Snow depth structure inherits characteristics of dominant NW storms, which results e.g. in a trend towards larger break distances in the course of the accumulation season. This can be interpreted as a result of surface smoothing at increasing scales. Similar scaling characteristics were obtained for two different years at the end of the accumulation season. Since snow depth structure is altered strongly by NW storms, this inter-annual consistency may strongly depend on their frequency in an accumulation period. The analysis of directional variograms suggests that existing anisotropies can be explained by the orientation of terrain features with respect to the predominant wind direction.

Fulltext:
PDF