Combining physical modeling and machine learning to improve avalanche hazard forecasting - Météo-France Access content directly
Theses Year : 2022

Combining physical modeling and machine learning to improve avalanche hazard forecasting

Apport croisé de la modélisation physique et de l’apprentissage automatique pour la prévision du risque d’avalanches

Abstract

Snow avalanches are a major concern in mountainous areas as they threaten recreationists and also infrastructures or urbanized areas. One action to reduce the associated risk is to warn the public and the authorities efficiently by forecasting the avalanche hazard. Avalanche forecasting relies on both snowpack and avalanche observations and representation of the snowpack evolution with snow cover models. However, there is currently no avalanche hazard forecasting model that combines avalanche observations and the knowledge of physical processes leading to avalanches. Moreover, models using observations and based on statistical methods, so-called machine-learning, are still mainly limited to meteorological data or simple snowpack variables as predictors and do not exploit our current understanding on snow evolution and avalanche release. The objective of this thesis is to combine the pros of snowpack and avalanche observation, physical and statistical methods to propose new avalanche hazard indicators for short-term avalanche activity forecasting. The avalanche-related information is extracted from meteorological and snow models with the help of our knowledge of mechanical processes involved in avalanche release and then statistically related to observed avalanche activity with a machine learning model. We thus develop a statistical-physical model that predicts avalanche activity based on snow and meteorological conditions and subsequent stability indicators. The proposed model aims to be numerically efficient while keeping a comprehension of physical phenomena occurring in the snowpack. This overall objective is addressed in different tasks summed up as research articles. We first identify and evaluate the different mechanically-based stability models existing in the literature and adapt them to the Crocus snow cover model. We highlight the need to combine different stability indicators to represent the different processes leading to avalanche formation. A selection of mechanically-based stability models then complements meteorological and snow cover information as an input for the random forest statistical model. The model trained on past avalanche observations on the Haute-Maurienne massif of the French Alps is then evaluated in detail. We showed the interest of the statistical model to represent avalanche activity, with a recall of 75% and specificity of 76%. We also point out the interest of using stability indices as inputs for the statistical model. However, avalanche being a rare phenomenon, numerous false positive are observed, with a precision of around 3.3%, which illustrates the difficulty of predicting avalanche occurrences with a high spatio-temporal resolution, even with the current cutting-edge data and modeling tools. Then the statistical model is successfully generalized to other data sources and geographical areas: similar performances are obtained on a selection of four other mountainous areas of French Alps and Pyrenees, with another avalanche observation dataset as learning support, which underlines the robustness of the selected model. A first insight into triggered avalanches, a complementary information to the natural avalanche susceptibility in avalanche warning bulletins, also shows similar performances and thus provides encouraging perspectives to use similar models for this complementary problem. We proposed a new model for avalanche activity estimation from snow cover model representation of the snowpack that takes advantage of both the knowledge of physical processes and past observations through machine learning. Our model would, in the future, replace the MEPRA model currently available to avalanche forecasters. Further work will nevertheless be required to improve this model: the combination of observational data sources and the use of new satellite detection of avalanche deposits would help in improving the accuracy of the model as well as refinements of the statistical model.
Les avalanches représentent un défi pour les habitants et les infrastructures des zones de montagnes. Une des actions pour réduire le risque associé est l'information préventive du public et des autorités par la rédaction de bulletins de prévision de l'aléa avalancheux, couramment appelé prévision du risque d'avalanche. La prévision du risque d'avalanche repose à la fois sur des observations de l'état du manteau neigeux et des avalanches ainsi que sur la modélisation numérique. Il n'y a pourtant aujourd'hui aucun modèle qui combine à la fois les observations et la connaissance physique des processus physiques à la source des avalanches. De plus, les modèles statistiques sont principalement limités à l'usage de variables météorologiques ou de variables simples et intégrées sur l'ensemble du manteau neigeux sans utiliser notre connaissance des processus de déclenchement des avalanches. L'objectif de cette thèse est de combiner les avantages respectifs de notre connaissance du passé au travers des observations du manteau neigeux et des avalanches, la connaissance de la physique des phénomènes et des méthodes statistiques pour proposer de nouveaux indicateurs de l'aléa avalancheux pour la prévision du risque d'avalanche. L'information pertinente pour l'activité avalancheuse est d'abord extraite des modèles météorologiques et d'évolution du manteau neigeux à l'aide de la connaissance des processus physiques à l'\oe{}uvre dans le déclenchement des avalanches, puis fourni à un modèle d'apprentissage pour relier ces variables d'entrée à l'activité avalancheuse observée. Ce travail est découpé en différentes parties et résumé dans des articles publiés, soumis ou en préparation. Nous identifions et évaluons dans un premier temps les différents modèles de stabilité à base physique existants. Ils sont ensuite adaptés au modèle de manteau neigeux Crocus. Nous montrons la nécessité de combiner plusieurs indicateurs de stabilité pour rendre compte de l'ensemble des phénomènes mis en jeu dans le départ d'une avalanche. Une sélection de modèles de stabilité est ensuite utilisée, conjointement aux informations nivo-météorologiques, comme variable d'entrée pour un modèle statistique de type forêt d'arbres aléatoires. Le modèle statistique est entrainé et évalué sur des observations passées de l'activité avalancheuse dans le massif français de Haute-Maurienne, puis évalué en détail sur cette zone géographique. L'intérêt de la méthode statistique est démontré avec une probabilité d'identification des situations avalancheuses de 75% et une sélectivité de 76%. L'intérêt de l'utilisation des modèles mécaniques de stabilité comme variable d'entrée du modèle statistique est également confirmé. Le phénomène avalancheux reste néanmoins un phénomène rare et difficile à prévoir avec une haute résolution spatio-temporelle, ce qui se traduit par un nombre élevé de faux positifs et une précision autour de 3,3%, y compris avec un jeu de données et des outils de modélisation de pointe. Le modèle statistique est ensuite généralisé à d'autres sources de données et d'autres zones géographiques avec succès : des performances similaires sont obtenues sur une sélection de quatre massifs français des Alpes et des Pyrénées et avec un nouveau jeu de données. Ces résultats confirment la robustesse du modèle statistique choisi. Des résultats préliminaires sur l'activité avalancheuse provoquée, complémentaire de l'activité naturelle pour les bulletins d'estimation du risque d'avalanche, donne des perspectives encourageantes. Le modèle que nous proposons pourra dans le futur remplacer le modèle MEPRA actuellement mis à disposition des prévisionnistes. Des travaux supplémentaires seront néanmoins nécessaires pour continuellement améliorer ce modèle. Cela inclut notamment la combinaison des différentes sources d'observation disponibles pour l'activité avalancheuse, ainsi que l'introduction de nouvelles sources de données et des améliorations des modèles statistiques utilisés.
Fichier principal
Vignette du fichier
manuscript.pdf (6.13 Mo) Télécharger le fichier
Origin : Files produced by the author(s)
Licence : CC BY - Attribution

Dates and versions

tel-04061293 , version 1 (06-04-2023)

Licence

Attribution

Identifiers

  • HAL Id : tel-04061293 , version 1

Cite

Léo Viallon-galinier. Combining physical modeling and machine learning to improve avalanche hazard forecasting. Environmental Sciences. Toulouse 3 Paul Sabatier, 2022. English. ⟨NNT : 2022TOU30313⟩. ⟨tel-04061293⟩
76 View
88 Download

Share

Gmail Facebook X LinkedIn More