Detection of weak snow layer on skis using radar and machine learning

Populærvitenskapelig framstilling Sknow BIA-prosjektet omfattet utvikling av maskinvare med radar og antenner for montering på fjell- og randoneeski, programvareutvikling for analyse og tolkning av radardata, maskinlæring for automatisering av analyse og tolkning av radardata med bruk av moderne teknikker for geologisk data. Videre har det blitt gjort store framsteg i presentasjonen av avansert radardata for sluttbrukeren med hjelp av brukerreise-prosjekter, brukererfaring-prosjekter og grafisk brukergrensesnitt-løsninger. Prosjektet er per i dag ikke konkludert da mer tid og ressurser er nødvendig for å fullføre et levedyktig kommersielt produkt. Maskinvare Maskinvaren består av av en radarenhet for montering på ski. Denne har gått gjennom flere iterasjoner som inkluderer: 1. Konseptbevis: Radar-utviklingssett koblet til en tilpasset antenne innebygget i en ski for å bevise gjennomførbarheten av prosjektet. 2. Prototype v1: Pre-produksjonsenhet basert rundt en kommersiell tilgjengelig radarbrikke. Senterfrekvens rundt 3GHz. Liten og lett nok til å montere på en ski uten å forstyrre kjøreegenskapen til skien i nevneverdig grad. Åsnes stod for produksjon av 30 ski-prototyper med tilpasset antenne innebygd. Problemer med antennen, samt kostnad- og tilgjengelighetsproblemer av valgt radarbrikke, førte til at denne iterasjonen av maskinvaren ble lagt til side til fordel for neste iterasjon. 3. Prototype v2: Pre-produksjonsenhet basert rundt en billigere og mer fremtidssikker kommersiell radarbrikke. Senterfrekvens rundt 7GHz. SINTEF assisterte med å verifisere viabilitet av et nytt antennedesign basert på erfaringer fra forrige iterasjon. Antennen ble flyttet ut av ski og inn i boksen som huser resten av elektronikken for å tillate montering av maskinvaren på ordinære kommersielle ski. Ga gode resultater på tørr snø og penetrerte 2m+. 2m snødybde er nok da skigåer ikke kan utløse skred som resultat av brytning av et lag dypere enn dette. Det var derimot et problem med å penetrere fuktig og våt snø i tilstrekkelig grad da signalet ble dempet for mye. 4. RR600: Radar bygget på bestilling med en lavere senterfrekvens rundt 600MHz for testing på våtere snøtilstander. Testing har vist at radaren ikke har noe problem med å penetrere 2m+ i fuktig til meget våt snø og oppdage enkelte lagdelinger i snøpakken. Er per i dag for stor til å montere på en ski og krever videre utvikling. Fremtidig maskinvare 5. Antenne redesign for bruk med RR600: Per nå bruker radaren antenner av typen Vivaldi som ikke er praktisk for montering på ski. SINTEF har designet nye flate antenner for montering på ski. Antennedesign begrenset av typisk bredde av ski for bruk i fjellet. 6. Elektronikk miniatyrisering: RR600 sin elektronikk må gjøres mindre for å kunne montere den på ski med det nye antennedesignet. Programvare Nåværende programvareutvikling inkluderer: A. Think Outside Radar Processing (TORP): Utfører dataprosessering og ekstraksjon av signalattributter. Prosessering og databehandling har blitt implementert og ekstraksjon av signalattributter er fortsatt pågående. B. Maskinlæring: Korrelerere signalattributter med snøegenskaper for å lage prediktive modeller for snøegenskapene. Flere syntetiske snøpakkemodeller er bygget for å korrelere signalattributter med snølag og snøegenskaper. Undersøkelser om hvilken maskinlæringsmodell som er den beste for formålet er fortsatt pågående. NGI har utført en innledende test på et stort datasett fra Switzerland Snow and Avalanche Institute (SLF) om trender i snøpakker. C. Internett-Telefon grensesnitt: Kobler sammen maskinlæringskjernen til en brukers mobiltelefon for å kunne laste opp radardata, aggregere det med annen data(vær, data fra fra andre brukere ol.) og gi en tilbakemelding til brukeren om snøtilstanden og indikasjon for rasfare. En modell av brukergrensesnittet har blitt laget og testet av brukere. Implementasjonen av logikken er utsatt på grunn av tids- og resursmangel. Datainnsamling Radardata av snø har blitt samlet inn med alle prototyper og utviklingssett i hele prosjektets varighet. Fokuset har vært å samle et stort og variabelt datasett av snøtilstander med ulike dybder, våthet og ulike lagdelinger. Datasettet består primært av data fra Norge, men inneholder og data fra fra andre geografiske lokasjoner som Chile, Italia, Østerrike, Sveits og Finland. Høsten 2021 utplasserte vi en stasjonær radar ved forskningsstasjonen Fonnbu i samarbeid med NGI for kontinuerlig datainnsamling av snø og dens egenskaper gjennom vintersesongen og smeltingsfasen. Analysen av all innsamlet data har gitt god innsikt i korrelasjonen mellom radarsignalet og snøegenskaper. Innsamling av radardata skjer i sammenheng med klassisk manuell profilering av snøen. Mengde data per innsamling varierer fra meter til kilometer i lengde for å kartlegge radarens evne til kartlegge variasjoner i terrenget.

Within the frame of this BIA project a number of remarkable results have been achieved although the overall goal of a final product-stage version of an on-ski radar along with the according app has not yet been reached. We have come a long way towards it though with the design of an early version of the miniaturized ski sensor and additional, functional antenna and radar designs have been established and proven successful in practical field tests. A sled version of the mentioned developed radar sensors is operational and sold commercially. Moreover, over the course of the project a large amount of valuable snow data has been generated and combined with other large snow data bases for subsequent intensive analytics. This also allowed for the development of an operational software for processing and analysis of the snow data collected with the developed sensors. Additionally, the customer journey and web/app interface design has been completed and successfully tested with potential user groups.

Off-piste skiing have grown tremendously in popularity, and 1 in 3 skiers and snowboarders now venture away from prepared slopes. This increases exposure to steep and avalanche-prone terrain, so the number of skiers who have been harmed by avalanches is steadily growing. Current avalanche products are designed for rescue rather than prevention, so skiers must rely on their own assessments of the snow and terrain conditions to avoid risky areas. This method is often inadequate and consequently, 9 of 10 skier involved avalanches are triggered by the skiers themselves. Very often a persistent weak snow layer, unseen by the skiers, causes the avalanche and too often, loss of human life. Knowledge of avalanche danger is essential for safe skiing, especially in remote, high mountain areas. Regional forecasting, topographic maps and weather reports offer avalanche risk indicators, but these are based on extrapolations from few data points, and do not offer accurate location specific information. Our project is the engineering of a portable, light-weight, low-cost radar solution combined with other sensors: GPS, gyro, temperature and tilt, for skiers in the backcountry. It is the first mass-market device for real-time data acquisition and analysis of the snow conditions. It digitally measures a full snow profile including weak layers and snow depth, as well as slope gradient and applied forces. This technology will keep skiers constantly informed about the snow conditions under them, no matter their location. This data is not only useful to the skier, but to ski resorts, hydropower plants, militaries, insurance companies, climate researchers and others. Our 1st milestone will be the automation of weak snow layer detection using machine learning. Then we will look into integrating other sources of data (weather, gyro ,etc..) to provide localized avalanche risk information and look into communicating it in such a way that it does not encourage more risk-taking behavior.