Hvordan fjernmåling kan støtte risikovurdering av kystflom og infrastrukturstabilitet

Kystområder rundt om i verden er utsatt for flomrisiko som følge av flere faktorer, hvorav landheving og senkning spiller en betydelig rolle i hvordan flomfenomener utvikler seg. De ulike prosessene som påvirker disse områdene varierer i både tidsmessige og romlige skalaer, og inkluderer blant annet urbane endringer som ny bebyggelse, økt oksidasjon i myrområder på grunn av drenering, samt ekstraksjon av underjordiske væsker som olje og grunnvann. Disse prosessene fører til ulike grader av landheving eller senkning, som kan være alt fra flere centimeter per år ved menneskeskapte aktiviteter til under 1 mm per år for naturlige prosesser.

I denne sammenhengen er det viktig å vurdere hvordan fjernmåling kan støtte vurderingene av kystflomrisiko. Risikobegrepet i denne sammenhengen defineres som produktet av intensiteten og hyppigheten av kystflom ved ekstreme hendelser, mens risikoen også tar hensyn til sårbarheten til de utsatte befolkningene, aktivitetene og eiendommene. Fjernmåling gir et effektivt verktøy for å samle inn nødvendige data for flomvurdering, ved å kombinere observasjoner på bakkenivå med teknologier som radarinterferometri (InSAR) for å overvåke landbevegelser som kan føre til kystflom.

Fjernmåling gir essensiell informasjon for å vurdere flomfare og infrastrukturstabilitet. For eksempel er det nødvendig med detaljerte topografiske og batymetriske data for å modellere flomrisikoen, med en oppløsning på 1 meter for lokale vurderinger og en vertikal nøyaktighet på cirka 20 cm. Den eneste teknologien som kan oppfylle disse kravene i dag er LiDAR (Light Detection and Ranging), som ofte kombineres med feltmålinger for å gi en nøyaktig kartlegging av kystområder og eventuelle flomutsatte områder.

De data som samles inn via fjernmåling, brukes i ulike beslutningsstøttesystemer for flomrisikohåndtering. Dette inkluderer vurdering av potensielle menneskelige tap eller materielle skader i tilfelle flom, og anbefaling av tiltak for å redusere risikoen, som for eksempel heving av elektriske apparater eller bygging av kystbeskyttelsesstrukturer. Fjernmåling bidrar også til å utvikle scenarier for framtidige ekstreme hendelser, som kan brukes til å teste beredskapssystemer og tilpasse strategier for å håndtere fremtidige flomhendelser.

En annen viktig funksjon ved fjernmåling er å overvåke landheving og senkning som følge av menneskeskapte aktiviteter, som for eksempel grunnvannsuttak. I noen byer, som Jakarta i Indonesia, skjer landheving på opptil 250 mm per år på grunn av overforbruk av grunnvann. Denne senkningen fører til alvorlige konsekvenser som økt hyppighet og alvorlighetsgrad av flom, samt en redusert evne til å håndtere overflødig vann i elver og kanaler. Ved å bruke teknikker som SAR interferometri (InSAR) kan man få nøyaktige kart over landbevegelser med en oppløsning på 10–30 meter og presisjon på noen få millimeter til centimeter per år. Dette gjør det mulig å overvåke de nøyaktige endringene i landhøyde som kan føre til flom og å identifisere hvilke deler av kysten som er mest utsatt.

En annen viktig komponent i flomrisikovurdering er informasjon om bygningsstrukturen og dens sårbarhet. Informasjon om bygningers motstandskraft mot flomskader kan komme fra fjernmåling, offentlig tilgjengelige databaser eller feltobservasjoner. Det er imidlertid vanskelig å vurdere flomskader nøyaktig, fordi verdien av de skadede eiendelene ofte er mer knyttet til innholdet i bygningene enn selve strukturen, noe som sjelden er kjent.

Det er også viktig å forstå hvordan den vertikale bevegelsen av kystområder, som kan være et resultat av landheving eller senkning, kan påvirke flomrisikoen. For eksempel, områder som opplever landheving kan ha lavere flomrisiko, mens områder med land senkning er mer utsatt for flom. Å forstå og forutsi hvordan disse bevegelsene vil utvikle seg over tid, kan gi viktig innsikt for langsiktig planlegging og tilpasning til klimaendringer.

Fjernmåling, ved hjelp av teknologier som SAR og LiDAR, sammen med feltmålinger, gir verdifulle verktøy for å vurdere både flomfare og infrastrukturens stabilitet. Ved å integrere data fra disse teknologiene kan man utvikle presise flomkart og -scenarier som kan brukes til å informere beslutninger på både lokalt og regionalt nivå. Denne tilnærmingen gir et effektivt grunnlag for å håndtere flomrisiko, tilpasse byutvikling og forbedre beredskapssystemer, og kan dermed bidra til å redusere tap og skade som følge av fremtidige flomhendelser.

Hvordan kan maskinlæring og fysiske modeller kombineres for bedre varsling av geofarer?

Ved analyse av radarinterferogrammer fra satellittobservasjoner over vulkaner, forsøker forskere å identifisere og skille mellom ulike bidrag til deformasjonssignalene. Slike signaler kan være et resultat av topografisk korrelert atmosfærisk støy, turbulent atmosfærisk støy, samt ekte overflatedeformasjon som følge av prosesser som dyp inflasjon av magmakilder og ustabilitet i vulkansider som fører til overflatenære forkastningshendelser. Uavhengig komponentanalyse er én metode for å dekomponere disse signalene. Ved å følge utviklingen av slike signaler over tid for hvert enkelt vulkansk system, kan man potensielt identifisere uvanlige atferdsmønstre og dermed få en tidlig indikasjon på mulig utbrudd eller fare.

En annen tilnærming som vokser i betydning, er bruk av maskinlæring, spesielt konvolusjonelle nevrale nettverk, for å klassifisere hvorvidt et interferogram inneholder tegn på deformasjon. Med mer enn 30 000 automatisk genererte interferogrammer fra COMET-LICS-systemet ble det trent opp en algoritme som kunne velge ut rundt 100 interferogrammer som den vurderte som inneholdende sterke indikasjoner på vulkansk deformasjon. Ved manuell gjennomgang ble det bekreftet at knapt halvparten faktisk viste reell deformasjon. Nøyaktigheten kan forbedres ytterligere ved å trene algoritmene med syntetiske datasett som representerer ulike scenarier for vulkansk deformasjon.

Fremtiden for maskinlæring i geovitenskap er tett knyttet til økende datatilgjengelighet og regnekraft. Algoritmer vil etter hvert kunne integrere optiske og radarbaserte satellittdata med digital topografi og værmodeller for å gi prediktive prognoser, eksempelvis for jordskred. På lignende vis kan målinger av vulkansk avgassing og deformasjon kombineres med seismiske data fra bakken for å gi sanntidsestimater av sannsynligheten for fremtidige utbrudd – en funksjon som i dag delvis håndteres gjennom ekspertvurderinger.

Til tross for det store potensialet, finnes det fundamentale begrensninger i maskinlæringens natur. Disse algoritmene er i stor grad blinde for de underliggende fysiske prosessene som genererer observasjonene. Der man søker dypere forståelse for dynamikken i et vulkansk system, eller ønsker å integrere observasjoner for å gjøre presise prediksjoner, må man gå tilbake til mer tradisjonelle fysiske modeller. Slike modeller er langt mer arbeidskrevende, men til gjengjeld kan de gi innsikt i undergrunnens egenskaper samt tilby robust prediktiv kapasitet – forutsatt at modellen er godt fundert i fysikken.

Store fremskritt innen regneteknologi har muliggjort utvikling av stadig mer sofistikerte modeller, og denne utviklingen er ventet å fortsette. En av hovedutfordringene i varsling av geofarer er imidlertid tiden det tar å bygge opp en pålitelig modell. Det er betydelig enklere å konstruere en modell retrospektivt etter et vulkanutbrudd enn å gjøre det i sanntid under en krise. Likevel peker trenden mot at enkle kinematiske modeller vil videreutvikles til mer dynamiske verktøy som inkorporerer de fysiske prosessene bak deformasjonen.

Hva som også er avgjørende for fremtidens overvåkning og varsling, er evnen til å koble sammen teknologiske og faglige disipliner. For å realisere det fulle potensialet i denne utviklingen, trengs det ikke bare eksperter på sensorteknologi, dataanalyse og satellittsystemer, men også geofysikere og vulkanologer med dyp forståelse for de prosessene som observeres. Det er feltarbeid, manuell vurdering og fysisk modellering som fortsatt gir grunnlaget for å validere og tolke de automatiserte analysene. Samtidig må sluttbrukerne av informasjonen – enten det er sivile myndigheter, beredskapsetater eller lokalbefolkning – få tilgang til tydelig, pålitelig og beslutningsrelevant informasjon.

Enda viktigere er å forstå at maskinlæring ikke er en erstatning for fysisk forståelse, men et supplement. Den sanne styrken ligger i å kombinere algoritmenes kapasitet til å oppdage mønstre og avvik i store datasett med den menneskelige evnen til å tolke prosessene bak observasjonene. Derfor må fremtidens systemer bygges på en syntese av datadrevet innsikt og fysikkbasert forståelse. Det er denne kombinasjonen som til syvende og sist vil kunne gi sanntidsvarsling med høy presisjon og operasjonell verdi i møte med geofarer.

Hvordan fjernmåling av snødyp og snvanninnhold kan forbedre globale målinger av snødekket

Fjernmåling har lenge vært et sentralt verktøy for å kartlegge og overvåke snødekke, spesielt med hensyn til snøvanninnhold (SWE) som er kritisk for hydrologiske modeller, klimaovervåkning og værforutsigelser. En sentral utfordring i fjernmålingen av snø er den komplekse samspillet mellom snøens dybde, densitet og mikrostruktur, samt hvordan disse faktorene påvirker volumspredning av mikrobølger.

Fjernmåling av snøvanninnhold kan skje på ulike måter, der noen av de mest etablerte metodene inkluderer bruk av mikrobølger og laserskanningsteknikker som LiDAR. Mikrobølger reflekteres fra snøoverflaten og gir informasjon om dybden på snødekket. Der volumspredning spiller en nøkkelrolle i beregningene, er det avgjørende å forstå hvordan snøens dybde, densitet og struktur påvirker de målte signalene. I praksis er metoder som kombinerer mikrobølgeobservasjoner med andre sensorteknologier, som radar, fremtredende når det gjelder å forbedre nøyaktigheten av globale snømålinger.

En av de mest lovende teknologiene for å hente ut informasjon om snødyp fra satellittplattformer er LiDAR, som står for Light Detection and Ranging. LiDAR er et svært nøyaktig verktøy som sender ut laserpulser og registrerer tiden det tar for disse pulsene å returnere etter å ha truffet snøoverflaten. Ved å analysere disse tidene kan man kartlegge høydeforskjeller med stor presisjon, noe som gir et detaljerte bilde av snødekket.

En annen bemerkelsesverdig teknologi er LiDAR på bakkenivå og fra luftbårne plattformer, som kan produsere svært detaljerte digitale høydefelter med oppløsninger under én meter. LiDAR har spesielt vist seg effektivt i områder med skogdekke, der det kan skille mellom snødekket og vegetasjonens lag, som ofte kan føre til feilaktige målinger i andre fjernmålingsmetoder. LiDARs evne til å hente nøyaktige målinger fra områder med tett vegetasjon, som i blandede skoger, gjør det til et verktøy av stor verdi.

Men ikke alle områder er like enkle å kartlegge. For eksempel, i skogområder med tett buskvekst og ujevn undervegetasjon, kan LiDAR-teknologien overestimere høyden på snødekket, noe som kan gi unøyaktige beregninger. Det er derfor viktig å kombinere LiDAR-data med andre målinger for å redusere usikkerheten i snødypen.

Kombinasjonen av ulike fjernmålingsteknologier, som LiDAR, radar og stereofotogrammetri, kan bidra til å redusere usikkerheten ved globale estimater av snøvanninnhold. Med hjelp av flere sensorer kan man få mer presise data, spesielt i geografiske områder med store variasjoner i topografi og vegetasjon. Denne fler-sensor tilnærmingen kan også forbedre estimater for fjernmålingsmetoder som alene kanskje ville hatt større feilmarginer.

En av de største utfordringene ved bruk av LiDAR fra satellitter, som ICESat-1, er den begrensede replikasjonen av data, noe som gjør at det kun kan tas målinger i svært avgrensede tidsvinduer. ICESat-1 hadde også en relativt lav fotsporoppdateringsfrekvens, noe som reduserte nøyaktigheten og muligheten for hyppige målinger. I enkelte tilfeller har forskere forsøkt å kombinere satellittdata med andre kilder, som referansedigitalhøyde-modeller (DEM) eller flybårne LiDAR-data, for å lage mer nøyaktige snødypestimater.

Selv om det fortsatt finnes tekniske utfordringer og usikkerheter i fjernmåling av snøvanninnhold, er det klart at utviklingen av kombinerte målemetoder og nye satellittbaserte observasjoner gir spennende muligheter for fremtidens globale overvåkning av snødekket.

Det er viktig å merke seg at mens teknologi kan forbedre nøyaktigheten av snømålinger, er det også nødvendige å ta hensyn til miljømessige faktorer som kan påvirke dataene. For eksempel, værforhold, som skyer og nedbør, kan hindre satellitter i å få klare målinger. I tillegg vil den geografiske plasseringen, som om området er fjellrikt, myrlandskap eller skogkledd, ha betydelig innvirkning på hvilken teknologi som er mest effektiv.