Fjellkoden - datadrevne systemer for skredovervåking ved bruk av forklarbar maskinlæring

Ustabile fjellsider er et vanlig fenomen i alpine områder over hele verden. Potensielle skred fra disse fjellsidene utgjør en direkte trussel mot infrastruktur og menneskeliv, samt en indirekte trussel ved for eksempel forskyvningsbølger. Overvåking av ustabile fjellsider er derfor avgjørende for risikostyring og planlegging. I denne sammenhengen er bruk av både geoteknisk instrumentering på stedet og fjernovervåking en standardpraksis for å identifisere ustabile områder og følge utviklingen deres over tid.

Nylige fremskritt innen overvåkingsinstrumentering og databehandlingsteknikker har lagt grunnlaget for moderne tidligvarslingssystemer og dannet grunnlaget for planlegging av vernetiltak. Til tross for disse fremskrittene er data fra overvåkingsnettverk ofte preget av betydelige kvalitetsproblemer, blant annet korrupte eller manglende datapunkter og betydelig måleusikkerhet. 

En datadrevet tilnærming til å forstå og forutsi ustabile fjellbevegelser

Denne avhandlingen presenterer en multimodal fusjonsmetode utviklet for å integrere data fra ulike sensorer i et overvåkingsnettverk, som tar hensyn til varierende samplingsfrekvenser og måleusikkerheter. Samtidig håndterer den manglende målinger for å estimere forskyvninger i ustabile fjellsider på en robust måte. De underliggende årsakene til skredforskyvninger har vi fortsatt ikke tilstrekkelig kunnskap om, og konvensjonelle tilnærminger basert på statistisk analyse og ekspertkunnskap klarer ofte ikke å gi oss nok innsikt.

For å fylle dette gapet benytter avhandlingen videre forklarbar kunstig intelligens (XAI) til å generere tidsvarierende kausale grafer som viser innflytelsen fra interne og eksterne faktorer på observerte forskyvninger. Det presenteres også en ny metodikk for å utnytte disse kausale grafene til å forbedre prediksjoner av forskyvninger på tvers av flere maskinlæringsmodeller. Videre viser forskningen at prognoser basert på et rammeverk for maskinlæring som i seg selv er forklarbart, kan oppnå både tolkbarhet og høy prediktiv ytelse.

Til slutt presenterer avhandlingen en metode for å utlede nedbørsterskler for regninduserte skred og forutsi skred ved hjelp av forklarbar maskinlæring, noe som gir både operative terskler og kontrafaktiske forklaringer på forholdene som kreves for at modellen skal kunne forutsi skred.

Fra måledata til varsling

Bedre forståelse av drivkreftene bak forskyvninger og mer robuste forskyvningsprognoser på ustabile fjellsider danner et solid grunnlag for utvikling av mer pålitelige tidligvarslingssystemer. Dette vil bidra til å beskytte sårbar infrastruktur, informere om risikoreduserende tiltak og til slutt redde menneskeliv.

Personalia

Lukas Stefan Schild er sivilingeniør med mastergrad i automasjon og intelligente systemer fra den franske ingeniørskolen for energi, vann og miljøvitenskap (Grenoble INP - ENSE3) og mastergrad i informasjonssytemteknologi fra Unversitetet i Darmstadt, Tyksland. Han har vært tilsett som stipendiat ved Campus Sogndal og jobber nå som Høyskolelektor på HVL Campus Førde.

Prøveforelesning

Prøveforelesning finner sted 11. november 2026 kl. 10:15 på rom Storen, campus Sogndal, Høgskulen på Vestlandet

Tema:
Role and potential of transformers in slow-moving landslide displacement forecasting.

Disputas

Disputas finner sted 11. november 2026 kl. 13:15 på rom Storen, campus Sogndal, Høgskulen på Vestlandet

Tittel:
«Decoding Unstable Slopes - Data-Driven Landslide Monitoring Systems using Explainable Machine Learning»

Strømming

https://hvl.zoom.us/j/65998306622?pwd=oWmJV4AyoKabtgKrhTXaQoboCC7Xr0.1 

Vurderingskomité

Komitéleder: 
Professor Carina Bringedal, HVL

Opponenter:
Førsteamanuensis Lorenzo Nava, King's College London, UK

Førsteamanuensis Ruggero Carli, University of Padova, Italia

Veiledere

Hovedveileder:
Førsteamanuensis Thomas Scheiber

Medveiledere: 
Førsteamanuensis Paula Snook

Professor Reza Arghandeh

Disputasleder

Instituttleder Tarald Seldal