Near-Real-Time Monitoring, Modelling, and Data Assimilation of Glacier Mass Balance
Open access
Author
Date
2022Type
- Doctoral Thesis
ETH Bibliography
yes
Altmetrics
Abstract
Glaciers are among the most prominent indicators of climate change, since their behavior is directly linked to climatic variables such as temperature, precipitation, and solar radiation. Under the longterm trend of shrinkage due to recent and future climate warming, near-real-time glacier mass balance information and its prediction play a particular role: on scales of days to months, glaciers fulfill important functions concerning water supply, planning for hydroelectricity production, ecology, and mountain tourism. Due to this importance, near-real-time glacier mass balance information is also of interest to the broad media. However, supplying such near-real-time information, for example on glacier mass balance, is not simple. This is mainly for two reasons: first, acquiring up-to-date glacier observations comes with a high cost, because glaciers are often located in remote areas and a considerable amount of time and humanpower is required to access and observe them in situ. Second, there is the uncertainty that affects glacier mass balance models, which are often justified by physics, but still parametrized by statistical relations between mass change and meteorological variables. As a consequence of sparse and uncertain observations, model parameters are often not uniquely identifiable, or their spatial and temporal variability cannot be accounted for. A lack of observations thus associates the calculation of near-real-time glacier mass balance with high uncertainties. This thesis aims at treating the issue of uncertain observations and models by making use of available observations and their respective uncertainties. It does so by presenting Cryospheric Monitoring and Prediction Online (CRAMPON), a Bayesian framework that allows determining near-real-time glacier mass balances in an optimal fashion, i.e. by using all available direct and indirect mass balance information and by minimizing the uncertainties. Bayesian methods are widely used in fields like meteorology, hydrology, snow sciences, and oceanography, but applications in glaciology are sparse to date. CRAMPON builds upon a Sequential Importance Resampling (SIR) scheme, also known as Particle Filtering, which comprises three steps: first, a prior estimate of a glacier’s mass balance on a particular day is given through forward integration of a mass balance model ensemble. The forward integration is driven by gridded meteorological data, and accounts for the corresponding uncertainty. Second, this prior estimate is updated with observations. This is done by using various measurements, including daily point mass balance observations from cameras, as well as surface albedo and transient snow lines derived from optical satellites. The combination of observations ensures that both temporally frequent point observations and less frequent but spatially comprehensive observations complement each other. This second step results in a so-called posterior mass balance estimate. Third, a resampling technique is applied to ensure temporal stability of the particle filter. Here, CRAMPON focuses on (1) making the resampling technique compatible with an ensemble modeling approach, and (2) using the filter to estimate model parameter distributions. This statistical data assimilation approach ensures that, at any instance, the framework delivers an optimal estimate of the current mass balance of a glacier, given all observations and respecting all observation uncertainties. Special focus is put on handling variables in a probabilistic fashion. This allows calculating uncertainties for the near-real-time glacier mass balance estimates during model runtime. The daily estimates and their uncertainties are then used for predicting the glacier mass balances into the near future. This is achieved by using Consortium for Small-Scale Modelling (COSMO) numerical weather predictions with lead times of up to five days, and European Centre for Medium-Range Weather Forecasts (ECMWF) extended-range forecasts for lead times of up to one month. Analyses of the results show that (1) CRAMPON delivers up to 95% more accurate results than conventional approaches that model mass balance deterministically and with constant parameters, (2) the produced mass balances are in line with seasonal, glacier-wide mass balances obtained from interpolation of in situ observations, and (3) the combination of point mass balances and satellite information is helpful to reduce the uncertainty. The thesis also explores other options for improving near-real-time glacier mass balances. In particular, the possibility of (i) extrapolating glacier mass balance signals in space to otherwise unobserved glaciers, (ii) using short-term geodetic volume changes, (iii) predicting model parameters through machine learning, (iv) acquiring glacier melt observations with Unmanned Aerial Vehicles (UAVs), and (v) using Bayesian calibration for cases where model parameters cannot be uniquely identified, are tested and discussed. The daily, near-real-time estimates calculated by CRAMPON are provided at the resolution of individual glaciers, the results being summarized on an interactive web site. Show more
Während sich die Gletscher auf lange Sicht gesehen zurückziehen, spielen auch Nah-Echtzeitanalysen und -prognosen von Gletschermassenbilanzen eine wesentliche Rolle: Gletscher erfüllen wichtige Funktionen im Zusammenhang mit Wasserversorgung, Wasserressourcenplanung für die Stromproduktion, Ökologie und Bergtourismus. Weiter zählen Gletscher zu den wichtigsten Indikatoren des Klimawandels, denn ihre Massenbilanz ist direkt mit klimatischen Variablen wie Temperatur, Niederschlage und solarer Einstrahlung verknüpft. Obwohl Nah-Echtzeitanalysen daher auch auf ein breites Medieninteresse stoßen, gestaltet sich die Berechnung von Nah-Echtzeitanalysen für Gletscher jedoch aus hauptsächlich zwei Gründen als schwierig: Zunächst ist zu sagen, dass die Beschaffung von Gletscher-Nahechtzeitbeobachtungen oftmals beschwerlich ist, da Gletscher meist in abgelegenen Regionen liegen. Der Zugang zu Gletschern für Beobachtungen vor Ort erfordert daher viel Zeit und Arbeitskraft. Darüber hinaus sind glaziologische Massenbilanzmodelle unsicher, insofern als diese zwar physikalisch gerechtfertigt sind, aber durch statistische Beziehungen zwischen Massenänderung und meteorologischen Variablen parametrisiert sind. Als eine Folge von seltenen und unsicheren Beobachtungen können Modellparameter oft nicht eindeutig identifiziert werden, und ihre räumliche und zeitliche Variabilität kann nicht hinreichend aufgelöst werden. Diese Doktorarbeit, die das Projekt mit dem Akronym Cryospheric Monitoring and Prediction Online (CRAMPON) (zu deutsch: Kryosphärische Überwachung und Vorhersagen im Internet) vorstellt, zielt darauf ab die Schwierigkeiten im Zusammenhang mit unsicheren Beobachtungen und Modellen zu adressieren. CRAMPON ist ein Bayesianisches Modellierungsprojekt, welches es erlaubt Nahechtzeit-Massenbilanzen auf eine “optimale” Art und Weise zu berechnen (mit allen verfügbaren direkten und indirekten Massenbilanzinformationen) und dabei Unsicherheiten zu minimieren. Der Grad der Optimaltität ist dabei durch eine Bayesianische Herangehensweise gegeben, durch welche Unsicherheiten minimiert werden. Bayesianische Methoden haben sich im Bereich der Meteorologie, Hydrologie, Schneewissenschaften und Ozeanographie zu Standardmethoden entwickelt, sind aber im Bereich der Glaziologie kaum anzutreffen. Als konkrete Implementierung einer Bayesianischen Methode baut diese Doktorarbeit daher auf der so genannten Sequential Importance Resampling (SIR)-Methode (zu deutsch: Sequentielle Stichprobenentnahme nach Wichtigkeit) auf, die auch als Partikelfilter bezeichnet wird. Der Partikelfilter umfasst generell drei Schritte, die hier wie folgt implementiert werden: Zunächst wird im Vorhersageschritt eine a priori-Schätzung der Massenbilanz eines Gletscher an einem gewissen Tag durch Vorwärtsintegration eines Massenbilanzmodellensembles berechnet. Dieses Ensemble wird durch meteorologische Gitterdaten angetrieben, deren Unsicherheit durch den Datenversorger bestimmt wurde. Um diese a priori-Schätzung mit Beobachtungen zu verbessern, werden in einem zweiten Schritt Beobachtungen mit einbezogen. Diese sind zum Beispiel tägliche Punktbeoachtungen von Massenbilanz aus Kamerabeobachtungen, sowie Albedo- und Schneelinienbeobachtungen aus optischen Fernerkundungsdaten. CRAMPON setzt bei letzteren Beobachtungen einen Schwerpunkt darauf Wolken und Wolkenschatten in den Satellitenbildern richtig zu klassifizieren und auszuschließen. Die Kombination aus in situ- und Fernerkundungsbeobachtungen ermöglicht, dass sowohl zeitlich häufige Punktbeobachtungen als auch weniger häufige, aber dafür flächige Aufnahmen sich gegenseitig ergänzen. Auf diese Weise wird erhält man eine a posteriori-Schätzung der Nahechtzeit-Gletschermassenbilanz. Im dritten Schritt wird ein Resampling (Stichprobenwiederholung) angewendet, was die so genannte Filterdegeneration verhindern soll, d.h. eine zeitliche Instabilität des Filters. CRAMPON setzt hier besonderen Wert darauf (1) dieses Resampling mit einer Ensemblemodellierung kompatibel zu halten, und (2) den Partikelfilter dazu zu benutzen neben der Massenbilanz auch Massenbilanzmodellparameter zu schätzen. Ein spezieller Fokus ist dabei darauf gerichtet Variablen probabilistisch zu behandeln. Diese probabilistische Herangehensweise erlaubt eine flexible und echtzeittreue Berechnung der Unsicherheiten von Nah-Echtzeitmassenbilanzen. Diese täglichen Schätzungen und ihre Unsicherheit werden im Weiteren auch aus Ausgangsbedingungen für eine Massenbilanzvorhersage in die Zukunft benutzt. Dazu werden die Massenbilanzmodelle sowohl mit Vorhersagen des Consortium for Small-Scale Modelling (COSMO) (zu deutsch: Konsortium für kleinskalige Modellierung) mit einem Vorhersagezeitraum von bis zu fünf Tagen als auch mit Monatsvorhersagen des European Centre for Medium-Range Weather Forecasts (ECMWF) (zu deutsch: Europäisches Zentrum für mittelfristige Wettervorhersagen) angetrieben. In Anwendungsstudien kann belegt werden, dass (1) CRAMPON bis zu 95% bessere Massenbilanzwerte berechnen kann als konventionelle, deterministische Berechnungsmethoden mit konstanten Parametern, (2) die produzierten Massenbilanzen mit saisonalen, gletscherweit interpolierten Massenbilanzen aus in situ Beobachtungen übereinstimmen, und (3) es einen Mehrwert gibt Punktbeobachtungen von Gletschermassenbilanzen und Satelliteninformation zu verbinden, um eine Reduktion der Gesamtunsicherheit zu erreichen. Diese Doktorarbeit untersucht auch inwiefern man Nahechtzeit-Gletschermassenbilanzen sowie deren Beobachtungen einfacher beschaffen kann. Dies geschieht zum Beispiel durch (i) Extrapolation von Gletschermassenbilanzem im Raum, (ii) die Modellierung von Schnee- und Firndichten zur besseren Bestimmung von Volume-zu-Masse Umrechnungen im Zusammenhang mit kurzzeitlichen, geodätischen Volumenänderungen, (iii) die Vorhersage von Massenbilanz-Modellparametern im Raum durch maschinelles Lernen, (iv) die Möglichkeit Gletscherbeobachtungen mit autonomen Drohnen zu beschaffen, sowie (v) Bayesianische Ansätze zu verwenden, wenn in Kalibrierungsvorgängen Modellparameter nicht eindeutig identifiziert werden können. Die täglichen Nahechtzeit-Massenbilanzen aus CRAMPON werden für individuelle Gletscher bereitgestellt, und eine Karte erlaubt es sich einen Überblick über den Status aller berechneten Gletscher zu verschaffen. Um die Ergebnisse von CRAMPON besser zugänglich zu machen, werden sie auf einer Webseite präsentiert. Show more
Permanent link
https://doi.org/10.3929/ethz-b-000587339Publication status
publishedExternal links
Search print copy at ETH Library
Contributors
Examiner: Farinotti, Daniel
Examiner: Huss, Matthias
Examiner: Förster, Kristian
Examiner: Maussion, Fabien
Publisher
ETH ZurichSubject
Glaciology; Glacier; Glacier mass balance; Data assimilation; Particle filter (PF); Ensemble modeling; Remote sensing; Monitoring; Field experiment; ALPS (EUROPEAN MOUNTAINS); Bayesian statistics; Probabilistic forecasting; Probabilistic modeling; Machine Learning; Random forest; Drone; Drone technology; UAV; UAV data collection; image analysis; Computer vision; Observation; Satellite observations; Albedo; SNOW (GLACIOLOGY); Snow cover; Firn; Firn-ice transition; FIRNLINIE + SCHNEEGRENZE UND IHRE SCHWANKUNGEN (GLAZIOLOGIE)Organisational unit
09599 - Farinotti, Daniel / Farinotti, Daniel
Related publications and datasets
Is original form of: https://doi.org/10.3929/ethz-b-000558238
More
Show all metadata
ETH Bibliography
yes
Altmetrics