| Summary: | Formålet med denne avhandlingen er å etablere og validere en statistisk metode for stedsspesifikk probabilistisk varsling for snøskred. En probabilistisk varsling er en varsling som kombinerer prediksjoner og usikkerheten til prediksjonene til et varsel. Å kunne kvantifisere usikkerheten i prediksjonene er viktig for lokal skredvarsling. Et snøskred som treffer en åpen vei kan sette folks liv i fare. En stengt vei vil gi økonomiske kostnader og påvirke de som er avhengige av veien. Snøskredvarsling i Norge i dag er et manuelt utstedt varsel av faregrad. Varselet er laget av en ekspert basert på observasjoner av snøkvaliteten, værobservasjoner, værvarsel og mer. Det har tidligere blitt gjort forsøk på å automatisere skredvarsler. Tidligere forskning har indikert at ulike maskinlæringsalgoritmer kan brukes til å varsle snøskred. Denne avhandlingen foreslår og validerer ulike statistiske og maskinlæringsmetoder for en case-studie. Case-studien som er valgt, er to vintersesonger fra den skredutsatte veistrekningen Holmbuktura i Troms fylke i Nord-Norge. Holmbuktura er valgt siden det brukes en radar til å detektere snøskred ved å se på termisk aktivitet. Radaren har flere år med deteksjonsdata på skredutløsninger i flere skredløp. Værvarsler og værobservasjoner tilgjengelig dagen før varslingen brukes som forklaringsvariabler. I tillegg inkluderes daglige skreddeteksjoner fra satellitter i et nærliggende område. Målet er å etablere metoder for probabilistisk varsel av daglige skredantall basert på disse forklaringsvariablene. De foreslåtte og utforskede metodene er ulike typer generaliserte lineære modeller, trebaserte metoder og nærmeste nabo-metoden. Ensemblemetoder som kombinerer ulike varsler undersøkes også. For å validere de foreslåtte metodene beregnes mean continuous ranked probability score and root mean squared error basert på kryssvalidering. I tillegg gjøres en visuell inspeksjon basert på PIT-diagrammer. Modellene sammenlignes også med to baselinemodeller; (1) En generalisert lineær modell med faregrad ...
|
|---|