Modelling avalanche danger and understanding snow depth variability

  • Modellieren der Lawinengefahr und Verstehen der Schneehöhenvariabilität

Schirmer, Michael; Schneider, Christoph (Thesis advisor)

Aachen : Publikationsserver der RWTH Aachen University (2010, 2011)
Doktorarbeit

Aachen, Techn. Hochsch., Diss., 2010

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.

Identifikationsnummern