Неделя с 31 января по 6 февраля 2021 года в США стала самой смертоносной для лавин за более чем столетие. Более 15 человек в США погибли в результате схода лавин.
Поскольку наш климат колеблется, мы видели более влажные и более теплые зимы во всех регионах мира. Повышение температуры приводит к более высокой линии замерзания зимой и вызывает изменения в частоте и типах снегопадов. Как правило, на больших высотах мы начинаем видеть изменения в осадках, которые колеблются больше — они становятся менее предсказуемыми и все более нестабильными.
Поскольку изменение климата продолжает воздействовать на снежный покров на больших высотах, ожидается увеличение частоты схода лавин. И вдобавок ко всему, по мере того, как снегопад становится все более влажным и менее предсказуемым, последствия попадания в лавину становятся все более серьезными.
Что вызывает сход лавин?
Лавины вызываются четырьмя факторами: крутым склоном, снежным покровом, слабым слоем снежного покрова и триггером.
Лавины возникают, когда слои в снежном покрове становятся нестабильными и освобождаются от слоев ниже — этот нестабильный слой может быть где угодно, от самого верхнего слоя до слоя, который находится ниже в снежном покрове. Чем глубже находится неустойчивый слой, тем больше вероятность того, что лавина нанесет ущерб местности и людям на своем пути. Неустойчивость в слое чаще всего проявляется в виде граненого снега, поверхностной изморози или глубинной изморози и может быть вызвана множеством различных факторов — штормами, температурой, ветром, углом наклона, экспозицией, рельефом и т. д.
Прогнозирование лавин
В настоящее время ученые не могут точно предсказать, когда и где сойдут лавины, но с помощью прогнозирования лавин они могут оценить потенциальные уровни опасности на разных ландшафтах в определенных районах путем анализа данных. Ученые делают это, наблюдая за прошлыми лавинными путями, текущим снежным покровом, прогнозом погоды и многими другими показателями, чтобы предсказать уязвимость местности.
Ниже приведены примеры некоторых из наиболее основных вопросов, которые учитывают синоптики при сборе данных в определенной области:
Насколько велика была лавина? Насколько глубоким был слабый слой? Какой это был слабый слой?
Сколько у нас снега? Скорость и направление ветра? Угол наклона и экспозиция? Температура? Насколько тяжелым был снег (содержание воды)?
Чтобы ответить на эти вопросы, синоптики обычно отправляются в отдаленные районы для сбора подробных данных путем анализа всех слоев снежного покрова.
В Вашингтоне и некоторых частях штата Орегон NWAC (Северо-западный лавинный центр) — это некоммерческая организация, состоящая из наблюдателей, ученых и добровольцев, которые собирают и делятся своими прогнозами наблюдаемых лавин в высокогорных районах по всему миру. Тихоокеанский Северо-Запад. NWAC поддерживает одну из самых полных сетей данных о погоде в горах в Соединенных Штатах.
Изображение выше является примером прогноза схода лавин NWAC для очень конкретной области и показывает, какие типы лавин относятся к ним, какова высота / экспозиция склона, вероятность схода лавины и ожидаемый размер, если лавина действительно произойдет. На приведенном ниже изображении показана прогнозируемая шкала опасности для каждого региона, которая классифицируется на основе совокупного анализа, проведенного в каждой области.
Как помогает машинное обучение
Многие организации и исследователи по всему миру считают, что машинное обучение может быть чрезвычайно полезным инструментом принятия решений для создания автоматизированных прогнозов лавин на основе данных.
Разработчик программного обеспечения из Швейцарии разработал веб-сайт Skitourenguru, который использует алгоритмы машинного обучения для создания автоматизированной оценки риска схода лавин для конкретных лыжных маршрутов по всей Швейцарии. Этот алгоритм использует метод количественного сокращения (QRM) для расчета риска для каждого маршрута.
Данные Skitourenguru состоят из предыдущих лавинных происшествий, треков GPS, а также прошлых и текущих прогнозов схода лавин. Но хотя алгоритм Skitourenguru использует машинное обучение для автоматизации текущей оценки рисков, он не предсказывает прогнозы.
Одна группа исследователей изучала использование машин опорных векторов (SVM) для создания прогностической модели для прогнозирования лавин в районе Бен-Невиса, который находится в регионе Лочабер в Шотландии — районе, известном своей высокой лавинной активностью.
Машины опорных векторов — это управляемые данными классификаторы, используемые для нахождения гиперплоскости, которая делит набор данных на два класса. В частности, SVM ищут гиперплоскость, которая максимизирует расстояние между ближайшими точками данных. Преимущество изучения SVM по сравнению с другими моделями классификации заключается в том, что они подходят для работы с многомерными данными.
«Исходное предположение, лежащее в основе SVM, состоит в том, что задано множество {(x 1,e 1),(x 2,e 2), . . . , (xn ,en )}, где xi — m-мерный вектор, описывающий условия в данный момент времени, а ei — бинарное событие, связанное с этим вектором, можно выделить гиперплоскость, четко разделяющую бинарные события»
— Поздноухов А., Пурвес Р. и Каневски М. Применение методов машинного обучения для прогнозирования лавин.
По сути, мы находимся на правильном пути к тому, чтобы иметь возможность точно и эффективно прогнозировать сход лавин. Многие исследователи согласны с тем, что использование машины опорных векторов, вероятно, будет наиболее эффективным методом прогнозирования. В конечном счете, эти модели, когда они будут полностью разработаны, смогут помочь уменьшить количество травм и смертей, связанных с лавинами, поскольку температура во всем мире повышается, а снежный покров становится более нестабильным.
